红外光谱图像处理技术的酱牛肉成分真实性研究

研究探讨了利用红外光谱结合化学计量学对鉴别掺有不同含量酱猪肉或卡拉胶的酱牛肉的可行性。近红外光谱图像经预处理后,建立了PLS分析模型,进行酱牛肉成分真实性研究。研究结果表明,PLS模型能较好地识别掺假酱牛肉,对于掺有酱猪肉的酱牛肉,模型预测集的R2可达0.9679;对于掺有卡拉胶的酱牛肉,模型预测集的R2可达0.9578,且二者的相对误差均较低,具有较好的适用性。表明利用红外光谱图像处理技术进行酱牛肉成分真实性分析可行且准确。     

电子舌识别技术对腌制黄瓜调料的定量化分析

采用一种基于电子舌识别技术的方法对腌制黄瓜中盐、总酸、还原糖和乳酸钙进行定量分析。采用PLS分析和BP-ANN分析对数据进行处理,建立并对比了两种预测模型。结果表明,PLS模型和BP-ANN模型均具有较好的预测能力,相关系数(R^2)均在0.9以上。对于盐和乳酸钙,两种模型适用性相似;对于总酸,BP-ANN模型优于PLS模型;对于还原糖,PLS模型优于BP-ANN模型。该研究为电子舌识别技术在腌制黄瓜调料定量化分析中应用的可行性提供了理论依据。     

基于近红外及中红外光谱融合技术快速检测黄酒中的总酚含量及其抗氧化能力

为了实现对黄酒中总酚含量(TPC)及其抗氧化能力(TAC)的快速检测,探索了将傅立叶红外光谱技术应用于快速检测这两项重要指标的可行性。协同区间偏最小二乘算法(Si PLS)用于选出有效波长区间以提高模型的预测能力。支持向量机(SVM)和主成分分析(PCA)用来融合由Si PLS选出的中红外(ATR-IR)和近红外(FT-NIR)光谱的有效波段。实验结果表明基于Si PLS筛选的有效光谱变量而建立的偏最小二乘回归模型(PLS)的精度优于基于全光谱建立的经典PLS模型。基于ATR-IR建立的模型的效果略优于基于FT-NIR光谱建立的模型。此外,基于提取自ATR-IR合FT-NIR的有效区间而建立的SVM模型的预测能力要好于建立的PLS或Si PLS模型。因此,ATR-IR及FT-IR结合特征谱区筛选方法可以作为理化检测的替代手段实现对黄酒中的TAC和TPC的快速检测,同时基于两种光谱的融合技术可显著提高模型的预测精度。     

基于高光谱的牛奶脂肪质量浓度预测模型建立与评价

以牛奶中脂肪质量浓度的检测为研究对象,应用图像处理技术分析高光谱数据,选取样品分析区域,提取分析区域的平均光谱,建立了PLS、N-PLS预测模型对牛奶中脂肪质量浓度进行分析。结果表明,PLS预测模型中校正集与预测集的相关系数分别为0.9851和0.9913,而N-PLS预测模型中校正集与预测集的相关系数分别为0.9999和0.9976。两个模型对比发现,N-PLS模型预测精度高于PLS模型,尤其是牛奶中脂肪质量浓度较少的情况。     

基于近红外光谱技术的老陈醋品质分析

为得到稳定、精确的老陈醋品质光谱模型,采用近红外光谱分析技术结合反向传播神经网络(BP-ANN),分别对不同醋龄的两种山西老陈醋中可溶性固形物含量(SSC)及pH值进行定量分析。对经过标准归一化(SNV)与25点平滑相结合处理后的光谱进行主成分分析,根据主成分的累计贡献率选取主成分数作为BP神经网络的输入变量建立模型,并与偏最小二乘法(PLS)模型进行比较。结果表明:BP-ANN建立的老陈醋SSC和pH值定量分析模型最优,其SSC和pH值的模型相关系数(R)分别为0.9999和0.9997,校正集均方根误差(RMSEC)分别为0.0128和0.0045,预测集均方根误差(RMSEP)分别为0.0118和0.0088。采用近红外光谱技术结合反向传播神经网络(BP-ANN)对不同醋龄、不同品牌的老陈醋品质分析建模是可行的。     

基于近红外光谱技术与BP-ANN算法的豆粕品质快速检测

应用近红外漫反射光谱技术结合误差反向传递人工神经网络(BP-ANN)算法,建立豆粕品质(包括水分、粗蛋白、残油)的定量分析模型。将豆粕漫反射吸收光谱数据进行SNV、DT、SG求导、SG平滑和均值中心化处理,然后采用偏最小二乘方法(PLS)降维获取主成分,并优化选择合适的隐含层节点数、隐含层和输出层转化函数,建立校正模型,并用验证样品对校正模型进行验证。结果显示,BP-ANN法建立的水分、粗蛋白和残油的预测相关系数(R)分别为0.981、0.988、0.982,预测标准偏差(SEP)分别为0.120、0.216、0.036,均优于PLS建模方法结果,且满足传统分析方法的重复性要求,表明BP-ANN方法可用于生产过程豆粕品质的快速监控。     

支持向量回归算法在NIR光谱法预测烟草淀粉中的应用

为考察支持向量机回归(SVR)在烟草近红外光谱(NIRS)分析中应用的可行性,采用偏最小二乘回归(PLS)、多元线性回归(MLR)、误差反向传播人工神经网络(BP-ANN)和SVR对187份烟草样品的NIR漫反射光谱及其淀粉含量的化学测定数据进行处理,建立了烟草中淀粉含量NIRS定标模型,并采用留一法交叉验证(LOOCV)和独立样本集对模型进行了内部和外部验证.结果表明,SVR模型的预测能力比BP-ANN、PLS和MLR模型略好.因此,可将SVR引入到烟草淀粉含量的NIR分析中.     

基于红外特征光谱的熟制鸡肉鉴别技术研究

为了实现熟制鸡肉的快速鉴别,应用近红外光谱结合PLS分析对熟制鸡肉掺假现象进行了识别分析。该研究针对掺有不同含量卡拉胶、水的熟制鸡肉,采集了其近红外光谱。选择S-G导数+SNV的预处理方式,分别选择8个和9个主成分建立了最优PLS分析模型。研究结果表明,PLS模型具有较好的识别效果,其中掺有水的模型优于掺有卡拉胶的模型,两模型最高正确率分别高达98.4%和99.0%。由此可见,基于红外特征光谱的熟制鸡肉鉴别技术具有实用价值。     

基于近红外的兰州百合品质定量建模方法研究

蛋白质和多糖是表征国家地理标志产品兰州百合的关键营养指标,文章重点探索采用近红外光谱分析技术结合化学计量学方法,建立快速检测兰州百合关键营养指标定量分析模型的可行性。实验收集兰州百合样本共81个,采用多种光谱预处理方法分别结合PCR和PLS优化建立兰州百合蛋白质和多糖定量分析模型。其中,基于OSC预处理建立的蛋白质和多糖PLS/PCR定量分析模型相对于其他光谱预处理模型性能参数较优;而基于PLS建立的蛋白质和多糖定量模型指标优于PCR模型,蛋白质PLS模型相关系数(R_p)为0.924,预测均方根误差(RMSEP)为0.878;多糖PLS模型的相关系数(R_p)为0.920,预测均方根误差(RMSEP)为1.898。实验结果表明,将近红外光谱技术用于兰州百合关键品质的快速定量分析具有光明的应用前景,有望为兰州百合关键营养品质的快速评价提供新方法。     

烟草中淀粉近红外光谱变量的筛选及校正模型的建立

为提高校正模型的预测精度,以烟草中淀粉近红外光谱(NIR)校正模型为研究对象,分别利用全光谱波段(FS)、方差光谱(VS)筛选光谱变量和遗传算法(GA)筛选光谱波长,结合偏最小二乘法建立校正模型(FS+PLS、VS+PLS和GA+PLS),并对100个初烤烟叶样品进行了预测。结果显示:①FS+PLS(变量数1557个)、VS+PLS(变量数781个)和GA+PLS(变量数72个)3种校正模型的决定系数R_c2、交互验证均方根误差(RMSECV)分别为0.9764、0.433,0.9871、0.332和0.9885、0.314。②与FS+PLS和VS+PLS模型相比,GA+PLS模型的光谱变量数分别减少为FS和VS变量数的4.62%和9.22%,主因子数由15降至12,R_c2明显提高,RMSECV显著降低。③FS+PLS、VS+PLS和GA+PLS模型对100个初烤烟叶样品的预测结果显示,R_p2、预测均方根误差(RMSEP)分别为0.9652、0.780,0.9843、0.501和0.9853、0.496,预测值与其对应的化学检测值之间通过配对T检验,显著性Sig.值、T值和平均相对误差(%)分别为0.271、1.107、17.48%,0.973、0.034、13.13%和0.722、0.357、13.12%,3种方法所建立校正模型的预测值与检测值之间均无显著性差异,模型预测精度(RSD)分别为10.34%、6.98%和4.76%。基于逐步优化光谱信息法建立的GA+PLS校正模型的预测精度优于FS+PLS和VS+PLS模型,该方法对于提高复杂化学体系模型的精度有参考意义。      

椰子粉中蔗糖和葡萄糖添加量的快速检测

以椰子原粉为原料,分别添加蔗糖和葡萄糖形成一系列含糖量梯度(2.5%~80%)的椰子粉样品。分别运用红外光谱和近红外光谱技术,利用偏最小二乘法(PLS)建立椰子粉中添加蔗糖和葡萄糖含量的模型,并进行校正、交叉验证和预测。结果显示:蔗糖的红外和近红外模型的校正、交叉验证、预测的相关系数R_C2、R_CV2、R_P2分别为0.8752、0.8501、0.8401和0.9888、0.9868、0.9856。葡萄糖的红外和近红外模型的校正、交叉验证、预测的相关系数R_C2、R_CV2、R_P2分别为0.8708、0.8500、0.8708和0.9569、0.9503、0.9572。结果表明:利用红外光谱数据和近红外光谱数据建立的椰子粉蔗糖和葡萄糖含量的模型良好,预测值与真实值接近。说明利用红外光谱技术和近红外光谱技术快速检测椰子粉中添加蔗糖和葡萄糖含量的方法是可行的,且相比之下,利用近红外光谱数据建立的模型更优良,预测更准确。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

基于嗅觉可视化技术的醋酸发酵过程中酒精度的检测

首先通过气相色谱-质谱联用仪(gas chromatography-mass spectrometer,GC-MS)测定不同醋酸发酵阶段下醋醅中的酒精度,结果表明,随着醋酸发酵阶段的进行,醋醅中的乙醇不断减少。然后,通过自制的嗅觉可视化检测仪来表征镇江香醋不同醋酸发酵过程中的食醋气味信息,最后利用12个卟啉类化合物和3种酸碱指示剂的R、G、B三种个颜色分量(共45个特征值)作为特征变量,分别结合偏最小二乘(PLS)及误差反向传播人工神经网络(BP-ANN)模型,快速检测醋酸发酵过程中的乙醇含量。结果表明,相比于PLS模型,BP-ANN模型的预测效果更好;嗅觉可视化技术结合BP-ANN模型预测酒精度的相关系数为0.912 7。研究表明,可以通过嗅觉可视化技术结合BP-ANN模型来快速准确地检测醋酸固态发酵过程中醋醅的酒精度含量。     

牛奶中蜡样芽孢杆菌高光谱检测模型构建与分析

本文以牛奶中蜡样芽孢杆菌污染度的检测为研究对象,应用高光谱成像技术,结合图像处理技术、光谱分析技术和化学计量技术,探索了构建牛奶中蜡样芽孢杆菌污染度预测模型的可行性。应用图像处理技术选取样品分析区域,采用能量值(Energy)纹理特征函数降维处理高光谱数据并得到其特征值,建立了蜡样芽孢杆菌的PLS预测模型,模型中校正集与预测集的相关系数分别为0.9231和0.9054,RMSEC(校正均方根误差)和RESEP(预测均方根误差)分别为0.7336和0.8139。分析表明,PLS预测模型仅能对牛奶中蜡样芽孢杆菌进行高低浓度的鉴定。因此,提出了二维相关技术结合N-PLS构建预测模型的方法,N-PLS预测模型中校正集与预测集的相关系数分别为0.9999和0.9984,RMSEC和RESEP分别为0.022和0.0928。结果表明,N-PLS预测模型精度较高,能够对牛奶中蜡样芽孢杆菌实现定量分析。     

基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量

应用高光谱成像技术结合连续投影算法（SPA）实现葡萄果皮中花色苷含量的快速无损检测。采集60 组样本高光谱图像,获取样本光谱曲线,并采用多元散射校正预处理方法提高信噪比。然后采用SPA选择光谱变量,将其作为多元线性回归（MLR）、偏最小二乘（PLS）模型和BP神经网络（BPNN）的输入变量,分别建立SPAMLR、SPA-PLS和SPA-BPNN模型并与全光谱变量PLS模型相比较。结果表明,SPA-MLR、SPA-BPNN和SPA-PLS模型的预测精度均优于全光谱变量PLS模型,其中SPA-PLS模型获得了最佳预测结果,其预测相关系数Rp和预测均方根误差（RMSEP）分别为0.900 0和0.550 6。结果表明,利用近红外高光谱成像技术能够有效检测酿酒葡萄果皮中花色苷含量。     

新型专用煎炸油极性组分的光谱分析技术研究

随着时代的发展以及技术的进步,人们对用于煎炸食品的油脂要求也逐渐提高。多光谱法快速无损检测技术,不仅优于传统方法对样品进行无损检测,而且检测方法准确快速。研究分别利用近红外、中红外、拉曼光谱技术,将测量所得到的油样光谱数据借助分析软件和化学计量学方法,结合光谱预处理和偏最小二乘法(PLS)的数据分析方法,对煎炸油样的极性组分进行建模及校正分析。结果表明,通过不同光谱预处理后再结合PLS对近红外、中红外、拉曼光谱的建模分析以及对比发现拉曼光谱多建模型较为精确,对验证集的光谱对应的极性组分预测较红外光谱的预测准确。以研制新型专用煎炸油为目的进行研究探讨,旨在生产一种新型专用的煎炸油。     

中红外光谱技术结合竞争性自适应重加权算法快速分析白酒风味组分

采用中红外光谱分析技术结合竞争性自适应重加权算法（CARS）对浓香型白酒基酒中的乳酸乙酯和乙酸乙酯的特征波长变量进行筛选后,建立偏最小二乘法（PLS）模型,并对其进行验证。结果表明,采用中红外光谱分析技术剔除明显噪声区域建立的PLS模型效果较好,而经CARS法进行特征波长选择后建立的CARS-PLS模型效果优于PLS模型,乙酸乙酯和乳酸乙酯的CARS-PLS模型相关系数R2分别为0.995、0.989,预测均方根误差（RMSEP）分别为12.80、4.54,相对分析误差（RPD）分别为8.78及8.60,模型经独立验证均取得了较高的预测精度,验证数据相关系数R2分别为0.994及0.992,RMSEP分别为13.55及4.86。该模型有较高的准确度及稳定性,能够用于白酒基酒中的乳酸乙酯和乙酸乙酯的快速分析,可为白酒酿造过程的质量把控提供技术方法。     

基于特征波长提取的哈密大枣可溶性固形物的高光谱预测

本文利用高光谱图像技术对干制后的哈密大枣可溶性固形物含量(SSC)进行预测研究。使用多种预处理方法对原始光谱进行处理,并对原始光谱和预处理后的光谱分别建立PLS模型,对比分析得出均值中心化(MC)处理效果最佳。对MC处理后的光谱经联合区间偏最小二乘算法(si-PLS)筛选后,再结合遗传算法(GA)和竞争性自适应重加权算法(CARS)提取哈密大枣SSC的特征波长,将提取的波长变量建立哈密大枣SSC的PLS预测模型。结果显示:利用MC-CARS-GA-si-PLS方法提取的16个关键波长变量(仅占全光谱变量的2%)所建立的PLS模型性能优于全光谱PLS模型。该模型的预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测(RPD)分别为0.93、0.48和2.721。该方法提取的波长变量所建立的预测模型,不仅使模型简化,而且增强了模型的预测能力,为高光谱图像技术对水果及其干制品的定量分析研究提供了参考。     

基于近红外高光谱成像的冷鲜羊肉表面细菌总数检测

细菌总数是反映肉品被污染和腐败状况的重要指标,为寻找快速有效的冷鲜羊肉表面细菌总数无损检测方法,本研究利用近红外高光谱(900~1700nm)成像技术对20d贮藏期内的冷鲜羊肉表面细菌总数进行快速无损检测。由80个样本表面高光谱图像获取目标区域反射光谱,采用多元散射校正和二阶导数相结合(MSC+SD)的方法进行预处理。将用主成分分析法对光谱降维后获得6个特征波长作为输入变量,分别采用偏最小二乘回归(PLS)、误差反向传递人工神经网络(BP-ANN)和径向基函数人工神经网络(RBF-ANN)三种方法建立模型对冷却羊肉表面细菌总数进行预测,均取得较好预测结果,其中,神经网络建模效果优于PLS,预测效果最好的是RBF-ANN模型,相关系数R为0.9988,均方根误差RMSEP为0.2507。结果表明,NIR高光谱图像技术可用于冷鲜羊肉表面细菌总数的快速无损检测。     

基于红外光谱技术的高渗酵母快速鉴别方法

为寻找高渗酵母种属的快速鉴别方法,本文应用傅里叶变换近红外光谱(FT-NIR)和傅里叶变换中红外光谱(FT-IR)分析技术,结合化学计量学方法,对6种高渗酵母判别分类。高渗酵母近红外光谱和中红外光谱的灵敏区段经基线校正,矢量归一化,二阶求导等预处理,分别采用主成分分析(PCA)结合线性判别分析(LDA)以及主成分分析结合反向传输人工神经网络(BP-ANN)2种方法建模。结果表明:近红外光谱、中红外光谱分析技术均能较好地分类高渗酵母;两种分析技术中,PCA-LDA模型的分类效果均优于PCA-ANN/BP模型,模型准确率为100%。本研究为高渗酵母快速、准确地鉴别提供了一种简便、可行的方法。