近红外特征光谱定量检测羊肉卷中猪肉掺假比例

利用近红外漫反射光谱技术结合化学计量学方法对解冻掺假羊肉卷,进行猪肉掺假比例的定量检测研究。按照不同肥肉占比和不同猪肉掺假比例,制备324?个样品,并利用近红外光谱仪采集其光谱数据。对原始数据进行SG（Savitzky-Golay）平滑、SG一阶导、SG二阶导、多元散射校正、中心化、标准正态变量校正等预处理,并利用偏最小二乘回归（partial least square regression,PLSR）进行建模分析,其中SG平滑结合一阶求导预处理的模型预测效果最优。针对最佳预处理光谱采用竞争性自适应加权采样（competitive adaptive reweighted sampling,CARS）算法进行波长筛选,并建立特征波长PLSR模型,模型预测效果得到提高。其中,校正集和验证集决定系数分别为0.983?6和0.972?5,校正集和验证集的均方根误差分别为0.043?7和0.057?7,范围误差比为7.62。应用该CARS-PLSR模型对检验集进行预测,真实值与预测值的相关系数为0.913?8,结果表明采用近红外光谱分析技术可以实现不同肥肉占比羊肉卷中猪肉掺假比例的定量检测。     

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。     

拉曼光谱法快速检测猪肉脯中的掺伪鸡肉

目的 肉脯掺假制假事件层出不穷,严重损害消费者权益,为了快速无损的检测肉脯掺假的质量安全问题,建立拉曼光谱技术快速、准确、无损的检测猪肉脯样品中是否掺假鸡肉。方法 试验制备33份猪肉中掺入不同比例鸡肉的肉脯样品,采集拉曼光谱数据,分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数等5种不同预处理方法,对原始光谱数据进行预处理,采用连续投影算法、竞争性自适应重加权算法及随机蛙跳算法对光谱数据进行特征波长筛选,建立偏最小二乘法(partial least squares,PLS)模型对猪肉脯进行定性定量判别。结果 拉曼光谱数据经过多元散射校正处理的效果最佳,竞争性自适应重加权算法竞筛选效果更佳,构建猪肉脯中猪肉含量(%)的PLS定量模型,其预测集相关系数(Rp₂⁾和预测均方根误差分别为0.9762、7.2998。建立的PLS判别模型的校正集和预测集总判别正确率分别为100%和98.33%。拉曼光谱分析技术可有效鉴别猪肉脯是否掺伪及其猪肉含量的比例,为肉脯掺假的快速准确地无损检测提供技术支持。结论 拉曼光谱分析技术可有效用于定性鉴别猪肉脯是否掺伪及定量分析猪肉肉脯中掺入鸡肉的比例,为肉脯掺假的快速无破坏性检测的应用提供支持。     

山茶油多元掺假近红外模型的建立与研究

目的建立基于近红外光谱结合偏最小二乘法的山茶油、花生油和玉米油多元掺假模型。方法通过对比不同建模光谱波段、预处理方法对模型进行优化研究,确定最优的山茶油、花生油和玉米油多元掺假模型。结果所建模型性能指数均大于0.99,校正集和预测集的均方差在0.6以内。经未知掺假样品的外部验证,预测值与实测值之间有较好的相关性,二元掺假模型预测值的相对误差在1%以内,三元掺假在6%以内,验证结果良好。结论近红外光谱结合偏最小二乘法的检测技术快速、有效、环保,可用于定量检测山茶油的掺假。     

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。     

近红外光谱法用于掺假羊奶的快速无损鉴别

利用近红外光谱技术结合多种化学计量学方法,研究了快速鉴别掺假羊奶的方法。将淀粉溶液,含尿素的淀粉溶液,含尿素和奶油的淀粉溶液按不同比例掺入纯羊奶中,进行近红外光谱采集。分别采用偏最小二乘差别分析(PLS-DA),fisher线性判别和多层感知器(MLP)神经网络法建立校正模型并进行检验验证。结果表明,MLP神经网络的鉴别效果最好,其校正模型的正判率达到99.4%,验证集的正判率达到100%。说明采用近红外光谱技术结合适当的化学计量学方法可以实现羊奶掺假检测的快速无损鉴别。     

基于近红外技术测定不同鲜肉中挥发性盐基氮含量

目的 应用近红外光谱技术快速检测猪肉、羊肉和牛肉的挥发性盐基氮含量。方法 本实验采集各种肉类的近红外光谱, 运用偏最小二乘法(partial least squares, PLS), 光谱经多种不同预处理方式并通过比较选择最优处理后, 建立挥发性盐基氮含量的近红外校正模型。结果 猪肉选择一阶导、S-G平滑方式, 羊肉选择二阶导、S-G平滑方式, 牛肉选择一阶导、Norris平滑方式。猪肉、羊肉和牛肉的挥发性盐基氮建模集相关系数分别为0.9069、0.9106和0.9587, 方根误差分别为1.12、1.64和2.20。结论 所建立的模型取得了较好的结果, 验证了近红外光谱技术对猪肉、羊肉和牛肉挥发性盐基氮进行定量分析的巨大应用潜力。     

基于阈值选取高光谱感兴趣区域的牛肉掺假检测

目的建立一种通过阈值选取高光谱图感兴趣区域建立模型从而提高快速检测牛肉掺假猪肉水平的方法。方法以2%为间隔,掺假比例为2%～50%(w/w),配制掺入猪肉糜的掺假牛肉样本并采集高光谱反射数据,根据某波长处光谱数据频率曲线设定阈值提取高光谱感兴趣区域,同时以直径为150个像素的圆形区域提取光谱作为对比。采用浓度梯度法、Kennard-Stone法、光谱-理化值共生距离法(sample set partitioning based on joint x-y distance,SPXY)、极大线性无关法将样本划分为校正集和预测集,借助多元散射校正结合平滑预处理后采用偏最小二乘法建立掺假预测模型进行比较分析。结果通过设定阈值提取感兴趣区域建立的模型比圆形区域提取所建模型更加稳定、精准,其中SPXY法划分样本所建立的模型预测效果最好,校正相关系数r_c~2为0.9733,验证集相关系数r_p~2为0.9515。结论基于高光谱技术通过设定阈值提取特征光谱并结合化学计量学可提高预测牛肉掺假的能力。     

基于衰减全反射傅里叶变换红外光谱的餐饮废油掺假检测

为了建立基于衰减全反射傅里叶变换红外光谱(ATR-FTIR)的餐饮废油掺假检测方法,以常见食用油和餐饮废油为原料,收集8个餐饮废油和25个食用油样品,制备30个掺假油样品,共63个油样进行红外光谱扫描。随机取48个油样作为校正集样品,15个油样作为验证集样品,建立餐饮废油定性分析模型,并对定性模型进行验证;从30个掺假油样品中,随机取20个油样作为校正集样品,10个油样作为验证集样品,建立餐饮废油定量分析模型,并对定量模型进行验证。结果表明:在红外光谱范围为1 550~650 cm-1条件下,采用原始光谱结合判别分析建立定性分析模型,其识别率可达100%;采用偏最小二乘法(PLS)建立定量分析模型,在掺假比例1%~10%时,模型预测值与实际掺假比例呈良好的线性关系,相关系数(R)为0.982 2,标准偏差(SD)为0.47。表明基于ATR-FTIR的餐饮废油掺假检测是可行的。     

原料肉中掺大豆蛋白的近红外检测技术的研究

探讨了利用近红外光谱技术快速、准确地进行原料肉中是否掺大豆蛋白鉴别的可行性。首先以原料肉和掺假肉为原料,利用近红外光谱仪测定样品的漫反射光谱曲线,再应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的判别模型的正确判别率达到100%,对未知样进行检验,正确判别率达到86.1%;最后利用偏最小二乘法(PLS)建立大豆蛋白掺入量的定量检测模型,校正模型决定系数(R2)为93.4%,内部交叉验证均方根差(RMSECV)为2.45%,对此模型进行验证,预测集相关系数(R2)为84.1%,预测标准偏差(RMSEP)为3.59%。说明应用近红外光谱技术对原料肉中掺大豆蛋白进行快速、准确的的鉴别是可行的。     

基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。     

电子鼻结合统计学分析对牛肉中猪肉掺假的识别

利用电子鼻结合统计学分析对掺入猪肉的掺假牛肉进行定性和定量研究。采用平均值法和K均值聚类分析法提取特征值;通过主成分分析、判别分析进行分析并使用多层感知神经网络进行模式识别;通过偏最小二乘、多元线性回归和BP神经网络建立定量模型来预测掺假物含量。结果表明：K均值聚类分析法提取的特征值能更全面地反映电子鼻的响应信号,同时判别分析能更好地对掺假牛肉进行定性检测。多层感知神经网络分析中训练集正确分类率达98.8%,验证集正确分类率达97.4%,说明分类结果较好。BP神经网络的决定系数R2（0.9993、0.9930）和均方根误差（0.90%、2.50%）明显优于其他两种方法,故BP神经网络建模分析能更好地预测掺假牛肉中猪肉的含量。说明应用电子鼻技术检测掺入猪肉的掺假牛肉具有一定的可行性。     

Analysis of pork adulteration in beef meatball using Fourier transform infrared (FTIR) spectroscopy

Meatball is one of the favorite foods in Indonesia. The adulteration of pork in beef meatball is frequently occurring. This study was aimed to develop a fast and non destructive technique for the detection and quantification of pork in beef meatball using Fourier transform infrared (FTIR) spectroscopy and partial least square (PLS) calibration. The spectral bands associated with pork fat (PF), beef fat (BF), and their mixtures in meatball formulation were scanned, interpreted, and identified by relating them to those spectroscopically representative to pure PF and BF. For quantitative analysis, PLS regression was used to develop a calibration model at the selected fingerprint regions of 1200-1000 cm(-1). The equation obtained for the relationship between actual PF value and FTIR predicted values in PLS calibration model was y = 0.999x + 0.004, with coefficient of determination (R(2)) and root mean square error of calibration are 0.999 and 0.442, respectively. The PLS calibration model was subsequently used for the prediction of independent samples using laboratory made meatball samples containing the mixtures of BF and PF. Using 4 principal components, root mean square error of prediction is 0.742. The results showed that FTIR spectroscopy can be used for the detection and quantification of pork in beef meatball formulation for Halal verification purposes.     

电子鼻在掺假牛肉卷识别中的应用

使用PEN3系统的电子鼻对掺入不同比例的猪肉和鸭肉的牛肉卷样品进行检测辨别,用主成分分析(PCA)和线性判别分析(LDA)进行分析。结果表明:电子鼻能稳定地反映出掺入不同比例猪肋条肉、鸭肉的牛肉卷中挥发性物质信息的变化,并且能够将不同掺入比例的肉样很好地区分开。     

基于电子鼻和可见/近红外光谱技术的羊肉真实性鉴别

为快速、准确鉴别市面上羊肉中掺入鸭肉的商品,本研究应用电子鼻结合可见/近红外光谱技术,实现了羊肉中掺入不同比例鸭肉样品的有效鉴别。试验制备了174个羊肉中掺入不同比例鸭肉样品,分别采集了样品电子鼻数据和200~1 100 nm、900~1 700 nm波长范围内的反射光谱数据,利用2分类定性判别和6分类定量检测法分别构建了支持向量机（Support Vector Machine,SVM）和偏最小二乘法（Partial Least Squares,PLS）定性定量判别模型,并用6分类最优模型进行预测。结果表明：电子鼻可以利用不同比例羊肉鸭肉样品间的气味差异对不同组进行判别,羊肉中含有的挥发性香气成分如萜烯类、芳香类、有机硫化物等物质的含量高于鸭肉。基于两个波段数据、两种分类方法构建的PLS模型判别效果优于SVM模型,总的判别正确率均达到96%以上,光谱数据经过多元散射校正处理的效果最佳,且最优模型预测效果良好。电子鼻结合可见/近红外光谱分析技术可有效鉴别羊肉中掺入不同比例鸭肉样品,为羊肉真实性的快速无损鉴别提供技术支撑。     

Multispectral image analysis approach to detect adulteration of beef and pork in raw meats

The aim of this study was to investigate the potential of multispectral imaging supported by multivariate data analysis for the detection of minced beef fraudulently substituted with pork and vice versa. Multispectral images in 18 different wavelengths of 220 meat samples in total from four independent experiments (55 samples per experiment) were acquired for this work. The appropriate amount of beef and pork-minced meat was mixed in order to achieve nine different proportions of adulteration and two categories of pure pork and beef. After an image processing step, data from the first three experiments were used for partial least squares-discriminant analysis (PLS-DA) and linear discriminant analysis (LDA) so as to discriminate among all adulteration classes, as well as among adulterated, pure beef and pure pork samples. Results showed very good discrimination between pure and adulterated samples, for PLS-DA and LDA, yielding 98.48% overall correct classification. Additionally, 98.48% and 96.97% of the samples were classified within a ± 10% category of adulteration for LDA and PLS-DA respectively. Lastly, the models were further validated using the data of the fourth experiment for independent testing, where all pure and adulterated samples were classified correctly in the case of PLS-DA, while LDA was proved to be less accurate.     

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。     

基于中红外光谱技术的甘氨酸铁螯合物判别研究

目的研究基于中红外光谱(mid infrared spectroscopy,MIRS)技术定性判别有机微量元素添加剂掺假的可行性。方法以甘氨酸铁螯合物和硫酸亚铁为研究对象,分析样品的中红外光谱,解析不同样品光谱的特异性;建立偏最小二乘判别(partial least squares discriminant analysis,PLS-DA)校正模型对掺假样品进行判别,并比较不同预处理方法、全光谱与特征波段对校正模型判别效果的影响。结果甘氨酸铁螯合物与硫酸亚铁光谱差异显著,主要分布在(3500～3000) cm~(-1)、(1600～1300) cm~(-1)、(1300～1000) cm~(-1)、(660～550) cm~(-1),通过采用平滑(smoothing,SM)、归一化(normalization,Norm)与一阶导数(first derivative,FD)相结合的方法对光谱进行预处理,结合1300 cm~(-1)～1000 cm~(-1)波段建立的PLS-DA校正模型判别效果最优,校正集的判别正确率为97.5%,验证集的判别正确率为100.0%,对外部样品的判别正确率达到92.7%。结论中红外光谱技术结合化学计量学方法能够对甘氨酸铁螯合物的掺假进行准确判别。