基于近红外光谱技术和优化预处理方法的豆浆粉无损鉴别研究

基于近红外光谱技术结合不同优化预处理方法建立不同品牌与简单研磨豆浆粉的无损鉴别方法。首先对简单研磨豆浆粉、国产品牌、国外品牌3类共132个样品进行近红外光谱采集,对比分析其近红外原始光谱图,随即结合不同预处理方法考察其对原始光谱的优化结果,最后结合主成分分析方法对简单研磨豆浆粉以及国内外不同品牌豆浆粉进行鉴别分析,筛选出最佳的优化预处理,并建立有效可靠的豆浆粉近红外鉴别模型。结果表明:原始光谱存在着明显的背景干扰和基线漂移现象,多种预处理均在一定程度上有效消除基线漂移;一阶导数、连续小波变换、多元散射校正、标准正态变量变换及其优化组合预处理的使用,实现了进口、简单研磨、国产3类豆浆粉样品的有效鉴别,但无法实现国产品牌之间的有效鉴别。二阶导数预处理的聚类分析结果则最终实现了所有品牌之间的完美区分,品牌间的鉴别成功率可达到100%。在豆浆粉的近红外快速无损鉴别当中最优光谱预处理方法为二阶导数预处理。     

近红外光谱结合化学计量法快速无损鉴别燕麦

提出了一种基于近红外光谱技术与化学计量学的燕麦无损鉴别方法。通过近红外光谱仪测定了5个品牌与劣质燕麦的光谱曲线,利用连续小波变换方法对光谱进行预处理,然后基于标准偏差与相对标准偏差的变量筛选方法筛选出具有代表的15个波数点,最后结合主成分分析法对不同燕麦样品快速鉴别。结果表明:连续小波变换可以有效地消除光谱中的背景干扰,提取光谱有效信息,波长筛选方法可以大大提高主成分分析结果的鉴别能力。通过结合近红外光谱分析技术与化学计量学方法,可对中国国产品牌、进口品牌和劣质燕麦进行准确鉴别。     

近红外光谱技术结合化学计量方法用于大米的快速分析

基于近红外光谱结合化学计量学建立一种可以快速、无损鉴别大米品种的新方法。采集不同厂家以及不同品牌的大米共115类并得到其光谱数据。利用连续小波变换技术消除背景干扰和基线漂移,从而加强光谱特征信息,提高信噪比。此外,结合主成分分析方法对不同品牌与不同厂家的大米进行鉴别分析。结果表明:连续小波变换可以有效地消除背景干扰,极大地提高模型的鉴别能力。采用近红外光谱技术结合化学计量学方法可以准确地鉴别不同大米的品种及产地。     

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。     

基于近红外光谱技术和优化预处理方法的不同品牌燕麦无损鉴别分析

目的 建立红外光谱预处理方法以实现对不同品牌燕麦的快速无损鉴别。方法 通过对不同品牌燕麦样品近红外光谱进行采集, 结合单一以及组合光谱预处理方法消除光谱干扰, 最后利用主成分分析法构建稳健的鉴别模型。结果 光谱预处理有效消除了变动背景以及基线漂移干扰, 最佳预处理方法为二阶导数, 可以实现进口、国产、劣质燕麦之间的完全鉴别。结论 通过近红外光谱预处理方法对原始光谱图进行处理, 可以提取光谱图中有用信息, 消除样品自身不均等因素对光谱的影响, 提高不同品牌燕麦鉴别的准确率。     

间隔影响分析波长选择算法在近红外光谱鉴别贝类毒素中的应用

该文采用近红外光谱技术与化学计量学方法结合实现贝类毒素无损鉴别。该研究以新鲜翡翠贻贝为研究对象，使用近红外光谱仪采集健康贻贝和感染腹泻性毒素贻贝的反射光谱数据，利用Savitzky-Golay卷积平滑求导结合标准正态变量变换光谱预处理方式消除光谱中的干扰因素，采用间隔影响分析(margin influence analysis, MIA)结合连续投影算法(successive projections algorithm, SPA)对数据进行降维处理，应用偏最小二乘线性判别分析(partial least squares linear discriminant analysis, PLS-LDA)方法构建贝类毒素鉴别模型，并与支持向量机和随机森林分析模型进行比较。结果表明，采用MIA-SPA-PLS-LDA方法，可实现贝类毒素的100%鉴别。为此，利用MIA-SPA-PLS-LDA方法可建立准确的贝类毒素鉴别模型，为贝类毒素的快速鉴别提供了新途径，也为后续各种贝类水产品的毒素鉴别分析提供了参考。     

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。     

基于多类别的镉稻米近红外光谱识别分析

采用近红外(NIR)光谱结合化学计量学方法对不同镉污染程度的稻米进行鉴别。首先利用主成分分析(PCA)对样本的NIR光谱进行解析,再用有监督学习算法偏最小二乘识别分析(PLS-DA)、径向基人工神经网络(RBF-ANN)及支持向量机(SVM)对不同污染程度的镉稻米进行定性建模分析。本文还讨论了不同的光谱预处理方法以及建模方法对识别效果的影响。由于NIR光谱差异太小,所以PCA得分图重叠严重,类之间很难区分,PLS-DA、RBF-ANN与SVM模型的预测集鉴别准确率分别为77.1%,67.8%与67.2%,PLS-DA的识别率最高。近红外光谱技术与化学计量学方法虽难以获得预测准确率较高的识别模型,但其预测结果还是可用于超标镉稻米的初步筛查。     

食品农药残留检测中的化学计量学研究进展

现阶段食品农药残留的检测主要依靠色谱法,但针对日趋复杂的食品农药残留分析,色谱信号中不可避免地出现背景基线和多组分重叠干扰。光谱法近年来凭借其快速无损的优势逐渐受到研究者的青睐,但常用的拉曼光谱和近红外光谱信号不仅容易受到高频噪声和背景基线的干扰,且信号中常出现谱峰重叠的干扰,因此大多需要建立多元校正模型才能实现定量分析;荧光光谱检测信号中也常常出现其它组分信号的干扰,同样较难实现对农药残留的准确分析。化学计量学方法利用"数学分离"的思想,能为食品中农药残留分析提供强大助力。因此,利用化学计量学方法可以用于信号中噪声的消除、背景基线的校正、多元校正模型的建立以及重叠信号的解析。文章总结评述了近十年相关化学计量学方法在食品农药残留分析中的应用研究,旨在为食品农药残留的分析方法和途径提供参考,同时思考了化学计量学方法在食品分析中的研究现状并对其进行了前景展望。     

基于XGBoost的掺伪茶油光谱鉴别模型

为实现采用紫外-可见-近红外光谱技术鉴别掺伪茶油的目的，研究首先通过向茶油中掺入不同比例的葵花籽油、玉米胚芽油和花生油制备掺伪茶油，然后采用自制的透射光谱采集实验平台获得光谱数据，对原始光谱进行预处理后，分别以竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、Boruta算法进行特征波长筛选，最后建立了基于XGBoost的掺伪茶油鉴别模型。研究结果表明，原始光谱经过SG-连续小波变换[CWT(分解尺度2⁵,L5)]预处理和Boruta特征波长筛选后，所建立的XGBoost模型鉴别性能最佳，测试集的准确率、灵敏度和特异性分别达到了98.18%、100.00%和97.62%。通过与常用的支持向量机(SVM)和极限学习机(ELM)模型对比后得到，XGBoost模型的准确率分别提高了3.63%和1.82%,特异性分别提高了4.76%和2.38%。