近红外光谱-人工神经网络的模型优化用于银耳产地识别研究

研究通过近红外光谱技术（NIRS）结合人工神经网络技术（ANN）识别银耳的不同产地。实验以四川省与福建省两个产地共120组银耳样品为研究对象,对其进行近红外光谱测定,计算光谱吸收值的平均偏差与一阶导数进而选取有效数据,结合主成分分析方法将原始数据降维并采用反向人工神经网络技术构建近红外分析模型。结果显示,通过对有效数据主成分分析,前3个主成分的累计方差贡献率达到100%,判断准确率为88.3%;进一步采用人工神经网络优化模型,在输出层为2隐藏层为11时,判断准确率达100%;此时校正集与预测集的均方根误差分别为3.05×10^-2与2.90×10^-2,模型具有良好的泛化能力。因此,结合人工神经网络的近红外光谱检测技术,优化检测模型,能够准确、快速地识别银耳产地,为食品原材料的质量控制及地理标志的建立提供科学依据。      

近红外光谱-人工神经网络的模型优化用于银耳产地识别研究

研究通过近红外光谱技术(NIRS)结合人工神经网络技术(ANN)识别银耳的不同产地。实验以四川省与福建省两个产地共120组银耳样品为研究对象,对其进行近红外光谱测定,计算光谱吸收值的平均偏差与一阶导数进而选取有效数据,结合主成分分析方法将原始数据降维并采用反向人工神经网络技术构建近红外分析模型。结果显示,通过对有效数据主成分分析,前3个主成分的累计方差贡献率达到100%,判断准确率为88.3%;进一步采用人工神经网络优化模型,在输出层为2隐藏层为11时,判断准确率达100%;此时校正集与预测集的均方根误差分别为3.05×10~(-2)与2.90×10~(-2),模型具有良好的泛化能力。因此,结合人工神经网络的近红外光谱检测技术,优化检测模型,能够准确、快速地识别银耳产地,为食品原材料的质量控制及地理标志的建立提供科学依据。     

基于高光谱成像技术的青花椒产地识别研究

目的 基于高光谱成像技术结合机器学习建立一种青花椒产地的快速识别方法,实现四川、贵州、云南、重庆等10个青花椒主要产地样品的快速无损鉴别。方法 本研究利用全平皿法、五点平均法和中心点法3种不同的兴趣区域(region of interest, ROI)提取方式,获得平行光谱数据,分别采用5种预处理方法消除数据噪声提升模型性能,并比较了偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)、随机森林(random forests, RF)和支持向量机(support vector machine, SVM) 3种模型的产地识别效果。结果 采用全平皿法提取兴趣区域,通过二阶导(second derivative, D2)预处理后建立的RF模型分类效果最佳,训练集和测试集的准确率均可达到100%。进一步采用连续投影算法(successive projections algorithm, SPA)选择27个特征波长建模,结果表明多元散射校正(multiplicative scatter correction, MSC)-RF模...     

基于傅里叶红外光谱技术的大米产地溯源快速判别方法研究

大米的品质受到基因遗传、气候、土壤等影响,不同产地的大米品质不同,为了鉴别大 米的产地,应用德国Bruker VERTEX 70傅里叶红外光谱仪采集4个不同产地大米的傅里叶红外光谱,分别经过矢量归一化、一阶导数+13点平滑、一阶导数+13点平滑+矢量归一化、一阶导数+13点平滑+减去一条直线预处理后,建立偏最小二乘判别...     

基于玉米籽粒近红外光谱的品种与产地识别研究

为考察近红外光谱对玉米种子的品种识别与产地识别性能,采集了8个玉米品种波长范围为12 000~4 000 cm-1的近红外光谱数据,并基于此数据研究了基于PCA的光谱数据特征的提取方法,并探讨了神经网络(ANN)和支持向量机模型(SVM)在品种识别上的性能,进一步研究了玉米品种的产地识别技术,且比较了传统可见光图像的品种识别。研究发现:基于近红外的玉米品种识别,在6个主分量的情况下整体上性能达到90%以上;SVM算法较ANN算法稳定可靠,更适合于小样本情况下的光谱分析;基于光谱的品种识别与基于可见光图像的品种识别效果相当;另外发现同一品种在不同产地上其光谱特征差别较大,据此可以应用光谱进行产地鉴别,鉴别力达到95%以上。本研究所构建的方法对玉米品种识别和产地识别具有积极意义。     

基于近红外光谱技术的小米产地溯源研究

采用便携式近红外光谱仪结合主成分分析(PCA)、费舍尔线性判别(FLDA)及多层感知器神经网络(MLPNN)模型,探讨近红外光谱技术应用于小米产地溯源的可行性。PCA分析显示,除山西、河南、黑龙江3省的样品差异较小难以区分外,其余8个省份的样品均能清晰区分产地。FLDA和MLP-NN分析均能识别出小米样品产地,但MLP-NN识别效果优于FLDA,两个模型对预测集的识别正确率分别为92.3%,84.6%。以上结果表明,近红外光谱技术可有效应用于小米的产地溯源。     

基于近红外光谱技术的枸杞产地溯源研究

采用近红外光谱技术对宁夏、甘肃、青海、内蒙、河北的8个不同产地40种枸杞样品进行扫描,在主成分分析基础上利用简易分类法(simple modeling of class analogy,SIMCA)模式识别原理分别建立模型。结果表明：在950～1650nm全光谱波长范围内,光谱经一阶导数(5点平滑)和矢量归一化(standard normal variate,SNV)预处理后,8个产地模型的主成分数均为3时,采用 SIMCA模式识别法可以建立较为稳健的枸杞产地溯源模型;在α＝5%的显著水平条件下检验模型的可靠性,8个产地校正集模型的识别率除青海为80%外,其他产地均为100%,拒绝率分别为100%、100%、97%、100%、91%、94%、97%、100%,其验证集模型的识别率均为100%,拒绝率分别为100%、100%、100%、100%、75%、88%、100%、100%。表明该方法在枸杞产地识别中具有可行性。     

基于近红外光谱技术的鸡肉产地溯源

采用近红外光谱技术对辽宁大连、河北遵化、潍坊坊子、潍坊昌邑、潍坊诸城5个产地的100个鸡肉样本进行扫描,对这些样本的近红外光谱进行主成分分析、聚类分析,建立了鸡肉产地溯源的定性判别模型。试验结果表明:在全光谱范围(780~2 500 nm)内,经二阶求导(13点平滑)和矢量归一化(standard normal variate,SNV)预处理后,5个地区鸡肉的近红外光谱图有显著差异,鸡肉样本的主成分空间分布位于不同的区域,聚类分析树状图中不同产地也各自聚为一类。利用来自5个产区的30个独立样本对模型进行验证,识别率和拒绝率均为100%。此结果表明近红外光谱分析技术可准确、快速追溯鸡肉的产地来源。     

红外光谱快速识别食用植物油种类的研究

为实现食用植物油种类的快速无损识别,为公安实战中打击“食药环”犯罪提供参考,借助衰减全反射-傅里叶变换红外光谱技术对不同类别、品牌食用植物油进行了多层次分类识别工作。采用标准正态变换(SNV)和一阶导数预处理消除基线和其他背景干扰,使得重叠峰发生分离,从而提高检测的分辨率和灵敏度,利用竞争性自适应重加权算法(CARS)提取特征波长,结合基于布谷鸟搜索算法优化的极限学习机(CS-ELM)模型对不同种类和品牌的食用植物油进行分类识别,同时对比随机森林模型与CARS-CS-ELM融合模型在食用植物油快速分类检测方面的准确率。结果表明,基于CARS-CS-ELM融合模型对3类植物油样本总体进行分类,其分类准确率达到85.19%,其中小磨香油、花生油、玉米油样本训练集的品牌分类准确率依次为92.5%、100%、96.7%,测试集品牌分类准确率均为100%,而随机森林模型的9个品牌食用植物油分类准确率仅为80%。综上,CARS-CS-ELM融合模型对食用植物油快速分类识别效果较好,可为食用植物油的无损快速检验提供一定的参考与借鉴。     

基于连续分类策略的动物油红外光谱无损识别

为实现对市面上常见以及实际案件中出现的动物油样本进行快速无损识别,借助光谱分析技术和机器学习算法,基于连续分类策略,对不同动物油样本在种类及品牌/来源地方面进行区分和认定。收集了247份动物油样本(鸡油、牛油、鹅油、猪油、羊油、鸭油),对其进行红外光谱扫描,采用自动基线校正和峰面积归一化消除样本基线漂移和量纲不一致情况;再分别采用Savitzky-Golay平滑、二项式平滑、邻域平均法、FFT滤波、一阶导数和二阶导数对红外光谱进行预处理,比较了6种预处理方法在降噪方面的差异性,同时构建不同预处理方法下的随机森林、贝叶斯网络以及最小二乘支持向量机3种分类模型,开展各样本“种类—品牌/来源地”的连续分类工作。结果表明,相较于未预处理模型,经过预处理后,模型的识别能力均有提升,其中采用FFT滤波预处理结合随机森林模型可较好区分6种动物油,其对6种动物油样本品牌/来源地的识别准确率由高到低依次为鸡油、牛油、鹅油、猪油、羊油、鸭油;对实际案件中2份检材进行验证性分析,结果与实际情况相符合。红外光谱结合机器学习算法可应用于基于连续分类策略的动物油的快速无损识别。     

近红外光谱技术结合宽度学习系统识别国外奶粉产地

目的 利用近红外光谱技术对国外奶粉进行产地识别。方法 采集荷兰、新西兰、澳大利亚、德国、法国、英国和爱尔兰7个国家55个奶粉样品的近红外光谱,经过数据预处理、主成分分析降低数据维度和特征筛选,构建基于宽度学习系统（Broad Learning System,BLS）的奶粉产地快速识别模型。结果 采用多元散射校正加Savitzky-Golay滤波的预处理效果最好,与未做预处理相比,准确率提高14.55 %,主成分特征数大于38,识别效果最稳定,实验中还研究BLS主要参数对识别准确率的影响,可以指导参数选择。对荷兰、新西兰、澳大利亚和欧洲其它产地4类产地识别,测试准确率达到100.0 %,对样本做7类产地识别,准确率达到81.18 %。相同条件下,与支持向量机方法对比,4类产地识别,BLS方法准确率比支持向量机方法高9.10 %,7类产地识别,两者准确率相同。结论 本文提出的基于BLS的方法可以较好实现国外奶粉产地识别,为奶粉产地快速识别提供了新思路。     

基于近红外光谱技术的农产品产地溯源研究进展

农产品产地溯源的目的是保证农产品的真实性, 为地理标志产品、地区特征性产品产地真伪鉴别提供关键技术。近红外光谱是一种新兴的检测技术, 因操作简单、绿色、高效、快速等特点, 被广泛应用于农产品产地溯源研究中。本文介绍了近红外光谱分析技术的原理和特点, 综述了基于近红外光谱技术的谷物、油料产品、水果等主要农产品产地溯源的研究进展, 分析了现有技术存在的问题, 并对今后农产品产地溯源的研究进行了展望, 以期为近红外光谱技术在农产品产地溯源的进一步应用提供参考。     

基于高光谱成像技术的板栗产地溯源

目的 建立了一种基于高光谱成像(Hyperspectral Imaging, HSI)技术的板栗产地溯源模型。方法 采集怀柔、迁西和沂蒙短枝三种不同产地板栗的高光谱图像,提取感兴趣区域(Region of Interest, ROI),建立支持向量机(Support Vector Machine, SVM)板栗产地溯源模型,通过比较分析不同预处理方法对建模结果的影响,选出最佳的预处理组合方法,并使用遗传算法对模型进一步优化。结果 实验结果表明,经多元散射校正(Multiplicative Scatter Correction, MSC)和移动窗口平滑法(Moving Window Smoothing, MWS)组合预处理后的数据所建立的溯源模型预测性能最好,分类的预测精确率达到了95%以上,模型整体的准确率为96.61%。经遗传算法(Genetic Algorithm, GA)对SVM的参数C进行优化,优化后的模型对怀柔板栗和沂蒙短枝板栗的预测精确率达到了100%,模型整体的准确率提高到了98.31%。结论 本研究基于高光谱成像技术建立了一种板栗产地溯源模型,经预处理和参数优化后,所建立的模型具有较好的预测性能,为板栗的产地溯源提供了一种新方法。     

基于主成分分析和人工神经网络的近红外光谱大豆产地识别

为了准确、快速地识别大豆产地,通过近红外光谱技术(NIRS)结合主成分分析(PCA)和人工神经网络技术(ANN)研究不同国家大豆内含特征,建立进口大豆产地识别模型.采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本.采用多元散射校正(MSC)、标准正态变量(SNV)、Savitz...     

基于近红外光谱的胡椒产地鉴别方法研究

该研究旨在探索一种基于近红外光谱技术对胡椒产地进行分类的方法。收集海南、云南、广西、越南、马来西亚5个产地的胡椒共计300份样品,采集近红外光谱。采用小波去噪等方法对光谱进行预处理,通过支持向量机(support vector machine,SVM)、径向基神经网络(radical basic function,RBF)和线性判别分析(linear discriminant analysis,LDA)建立产地定性鉴别模型。研究表明,SVM和RBF神经网络模型鉴别准确率较好。db5小波预处理后仅选择7个主成分正确率达到100%的数据。结果表明基于近红外光谱的胡椒产地鉴别方法是可行的,预处理可以有效地提高近红外光谱胡椒产地鉴别模型的准确率。     

基于红外光谱技术的纺织品检测应用

纺织品质量检测是纺织品生产过程中的一道重要工序,关乎产品质量和消费者信任。常见的纺织品质量安全检测项目包括保温隔热性能、抗菌性能、耐光色牢度、外观质量、尺寸变化率、起皱级差、撕破强力、起毛起球、洗后扭曲率、纰裂等,不同检测内容应用的技术不同。文章主要以红外光谱技术在纺织品检测中的应用为例,重点介绍了溴化钾压片法和衰减全反射法在纺织品定量检测分析中的应用,探讨红外光谱技术与纺织行业的关联应用,以期为纺织行业的长远发展提供建设性意见。     

植物油的红外光谱结合神经网络快速识别

为实现对植物油的快速检测,借助衰减全反射-傅里叶变换红外光谱分析技术并结合深度学习算法对植物油开展光谱模式识别工作。实验获取8种植物油样本的光谱数据,采用标准正态变换和一阶导数预处理方法消除背景干扰,同时采用竞争性自适应重加权算法模型对各样本特征光谱数据进行提取,分别建立长短记忆神经网络(LSTM)、基于Levenberg-Marquardt算法改进的BP神经网络对提取特征波长后的植物油种类进行预测识别与比较,并采用后者进行了实际样品的识别检测。结果表明,通过提取特征波长,可有效提高LSTM模型的识别准确率,其最优准确率从提取特征波长前的30%～40%提高到80%～90%,模型运行时间从提取特征波长前的111 min 25 s缩短至1 min 45 s。相较于LSTM模型,基于Levenberg-Marquardt算法改进的BP神经网络的分类识别准确率更高,达到99.852%,用于实际样品的识别,识别准确率达到100%。实验结果可为植物油的无损快速检验提供一定的参考与借鉴。     

基于高光谱成像技术的梅河大米产地确证因子研究

为探究吉林省梅河大米的产地确证因子,本研究采用空间网格布点法对吉林省梅河口市地理标志大米进行样本采集。通过梅河大米的高光谱信息和蛋白质、直链淀粉、棕榈酸、油酸、亚油酸、脂肪酸含量进行光谱特征波长提取、相关性分析和产地判别。结果表明,梅河大米的理化指标具有明显的产地特征,高光谱九个特征波长TB_1～TB_9(455、515、583、615、621、776、874、923、942 nm)与上述六个指标呈现显著相关性。利用高光谱九个特征波长对梅河大米与柳河县大米进行SPSS判别分析,整体正确率为95%。SIMCA偏最小二乘法建立的模型可以将梅河大米样品与柳河县大米样品进行区分。说明梅河大米高光谱九个特征波长可作为其产地确证因子。     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅立叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用卷积(Savitzky-Golay,S-G)平滑算法和数据标准化(Normalization)对光谱数据进行预处理,最后基于遗传优化算法(genetic algorithem,GA)和粒子群优化算法(particle swarm optimization, PSO)分别建立了优化向量机模型(support vector machine, SVM),从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。     

基于近中红外光谱分析的大黄鱼产地区分技术

为实现4种产地来源的大黄鱼(福建养殖大黄鱼、温州养殖大黄鱼、舟山养殖大黄鱼和舟山野生大黄鱼)的准确快速区分,本研究应用傅里叶变换红外光谱仪对4种大黄鱼样本在4000～650 cm-1^的红外吸收指纹图谱进行测定,基于特征波段下的光谱吸收差异并结合PCA、CA和LDA、SVM模型对大黄鱼样品进行产地区分。结果如下：采用测定波段4000～650 cm-1^的全光谱采集信息经过SG预处理后建立的SVM模型效果最优,对4种大黄鱼样本的测试集准确率为83.3%。进一步对福建养殖大黄鱼和野生大黄鱼的产地区分方法优化后,选取特征波段3690～2800 cm-1⁺¹⁸⁰⁰～650 cm-1^{的光谱信息}经过1st ^Der、2nd ^Der和SNV 3种方式预处理后建立LDA判别模型,光谱训练集与预测集的准确率均达到100%;3690～2800 cm-1⁺¹⁸⁰⁰～650 cm-1^{的光谱信息}经SNV、MSC预处理后的PCA效果最佳,2种大黄鱼样本间彼此间距远、无重叠,且前两个主成分累计贡献率均在90%以上;经SNV预处理后的CA分析中除21号野生大黄鱼被误聚到福建养殖大黄鱼类中,其余2种产地大黄鱼样本各自聚为一类。研究表明基于近中红外光谱测定并结合化学计量学处理的方法能够对大黄鱼产地进行较准确地快速区分,从而为大黄鱼溯源鉴别、维护消费者权益和保护区域大黄鱼产业等方面提供技术支撑。