近红外光谱分析技术快速检测藕粉品质

目的 基于近红外光谱技术鉴别不同产地的藕粉样品与检测藕粉的掺假问题。方法 采集不同产地的藕粉样品的近红外光谱,在光谱预处理后采用相关系数法提取特征波长,以提取的特征波长变量构建偏最小二乘法-判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)以及支持向量机(support vector machine,SVM)模型,实现对不同产地藕粉的鉴别分析。同时,采集掺假地瓜粉、玉米粉、木薯粉的藕粉样品的近红外光谱,在样品类别已知情况下,运用K-Means聚类分析鉴别3种掺假类型的藕粉样品,在掺假类别未知下,运用基于局部密度判别的聚类算法进行判别。结果 以相关系数法提取的特征波长变量构建的PLS-DA、LDA和SVM三种模型对于不同产地藕粉样品的判别准确率均为100%。对于不同掺假类型的藕粉检测,在样品类别已知情况下,K-Means聚类分析能有效识别出掺假藕粉,识别精度为98.33%。在样品类别未知的情况下,基于局部密度判别的聚类算法可以有效识别出2%掺假率的藕粉样品。结论 近红外光谱技术能实现不同产地莲藕粉的快速鉴别,同时为隐蔽的藕粉掺假鉴别提供一种快速、高效、无损检测的分析方法,为藕粉的质量控制提供一定的理论基础。     

基于近红外光谱技术的沙棘籽油鉴伪方法研究

针对市场上沙棘籽油质量参差不齐的情况,结合近红外光谱技术研究沙棘籽油快速鉴伪的方法。采用234份沙棘籽油、其他植物油、掺假沙棘籽油的近红外透反射光谱,结合簇类独立软模式法(SIMCA)、偏最小二乘判别法(PLS-DA)、支持向量机法(SVM)3种化学计量学方法,在4 000~6 000 cm-1波段范围内分别建立这3类油的判别模型,并用117份独立样品对模型进行验证。结果表明:3种建模方法均得到了满意的结果,其中SVM在训练和验证过程中均得到100%的正确率,判别效果最好;近红外光谱技术应用于识别纯沙棘籽油和区分沙棘籽油掺假类别具有实用性,近红外光谱技术应用于沙棘籽油鉴伪是可行的。     

近红外透射光谱分析油茶籽油掺入豆油的研究

采用傅里叶近红外透射光谱技术,应用于不同比例(0%～50%)的豆油和油茶籽油的二元体系样品,通过各种光谱预处理方法和回归方法的优化,建立了检测油茶籽油中掺杂豆油含量的近红外光谱的定量模型。以"二阶导数+Norris derivative filter"的最佳预处理方法和PLS的回归方法所建模型最佳,其校正相关系数(Rc)和校正标准误差(RMSEC)分别为0.999 99、0.057 70;交叉检验相关系数(Rcv)和交叉检验校准误差(RMSECV)分别为0.999 99、0.071 9;最优波段为5 037.16～4 728.60 cm-1、7 852.72～7 089.04 cm-1、8 577.82～8 323.26 cm-1;最佳主因子数为6。另外,经外部验证15份随机样品的化学值和NITS预测值的相关系数(R2)为0.998。表明近红外透射光谱法能够快速、准确地定量分析掺假油茶籽油中豆油的含量(范围为0%～50%)。     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。     

近红外光谱结合偏最小二乘法用于纯茶油中掺杂菜籽油和大豆油的定量分析

采用偏最小二乘法(PLS)建立了油茶籽油中掺杂菜籽油和大豆油的近红外光谱定量检测模型。配制不同比例(0～100%)的油茶籽油和菜籽油、油茶籽油和大豆油混合样品共256个,采集样品在10000～4000cm-1范围内的近红外透反射光谱,模型采用交互验证和外部检验来考察所建立模型的可靠性,不需进行任何光谱预处理,所建立的PLS模型相关系数为0.9997,训练集的交叉验证均方根误差(RMSECV)为0.504,预测集的预测均方根误差(RMSEP)为0.66。应用建立的模型对未知样品进行预测,并对预测值和真实值进行比较,在掺杂油含量为2.5%～100%之间范围内准确可靠,研究结果表明,采用近红外光谱技术可以实现纯茶油中菜籽油和大豆油掺杂量检测。     

近红外光谱技术快速检测猪肉糜中的掺杂鸭肉

为快速、准确利用近红外定性分析混入鸭肉的掺假猪肉糜。试验在猪肉糜中添加不同比例的鸭肉肉糜,制备不同掺假鸭肉的样品90个,其中76个为掺有不同鸭肉质量分数的样品,14个为纯猪里脊肉,并独立制备44个验证集样品,其中37个为掺有不同鸭肉肉糜质量分数的样品,7个为纯猪肉。在10 000 cm-1~4 000 cm-1波数范围内进行光谱扫描,采用不同光谱预处理方法结合主成分分析,建立PLS-DA模型。建立的判别分析模型:在全波段范围(10 000 cm-1~4 000 cm-1)内,对校正集正确判别率可达100%,验证集的正确判别率可达88.6%。研究结果表明近红外漫反射光谱可以快速检测猪肉中的掺杂鸭肉。     

基于支持向量机的近红外光谱技术快速鉴别掺假羊肉

为实现掺假羊肉的无损鉴别,利用傅里叶变换近红外光谱分析技术建立混入鸭肉的掺假羊肉糜的快速检测方法。实验通过在羊肉糜中添加不同比例的鸭肉糜来制备掺假羊肉,采用近红外漫反射方式在全波段范围(10000~4000 cm-1)内采集羊肉、掺假羊肉和鸭肉的近红外光谱图,分别考察多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate correction,SNV)、面积归一化(Area normalization)、标准化(Autoscale)、15点平滑处理(Smoothing)、一阶导数处理(1stderivative)的光谱预处理方法对所建支持向量机(nuSVM)判别模型的预测效果。结果显示,不同光谱预处理所建nu-SVM判别模型预测效果不同。其中,经标准化处理后所建的nu-SVM模型的预测能力最差为90.38%;15点平滑处理后所建nu-SVM模型的预测效果最好(96.15%),对建模集正确判别率为99.07%,对检验集正确判别率为96.15%;其余处理所建nu-SVM模型的判别能力介于二者之间。结果表明,采用近红外光谱技术结合15点平滑预处理后所建nu-SVM模型可以实现羊肉中的掺杂鸭肉的鉴别。     

基于同步荧光光谱的杜仲籽油掺假检测研究

建立基于同步荧光光谱的杜仲籽油掺假判别分析模型及检测方法。以杜仲籽油和7种常见植物油为研究对象,采集激发波长范围为250～700 nm,波长间隔为60 nm的同步荧光光谱,分析杜仲籽油和常见食用油的荧光光谱特性,利用光谱峰面积建立掺假判别模型并对其进行验证。结果表明:杜仲籽油与其他7种植物油的荧光特性存在显著差异;分别利用600～700 nm和300～500nm波长范围同步荧光光谱进行主成分分析,其对杜仲籽油掺假识别准确率高达100%;利用峰面积与掺假比例建立定量判别分析模型,检测限分别为1%和0. 48%。该方法可实现对杜仲籽油掺假的定性和定量分析,且具有较高的灵敏度、简便和快速等特点。     

基于深度信念网络的近红外光谱鉴别莲子粉掺假

为快速鉴别莲子粉真伪,利用近红外光谱技术对莲子粉掺杂进行鉴别。基于已知利用支持向量机(support vectormachine,SVM)对光谱数据分类的结果,在未知样品类别的情况下使用基于深度信念网络(deepbelief network,DBN)进行判别。结果表明,当训练集数目达到600时,SVM模型对掺入不同比例各类其他作物粉的平均识别率达到98%;基于DBN模型能够有效识别掺杂了各类其他作物粉的莲子粉,极个别掺杂比例的平均识别率在96%左右。采用DBN算法避免了当前深层神经网络易陷入局部最优和无大量标签样本的情况。近红外光谱技术结合DBN为农产制品掺假的快速检测提供了新的尝试。     

基于便携式近红外光谱技术的茯苓粉真实性无损检测研究

目的 基于便携式近红外光谱技术结合化学计量学方法建立了一种茯苓粉真实性无损检测新方法。方法 以与茯苓粉外观相似的生粉、木薯粉和小麦粉为假冒以及掺假物质, 利用便携式近红外光谱仪采集假冒以及不同比例掺假茯苓粉的光谱数据; 利用光谱预处理方法消除光谱中的背景以及基线漂移干扰; 结合主成分分析方法构建假冒以及掺假茯苓粉的鉴别模型。结果 采用原始光谱建立的主成分分析模型即可实现假冒茯苓粉(生粉和木薯粉)以及不同比例掺假茯苓粉(生粉)的准确鉴别, 但无法实现假冒以及所有比例掺假茯苓粉(小麦粉)、25%掺假比例茯苓粉(木薯粉)的准确鉴别; 合适的预处理方法可以提高模型的鉴别准确率, 经预处理后的主成分分析模型可以实现所有假冒以及掺假茯苓粉的准确鉴别。结论 采用近红外光谱技术与化学计量学方法可实现茯苓粉真实性无损检测。     

基于挥发性成分定性判别风味油茶籽油掺伪浸出油茶籽油PCA模型和逻辑回归模型的对比分析

为了解决风味(原香和烤香)油茶籽油掺伪浸出油茶籽油的定性判别问题,设计高、低两个掺伪梯度,基于挥发性成分构建并对比分析了定性判别风味油茶籽油掺伪浸出油茶籽油的主成分分析(PCA)模型和逻辑回归模型。结果表明：逻辑回归模型定性判别风味油茶籽油掺伪浸出油茶籽油的能力较强,优于PCA模型;高掺伪梯度下定性判别原香和烤香油茶籽油掺伪浸出油茶籽油,PCA模型的最低检出限分别为20%和60%,而逻辑回归模型的最低检出限均为10%;低掺伪梯度下定性判别原香和烤香油茶籽油掺伪浸出油茶籽油,PCA模型的判别不准确,而逻辑回归模型的最低检出限均为4%。逻辑回归模型能很好地定性判别风味油茶籽油掺伪浸出油茶籽油。     

基于特征性脂肪酸和甘油三酯指标的油茶籽油掺伪定性鉴别模型对比分析

为解决油茶籽油掺伪其他植物油的定性鉴别问题,在油茶籽油中分别掺入大豆油、花生油、葵花籽油、棉籽油、葡萄籽油、菜籽油、棕榈油和米糠油,设置高和低两种不同掺伪梯度,基于14个特征性脂肪酸和甘油三酯指标,运用Python语言构建并对比分析了二分类决策树模型、多分类决策树模型和多层感知机人工神经网络(MLP-ANN)模型用于油茶籽油掺伪定性鉴别的效果。结果表明：高和低掺伪梯度下,二分类决策树模型对油茶籽油掺伪其他植物油的定性鉴别的准确率均达到0.95以上;多分类决策树模型的精确率和准确率在高掺伪梯度下均达到了0.95,但在低掺伪梯度下仅为0.90;在高和低掺伪梯度下,MLP-ANN模型对油茶籽油掺伪定性鉴别的平均精确率均达到0.98,准确率分别达到0.97和0.98。相比于决策树模型,MLP-ANN模型能很好地实现油茶籽油掺伪定性鉴别。     

GC和LF-NMR结合化学计量学方法检测掺假油茶籽油

为了对油茶籽油品质控制及评价提供支撑,以纯油茶籽油和掺假油茶籽油(分别掺入菜籽油、花生油、棕榈油和高油酸花生油)为试验材料,采用气相色谱法(GC)分析其脂肪酸组成,采用低场核磁共振技术(LF-NMR)测定其横向弛豫特性数据,结合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和偏最小二乘分析(PLS)等化学计量学方法建立油茶籽油掺假的定性和定量分析模型。结果表明：5种植物油的脂肪酸组成和LF-NMR横向弛豫特性数据存在显著区别;油茶籽油和其他4种植物油在PCA得分图上可清晰区分;PLS-DA模型可有效区分油茶籽油和掺假油茶籽油,判别正确率均可达100%;建立的油茶籽油中掺入菜籽油、花生油、棕榈油、高油酸花生油的PLS定量预测模型,真实值与预测值的相关系数(R²)分别为0.994 1、0.998 6、0.997 6、0.978 1。综上,GC和LF-NMR结合PCA、PLS-DA以及PLS等化学计量学方法可用于油茶籽油掺假类别判定及掺假量分析。     

核磁共振氢谱结合化学计量学快速检测掺假茶油

摘 要：以纯茶油和掺假茶油（掺入大豆油、玉米油）作为核磁共振氢谱检测对象,结合化学计量学方法分析处理核磁数据,建立一种能快速预测茶油掺假的方法。结果表明：纯茶油和掺假茶油在主成分分析得分图上有较好地区分,且掺假样品随掺假比例在图中呈规律性分布,但少部分低体积分数的掺假油与纯茶油重叠。而采用偏最小二乘判别（partial least squares discriminant analysis,PLS-DA）法可以得到更好的分离效果,在该模型中,纯茶油的判别准确率为100%。进一步采用PLS可实现对茶油掺假水平的准确定量测定。该方法可简单、快速地用于茶油的掺假鉴别,在茶油品质控制及评价方面具有很大的应用潜力。     

气相色谱法测定脂肪酸含量判定山茶油纯度

利用气相色谱法,对山茶油掺入大豆油、菜籽油、玉米油和葵花籽油的掺伪油进行脂肪酸组成分析。结果表明:油酸、亚油酸和亚麻酸可作为鉴别山茶油中掺伪大豆油和菜籽油的特征脂肪酸,棕榈酸、油酸和亚油酸可作为鉴别山茶油中掺伪玉米油和葵花籽油的特征脂肪酸;回归预测模型相关系数(R^2)较高(> 0. 99),可分别检出掺伪量4%的大豆油和菜籽油,掺伪量8%的玉米油和葵花籽油,回收率在96. 56%~112. 88%之间。该方法灵敏度高,定量准确,可为掺伪山茶油纯度鉴别及调和山茶油配比的定量分析提供科学依据。     

基于拉曼光谱-聚类分析快速鉴别掺伪油茶籽油

在532 nm激光光源的扩展拉曼光谱及一阶导数光谱中,油茶籽油与低价植物油及精炼地沟油光谱形态的差异显著,谱峰得到有效分离。基于全波段光谱信息和形态建立的多步聚类分析模型既可准确鉴定油茶籽油,还可准确鉴定各种类型的掺伪油茶籽油。对26份不同油茶籽油、105份不同低价植物油、75份5%及以上的掺杂油茶籽油和38份不同精炼地沟油的判别正确率均为100%,对5%及以上的180份掺假油茶籽油和72份掺杂植物油的判别正确率达92%以上。样品测量时无需制备样品及消耗化学试剂,测量和分析1份样品仅耗时5 min左右,可实现对掺伪油茶籽油的快速、无损和准确鉴别。     

基于红外光谱快速鉴别压榨油茶籽油与浸出油茶籽油的研究

为规范油茶籽油市场、维护消费者权益,建立了快速、准确鉴别压榨油茶籽油和浸出油茶籽油的方法。通过傅里叶变换红外光谱仪对大量压榨油茶籽油和浸出油茶籽油样品进行扫描,提取特征波段数据,运用Savitzky-Golay平滑(SG)、多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)和二阶导数(SD)方法进行预处理,然后结合偏最小二乘法(PLS)、支持向量机(SVM)和BP人工神经网络(BPANN)建立鉴别模型。结果表明,偏最小二乘法和BP人工神经网络建模时,SG平滑预处理方法最好,得到的SG-PLS和SG-BPANN两模型的验证集相关系数、验证集均方根误差、鉴别准确率分别为0. 767 9和0. 921 2、0. 322 6和0. 205 9、88. 46%和100%;支持向量机建模宜采用SNV预处理,建立的SNV-SVM模型验证集相关系数、验证集均方根误差和鉴别准确率分别为0. 761 4、0. 882 1、88. 46%。因此,红外光谱技术用于鉴别压榨油茶籽油和浸出油茶籽油是可行的。     

红外光谱快速测定油茶籽油脂肪酸组成的模型建立北大核心CSCD

通过气相色谱和傅里叶红外光谱仪测定86个油茶籽油样本的脂肪酸组成和红外光谱图,采用支持向量机(SVM)和BP人工神经网络(ANN)的非线性建模方法,构建油茶籽油中主要脂肪酸的定量回归模型。结果表明:ANN建立的油酸和棕榈酸定量回归模型精确度比SVM高,校正集的相关系数(R)分别为0.9987和0.9451,预测集的相关系数分别为0.9557和0.9262,相对标准偏差分别小于1%和5%;SVM和ANN建立的亚油酸定量分析模型精确度都非常高,相对标准偏差均小于1%。说明红外光谱用于油茶籽油中主要脂肪酸的快速检测是完全可行的。     

基于GC-IMS技术分析湿提和热榨油茶籽油风味的差异

为探究不同工艺对油茶籽油风味的影响,采用气相色谱-离子迁移谱(GC-IMS)技术对湿提和热榨油茶籽油风味物质进行分析。结果表明：湿提和热榨油茶籽油中均鉴定出32种风味物质;醛类是湿提和热榨油茶籽油主要的风味成分,其在湿提和热榨油茶籽油含量分别为62.62%和70.52%;湿提和热榨油茶籽油风味成分差异主要在于醛类和醇类物质含量,湿提油茶籽油的醇类和酯类物质含量高于热榨油茶籽油,糠醛含量(1.96%)远低于热榨茶籽油(11.18%);通过主成分分析和样品间相似度分析比较,两种工艺油茶籽油整体风味差异明显。湿提油茶籽油可能具有比热榨油茶籽油更柔和的风味和更安全的食用价值。     

基于脂肪酸特征指标的鳕鱼肝油掺假鉴定

通过分析鳕鱼肝油中各脂肪酸的相对含量及特征指标变化规律,建立鳕鱼肝油掺假鱼油的鉴定方法。鳕鱼肝油中所含脂肪酸经柱前衍生转化为甲酯后进行气相色谱测定,采用面积归一化法计算各脂肪酸相对总脂肪酸的相对含量。根据多样本脂肪酸相对含量分析结果,找出能有效识别掺假的特征性指标二十二碳六烯酸（docosahexaenoic acid,DHA）/二十碳五烯酸（eicosapentaenoic acid,EPA）值和鲸蜡烯酸相对含量,并确定其限度范围,DHA/EPA值为1.40～1.68,鲸蜡烯酸相对含量为7.0%～9.4%。当鳕鱼肝油样品中测得的DHA/EPA值和（或）鲸蜡烯酸相对含量超过此限度时,可初步判定该样品掺假鱼油。为进一步有效识别掺假水平,本研究探索建立一种以DHA/EPA值和鲸蜡烯酸相对含量为坐标的掺假模型,并绘制不同掺假水平的识别分析图,46 批样品经鉴定,有2 批样品疑似掺假25%的鱼油。该鉴定方法准确可靠、直观简便,可用于鳕鱼肝油中掺假鱼油的快速鉴定。