基于多源光谱特征融合技术的花生油掺伪检测

以拉曼、近红外2种光谱特征融合结合化学计量学方法对花生油掺伪进行了定量分析。分别用激光拉曼、激光近红外光谱仪采集134个掺伪油样本的光谱数据,采用SPXY算法对样本集进行划分。拉曼光谱(Ram)和近红外光谱(near infrared spectroscopy,NIR)数据进行预处理后,采用后向间隔偏最小二乘法(BiPLS)和联合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)分别提取2种光谱的特征波长;将提取的特征波长融合,结合支持向量机回归(SVR)建立数学模型,采用网格搜索算法(CV)对SVR模型的参数组合(C,g)值寻优,建立最优参数模型。研究表明:建立的Ram-NIR-SVR模型能够实现花生油中掺杂油脂含量的快速准确预测,预测集和校正集的相关系数R分别达到0.98和0.99,均方根误差(MSE)低于2.38E-3;对比不同特征波长提取方法,并与单光谱分析技术比较,可以看出,数据融合技术能够增强模型预测能力,减小模型参数,有利于模型的实际应用,体现了2种光谱很好的互补性。表明光谱分析结合数据融合技术对食用油真实性综合鉴别具有重要意义。     

近红外与表面增强拉曼光谱融合技术快速检测花生油中黄曲霉毒素B1

目的 在近红外光谱(near infrared spectroscopy, NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)特征层数据融合的基础上构建偏最小二乘回归模型(partial least squares regression, PLSR)实现花生油中黄曲霉毒素B1 (aflatoxin B1, AFB1)含量的快速检测。方法 首先，分别采集待测样本的NIR与SERS光谱。其次，将采集的NIR与SERS光谱分别进行光谱预处理。然后，采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization, HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后，将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB1含量。结果 与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比，NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能：校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.1569，校正集决定系数(coefficient of determination of calibration set, )为0.9908，预测集均方根误差(root mean squared error of prediction set, RMSEP)为0.1827，预测集决定系数(coefficient of determination of prediction set, )为0.9854，性能偏差比(ratio of performance to deviation, RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB1的花生油样本，结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论 本方法可实现花生油中AFB1含量的快速、高精度定量检测，也验证了NIR与SERS光谱融合的可行性与有效性。     

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.     

近红外光谱法预测烟草中的纤维素含量

为了快速测定烟草中的纤维素含量,对1214个国产烤烟烟叶样品进行了近红外(NIR)漫反射光谱扫描及其纤维素含量的化学测定,而后根据这些烟叶样品的NIR光谱数据及其纤维素含量的化学测定数据,利用偏最小二乘法建立了烟叶纤维素NIR预测模型,并对建模参数和模型的预测效果进行了评价。结果表明:优化后,该NIR模型预测纤维素的决定系数为0.9649,实际预测的平均相对偏差<2%。该模型适合大批量烟叶纤维素含量的快速分析。     

一种基于高光谱图像的熟牛肉TVB-N含量预测方法

传统肉制品新鲜度检测方法具有耗时费力、效率低、有损等缺陷,提出利用高光谱成像(HSI)技术预测熟牛肉新鲜度指标挥发性盐基氮(TVB-N)含量。首先通过HSI系统获取熟牛肉样本的高光谱数据,并进行黑白校正。进而采用移动平均平滑和多元散射校正对高光谱数据进行预处理。最后采用支持向量回归(SVR)方法分别建立基于全光谱特征、单一光谱特征、单一纹理特征、主成分分析(PCA)融合特征对TVB-N含量的预测模型。结果显示,使用PCA融合特征的SVR模型,对新鲜度的关键指标TVB-N含量的平均预测准确度(APA)可达到85.13%,表明高光谱成像技术与信息融合技术相结合能够提升模型准确度。     

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R~2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。     

基于近红外光谱技术的食用油酸值和过氧化值定量分析研究

目的 建立基于傅里叶近红外光谱技术的定量分析模型,实现快速测定食用油中酸值和过氧化值含量,保证食用油的品质安全以及跟踪食用油储藏期间的品质变化。方法 首先采用傅里叶近红外光谱仪采集食用油样品漫反射光谱,接着采用归一化(Normalize)和标准正态变换(standard normal variate,SNV)对光谱数据进行预处理,降低原始光谱中噪声的影响;其次通过随机森林(random forest,RF)和引导软收缩(bootstrapping soft shrinkage,BOSS)算法提取特征波长;最后结合径向基函数(radial basis function,RBF)神经网络和极限学习机(extreme learning machine,ELM)建立食用油酸值和过氧化值的预测模型,并与全波段的模型进行对比分析。结果 经过BOSS算法所提取的特征波段建立的模型预测效果优于RF算法以及全波段模型,酸值模型的决定系数(determination coefficient,R²)达到0.98,均方根误差(root mean square error,RMSE)达到0...     

拉曼光谱与中红外光谱融合技术快速定量食用酒精的乙醇浓度

目的? 利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度（酒精度）的快速定量检测。方法? 首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction, MSC)、卷积平滑(Savitzky-Golay, S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage, BOSS)和无信息变量消除算法(uninformative variable elimination, UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint x-y distance, SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱－中红外光谱数据融合的偏最小二乘（partial least squares regression,PLSR）食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法（SSA-HKELM）提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果? 与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.98314,校正集决定系数(coefficient of determination of calibration set, Rc2)为0.99634,预测集均方根误差(root mean squared error of prediction set, RMSEP)为1.03256,预测集决定系数(coefficient of determination of prediction set, Rp2)为0.99036。结论? 中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。     

最小二乘支持向量回归与偏最小二乘回归建立烟草总糖NIR预测模型比较

采用最小二乘支持向量回归(LSSVR)法和偏最小二乘回归(PLSR)法及192个烟叶样品的近红外(NIR)光谱与总糖含量的测定数据,分别建立了烟叶总糖含量的NIR预测模型,并利用这两种模型对95个烟叶样品进行了预测。结果表明:LSSVR法模型的预测误差范围为-3.08%~3.71%,预测回收率范围为90.0%~112.2%。LSSVR法模型的预测准确度比PLSR法的高。     

FT-NIR法预测陈化烟叶的淀粉、多酚和色素含量

应用傅立叶变换近红外光谱(FT-NIR)法和化学分析法测定了400个陈化烤烟烟叶样品的NIR光谱数据和淀粉、多酚、色素含量,采用偏最小二乘法(PLS)法将光谱数据和化学测定值进行拟合,建立了淀粉、多酚、色素的NIR预测模型,进行了模型的内部交叉验证,并用未参与建模的100个样品进行了外部验证.结果表明,淀粉、多酚、色素的NIR预测模型的决定系数(R<'2>)分别为97.64%、86.97%、87.08%,交互校验均方差(RMSECV)分别为0.338、0.283、0.011;模型的预测结果与化学分析法无显著性差异,其RSD均<5%.FT-NIR光谱法可用于批量陈化烟叶样品淀粉、多酚和色素含量的快速检测.     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

基于Raman和NIR特征光谱的食用植物油脂肪酸定量模型优化

根据食用植物油4种主要脂肪酸(油酸、亚油酸、硬脂酸和软脂酸)分子结构中拉曼活性较强的基团所对应的谱区以及实测光谱筛选多个特征区间,结合偏最小二乘方法建立46份食用油样本4种脂肪酸的快速拉曼定量分析模型。实验结果表明相较于全谱建模,特征谱区筛选能有效地减少建模所用的变量数,明显提高模型的预测性能。实验中发现食用油颜色的差异会引起拉曼光谱受到不同程度的荧光干扰,因此在上述挑选的特征谱区基础上增加扰动较为明显的了295~325 cm-1波段进行联合建模,显著提高了拉曼定量模型的性能。并与采用数理统计方法进行特征谱区优化的近红外模型相比较,结果表明两类模型性能相当,均可用于食用油脂肪酸的快速、准确检测,其中拉曼模型因其所需样本量少,机理更明确等特点更有优势。     

近红外光谱法快速检测婴儿配方奶粉中的脂肪酸含量

采用傅里叶近红外光谱结合偏最小二乘法(PLS)法建立了测定婴儿配方奶粉中的总脂肪酸、饱和脂肪酸和不饱和脂肪酸含量的近红外数学模型,并通过交互验证和外部检验两种方式考察了近红外数学模型的可靠性。通过选择不同的波长范围,采用平滑、矢量归一化、一阶求导、二阶求导和散射校正对近红外光谱进行处理,总脂肪酸、饱和脂肪酸和不饱和脂肪酸的校正模型相关系数(R2)分别为0.9337、0.9374、0.9020,RPD分别为3.63、3.65、2.90。结果表明近红外数学模型具有良好的预测性能。采用建立的模型对验证集中的20个婴儿配方奶粉样品进行预测,总脂肪酸含量、饱和脂肪酸和不饱和脂肪酸的预测值与化学测定值之间经配对t检验分析,与常规化学方法得到的检验结果无显著差异。     

基于多源信息融合的绿茶杀青叶水分含量智能感知方法

为了实现绿茶杀青过程中水分含量的快速有效检测,利用机器视觉结合近红外光谱技术,构建绿茶杀青过程中水分含量变化的定量预测模型。首先采集杀青过程中在制品的光谱和图像信息,然后采用竞争性自适应权重取样（competitive adaptive reweighted sampling,CARS）法、变量组合集群分析（variables combination population analysis,VCPA）法、变量组合集群分析法结合迭代保留信息变量（variable combination population analysis and iteratively retains informative variables,VCPA-IRIV）法和随机蛙跳法（random frog,RF）4 种变量筛选方法提取光谱中的特征波长,并融合图像中的15 个色泽和纹理特征建立线性偏最小二乘回归（partial least squares regression,PLSR）和非线性支持向量回归（support vector regression,SVR）预测模型。结果表明,与单一数据相比,基于融合数据所建立的模型能有效提高预测精度,其中基于CARS算法提取光谱特征波长融合图像的15 个颜色特征,并结合归一化预处理和主成分分析（principal component analysis,PCA）建立的SVR模型效果最佳,其中校正集相关系数为0.974 2,预测集相关系数为0.971 9,相对分析误差（relative percent deviation,RPD）为4.154 6,表明模型具有极好的预测性能。综上,本研究证明融合光谱和图像技术对绿茶杀青过程中水分含量预测的可行性,克服了单一传感器预测精度低的问题,为实现绿茶杀青叶水分含量的快速无损检测和精准把控杀青质量提供理论基础。     

蚁群-遗传算法优化近红外光谱检测花茶花青素 含量的研究

目的：花青素是鲜花花草茶中起主要保健作用的成分,本研究提出一种基于蚁群-遗传区间偏最小二乘法(ACO-GA-iPLS)的近红外谱区筛选方法,并将其用于花茶花青素含量的预测。方法：将蚁群算法(Ant Colony Optimization, ACO)和遗传算法(Genetic Algorithm, GA)相结合优选特征光谱区间,然后用区间偏最小二乘法算法(iPLS)建立光谱模型。首先对花茶近红外光谱进行预处理;然后用ACO-iPLS优选出特征子区间;最后对所选的特征子区间,用GA-iPLS进一步细化花青素的特征子区间,并建立花青素的预测模型。结果：优选出3个特征子区间(第1、9、10子区间),所建模型对应的交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1460mg/g和0.1840mg/g,校正集和预测集相关系数分别为0.9187和0.8856。结论： ACO-GA-iPLS可以有效选择近红外光谱特征波长,简化模型,提高模型精度。     

激光近红外结合SVM的花生油掺伪定性定量分析

利用激光近红外技术结合支持向量机(support vectormachines,SVM)对花生油掺伪进行定性和定量分析。使用激光近红外光谱仪采集188个掺入餐饮废弃油、大豆油、玉米油以及菜籽油的花生油样品光谱图。结果表明,建立的SVC分类模型均能实现100%的预测准确率,但经提取波长后的模型的变量变少,由全波段的451个波长数减少为136个。建立的SVR回归模型也能准确预测花生油中掺伪油的含量,其中非全波段模型参与建模变量变少,由451个降低到66个,预测精度也更高,校正集和测试集相关系数分别达到99.88%、99.90%,均方根误差都低于6.99E-4。由此可知,特征波长提取方法不仅可以减少建模变量,提高建模效率,也能够提高模型的预测能力。结果表明,运用激光近红外结合SVM可以实现花生油掺伪油脂的定性和定量分析。     

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,iPLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100 个,并在4 000～12 000 cm－1范围内采集了油样的近红外透射光谱。首先用iPLS法从原始光谱中初步筛选出4 540～5 346 cm－1和6 807～7 004 cm－1组合特征波段,R2和预测均方根误差（rootmean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2 种选择结果中各选取前6 个波长点,以12 个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用iPLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。     

贮藏期内富士和粉红女士苹果品质的FT-NIR无损检测

为探索傅里叶近红外光谱快速无损检测贮藏期苹果品质的方法,在苹果贮藏过程中,每隔30d采集富士和粉红女士(各40个)2个苹果品种共计400个样本的近红外图谱(12000～4000cm-1),用OPUS-QUANT软件预处理光谱,用偏最小二乘法建立通用于2个品种的可滴定酸(TA)、pH值和可溶性固形物(SSC)的数学模型。结果表明：富士和粉红女士的光谱经矢量归一化预处理后,在波段7502～4247cm-1内所建立的可滴定酸模型稳定性较好,该模型校正时的相关系数(R2)和评估均方误分别为0.9231和0.0263%,预测时的相关系数R2和内部交叉验证均方根差分别为0.9071和0.0266%;在波段11995～4247cm-1内,光谱经一阶导数预处理后所建立的pH值预测模型稳定性较好,该模型校正时的R2和评估均方误分别为0.9263和0.0700,预测时的R2和内部交叉验证均方根差分别为0.9113和0.0772;近红外光谱经最大-最小归一化预处理后,在波段6102～5446cm-1所建立的SSC模型效果较好,该模型校正时的R2和评估均方误分别为0.9212和0.3570%,预测时的R2和内部交叉验证均方根差分别为0.9130和0.370%。在富士和粉红女士贮藏期品质检测过程中,建立的通用于这2个品种的TA、pH值和SSC检测的数学模型,稳定性较好,能满足品质快速无损检测的要求。