基于高光谱融合神经网络的玉米黄曲霉毒素B1和赤霉烯酮含量预测

为了消除散射对高光谱信息的影响采用多元散射校正(multiplicative scatter correction,MSC)处理原始光谱;根据相关系数法选择有效波段,通过连续投影算法结合信息熵选择8个特征波长;建立有效波段和不同特征波长下的霉变玉米黄曲霉毒素B_1与赤霉烯酮含量的BP神经网络预测模型。结果表明:8个特征波长下光谱信息所建立的预测模型最佳,黄曲霉毒素B1含量预测正确率为98.74%,均方根误差为0.048 5;赤霉烯酮含量预测正确率为100%,均方根误差为0.160 5。因此高光谱融合神经网络检测霉变玉米黄曲霉毒素B1及赤霉烯酮含量具有可行性。     

肥育猪浓缩料中霉菌总数及霉菌毒素含量变化的研究

采用模拟饲料标准贮存条件及高温高湿贮存条件的方法,比较其霉菌总数、主要产毒菌的种类、黄曲霉毒素含量的变化情况。结果表明：肥育猪用浓缩料在相对湿度小于67％、温度（22±2）℃的标准贮存条件下,两个月内霉菌总数及毒素含量变化较小。在相对湿度为（80±2）％、温度为（30±2）℃的高温高湿条件下存放15d,霉菌总数为7．7×10^5cfu／g,超过国家饲料卫生标准1×10^5cfu／g,主要产毒菌种类有黄曲霉、寄生曲霉、绿青霉和镰刀菌等;存放32d,黄曲霉毒素含量为20．8μg／kg,超过浓缩料毒素限量标准20μg／kg;存放56d,玉米赤霉烯酮含量为18．3μg/kg,来超过标准限量500μg/kg。     

电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B1含量模型研究

为探究玉米赤霉烯酮和黄曲霉毒素B_1的无损快速定量测定方法,用电子鼻对7级不同霉变程度玉米样品进行检测,并用理化分析方法分别测定霉变玉米中的玉米赤霉烯酮与黄曲霉毒素B_1含量;在提取电子鼻响应信号的积分值作为特征参量的前提下,采用BP神经网络建立不同霉变程度下玉米样品中的玉米赤霉烯酮与黄曲霉毒素B_1含量的预测模型。同时,为了获得较为可靠的BP神经网络预测模型,在神经网络结构不变的条件下,对比分析了不同训练集、测试集构建的预测模型。结果发现在各预测模型的70组测试样本中,相对误差控制在5%以内的样本数量都在60个以上,最大相对误差控制在15%以内,从而证明了BP神经网络预测模型的有效性、可靠性。该研究为实施玉米霉变毒素的快速无损检测提供了一种途径。     

时间分辨荧光免疫层析法定量检测谷物中黄曲霉毒素B1和玉米赤霉烯酮残留

建立了一种快速定量检测谷物产品中黄曲霉毒素(Aflatoxin B1,AFB1)和玉米赤霉烯酮(Zearalenone,ZEN)的时间分辨荧光免疫层析方法。采用时间分辨荧光微球标记黄曲霉毒素B1抗体和玉米赤霉烯酮抗体,研究了如p H值、标记抗体浓度、荧光探针使用量、检测T线包被原浓度、质控C线羊抗鼠Ig G浓度、样品前处理方法等因素对时间分辨荧光免疫层析方法灵敏度的影响。结果表明:AFB1的检出限为0.80 ng/mL,线性范围(IC20~IC80)为0.81~5.67 ng/mL,半抑制浓度(IC50)为2.15 ng/mL。在ZEN检出限为4.58 ng/mL,线性范围(IC20~IC80)为4.76~85.60 ng/mL,半抑制浓度(IC50)为20.19 ng/mL。方法特异性良好,与T-2毒素、脱氧雪腐镰刀菌烯醇、伏马毒素、赭曲霉毒素A多种真菌毒素交叉率小于10%。通过选择玉米、麦麸、大豆、小麦进行添加回收试验,AFB1的添加回收率在97.1%~108.7%之间,ZEN的添加回收率在92.8%~109.1%之间,相对标准偏差小于15%。选取经HPLC-MS/MS检测过的FAPAS标准质控样本进行测试,检测结果与其结果一致。在实际产品检测对比中,与市售胶体金免疫层析卡,ELISA试剂盒的检测结果基本一致。本方法操作简单快速、可定量,检测过程约25 min,适用于谷物样品中黄曲霉毒素B1和玉米赤霉烯酮的现场快速筛。     

基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究

利用高光谱成像技术进行玉米籽粒表面黄曲霉毒素的检测。将黄曲霉毒素原液用甲醇分别稀释成浓度为10、20、100、500μg/L的溶液,然后逐一滴在等量4组共120粒玉米籽粒的表面,取同品种30粒洁净玉米籽粒作为对照组。利用400~1 000 nm可见/近红外高光谱成像系统进行样品图像光谱信息获取,采用标准正态变量校正进行数据预处理。首先经主成分分析(Principal Component Analysis,PCA)进行高光谱数据降维,然后利用PCA从835个波长中提取的前14个主成分为输入,采用因子判别分析(Factorial Discriminant Analysis,FDA)对5类样品进行分类。FDA构建的模型对训练集和验证集的判别准确率分别达95%和86%。结果表明利用高光谱成像技术并结合PCA-FDA方法进行玉米籽粒表面黄曲霉毒素的检测是可行的。     

免疫亲和柱同时净化-HPLC法测定植物油中黄曲霉毒素和玉米赤霉烯酮

建立了免疫亲和柱同时净化-高效液相色谱法检测植物油中的黄曲霉毒素B1、B2、G1、G2和玉米赤霉烯酮的分析方法.黄曲霉毒素B1、B2、G1、G2的方法的定量限均为0.1 μg/kg,玉米赤霉烯酮的方法的定量限为5.0μg/kg,相对标准偏差低于10.4％,回收率为82.0％ ～95.5％.该方法简便快速、灵敏准确、重现性好,可以用于对植物油中黄曲霉毒素B1、B2、G1、G2和玉米赤霉烯酮进行快速定量检测.     

基于高光谱技术的鲜食水果玉米含水率无损检测

目的：实现对鲜食玉米含水率的快速、准确预测。方法：采用高光谱技术对鲜食水果玉米进行光谱数据采集,比较了变量标准化算法（SNV）、附加散射校正算法（MSC）、卷积平滑（SG）、移动平均法（MA）等数据预处理方法对模型精度的影响,选取MSC进行预处理。基于MSC预处理数据选用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）以及随机蛙跳法（RF）分别提取含水率的特征波长并建模分析。结果：MSC-CARS-PLS模型的含水率预测效果最好,预测集的决定系数（R²_p）达到0.825 0,预测均方根误差（RMSEP）为0.006 0。结论：利用高光谱技术可实现对鲜食水果玉米含水率的快速无损检测。     

免疫亲和柱同时净化-HPLC法测定植物油中黄曲霉毒素和玉米赤霉烯酮

建立了免疫亲和柱同时净化-高效液相色谱法检测植物油中的黄曲霉毒素B1、B2、G1、G2和玉米赤霉烯酮的分析方法。黄曲霉毒素B1、B2、G1、G2的方法的定量限均为0.1μg/kg,玉米赤霉烯酮的方法的定量限为5.0μg/kg,相对标准偏差低于10.4%,回收率为82.0%～95.5%。该方法简便快速、灵敏准确、重现性好,可以用于对植物油中黄曲霉毒素B1、B2、G1、G2和玉米赤霉烯酮进行快速定量检测。      

霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1含量电子鼻检测模型的构建

为建立霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1的电子鼻检测方法,首先以电子鼻对7 级不同霉变程度玉米响应信号的积分值作为特征参量,然后分别利用主成分回归、偏最小二乘回归、BP（back-propagation）神经网络、最小二乘支持向量机等方法建立霉变玉米中玉米赤霉烯酮与黄曲霉毒素B1含量的预测模型,并进行了比较分析。结果表明,主成分回归预测精度最差,偏最小二乘回归较差、BP神经网络和最小二乘支持向量机法比较好。对于玉米赤霉烯酮,4 种预测模型70 个样本中相对误差控制在5%以内的样本数分别为23、45、63、67 个。对于黄曲霉毒素B1,4 种预测模型70 个样本中相对误差控制在5%以内的样本数分别为19、41、62、65 个。同时,变换不同的训练集和测试集以考察BP神经网络、最小二乘支持向量机建模方法的稳健性,结果表明,在BP神经网络结构和最小二乘支持向量机核函数与核函数参数均未发生改变的条件下,两种建模方法依然有较高的预测精度,这说明了两种模型具有较高的稳健性。     

乳酸菌抗真菌活性及其抑制真菌毒素的效果

讨论了乳酸菌抗真菌的活性及其清除真菌毒素的3种可能机制，即①乳酸菌通过对霉菌生长的直接抑制，从而抑制真菌毒素的形成；②通过产生代谢产物抑制真菌菌株或降解真菌毒素到无毒或毒性较低的化合物，以此降低真菌毒素的危害；③借助乳酸菌细胞壁与真菌毒素(黄曲霉毒素B1和玉米赤霉烯酮)的物理结合来清除介质中的毒素危害。乳酸菌的抗真菌活性和清除霉菌毒素的能力显然受到菌株、细胞浓度、细胞处理方式和环境条件的影响。新型发酵乳菌株筛选过程中应该考虑乳酸菌菌株的抗真菌活性及其清除真菌毒素的能力。     

基于高光谱技术的金银花硫含量快速检测模型建立

为实现金银花硫含量的快速无损检测,利用高光谱成像技术结合化学计量学方法,建立不同浓度硫磺熏蒸金银花快速检测模型。采用硫磺使用量为鲜质量的0%、0.5%、1%、1.5%四种硫熏梯度的金银花干燥样品,首先利用高光谱成像技术采集各组金银花光谱图像数据,并采用S_G（Savitzky-Golay）卷积平滑、多元散射校正（multiple scatter correct,MSC）和标准正态变量变换（standard normal variate transformation,SNV）3 种方法对原始光谱进行预处理,得到S_G卷积平滑为最佳预处理方法。随后,对经S_G预处理后的光谱信息分别进行Fisher判别分析（Fisher discriminate analysis,FDA）与核Fisher建模分析（kernel Fisher discriminate analysis,KFDA）,得到KFDA具有更好的判别正确率（98.2%）。最后,全光谱数据具有量大、冗余信息的问题,采用了相关系数法（regression coefficients,RC）、Wilks和RC-Wilks三种方法对预处理后的数据进行特征提取,最终建立了RC-KFDA、Wilks-KFDA、RC-Wilks-KFDA三种判别模型。结果表明,经S_G卷积平滑预处理后的光谱信息,3?种方法的判别正确率均为100%,使用RC-Wilks相结合提取特征波长的方法建立KFDA模型能够实现较短的计算时间（0.69 s）和较好的类间分布。因此,所建立的S_G-RC-Wilks-KFDA模型可以实现金银花不同硫含量的快速、有效、无损检测。     

采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C²)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P²)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

Feasibility of Detecting Aflatoxin B1 on Inoculated Maize Kernels Surface using Vis/NIR Hyperspectral Imaging

The feasibility of using a visible/near‐infrared hyperspectral imaging system with a wavelength range between 400 and 1000 nm to detect and differentiate different levels of aflatoxin B₁ (AFB₁) artificially titrated on maize kernel surface was examined. To reduce the color effects of maize kernels, image analysis was limited to a subset of original spectra (600 to 1000 nm). Residual staining from the AFB₁ on the kernels surface was selected as regions of interest for analysis. Principal components analysis (PCA) was applied to reduce the dimensionality of hyperspectral image data, and then a stepwise factorial discriminant analysis (FDA) was performed on latent PCA variables. The results indicated that discriminant factors F₂ can be used to separate control samples from all of the other groups of kernels with AFB₁ inoculated, whereas the discriminant factors F₁ can be used to identify maize kernels with levels of AFB₁ as low as 10 ppb. An overall classification accuracy of 98% was achieved. Finally, the peaks of β coefficients of the discrimination factors F₁ and F₂ were analyzed and several key wavelengths identified for differentiating maize kernels with and without AFB₁, as well as those with differing levels of AFB₁ inoculation. Results indicated that Vis/NIR hyperspectral imaging technology combined with the PCA–FDA was a practical method to detect and differentiate different levels of AFB₁ artificially inoculated on the maize kernels surface. However, indicated the potential to detect and differentiate naturally occurring toxins in maize kernel.     

NIR高光谱成像技术联用SPA算法 快速检测五花肉的过氧化值

利用近红外(NIR)高光谱成像技术结合连续投影算法(SPA)快速、无损检测五花肉的过氧化值。通过高光谱成像系统采集样品的光谱图像,提取其反射光谱信息,经过基线校正(BC)、高斯滤波平滑(GFS)、中值滤波平滑(MFS)、卷积平滑(SGS)、移动平均值平滑(MAS)、标准正态变量变换(SNV)、多元散射校正(MSC)七种预处理后,利用偏最小二乘(PLS)建立预测模型。使用SPA筛选最优波长,重新预算,构建优化的PLS模型和多元线性回归(MLR)模型。结果显示,经过BC预处理(R_P=0.960,RMSEP=5.15×10^-4g/100 g)和原始数据RAW(R_P=0.960,RMSEP=4.89×10^-4g/100 g)的全波段PLS模型(F-PLS)预测过氧化值效果较好。优化结果显示,RAW的MLR模型(R_P=0.968,RMSEP=4.12×10^-4 g/100 g)预测效果更好。研究表明,NIR高光谱成像技术联用SPA算法可潜在实现对五花肉过氧化值的快速无损检测。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

Fluorescence Imaging Spectroscopy (FIS) for Comparing Spectra from Corn Ears Naturally and Artificially Infected with Aflatoxin Producing Fungus

In an effort to address the problem of rapid detection of aflatoxin in grain, particularly oilseeds, the current study assessed the spectral differences of aflatoxin production in kernels from a cornfield inoculated with spores from 2 different strains of toxigenic Aspergillus flavus. Aflatoxin production in corn from the same field due to natural infestation was also assessed. A small corn plot in Baton Rouge, La., U.S.A., was used during the 2008‐growing season. Two groups of 400 plants were inoculated with 2 different inocula and 1 group of 400 plants was designated as controls. Any contamination detected in the controls was attributed to natural infestation. A subset of each group was imaged with a visible near infra red (VNIR) hyperspectral system under ultra violet (UV) excitation and subsequently analyzed for aflatoxin using affinity column fluorometry. Group differences were statistically analyzed. Results indicate that when all the spectral data across all groups were averaged, any potential differences between groups (treated and untreated) were obscured. However, spectral analysis based on contaminated “hot” pixel classification showed a distinct spectral shift/separation between contaminated and clean ears with fluorescence peaks at 501 and 478 nm, respectively. All inoculated and naturally infected control ears had fluorescence peaks at 501 nm that differed from uninfected corn ears. Results from this study may be useful in evaluating rapid, noninvasive instrumentation and/or methodology for aflatoxin detection in grain.     

高光谱技术融合平板菌落法同步计数酸奶中益生菌

采用高光谱技术结合平板菌落法快速表征益生菌酸奶中常见的发酵菌种（保加利亚乳杆菌、嗜热链球菌）和益生菌种（干酪乳杆菌、嗜酸乳杆菌、植物乳杆菌）的光谱差异,并结合不同模式识别方法对混合菌种发酵酸奶中每种益生菌的数量进行同步计数,最后与传统计数法得到的菌落数量结果进行对比,通过2 种计数结果的差异性分析验证高光谱菌落计数的可行性。结果表明,当主成分数为9时,最小二乘支持向量机模型对不同种类菌落识别效果均优于K-最近邻法和误差反向传播神经网络模型,其中校正集识别率为99.20%,预测集识别率为93.33%,为最佳计数模型,与传统计数法并无显著差异（P＞0.05）,验证高光谱技术应用在混合菌种发酵酸奶中对每种益生菌同步计数的可行性,解决传统计数法无法同步计数混合菌种酸奶中各益生菌数量的缺陷问题,为快速无损检测酸奶品质与保健活性提供检测依据。     

高光谱技术结合迭代决策树的香肠菌落总数预测

利用波长范围400～1 000 nm高光谱对香肠的菌落总数进行预测研究。选取450 个香肠样本的光谱数据作为训练集,50 个作为测试集。采用多元散射校正方法对光谱预处理并采用主成分分析法对光谱降维处理。对训练集和测试集数据分别采用支持向量回归和迭代决策树（gradient boosting decision tree,GBDT）方法建立定量分析模型,优选最佳建模方法。结果表明：GBDT的建模效果较好,其训练集和测试集的均方根误差分别为0.001和0.003,决定系数R2分别为0.998和0.996。研究表明,基于高光谱成像技术利用GBDT方法预测香肠菌落总数可行并可有效实现。     

基于高光谱图像与光谱特征融合技术的鸡蛋新鲜度无损判别模型的建立

鸡蛋新鲜度等级评价是鸡蛋品质检测过程中的一项重要技术指标。选取了不同储藏环境的鸡蛋样本并采集其高光谱图像信息与光谱信息,提取图像特征和光谱特征;采用并行式融合方法进行图谱特征融合,基于连续投影法-灰度共生矩阵方法进行特征提取;建立支持向量机鸡蛋新鲜度判别模型。采用粒子群算法优化模型,训练集准确率达到85%,预测集准确率达到76.67%。为了解决单模型可能出现的偶然性误判问题,采用递进式特征融合方法,引入多模型共识策略和深度残差网络ResNet 50分析方法。建立基于连续投影法-方向梯度直方图特征提取方法的多模型共识策略,该模型的训练集准确率提升至89%,预测集准确率提升至88%;同时,建立基于连续投影法-方向梯度直方图特征提取方法的深度残差网络ResNet 50模型,模型的训练集准确率提升至89%,预测集的准确率提升至86.67%。图谱特征融合建模分析表明,并行式融合方法和递进式融合方法对鸡蛋新鲜度等级判别都有一定的可识别性,且递进式融合算法的多模型共识策略判别效果更佳。