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。     

基于近红外光谱的酸枣仁不同伪品掺假检测

本文采用近红外光谱技术对酸枣仁及其三种常见伪品理枣仁、枳椇子和兵豆进行定性定量检测研究。分别制备不同伪品掺杂质量分数为1%~90%的单种掺杂物实验样品,以及多种伪品同时掺杂的样品,采集800~2500 nm范围的近红外光谱数据。首先利用主成分分析（principal component analysis,PCA）对酸枣仁及三种伪品进行初步定性鉴别。对于单一掺假物样品,采用五种不同预处理方法对光谱数据进行去噪。利用偏最小二乘回归（partial least squares regression,PLS）方法,建立PLS1模型定量预测掺假物含量,并采用连续投影算法（successive projection algorithm,SPA）挑选最优波长,优化定量模型。结果表明,理枣仁掺假建立的3波长检测模型的预测集决定系数R2_p为0.9659,均方根误差（root mean square error,RMSEP）为6.1910%。枳椇子掺假建立的8波长检测模型的预测集决定系数R2_p为0.9491,均方根误差（RMSEP）为7.6232%。兵豆掺假建立的5波长检测模型的预测集决定系数R2_p为0.9666,均方根误差（RMSEP）为6.1437%。对于多掺杂物样品,建立了PLS2模型同时对不同成分进行定量预测,酸枣仁效果最好,R2_p≥0.7115,枳椇子预测效果最差,R2_p≥0.2007。研究表明,利用近红外光谱技术可以实现酸枣仁不同伪品掺假的快速无损检测。所建方法为后续酸枣仁及其他种子类中药材便携式无损检测仪器的开发提供了理论基础与参考依据,对保证中药材质量安全具有重要社会意义。     

基于高光谱成像技术的薯麦混合粉淀粉含量检测

为快速无损检测薯麦混合粉中的淀粉含量，在近红外（900～2 500 nm）的光谱范围采集样品的高光谱图像，通过对比原始光谱和七种不同预处理后的光谱数据建立偏最小二乘回归（Partial least square regression，PLSR），支持向量机回归（Support vector machine regression，SVMR）模型效果，确定多元散射校正法（Multiplicative scattering correction，MSC）为最佳预处理方法。采用竞争性自适应加权法（Competitive adaptive reweighted sampling，CARS）和连续投影算法（Successive projections algorithm，SPA）提取特征波长，建立PLSR和多元线性回归（Multiple linear regression，MLR）模型，结果表明SPA显著的降低了模型的复杂度，SPA-MLR模型检测集的决定系数（R2P）为0.9181，检测集的均方根误差为0.4214%。通过高光谱图像可视化，实现薯麦混合粉淀粉含量检测，为快速无损检测薯麦混合粉中的淀粉含量建立了一种新方法。     

基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量

采用近红外高光谱成像技术(900~1700 nm)结合化学计量学算法快速定量预测牛肉糜中大豆分离蛋白掺入量。首先按照2%~30%(w/w),掺入间隔1%的浓度梯度,制备不同大豆分离蛋白掺入浓度的牛肉糜样品,然后采集样品的高光谱图像并提取光谱数据,最后运用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立预测模型。为了减少模型的高维共线性问题,采用回归系数法(Regression coefficients,RC)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长,优化全波段预测模型。结果显示基于RC法筛选的22个最优波长构建的RC-PLSR模型和RC-MLR模型预测效果优于基于SPA法筛选的21个最优波长构建的SPA-PLSR模型和SPA-MLR模型。其中,RC-PLSR模型预测效果最接近全波段PLSR模型,r_P为0.95,RMSEP为2.73%,RPD为3.32。试验结果表明近红外高光谱成像技术结合化学计量学方法可快速预测牛肉糜中大豆分离蛋白的掺入量。     

基于可见-近红外光谱法无损检测赣南脐橙中总酸含量

目的 基于可见-近红外光谱法建立一种无损测定赣南脐橙总酸含量的技术。方法 利用设计的可见-近红外光谱检测系统检测168个赣南脐橙总酸含量。以给定赣南脐橙的126个样品作为校正集, 42个未知样品作为预测集。本研究以去除首尾处噪声后的400~880 nm范围的光谱波段, 共481个波长点进行研究分析。结合SG (Savitzky-Golay)平滑法、多元散射校正法、变量标准化法、基线校正法4种预处理方法处理原始光谱数据, 通过PLSR数学模型确定最佳预处理模型; 再利用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(random frog, RF)、遗传算法(genetic algorithm, GA)、连续投影算法(successive projections algorithm, SPA)和主成分分析法(principal component analysis, PCA) 5种算法对预处理后的数据提取特征变量, 降低维度, 随后分别建立基于特征变量的总酸偏最小二乘回归(partial least squares regression, PLSR)、主成分回归(principal component regression, PCR)、最小二乘支持向量机(least square support vector machine, LS-SVM)及多元线性回归(multiple linear regression, MLR)预测模型。结果 通过PLSR数学模型确定SG平滑预处理模型效果为最佳, 基于SG+GA+LS-SVM模型对总酸含量预测效果最佳, 预测集均方根误差(root mean square error of prediction, RMSEP)值为0.016, 预测集决定系数(prediction set coefficient of determination, )值为0.9834, 相对分析误差(residual predictive deviation, RPD)值为7.76。结论 基于可见-近红外光谱法实现赣南脐橙中总酸含量的无损检测是可行的, 结合SG+GA+LS-SVM预测模型可以实现赣南脐橙总酸含量的定量检测, 可用于评价赣南脐橙总酸含量。     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

小种红茶水浸出物近红外定量分析模型的建立

为实现近红外光谱技术在小种红茶中的快速无损检测,对76份有代表性的小种红茶按现行国家标准测定其水浸出物含量,采集样品的近红外光谱,采用OPUS 7.5软件,结合偏最小二乘法(partial least squares,PLS)建立小种红茶水浸出物含量的近红外定量分析模型。结果表明,所建立的水浸出物定量模型决定系数R2为95.73%,校正均方差(root mean square error of calibration,RMSEC)为0.629,验证均方差(root mean square error of prediction,RMSEP)为0.513。所建立的小种红茶水浸出物含量的近红外定量分析模型较为成功,模型预测效果较好,能够对小种红茶中水浸出物的含量进行快速地分析。     

近红外光谱法测定烤烟的填充值

为探索用近红外光谱快速检测烤烟填充值的可行性,选取有代表性的94个河南烤烟样品,采用偏最小二乘法(Partial Least Square,PLS)将近红外光谱数据与其填充值的实测值进行拟合,建立填充值预测模型,考察了光谱预处理方法和光谱范围对建模效果的影响,并进行了内部交叉验证、外部验证和模型精度检验。结果表明:1标准正态变量变换(Standard normal variate,SNV)结合一阶导数法的光谱预处理方法和全谱范围适合构建填充值的近红外模型;2模型的决定系数达0.960,均方根校正误差(Root mean square error of calibration,RMSEC)为0.094,内部交叉验证和外部验证均表明模型预测值和实测值呈极显著相关;3模型精密度检验的相对标准偏差3%。填充值近红外预测模型的重复性好,准确性较高,适于批量烤烟填充值的快速检测。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像,并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较,选择光谱预处理方法。使用竞争性自适应重加权算法(competitiveadaptivereweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长,并分别建立了多元线型回归(multiplelinearregression,MLR)模型和偏最小二乘回归(partialleastsquaresregression,PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别,CARS-MLR模型识别效果最好,其校正集相关系数为0.881,预测集相关系数为0.821,校正集均方根误差(calibration set root mean squa...     

电子鼻结合统计学分析对牛肉中猪肉掺假的识别

利用电子鼻结合统计学分析对掺入猪肉的掺假牛肉进行定性和定量研究。采用平均值法和K均值聚类分析法提取特征值;通过主成分分析、判别分析进行分析并使用多层感知神经网络进行模式识别;通过偏最小二乘、多元线性回归和BP神经网络建立定量模型来预测掺假物含量。结果表明：K均值聚类分析法提取的特征值能更全面地反映电子鼻的响应信号,同时判别分析能更好地对掺假牛肉进行定性检测。多层感知神经网络分析中训练集正确分类率达98.8%,验证集正确分类率达97.4%,说明分类结果较好。BP神经网络的决定系数R2（0.9993、0.9930）和均方根误差（0.90%、2.50%）明显优于其他两种方法,故BP神经网络建模分析能更好地预测掺假牛肉中猪肉的含量。说明应用电子鼻技术检测掺入猪肉的掺假牛肉具有一定的可行性。     

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。     

茶油掺伪定性鉴别模型的对比分析

为了解决茶油掺伪其他植物油的掺伪量定量预测问题,本研究基于14个特征性脂肪酸和甘油三酯指标,设置高/低两种不同掺伪梯度,运用Python语言构建并对比分析了偏最小二乘回归(PLSR)模型和多元线性回归(MLR)模型用于掺伪茶油掺伪量的定量预测的效果。研究表明,PLSR模型对掺伪茶油的定量预测效果不理想,高掺伪梯度下PLSR模型的平均RMSE值高达1.99,低掺伪梯度下PLSR模型的平均R²值(0.8888)较低,平均RMSE值(0.906 6)较高。除了对棕榈油掺伪量的定量预测效果较差外,在高/低掺伪梯度下MLR模型定量预测能力较强,平均R²值达到了0.999 873/0.993 572,平均RMSE值为0.146/0.136。结果表明MLR模型可用于不同掺伪质量分数和梯度下茶油掺伪不同食用植物油的掺伪量定量预测问题,效果较好。     

基于顶空气相色谱-离子迁移谱与电子鼻技术快速检测宁夏滩羊肉中掺假鸭肉

为实现掺假宁夏滩羊肉的准确快速检测,按照不同比例将鸭肉混入滩羊肉中制备掺假肉。基于顶空气相色谱-离子迁移谱（gas chromatography-ion mobility spectrometry,GC-IMS）及电子鼻结合统计学方法对掺假肉样进行快速检测。通过GC-IMS采集掺假肉气味图谱,利用主成分分析和相似度差异分析对掺假肉进行分析;采用线性判别法分析电子鼻传感器响应值,后采用多元线性回归建立电子鼻响应值与鸭肉掺假比例的定量模型。结果表明：通过GC-IMS气味图谱可直观看出掺假不同比例鸭肉的滩羊肉中挥发性有机物差异,但对于掺假比例相近的样品区分度不明显;采用线性判别分析可很好区分掺假不同比例鸭肉的滩羊肉;采用多元线性回归分析,以鸭肉掺假比例及电子鼻传感器响应值进行拟合,得到回归方程决定系数为R2=0.967 1,拟合度高,实际测定值与预测值具有较好的相关性。GC-IMS技术、电子鼻结合统计学方法可以对掺入不同比例鸭肉的滩羊肉进行鉴别。     

基于NIR高光谱技术快速预测冷鲜鸡肉热杀索丝菌含量

基于NIR高光谱成像技术快速评估鸡肉热杀索丝菌含量。通过采集新鲜鸡肉高光谱图像并提取样本反射光谱信息(900~1699 nm),再采用多元散射校正(Multiplicative Scatter Correction,MSC)、基线校正(Baseline Correction,BC)和标准正态变量校正(Standard Normal Variable Correction,SNV)三种方法预处理原始光谱,分别利用偏最小二乘(Partial Least Squares,PLS)、多元线性回归(Multiple Linear Regression,MLR)挖掘光谱信息与鸡肉热杀索丝菌参考值之间的定量关系。同时采用PLS-β系数法、Stepwise算法和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长简化全波段模型(F-PLS)提高预测效率。结果显示,经BC预处理的全波段光谱(485个波长)构建的F-PLS模型预测热杀索丝菌效果较好,相关系数R_P为0.973,误差RMSEP为0.295 lg CFU/g。基于PLS-β法从BC预处理光谱中筛选出25个最优波长构建的PLS-β-PLS(R_P=0.931,RMSEP=0.434 lg CFU/g)模型预测较好。本试验表明,利用近红外高光谱成像技术可潜在实现鸡肉热杀索丝菌含量的快速评估。     

Application of Time Series Hyperspectral Imaging (TS-HSI) for Determining Water Distribution Within Beef and Spectral Kinetic Analysis During Dehydration

This study was carried out for rapid and noninvasive determination of water distribution within beef during dehydration using time series hyperspectral imaging (TS-HSI). Hyperspectral images (380–1,700 nm) of beef slices were acquired at different periods of dehydration process. The spectra of beef were extracted from the TS-HSI images using image segmentation process. Principal component analysis was conducted to obtain an overview of the systematic spectral variations during dehydration. Instead of the traditional data mining strategies to cope with the large multivariate data structures in the TS-HSI images, the selection of effective wavelengths was conducted for the first time to reduce the computational burden of the TS-HSI data and predigest calibration modeling. On the basis of the effective wavelengths identified by using successive projections algorithm (SPA), three spectral calibration algorithms of partial least squares regression, least squares support vector machines, and multiple linear regression (MLR) were compared. The SPA-MLR model with Spectral Set I was considered to be the best for determining water content of beef slice. The model led to a coefficient of determination ( $ r_V^2 $ ) of 0.953 and root mean square error estimated by cross-validation of 1.280 %. The visualization of water distribution within beef slice during dehydration was finally generated by transferring the quantitative model to each pixel in the image to determine water content in all spots of the beef sample. Kinetic analysis of the TS-HSI images was also conducted for the first time to analyze spectral changes of beef during dehydration. The results demonstrate that TS-HSI has the potential of quantitatively visualizing water content of beef rapidly and noninvasively during dehydration in a reasonable accuracy.