共查询到10条相似文献,搜索用时 31 毫秒
1.
《食品工业》2016,(2)
为了实现带壳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检测方法。试验在1 000~2 500 nm波段范围内采集带壳板栗的反射光谱,利用竞争性自适应权重法(CARS)筛选波长变量,采用偏最小二乘-线性判别分析法(PLS-LDA)建立褐变板栗的识别模型,并与全光谱变量所建立的识别模型进行比较。结果显示,经二阶导数处理的光谱结合CARS-PLS-LDA方法可以有效识别褐变板栗,所建模型对测试集样本的敏感性、特异性和识别正确率分别为0.85%,0.90%和88.73%,优于未经变量优选的识别模型。筛选的波长变量个数为224个,仅占全部变量的14.39%,不仅降低了模型复杂度,而且提高了识别准确率。研究结果表明,近红外光谱技术结合CARS与PLS-LDA可以检测带壳褐变板栗,为板栗的快速自动分选提供了理论依据。 相似文献
2.
采用拉曼光谱技术对食用油的种类建立定性分析模型,实现快速、无损地识别食用油的种类。选取3种常用食用油(大豆油、花生油、玉米油)共87个样品采集其拉曼光谱,采用一阶导数的方法对光谱进行预处理,Norris导数法进行滤波去噪,处理后的光谱采用判别分析算法建立食用油种类识别模型,模型能够实现3种食用油的准确分类。选取大豆油、花生油、玉米油各5个样品作为测试样品,测试结果为大豆油、花生油和玉米油都能够正确地分入所属类别。结果表明,拉曼光谱结合判别分析的方法能够实现食用油种类的识别,校正模型的分类结果能达到100%,预测样本分类结果准确率为86.7%。 相似文献
3.
4.
5.
为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。 相似文献
6.
《中国粮油学报》2015,(2)
为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。 相似文献
7.
拉曼光谱结合距离匹配法快速鉴别掺伪食用油 总被引:1,自引:0,他引:1
以农贸市场购买的散装问题油为掺伪物,采用大豆油和玉米油为简单背景制备掺伪样本65份,采用4类食用调和油为复杂背景制备掺伪样本40份,收集市售合格食用植物油样本27份。按样本数3∶1划分建模集和校验集,采用拉曼光谱和距离匹配法分别建立简单背景和复杂背景的食用油掺伪快速定性识别模型:在简单背景掺伪下采用全谱建模预测可得真样本识别率为85.7%,伪样本识别率为94.1%,总识别率为91.7%;在复杂背景掺伪下经谱区挑选优化建模预测可得真样本识别率为87.5%,伪样本识别率为100%,总识别率为94.4%。试验结果表明拉曼光谱结合距离匹配法能简单、有效、快速地检测食用植物油是否掺伪。 相似文献
8.
9.
10.
根据食用植物油4种主要脂肪酸(油酸、亚油酸、硬脂酸和软脂酸)分子结构中拉曼活性较强的基团所对应的谱区以及实测光谱筛选多个特征区间,结合偏最小二乘方法建立46份食用油样本4种脂肪酸的快速拉曼定量分析模型。实验结果表明相较于全谱建模,特征谱区筛选能有效地减少建模所用的变量数,明显提高模型的预测性能。实验中发现食用油颜色的差异会引起拉曼光谱受到不同程度的荧光干扰,因此在上述挑选的特征谱区基础上增加扰动较为明显的了295~325 cm-1波段进行联合建模,显著提高了拉曼定量模型的性能。并与采用数理统计方法进行特征谱区优化的近红外模型相比较,结果表明两类模型性能相当,均可用于食用油脂肪酸的快速、准确检测,其中拉曼模型因其所需样本量少,机理更明确等特点更有优势。 相似文献