基于高光谱图像技术的长枣糖度无损检测

基于高光谱图像技术对长枣含糖量进行无损检测。由长枣高光谱图像获取反射光谱进行多元散射校正处理,再采用主成分分析获得主成分数据作为BP神经网络的输入变量,建立长枣糖度预测模型。结果表明,采用BP神经网络预测长枣糖度模型优于PLS,模型的相关系数和均方根误差分别为0.927 4和1.712 5。利用高光谱图像技术对长枣糖度的无损检测是可行的。     

三级大豆油酸价的近红外光谱检测

为改进现有的油脂检测方法,以三级大豆油脂酸价检测为研究对象,利用近红外透射光谱技术,结合化学计量学方法,选择4500～6000cm-1为特征波段建立油脂酸价校正模型,首先研究基于小波变换的光谱预处理方法,通过详细比较不同小波分解层数对建模的影响。结果确定db4小波的四层分解去噪效果最佳。结合滤波后重构的光谱信号建立油脂酸价BP神经网络校正模型,利用预测集样本对模型进行验证,决定系数R2和预测均方根误差分别为0.9743和0.1036。证明利用近红外光谱分析技术快速检测油脂酸价是完全可行的。     

近红外透射光谱分析油茶籽油掺入豆油的研究

采用傅里叶近红外透射光谱技术,应用于不同比例(0%～50%)的豆油和油茶籽油的二元体系样品,通过各种光谱预处理方法和回归方法的优化,建立了检测油茶籽油中掺杂豆油含量的近红外光谱的定量模型。以"二阶导数+Norris derivative filter"的最佳预处理方法和PLS的回归方法所建模型最佳,其校正相关系数(Rc)和校正标准误差(RMSEC)分别为0.999 99、0.057 70;交叉检验相关系数(Rcv)和交叉检验校准误差(RMSECV)分别为0.999 99、0.071 9;最优波段为5 037.16～4 728.60 cm-1、7 852.72～7 089.04 cm-1、8 577.82～8 323.26 cm-1;最佳主因子数为6。另外,经外部验证15份随机样品的化学值和NITS预测值的相关系数(R2)为0.998。表明近红外透射光谱法能够快速、准确地定量分析掺假油茶籽油中豆油的含量(范围为0%～50%)。     

基于近红外光谱和共轭梯度神经网络的板栗褐变检测

为了实现板栗褐变的无损检测,本实验以“毛板红”板栗为样品,在12000 ～4000 cm-1范围内采集带壳和去壳板栗4个褐变等级的近红外光谱,用Savitzky-Golay平滑和标准正态变量变换(SNV)方法对光谱原始数据进行预处理,采用主成分分析法提取光谱的特征信息,建立基于共轭梯度调整算法的BP神经网络(SBP)识别板栗褐变模型.结果表明,对去壳板栗,最佳主成分因子数为8时,网络训练集和测试集对板栗褐变识别准确率最好,分别为100％和98.7％;对带壳板栗,最佳主成分因子数为10,网络训练集和测试集对板栗褐变识别准确率最好,分别为65.3％和64.4％.最后比较了所建网络与传统的基于梯度下降算法的BP神经网络(GBP)与径向基函数(RBF)网络的性能,验证集结果表明,构建的基于共轭梯度调整算法神经网络模型(SBP)效果好于GBP和RBF,对去壳板栗和带壳板栗褐变识别准确率分别为100％和66.7％.     

基于近红外光谱技术的老陈醋品质分析

为得到稳定、精确的老陈醋品质光谱模型,采用近红外光谱分析技术结合反向传播神经网络(BP-ANN),分别对不同醋龄的两种山西老陈醋中可溶性固形物含量(SSC)及pH值进行定量分析。对经过标准归一化(SNV)与25点平滑相结合处理后的光谱进行主成分分析,根据主成分的累计贡献率选取主成分数作为BP神经网络的输入变量建立模型,并与偏最小二乘法(PLS)模型进行比较。结果表明:BP-ANN建立的老陈醋SSC和pH值定量分析模型最优,其SSC和pH值的模型相关系数(R)分别为0.9999和0.9997,校正集均方根误差(RMSEC)分别为0.0128和0.0045,预测集均方根误差(RMSEP)分别为0.0118和0.0088。采用近红外光谱技术结合反向传播神经网络(BP-ANN)对不同醋龄、不同品牌的老陈醋品质分析建模是可行的。     

基于主成分分析、神经网络对啤酒感官评价的预测

该研究运用主成分分析(PCA)结合误差反向传播(BP)神经网络对啤酒感官评价进行了预测。把啤酒中11种理化及风味指标进行主成分分析,以除去数据之间的线性相关性,提取后的理化及风味指标做为输入数据,感官评价得分作为输出数据,运用BP神经网络建立啤酒感官评价预测的模型。使用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为2.68%。结果表明,主成分分析和神经网络相结合的这种方法能够准确预测啤酒感官评价得分。     

基于高光谱图像技术的油炸薯片中羧甲基赖氨酸含量检测

为探究羧甲基赖氨酸[N^ε-(1-carboxymethyl)-L-lysine,CML]含量的快速无损检测方法,该文采用高光谱图像技术对8种自制油炸薯片进行检测研究,提取每个高光谱图像的平均光谱值作为特征参量,同时结合液相色谱-质谱法测定CML含量,探寻预测其含量最适宜的光谱预处理和建模方法。首先将高光谱图像进行黑白校正,再选用标准正态变量变换光谱预处理方法,以消除固体颗粒、散射以及光程变化对光谱的影响。然后筛选出第200个到1 000个波段图像的平均光谱反射值,建立主成分回归、偏最小二乘回归和BP神经网络3种预测模型。对比结果表明：BP神经网络可以预测油炸薯片中CML含量,预测正确率为99.67%,决定系数为0.99,均方根误差为0.22。同时,为验证模型的稳健性,随机选取5组训练集和预测集代入相同参数的模型进行预测。结果显示：预测正确率平均值为96.23%,决定系数平均值为0.99,均方根误差平均值为0.22。这说明高光谱图像技术结合BP神经网络快速预测油炸薯片中CML含量具有可行性。     

太赫兹时域光谱识别4种食用油真实性的研究

采用太赫兹时域光谱系统(THz-TDS),研究了4种食用油(黑芝麻油、芝麻油、小磨香油和花生油)在0.2~1.6 THz波段的延时特性和折射率特性。使用主成分分析法(PCA),根据累计贡献率的大小提取光谱的特征数据。提取了4个主成分(累计贡献率大于95%)作为一个支持向量机(SVM)模型的输入用于识别食用油的种类。结果表明:结合主成分分析法,通过选择合适的支持向量机核函数及其参数,食用油种类识别的正确率可达到93%;通过与主成分回归(PCR)、偏最小二乘回归(PLS)和后向(BP)神经网络方法的比较,支持向量机结合主成分分析(PCA-SVM)方法具有更突出的分类性能,同时也说明了采用太赫兹时域光谱,结合化学计量学方法精准鉴别食用油种类的可行性。     

应用近红外技术快速鉴别原料肉注水的研究

提出一种用近红外光谱技术快速鉴别原料肉和注水肉的新方法。首先以原料肉和注水肉为原料,利用近红外光谱仪测定其漫反射光谱曲线,然后选取二阶导数+25点平滑方法进行预处理,再应用主成分分析结合人工神经网络技术对其进行判别分析。结果表明,前5个主成分的累计贡献率已达99.626%,以前5个主成分作为人工神经网络的输入,对应的肉种类(原料肉与注水肉)作为输出,建立了一个三层BP神经网络模型,模型对建模集109个样本的鉴别率为91.74%,对预测集30个样本的鉴别率为90%。说明利用近红外光谱分析技术对原料肉注水进行快速鉴别是可行的。     

基于PCA-1DCNN的近红外光谱粮食作物主要成分检测方法

针对传统的近红外光谱定量技术难以选择合适的光谱预处理方法且模型预测精度低的问题,以3个谷物数据集的近红外光谱数据集为研究对象,构建了基于主成分分析光谱筛选算法的一维卷积神经网络模型。与传统的偏最小二乘回归和支持向量机模型的性能做了对比后,一维卷积神经网络构建的模型性能均为最优。其中在对玉米数据集的水分、油脂、蛋白质、淀粉的定量建模中,模型的决定系数分别为99.09%、98.15%、98.89%、99.60%;在对grain数据集的定量建模中,四种成分模型的决定系数分别为100%、100%、100%、99.99%;在对小麦数据集的定量建模中,小麦蛋白质模型的决定系数为99.80%。为了验证主成分分析光谱筛选算法对粮食作物主要成分定量回归模型的有效性,在3个光谱数据集上去除了主成分分析算法进行消融实验。研究结果表明：基于主成分分析算法与一维卷积神经网络的回归建模方法为粮食作物成分含量的检测提供一种快速无损精确的判定方式,研究结果对于粮食作物成分的含量检测具有促进作用。     

应用近红外光谱分析判别芝麻油掺伪的研究

研究了应用近红外光谱分析技术快速、准确判别芝麻油有无掺伪的方法。主要利用近红外光谱和主成分分析结合BP人工神经网络法进行了纯芝麻油、纯大豆油、掺有大豆油的掺伪芝麻油的判别研究。试验结果表明,利用BP人工神经网络法将83个校正集样品的10个主成分数据作为BP网络输入变量,建立的三层BP人工神经网络判别模型对26个测试集样品的判别率为96.15%,表明近红外光谱分析方法对纯芝麻油、纯大豆油、掺伪芝麻油具有很好的判别分类作用,该方法能有效判别芝麻油有无掺伪大豆油。     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

基于图像处理和神经网络的小麦不完善粒识别方法研究

为了实现图像处理技术对小麦不完善粒的准确快速识别,研究了一种基于小麦不完善粒图像特征和BP神经网络的不完善粒识别方法。采集小麦不完善粒图像,对图像进行中值滤波、形态学运算、图像分割等处理后,针对每个小麦籽粒,提取其形态、颜色和纹理共3大类54个特征参数,采用主成分分析法提取8个主成分得分向量作为模式识别的输入,建立BP神经网络模型,实现对小麦不完善粒的检测识别。结果表明,该模型对完善粒、破损粒、病斑粒、生芽粒和虫蚀粒的判别正确率分别为93%、98%、100%、90%和85%,平均判别正确率达到93%,可有效对小麦不完善粒进行检测识别。     

BP 神经网络在大豆油酸价近红外光谱检测中的应用

对于大豆四级油,采用BP 神经网络对其近红外光谱数据建模,对系统的结构及参数选取进行了分析,对样本训练集的设计和网络输入端的主因子方面进行了处理。对于其他的多变量建模方法,分析了其对近红外光谱有用信息的提取作用。结果显示：多元线性回归、主成分回归和偏最小二乘法对大豆四级油酸价预测的标准偏差分别为0.1472%、0.1801% 和0.1576%,BP 神经网络的预测标准偏差为0.1387%。     

利用近红外光谱和偏最小二乘回归法预测脂肪酸组成

采集了30种植物油样品在10000~55 00 cm-1范围内的近红外透射光谱,将所有样品作为校正集,随机抽取10种样品作为预测集,以气相色谱方法测得植物油中主要成分油酸、亚油酸、棕榈酸、硬脂酸的含量为参考值,应用偏最小二乘回归法建立了基于近红外光谱的测定植物油主要成分含量的校正模型。四种成分校正模型的交叉验证误差均方根为0.281 1%~1.496 4%,预测误差均方根为1.080 8%~18.063 0%,校正集的预测值与实测值的相关系数均大于0.99,预测集中除了棕榈酸的预测值与实测值的相关系数为0.817 9,其余均大于0.9。     

基于主成分分析、遗传算法和神经网络对啤酒感官评价预测的研究

使用主成分分析、遗传算法和神经网络建立啤酒感官评价模型并预测.该模型先将啤酒中23个理化及风味指标进行主成分分析,再将主成分得分作为输入数据,感官评价得分作为输出数据,使用BP神经网络建立预测模型,并采用遗传算法优化神经网络的权值.用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为16.08%.经过对感官评价的分析,最大相对误差小于20%认为可信.结果表明,该方法能有效地预测啤酒感官评价.     

基于傅里叶变换近红外和支持向量机的霉变玉米检测

利用傅里叶变换近红外光谱对霉变玉米进行检测。运用波数范围在12 000~4 000 cm-1的FTNIR系统进行不同霉变程度样品光谱信息的采集,并利用支持向量机(Support Vector Machine,SVM)进行数据分析。结果显示,利用原光谱数据,以主成分分析(PCA)提取的前5个主成分作为输入,选用径向基函数(RBF)作为SVM核函数,并运用网格划分寻优法寻得的最优参数C、γ,所建立的分类模型最佳。SVM分类模型对训练集和测试集的预测准确率分别达到93.3%和91.7%,对独立样品集的预测准确率达到87.8%,表明基于FT-NIR和SVM进行霉变玉米的检测是可行的。     

基于多源感知信息融合的牛肉新鲜度分级检测

利用机器视觉和近红外光谱的多源感知信息融合技术评判牛肉新鲜度,并开发了相关的识别系统。以牛后腿肉为研究对象,对获取的图像特征信息和光谱特征信息,采用BP神经网络建立牛肉新鲜度分级模型。其中,通过主成分分析提取相应的主成分因子作为建模输入,根据挥发性盐基氮含量划分新鲜度等级作为模型输出。结果发现,在图像特征信息因子数为6、光谱信息主成分因子数为6时,建立的模型预测识别率可达98.31%。结果表明,基于机器视觉和近红外光谱技术的多源感知信息融合技术评判牛肉新鲜度的方法可行。     

傅立叶变换红外光谱鉴别“地沟油”的有效性评估

收集食用植物成品油、食用植物原油、餐厨废弃油脂和煎炸废弃油脂共137份,并制备精炼"地沟油"17份,采集各类油脂样品的傅立叶变换中红外吸收光谱,通过比较分析各类样品在1711 cm-1附近吸收峰的形状差异及1711 cm-1和1745 cm-1两处吸收峰的峰高比值的差异,分析造成差异的原因,评估此处吸收峰对鉴别"地沟油"与食用植物油的有效性。结果表明,油脂FTIR在1711 cm-1的吸收峰,或者1711~1745 cm-1处的双峰并非"地沟油"的特征吸收峰形状,而与油脂的酸价有着密切的关系,其强度大小主要取决于油脂样品酸价的高低。当通过"精炼"或"勾兑"的方法降低"地沟油"及其勾兑产品的酸价后,它们在1711~1745 cm-1处的双峰形状也就随之消失。因此,基于FT-IR的上述吸收峰及其形状还不能有效鉴别"地沟油"与食用植物油。     

傅立叶变换红外光谱鉴别“地沟油”的有效性评估

收集食用植物成品油、食用植物原油、餐厨废弃油脂和煎炸废弃油脂共137份,并制备精炼“地沟油”17份,采集各类油脂样品的傅立叶变换中红外吸收光谱,通过比较分析各类样品在1711 cm-1附近吸收峰的形状差异及1711 cm-1和1745 cm-1两处吸收峰的峰高比值的差异,分析造成差异的原因,评估此处吸收峰对鉴别“地沟油”与食用植物油的有效性。结果表明,油脂FTIR在1711 cm-1的吸收峰,或者1711~1745 cm-1处的双峰并非“地沟油”的特征吸收峰形状,而与油脂的酸价有着密切的关系,其强度大小主要取决于油脂样品酸价的高低。当通过“精炼”或“勾兑”的方法降低“地沟油”及其勾兑产品的酸价后,它们在1711~1745 cm-1处的双峰形状也就随之消失。因此,基于FT-IR的上述吸收峰及其形状还不能有效鉴别“地沟油”与食用植物油。