基于XGBoost的掺伪茶油光谱鉴别模型

为实现采用紫外-可见-近红外光谱技术鉴别掺伪茶油的目的，研究首先通过向茶油中掺入不同比例的葵花籽油、玉米胚芽油和花生油制备掺伪茶油，然后采用自制的透射光谱采集实验平台获得光谱数据，对原始光谱进行预处理后，分别以竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、Boruta算法进行特征波长筛选，最后建立了基于XGBoost的掺伪茶油鉴别模型。研究结果表明，原始光谱经过SG-连续小波变换[CWT(分解尺度2⁵,L5)]预处理和Boruta特征波长筛选后，所建立的XGBoost模型鉴别性能最佳，测试集的准确率、灵敏度和特异性分别达到了98.18%、100.00%和97.62%。通过与常用的支持向量机(SVM)和极限学习机(ELM)模型对比后得到，XGBoost模型的准确率分别提高了3.63%和1.82%,特异性分别提高了4.76%和2.38%。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

优化基于近红外光谱的联合间隔偏最小二乘法建模检测芝麻油掺伪含量

应用近红外光谱(NIR)分析技术建立测定芝麻油中大豆油含量的定量分析模型。基于32个含量梯度共384个掺伪芝麻油样品的近红外光谱,首先采用标准正态变量变换（SNV）对光谱进行预处理,再采用无信息变量消除法(UVE)初步筛选波长变量,然后结合联合间隔偏最小二乘法(SiPLS)和带极值扰动的简化粒子群优化算法(tsPSO)建立芝麻油中大豆油掺伪含量预测模型,经特征波段选取后建立的模型变量减少,波长变量由451个减少到219个,训练集和测试集相关系数分别为0.999 8和0.991 9,均方根误差分别为4.39E-2和3.99E-2。结果表明,该方法能够作为芝麻油中大豆油掺伪含量的快速检测方法。此外,该方法也可应用到芝麻油中掺入其他低价值油的掺伪含量检测中。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

紫外光谱法对油茶籽油掺伪的检测

利用油茶籽油及其他植物油在紫外波长200~360 nm间吸收光谱的差异性,通过判别分析和回归分析,对掺伪油茶籽油实现定性和定量检测。结果表明:通过判别分析建立的判别函数可以对掺伪油茶籽油的掺伪种类进行鉴别,准确率为100%;通过回归分析可对掺伪油茶籽油进行掺伪量的定量检测,掺杂菜籽油、大豆油和米糠油掺伪量的最佳检测范围为12%~100%,掺杂玉米油和棕榈油掺伪量的最佳检测范围为15%~100%。     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

基于脂肪酸组成甄别油茶籽油掺伪的研究

以植物油的特征信息——脂肪酸组成为依据,结合化学计量学,运用主成分法、偏最小二乘判别因子分析法来研究甄别油茶籽油的可行性,并运用偏最小二乘回归分析法来定量预测分析不同掺伪比例的油茶籽油。结果显示:主成分法(Principal Component Analysis,PCA)、偏最小二乘判别因子分析法(Partial Least-squares Analysis-Discriminat Factor Analysis,PLS-DFA)都能将油茶籽油样品与其他几种植物油样品区分开来,并且PLS-DFA要比PCA区分效果稍好;掺伪比例和脂肪酸组成具有较好的线性关系,偏最小二乘回归分析法(Partial Least-squares Analysis,PLS)能够定量预测分析掺伪比例为5%~60%的掺伪样品,且相关系数都能达到0.98以上,说明脂肪酸组成结合化学计量学方法能够很好的甄别油茶籽油掺伪,为快速甄别油茶籽油掺伪提供技术支撑。     

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。     

冷鲜羊肉品质的高光谱成像无损检测

利用400~1000 nm可见近红外高光谱成像系统对冷鲜羊肉蛋白质含量、嫩度、p H进行无损检测研究。采集冷鲜羊肉表面的高光谱散射图像,提取样本感兴趣区域的反射光谱曲线获得原始数据。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法,后采用正自适应加权算法(CARS)和连续投影算法(SPA)提取特征波长,建立不同特征波长下各品质参数的PLSR预测模型。结果表明:利用原始光谱建立的冷鲜羊肉蛋白质、嫩度和p H的PLSR模型均优于经过光谱预处理所建PLSR模型;在不同波长下建立预测模型,OS-PLSR光谱模型对冷鲜羊肉蛋白质含量预测效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光谱预测模型对p H预测效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光谱预测模型对嫩度的预测能力较高,Rp=0.862,RMSEP=0.706。研究表明:利用可见近红外高光谱技术对冷鲜羊肉品质进行快速无损检测是可行的。     

京郊鲜食杏白利糖度的便携式光谱快速无损检测方法研究

目的建立京郊鲜食杏白利糖度的定量分析预测模型,实现对京郊鲜食杏品质的快速无损检测。方法使用便携式近红外光谱仪采集900～1700 nm下鲜食杏的漫反射光谱信息,使用多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variable transformation,SNV)和Savitzky-Golay卷积平滑(Savitzky-Golay smooth,S-G)对原始光谱数据进行预处理,使用Kennard-Stone (K-S)算法以3:1比例将样本集划分成校正集和预测集,利用竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法和连续投影算法(successive projections algorithm,SPA)对光谱进行特征波长筛选,使用偏最小二乘回归(partial least squares regression,PLSR)算法建立京郊鲜食杏白利糖度的预测模型。结果以MSC+S-G+CARS+PLSR算法建立的北京鲜食杏的...