基于近红外光谱仪与模式识别方法的不同年份陈皮无损鉴别研究

该研究利用光栅型便携式近红外光谱仪采集不同陈化年份陈皮内囊和外壁的近红外光谱,利用光谱预处理方法结合不同模式识别方法构建不同年份陈皮的鉴别模型。结果表明：预处理方法可以有效消除光谱中存在的多种干扰;主成分分析方法无法实现不同年份陈皮的准确鉴别分析,外壁和内囊数据最优鉴别率仅为35%和44%;采用软独立模式分类法可以得到更加准确的鉴别结果,外壁和内囊数据最优鉴别率分别为94%和96%;Fisher线性判别分析方法结果最优,外壁最优鉴别率为98%,而采用内囊数据结合原始光谱便可实现不同年份陈皮100%鉴别分析。以上结果表明,采用光栅型便携式近红外光谱仪结合化学计量学方法可以实现不同年份陈皮的无损鉴别分析。     

基于近红外光谱技术的小米产地溯源研究

采用便携式近红外光谱仪结合主成分分析(PCA)、费舍尔线性判别(FLDA)及多层感知器神经网络(MLPNN)模型,探讨近红外光谱技术应用于小米产地溯源的可行性。PCA分析显示,除山西、河南、黑龙江3省的样品差异较小难以区分外,其余8个省份的样品均能清晰区分产地。FLDA和MLP-NN分析均能识别出小米样品产地,但MLP-NN识别效果优于FLDA,两个模型对预测集的识别正确率分别为92.3%,84.6%。以上结果表明,近红外光谱技术可有效应用于小米的产地溯源。     

基于NIRS的食用醋品牌溯源模型的建立与优化

本文主要探讨了近红外光谱(NIRS)结合模式识别技术应用于食用醋品牌溯源研究。采集了四个品牌(四川保宁香醋、山西东湖老陈醋、镇江恒顺香醋、镇江香醋)共160组食醋样品的近红外漫反射光谱,通过主成分分析(PCA)进行光谱变量压缩及剔除8个异常样本数据后,随机选取其中的114组样品组成训练集用于建立溯源模型,剩余38组样品用作测试集进行模型验证。比较了MSC、SD、SNV等几种不同光谱预处理方法以及它们的不同组合对溯源模型的影响,同时考察了PLS-DA与SIMCA两种建模方法对模型的影响。结果表明:选择MSC与SD相结合的方法对光谱数据进行预处理,并采用SIMCA建模方法所建立的醋品牌溯源模型对四大品牌醋的正确识别率分别可达100%、100%、91.7%、90%。由此说明采用近红外光谱技术结合模式识别技术可有效实现食用醋品牌溯源的目的。     

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。     

基于近红外光谱技术的枸杞产地溯源研究

采用近红外光谱技术对宁夏、甘肃、青海、内蒙、河北的8个不同产地40种枸杞样品进行扫描,在主成分分析基础上利用简易分类法(simple modeling of class analogy,SIMCA)模式识别原理分别建立模型。结果表明：在950～1650nm全光谱波长范围内,光谱经一阶导数(5点平滑)和矢量归一化(standard normal variate,SNV)预处理后,8个产地模型的主成分数均为3时,采用 SIMCA模式识别法可以建立较为稳健的枸杞产地溯源模型;在α＝5%的显著水平条件下检验模型的可靠性,8个产地校正集模型的识别率除青海为80%外,其他产地均为100%,拒绝率分别为100%、100%、97%、100%、91%、94%、97%、100%,其验证集模型的识别率均为100%,拒绝率分别为100%、100%、100%、100%、75%、88%、100%、100%。表明该方法在枸杞产地识别中具有可行性。     

近红外光谱法快速鉴别成安草莓

为实现对成安草莓的快速鉴别,本文采集了不同产地草莓样品的近红外吸收光谱,选择不同的光谱范围,经二阶导数、一阶导数+矢量归一化、最小-最大归一化等预处理,利用因子化法、合格性测试和主成分分析法(PCA)建立了成安草莓的鉴别模型,并取样对该模型进行验证。结果表明:三种模式识别方法对于其他产地草莓的识别正确率高于93.3%,因此认为,采用近红外光谱结合模式识别技术可快速、准确地鉴别成安草莓的真伪。     

基于近红外光谱的鸡蛋产地溯源

为了快速、准确、无损地追溯鸡蛋的不同产地,借助于近红外光谱技术,采用主成分析结合PLS-DA判别模型和簇类独立软模式法(SIMCA)建立了鸡蛋的溯源模型。利用标准正态变量(standard normal variate,SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(multiplicative scatter correction,MSC)等方法对原始光谱数据进行了预处理,结果表明SG(3点)平滑处理结果最好;利用主成分分析方法对不同地区的鸡蛋进行聚类分析,发现当主成分数为3时,建立的SIMCA溯源效果最好。结果表明,在显著水平0.05时,4个地区(朔州、吕梁、太谷、运城)验证集的识别率均为100%,其中吕梁和运城地区的拒绝率为100%,朔州和太谷地区的拒绝率为98.6%。说明SIMCA模式建立的模型基本能够判别鸡蛋产地。     

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NIR和PLS-DA法的东北大米产地快速溯源方法研究

鉴于市场上东北大米掺伪和假冒现象频发,本研究将近红外光谱技术与PLS-DA判别法相结合用于东北大米产地快速溯源。实验共收集75份大米样本(52份东北产地大米,23份非东北产地大米),按照4∶1的比例随机划分得到训练集样本60份和测试集15份。为消除品种、颗粒形态等对近红外光谱和产地鉴别的影响,实验比较多种光谱预处理方法,并根据相关系数值确定了矢量归一化为首选的预处理方法;将矢量归一化预处理后的光谱按照吸收峰分4个区间分别建立东北大米产地PLS-DA模型,其中4 000～5 500cm~(-1)谱区建立产地溯源模型,训练集准确率可达93.33%,测试集准确率为86.67%。实验结果表明,近红外光谱与PLS-DA法结合在东北大米产地快速溯源技术领域有着光明的应用前景。     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅立叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用卷积(Savitzky-Golay,S-G)平滑算法和数据标准化(Normalization)对光谱数据进行预处理,最后基于遗传优化算法(genetic algorithem,GA)和粒子群优化算法(particle swarm optimization, PSO)分别建立了优化向量机模型(support vector machine, SVM),从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。     

基于近红外光谱法鉴别不同麻类纤维

各麻类纤维的外观形态和化学性能相似,为鉴别不同麻类纤维,基于傅里叶变换近红外光谱分析方法,采用主成分分析结合SIMCA模式识别方法,对苎麻、亚麻、大麻、黄麻、红麻、罗布麻6种纤维进行鉴别。结果表明:6种纤维经平滑及基线校正光谱预处理,构建主成分因子为3的分析模型,结合SIMCA模式识别方法,所有纤维的识别率和拒绝率达到100%,成功实现纤维鉴别。为不同麻类纤维鉴别提供了简便、无损、快速、准确的鉴定方法。     

基于近红外光谱的胡椒产地鉴别方法研究

该研究旨在探索一种基于近红外光谱技术对胡椒产地进行分类的方法。收集海南、云南、广西、越南、马来西亚5个产地的胡椒共计300份样品,采集近红外光谱。采用小波去噪等方法对光谱进行预处理,通过支持向量机(support vector machine,SVM)、径向基神经网络(radical basic function,RBF)和线性判别分析(linear discriminant analysis,LDA)建立产地定性鉴别模型。研究表明,SVM和RBF神经网络模型鉴别准确率较好。db5小波预处理后仅选择7个主成分正确率达到100%的数据。结果表明基于近红外光谱的胡椒产地鉴别方法是可行的,预处理可以有效地提高近红外光谱胡椒产地鉴别模型的准确率。     

近红外光谱用于鉴别苹果产地的研究

目的:探索近红外光谱定性分析技术鉴别苹果产地的可行性。方法:对天津、陕西和北京3个产地富士苹果品质进行了分析,比较了波段范围、导数处理和散射及标准化处理建立主成分分析结合最小二乘法产地鉴别模型。结果:在1100~1848 nm波段范围内采用一阶导数结合趋势变化法散射处理的光谱预处理方法最优,校正集的鉴别正确率为100%,校正交互验证误差(SECV)0.1245,交互验证相关系数(Rcv)0.9641,预测集的鉴别正确率为98.33%。结论:应用近红外光谱定性分析技术可以准确地、快速地追溯苹果产地的溯源。     

近红外光谱技术在快速鉴别真伪小磨香油中的应用

为实现对掺伪小磨香油的快速鉴别,本文采集了小磨香油样品的近红外吸收光谱,经二阶导数+矢量归一化预处理,17点移动式平均平滑后,选择光谱范围为9 000 cm-1～4 500 cm-1,利用合格性测试和主成分分析法(PCA)建立了小磨香油的鉴别模型,并取样对该模型验证.结果表明:两种模式识别方法对于掺假量10%～90%的小磨香油的真伪识别率均为100%.因此认为,采用近红外光谱结合模式识别技术结合可快速、准确地鉴别小磨香油真伪.     

基于近红外光谱的烟叶SIMCA模式识别

研究了基于烟叶的近红外光谱数据通过软独立模式分类(SIMCA)识别不同烟叶的方法。首先对每种具有确定产地、等级、品种的目标烟叶进行多次分布式取样,扫描目标烟叶多个样品的近红外光谱;再对目标烟叶近红外光谱进行主成分分析(PCA)运算生成每种目标烟叶的数据模型;然后扫描未知烟叶的近红外光谱,用目标烟叶数据模型对未知烟叶近红外光谱进行主成分分解计算,计算未知烟叶与目标烟叶的距离,通过距离衡量未知烟叶与目标烟叶的相似程度。建立了包含115种不同产地、等级、品种的目标烟叶的数据模型,对115个外部检验样品进行了模式识别,正确识别率高于90%。结果表明该烟叶模式识别方法基础数据易得,同时考虑了烟叶的平均水平和分布水平,识别准确率高,具有良好的发展前景。      

近红外漫反射光谱技术对小米产地溯源的研究

为建立小米产地溯源的快速检测技术,更好的维护地方名优小米品牌效益,试验利用近红外漫反射光谱技术对不同状态小米进行产地溯源鉴别,试验分别选取来自肇源和肇州两个小米主产区的144份小米样品,应用近红外漫反射光谱技术结合化学计量学对不同状态下的小米进行产地溯源研究,结果表明:在全波长范围内采用因子化法建立的定性分析模型和在特征波段范围内采用偏最小二乘法(PLS)建立的定量分析模型,对肇源、肇州两个小米主产区的小米籽粒和小米粉末的正确鉴别率均在90%以上,其中小米粉末的模型正确预测率要高于小米籽粒。因此,应用近红外漫反射光谱技术对不同状态小米产地溯源的鉴别具有一定的可行性。     

近红外光谱技术对加工后鸡肉产地溯源的研究

本文选择来自昌邑新昌、牟平仙坛、莱阳春雪、亚太中慧四个产地,不同厂家的180只同鸡龄同部位鸡肉样本,分别采用蒸、煮、微波三种方式加工后,经预处理粉碎过筛,利用安全、快速的近红外光谱技术,对不同产地的鸡肉样本进行近红外扫描并对所采集的近红外光谱进行聚类分析(CA)、主成分分析(PCA),针对三种加工方式分别建立鸡肉产地溯源的定性判别模型,以探究加工后鸡肉产地溯源的可行性。试验表明:在波数范围7000~4000 cm-1内,原始光谱经二阶求导(13点平滑)和矢量归一化(SNV)预处理后,经三种方式加工后鸡肉的近红外光谱图均有显著差异,其中聚类分析判别正确率均高于90%,鸡肉样本的主成分空间分布位于不同的区域。利用来自四个厂区的独立样本经相同处理后对模型进行验证,识别正确率可达90%~95%。近红外光谱分析技术对加工鸡肉制品的产地溯源具有可行性。     

近红外光谱技术对圆枣产地的判别分析

采用近红外高光谱成像系统对3类不同产地的圆枣进行判别分析,快速鉴别圆枣产地。应用近红外高光谱获取3类圆枣样本的光谱数据,对光谱采用标准正则变换(SNV)方法预处理,从原始光谱数据中提取特征波长,并建立全波段与特征波段下的线性判别模型来判别3类圆枣的产地。结果表明,近红外光谱结合线性判别法对圆枣产地鉴别的特征波段模型可有效替代全波段模型,模型准确率均大于99%,为实现农产品产地鉴别和自动分类提供理论依据。     

几种模式识别方法在豆酱近红外光谱鉴别中的应用

为建立快速鉴别豆酱品质的适用方法,利用近红外光谱技术,针对市场上常见的四类豆酱样本,分别进行异常样本剔除和预处理,采用判别偏最小二乘法(DPLS)、相似分析法(SIMCA)和误差反向传播神经网络(BPANN)定性模式识别方法,进行豆酱类别的识别研究。研究结果表明:3种识别方法的校正集正确识别率分别为99.10%、98.20%、100%,预测集识别率为94.55%、89.09%、90.91%。综合比较3种不同的识别算法,采用判别偏最小二乘法(DPLS)时校正集和验证集的正确判别率效果都较好。研究结果表明采用近红外光谱分析技术实现豆酱的快速准确分类和鉴别是可行的。     

基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究

采用连续投影算法(successive project algorithm,SPA)对177个不同产地油菜蜜样本的近红外光谱做波长选择,然后以33个特征变量作线性识别分析(LDA)。同时,也采用了主成分分析(PCA)对变量进行压缩。比较了二次识别分析(QDA)和簇类独立软模式分类法(SIMCA)的鉴别结果。SPA-LDA模型预测集的鉴别准确率为97.7%,而PCA-LDA、全谱的SIMCA和SPA-QDA预测集的正确率分别为93.2%、95.4%和90.9%;上述四种方法ROC曲线下的面积分别为0.964、0.912、0.948和0.933。SPA-LDA性能比其他三种方法要好。该方法准确、可靠,为蜂蜜真实性的现场快速检测提供了一种新方法。