基于近红外漫反射光谱的云芝提取物品级分类研究

为探索快速无损分析云芝提取物品级的方法,采集不同产地云芝提取物的近红外漫反射光谱,通过主成分分析(PCA)对样本原始光谱数据进行降维、压缩,并分别结合偏最小二乘判别法(PLS-DA)和反向传输人工神经网络(BP-ANN)建立识别模型。结果表明:采用主成分分析结合偏最小二乘判别法,建模集和验证集的识别正确率分别为100%和84%;采用主成分分析结合反向传输人工神经网络模型,其建模集和验证集的识别正确率均为100%。由此可见,主成分分析结合反向传输人工神经网络模型可以更好地实现对不同品级的云芝提取物进行分类识别。     

不同种类鸡蛋蛋黄近红外光谱特性研究

提出并建立一种基于近红外光谱技术的普通鸡蛋、柴鸡蛋和土鸡蛋的鉴别方法。从超市购置三种不同鸡蛋,在实验室分离出每类鸡蛋蛋黄20个,共60个样品,并在4 000～10 000 cm~(-1)范围内采集所有样品的近红外漫反射光谱。在研究其近红外光谱特性的基础上,对其光谱数据进行主成分(PCA)分析,结果发现PCA方法无法完全实现三类鸡蛋的聚类鉴别。最后,建立三类鸡蛋的偏最小二乘判别模型,其对校正集和预测集三类鸡蛋进行判别,正确率均为100%。     

基于近红外光谱的褐变板栗识别建模方法研究

为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000~2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法(KNN)、簇类独立软模式法(SIMCA)、主成分回归-线性判别分析法(PCA-LDA)、偏最小二乘回归-线性判别分析法(PLS-LDA)以及最小二乘-支持向量机判别分析法(LS-SVM)分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明:近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

近红外光谱法快速鉴别转基因大豆模型优化

目的应用近红外光谱(NIR)结合偏最小二乘判别分析(PLS-DA)建立转基因大豆的快速鉴别模型,并选择最优模型。方法主成分分析(PCA)用于从光谱数据中提取相关特征并剔除异常样品。在试验中,94份样品用于构建模型,41份样品用作验证评估模型的效果。分别讨论样品形态(整粒和粉末)、波长范围和光谱预处理方法对所建模型判别正确率的影响。结果粉末状大豆样品建模的效果好于整粒大豆样品。其中判定效果最好的模型,整粒大豆在9 403～5 438 cm~(-1)范围内,采用二阶导数(2nd)处理光谱,模型的校正集和验证集的判定正确率均为100.00%;粉末状大豆在7 505～4 597 cm~(-1)范围内,采用矢量归一化+一阶导数(SNV+1st)处理光谱,模型的校正集和验证集的判定正确率也均为100.00%。结论通过选择样品形态、波长范围和光谱预处理方法可以优化鉴别模型,提高近红外判别模型的鉴别正确率。     

基于多源光谱分析技术的鱼油品牌判别方法研究

多源光谱分析技术被用于鱼油品牌快速无损鉴别。采用可见光谱分析技术、短波近红外光谱分析技术、长波近红外光谱分析技术、中红外光谱分析技术和核磁共振光谱分析技术采集了7种不同品牌的鱼油的光谱特征,并应用偏最小二乘判别分析法(partial least squares discrimination analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)建立判别模型并比较判别结果。基于长波近红外光谱的PLS-DA模型和LS-SVM模型取得了最高识别正确率,建模集和预测集识别正确率均达到100%。采用中红外光谱和核磁共振谱分别建立的LS-SVM模型,也可以获得100%的判别正确率。而可见光谱和短波近红外光谱则判别准确率较差。且LS-SVM算法较PLS-DA更加适合用于建立光谱数据和鱼油品牌之间的判别模型。研究结果表面长波近红外光谱技术能够有效判别不同鱼油的品牌,为将来鱼油品质鉴定便携式仪器的开发提供了技术支持和理论依据。     

基于近红外光谱对淀粉种类的定性鉴别及定量分析

淀粉在调味品生产中应用广泛,同时其本身也作为调味品具有勾芡等用途。不同种类淀粉分子结构不同导致性质用途不同,文章基于近红外漫反射技术,建立了不同种类淀粉快速无损定性及定量检测方法。通过对73份不同种类的淀粉进行光谱采集,结合主成分分析法(PCA),建立了不同种类淀粉的定性判别模型;基于淀粉种类判别结果,以不同比例的马铃薯和小麦淀粉的混合物为检测对象,采集光谱信息,基于偏最小二乘法(PLS)建立近红外定量分析模型,并对该模型进行了验证,校正模型和预测模型的决定系数分别为0.9988和0.9982,均方根误差分别为0.385和0.347,预测相对分析误差(RPD)为14.3。结果表明,近红外光谱技术可用于淀粉的定量预测以及不同种类淀粉的快速定性识别。     

基于近红外光谱技术快速识别不同动物源肉品

利用傅里叶变换近红外光谱技术建立猪肉、牛肉和羊肉的定性识别模型。用主成分分析法将原始数据压缩为10 个主成分,在全波段9 881.46～4 119.20 cm－1范围内,利用附加散射校正技术结合Savitzky-Golay滤波法对光谱数据进行预处理,采用判别分析法建立模型。模型对训练集的识别准确率为100%,对预测集猪肉、牛肉和羊肉的识别准确率分别为99.28%、97.42%和100%。结果表明：近红外光谱结合模式识别方法能快速无损地识别猪肉、牛肉和羊肉。     

郎枣轻微损伤可见/近红外光谱分波段动态判别研究

为了实现轻微损伤郎枣的快速无损检测,以完好和轻微损伤郎枣为研究对象,动态采集其可见/近红外光谱数据。依据光谱波段定义将采集的光谱数据分为可见光(Vis)、短波近红外(SW-NIR)、长波近红外(LW-NIR)、可见/短波近红外(Vis/SW-NIR)、近红外(NIR)和可见/近红外(Vis/NIR)等6个波段,分别选取各波段最佳预处理方法。采用连续投影法(SPA)和主成分分析法(PCA)分别对各波段光谱数据降维,以全波长、SPA提取的特征波长和PCA提取的主成分作为输入,分别建立偏最小二乘回归法(PLSR)和最小二乘支持向量机(LS-SVM)模型,通过比较预测集的判别准确率,确定最佳建模方法。结果表明,PLSR模型优于LS-SVM模型,SW-NIR波段较其余5个波段有更好的判别能力,所建SW-NIR-SNV-SPA-PLSR模型判别准确率为93.3%,为最佳模型。本实验为轻微损伤郎枣的快速无损检测和相关仪器的开发提供了理论基础。     

基于近红外光谱的冷鲜肉--解冻肉的判别研究

目的 利用近红外光谱对冷鲜肉和解冻肉进行判别研究。方法 利用385～935nm的近红外光谱系统,采集冷鲜肉与解冻肉表面的反射光谱数据,采用Savitzky-Golay(S-G)平滑和标准变量正态变换(SNVT)方法对光谱数据进行预处理。然后利用主成分分析法(PCA)实现数据降维,提取主成分后结合两种状态肉的理化指标(L*值,a*值,pH,蒸煮损失和嫩度),分别利用Fisher判别法、贝叶斯判别法两种判别分析方法对冷鲜肉和解冻肉进行判别研究。结果 两种判别分析方法,均取得较好的分类效果,尤其是Fisher判别法,校正集的回判正确率为96.67%,验证集的正确率为100%。结论 近红外光谱技术应用于冷鲜肉和解冻肉的鉴别是可行的。     

基于CUVE-PLS-DA的鸡蛋新鲜度在线检测分级

针对目前鸡蛋新鲜度检测技术方法存在劳动强度大、检测精度低、分级效率不足等缺陷,本研究在4 800 枚/h的禽蛋传输机上搭建了可见-近红外透射光谱（501～1 000 nm）在线检测装置,动态采集鸡蛋透射光谱数据,并建立光谱信息与鸡蛋哈夫值等级的偏最小二乘判别模型。采用3∶1原则对鸡蛋样本进行随机划分,其中校正集169 个,验证集57 个,通过比较多种光谱预处理方法以及两种特征波长选择方法,得出标准正态变换预处理方法和多模式共识方法能够有效地提高模型的正确率、运算效率和预测能力,优化模型后的校正集和验证集准确率分别为92.31%、91.23%。结果表明本实验建立的可见-近红外光谱透射光谱检测方法能够对鸡蛋的新鲜度进行无损、智能、在线检测分级。     

近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假

利用近红外光谱技术结合化学计量学方法,对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别建模,并建立猪肉掺假比例的定量检测模型。结果表明：对不同掺假比例样品的判别,应用偏最小二乘判别分析方法效果优于主成分分析-支持向量机方法,最优模型校正集和验证集判别正确率均为100%。应用偏最小二乘方回归法定量检测不同肥瘦比解冻牛肉汉堡饼中的猪肉掺假比例,模型校正集和验证集的相关系数Rc和Rp、验证集均方根误差分别为0.968 9、0.861 1、7.221%。因此,应用近红外光谱技术可以实现对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别和定量检测。     

A nondestructive approach for discrimination of the origin of sesame seeds using ED-XRF and NIR spectrometry with chemometrics

An energy dispersive X-ray fluorescence (ED-XRF) spectrometer and a near infrared (NIR) spectrometer combined with chemometrics were applied for origin discrimination of 48 Korean, 44 Chinese, and 21 Indian sesame seed samples used for development of a discriminant calibration model. Multi-elemental ED-XRF analysis based on Mg, Al, Si, P, S, Cl, K, Ca, Mn, Fe, and Cu was used for comparisons among origins. All elements, except for Fe, showed differences and 96.5% of seed samples were assigned to the correct origin using discriminant analysis based on chemical analytical results. NIR measurements were performed for spectral scanning. Classification of seeds using NIR discriminant analysis achieved 89.4% of seed samples assigned to the correct origin. Both ED-XRF and NIR are useful as nondestructive tools for discrimination of sesame seed origins.     

利用可见/近红外反射光谱无损检测小米的粘度

目的建立适用于小米粘度无损检测的可见/近红外反射光谱法。方法使用光谱仪获取小米在367～1020 nm波段范围内的漫反射光谱,采用多元散射校正法(multiple scattering correction,MSC)和一阶导数法(first derivation,1~(st)-D)对原始反射光谱进行处理,并且使用主成分分析确定最佳主成分数,建立小米粘度判别模型,使用全交叉验证法进行模型验证。结果使用原始反射光谱、MSC处理光谱和1~(st)-D处理光谱,分别提取了6、12和12个主成分,建立的峰值粘度模型RCV在0.86以上,对验证集的预测结果 Rp在0.82～0.86之间;而使用1~(st)-D处理光谱提取12个最优主成分,建立的模型可较好地预测小米粘度的破损值,RCV为0.8573,对验证集的预测结果 Rp为0.8309。结论该方法适用于小米粘度的无损检测,为小米加工品质的快速检测提供一定的理论支持。     

Discrimination of Kernel Quality Characteristics for Sunflower Seeds Based on Multispectral Imaging Approach

Multispectral imaging in the visible and near-infrared (405–970 nm) regions was tested for nondestructive discrimination of insect-infested, moldy, heterochromatic, and rancidity in sunflower seeds. An excellent classification (accuracy >97 %) for intact sunflower seeds could be achieved using Fisher’s linear discriminant function based on 10 feature wavelengths that were selected from the original 19 wavelengths by Wilks’ lambda stepwise method. Intact sunflower seeds with different degree of rancidity could be precisely clustered by multispectral imaging technology combined with principal component analysis-cluster analysis (PCA-CA). Our results demonstrate the capability of multispectral imaging technology as a tool for rapid and nondestructive analysis of seed quality attributes, which enables many applications in the agriculture and food industry.     

Authentication of pure camellia oil by using near infrared spectroscopy and pattern recognition techniques

Abstract: Total of 4 pattern recognition methods for the authentication of pure camellia oil applying near infrared (NIR) spectroscopy were evaluated in this study. Total of 115 samples were collected and their authenticities were confirmed by gas chromatography (GC) in according to China Natl. Standard (GB). A preliminary study of NIR spectral data was analyzed by unsupervised methods including principal component analysis (PCA) and hierarchical cluster analysis (HCA). Total of 2 supervised classification techniques based on discriminant analysis (DA) and radical basis function neural network (RBFNN) were utilized to build calibration model and predict unknown samples. In the wavenumber range of 6000 to 5750 cm^?1, correct classification rate of both supervised and unsupervised solutions all can reach 98.3% when smoothing, first derivative, and autoscaling were used. The good performance showed that NIR spectroscopy with multivariate calibration models could be successfully used as a rapid, simple, and nondestructive method to discriminate pure camellia oil.     

基于可见/近红外光谱技术的橘小实蝇侵染柑橘检测研究

目的 使用可见/近红外光谱技术实施橘小实蝇侵染柑橘不同时期的无损检测。方法 研究选取人工制备的不同侵染时期的柑橘样本作为研究对象,利用搭建的可见/近红外光谱系统测量的光谱信息结合人工标定的侵染时期,对原始光谱进行了5种预处理,采用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projection salgorithm,SPA）两类方法提取反映侵染柑橘时期变化的光谱特征波长,应用偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)建立基于特征波长光谱的柑橘侵染时期分类模型,对比分析不同光谱预处理方法的模型分类效果。结果 原始光谱经多元散射校正（multiplicative scatter correction,MSC）预处理的模型分类效果最佳,分别经CARS方法和SPA方法优选出了34和16个光谱特征波长。采用MSC-CARS-PLS-DA方法构建的模型分类效果最好,总准确率假阳率分别达到了96.8%和100.0%,模型对健康柑橘和侵染柑橘有较强的分类能力。结论 通过可见/近红外光谱结合PLS-DA判别方法,可以实现橘小实蝇侵染柑橘的无损检测,为今后继续开展橘小实蝇侵染柑橘光谱检测研究提供参考依据。     

A Non-invasive Method for Screening Sodium Hydroxymethanesulfonate in Wheat Flour by Near-Infrared Spectroscopy

A rapid and non-invasive method, based on near infrared diffuse reflectance spectroscopy, was established for screening sodium hydroxymethanesulfonate in wheat flour. Successive projection algorithm was used for spectral variable selection. The selected variables were applied as inputs to partial least square discriminant analysis (PLS-DA) and advanced K-means dynamic clustering. The first two principal components extracted by PLS-DA had been applied as inputs to least squares support vector machine (LS-SVM). Three algorithms, including PLS-DA, advanced K-means dynamic clustering, and LS-SVM, were used to establish the calibration model. The results of LS-SVM outperformed that of the other two methods, with the classification accuracy of 92.0% for the validation and 94.7% for the prediction. The results of the study showed the potential of near-infrared spectroscopy as a non-invasive and environmentally acceptable method for the screening of sodium hydroxymethanesulfonate in wheat flour.     

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。