高光谱图像技术检测大曲发酵过程中的水分含量

固态酿造中水分含量是检测大曲不同发酵阶段的关键因素,为快速定量检测发酵过程中水分含量及分布情况,通过高光谱成像技术建立BP神经网络(back propagation neural network, BPNN)数据模型,实现曲块发酵水分含量快速检测。根据所采集大曲发酵高光谱数据,应用主成分分析和实验分析对比提取大曲发酵过程中水分特征光谱所对应的PC1、PC2、PC3、1 200、1 450 nm波段图像;通过图像灰度共生矩阵算法提取水分纹理特征;根据所提取图像纹理特征对曲块发酵水分含量运用偏最小二乘回归、BPNN、支持向量机回归等进行建模预测对比,选择最佳预测模型。结果表明,利用BPNN与1 450 nm特征波段光谱图像纹理特征对水含量建模预测的效果最佳,其训练集决定系数(R~2)和均方根误差(root mean square error, RMSE)分别为0.826 9和0.033 5,预测集R~2和RMSE分别为0.848 4和0.028 7。研究表明,利用高光谱特征光谱所对应图像纹理信息能够对水分含量进行关联预测,为实现对大曲发酵过程水分含量检测提供理论依据。     

基于高光谱成像技术的大曲酸度值预测及其可视化

酸度值是大曲质量评价的重要指标,提出了一种基于高光谱成像技术快速检测大曲发酵过程中酸度值的方法。通过采集大曲高光谱图像并提取感兴趣区域(region of interest,ROI)的平均光谱,采用多元散射校正(multiplicative scatter correction,MSC)、标准正态变量校正(standard normal variable correction,SNV)和S-G卷积平滑后一阶导(savitzky-golay smoothing first derivative,SGFD)3种预处理方法,再通过连续投影算法(successive projection algorithm,SPA)选取最优的特征波长,分别建立偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)预测模型,结果显示,基于SPA从SNV预处理光谱中筛选的8个最优特征波长建立的LS-SVM模型预测大曲酸度值效果最好,其中预测集决定系数(determin...     

霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1含量电子鼻检测模型的构建

为建立霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1的电子鼻检测方法,首先以电子鼻对7 级不同霉变程度玉米响应信号的积分值作为特征参量,然后分别利用主成分回归、偏最小二乘回归、BP（back-propagation）神经网络、最小二乘支持向量机等方法建立霉变玉米中玉米赤霉烯酮与黄曲霉毒素B1含量的预测模型,并进行了比较分析。结果表明,主成分回归预测精度最差,偏最小二乘回归较差、BP神经网络和最小二乘支持向量机法比较好。对于玉米赤霉烯酮,4 种预测模型70 个样本中相对误差控制在5%以内的样本数分别为23、45、63、67 个。对于黄曲霉毒素B1,4 种预测模型70 个样本中相对误差控制在5%以内的样本数分别为19、41、62、65 个。同时,变换不同的训练集和测试集以考察BP神经网络、最小二乘支持向量机建模方法的稳健性,结果表明,在BP神经网络结构和最小二乘支持向量机核函数与核函数参数均未发生改变的条件下,两种建模方法依然有较高的预测精度,这说明了两种模型具有较高的稳健性。     

基于内在品质参数的乌龙茶等级判别模型建立

茶叶等级评价是检测茶叶品质的重要技术手段,科学建立茶叶等级评价模型具有重要意义。本文以102个乌龙茶为研究对象,采用多种特征值筛选方法结合支持向量机算法建立基于特征内在品质参数的乌龙茶等级评价模型。同时,采用高光谱技术结合化学计量学,对特征品质参数建立基于特征波长的粒子群算法优化反向误差神经网络神经网络（PSO-BP）和麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）的定量预测模型,最后对定量预测的化学值模型验证。结果表明,当参数组合酯型儿茶素、简单儿茶素、茶多酚、水浸出物、咖啡碱、表没食子儿茶素没食子酸酯（EGCG）六种化学值时的乌龙茶等级模型判别准确率最高,训练集的准确率为97.22%,预测集准确率为93.33%。基于特征波长的麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）定量预测模型的预测精度更高且均方根误差更低,预测集的决定系数R2均在0.93～0.99之间。随机抽取30个乌龙茶样本六种化学值的最佳预测值,其判别准确率达90%。综上所述,基于内在品质参数组合对不同等级的乌龙茶准确判别是可行的,且基于高光谱技术的预测模型可以快速精准的获得其化学值大小,预测的化学...     

基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测

针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。     

霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1含量电子鼻检测模型的构建

为建立霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1的电子鼻检测方法,首先以电子鼻对7级不同霉变程度玉米响应信号的积分值作为特征参量,然后分别利用主成分回归、偏最小二乘回归、BP(back-propagation)神经网络、最小二乘支持向量机等方法建立霉变玉米中玉米赤霉烯酮与黄曲霉毒素B_1含量的预测模型,并进行了比较分析。结果表明,主成分回归预测精度最差,偏最小二乘回归较差、BP神经网络和最小二乘支持向量机法比较好。对于玉米赤霉烯酮,4种预测模型70个样本中相对误差控制在5%以内的样本数分别为23、45、63、67个。对于黄曲霉毒素B1,4种预测模型70个样本中相对误差控制在5%以内的样本数分别为19、41、62、65个。同时,变换不同的训练集和测试集以考察BP神经网络、最小二乘支持向量机建模方法的稳健性,结果表明,在BP神经网络结构和最小二乘支持向量机核函数与核函数参数均未发生改变的条件下,两种建模方法依然有较高的预测精度,这说明了两种模型具有较高的稳健性。     

基于神经网络的生鲜水产品货架期预测模型的构建及应用

为建立一种能够同时适用于多种新鲜水产品货架期的预测模型,采用反向传播(BP)神经网络模型、遗传算法(GA)优化的BP神经网络模型(GA-BP)、径向基函数(RBF)神经网络模型、极限学习机(ELM)神经网络模型和支持向量回归机(SVR)模型分别对金枪鱼、三文鱼、大菱鲆和鲷鱼的货架期进行预测,寻找最优的模型预测结果。首先通过试验获得4种水产品在0,4,10 ℃贮藏条件下的感官评分、菌落总数、挥发性盐基氮值、K值、pH值,构建训练样本和测试样本。经相关性分析,选择与水产品货架期相关性较高的感官评分、菌落总数、挥发性盐基氮值、K值作为模型的输入层单元,然后确定各模型的网络拓扑结构以及参数,进行模型的训练,最后使用训练好的5种模型对测试样本的货架期进行预测。结果表明:5种预测模型的预测精度排序为:SVR模型>RBF神经网络模型>GA-BP神经网络模型>ELM神经网络模型>BP神经网络模型,其中BP神经网络模型的预测精度最差,均方误差(MSE)为9.5127×10-4,平均绝对误差(MAE)为0.0197,平均绝对百分比误差(MAPE)为0.0825,R2为0.9766;SVR模型的预测精度最优,预测误差均在12%以内,MSE为2.2971×10-4,MAE为0.0128,MAPE为0.0631,R2为0.9944,能够很好地同时预测4种水产品在不同储藏温度下的货架期。本研究为水产品的品质控制提供一定的理论基础。     

基于GWO-SVR模型的全国棉花产量预测技术研究

准确预测棉花产量关系到国计民生。使用支持向量回归（SVR,Support Vector Regression）技术对棉花产量进行精准预测。引入灰狼优化算法（GWO,Grey Wolf Optimization）来优化SVR的两个超参数C和g,在此基础上提出了基于GWO的支持向量回归算法模型（GWO-SVR预测模型）,并以我国2003—2021年棉花产量、棉花播种面积、有效灌溉面积、农药化肥折纯量、农业机械总动力、农村用电量为数据集,将模型应用于我国棉花产量预测。试验结果表明,基于GWOSVR的棉花产量预测模型的预测误差最小,预测精度最高,证明了模型在实际应用中具有良好的价值,以期对我国棉花产量及其类似作物产量估算、棉田经营管理、农业决策制定提供参考。     

应用近红外光谱技术对植物油酸值预测的研究

利用近红外光谱技术结合支持向量机对植物油脂酸值含量进行回归预测。收集大豆油、花生油等油样共37份,应用激光近红外光谱仪对油样进行光谱采集,采用标准正态变量变化、多元散射校正和正交信号校正3种不同方法进行预处理。运用网格搜索法进行参数寻优,寻找最佳参数组合(C,g),建立支持向量机回归模型进行定量预测。研究表明,经过SNV、MSC和OSC预处理数据建立的模型的惩罚因子C均只有1,大大降低了模型出现过拟合现象的概率,提高了模型的泛化能力、稳健性和预测能力;预处理方法MSC和SNV建立的SVR模型校正集相关系数R较高,均达到99%;OSC建立的SVR模型具有最佳的预测性能,预测相关系数R达到93%以上;采用激光近红外光谱技术预测植物油脂酸值含量的方法是可靠的,为实现植物油脂酸值的快速检测提供了重要的依据。     

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.     

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。     

基于高光谱技术的红茶茶多酚可视化研究

目的 利用高光谱技术实现对英红九号红茶茶多酚含量的快速无损、可视化检测。方法 采集128个红茶光谱数据并进行光谱预处理后,引入蒙特卡罗-高斯分布方法寻找异常样本。经两次异常样本剔除,各模型预测集决定系数r²均有0.2～0.4的大幅提升。为解决大样本模型训练时间长、数据冗余问题,采用连续投影算法进行波长筛选,共得到14个能反映红茶茶多酚含量的特征波长,并比较了最小二乘回归、支持向量机回归、BP神经网路、粒子群优化最小二乘支持向量机回归(particle swarm optimization least squares support vector regression, PSO-LSSVR) 4种模型预测红茶茶多酚含量的精度。最后以最优模型建立茶多酚可视化模型。结果 合理剔除样本并以光谱特征为输入,结合PSO-LSSVR方法建立的模型效果最佳,其校正集决定系数为0.921,预测集决定系数为0.903,预测精度达到了90%以上,基本实现了茶多酚含量可视化检测。结论 可视化算法有效地反映了红茶茶多酚分布情况,适用于茶叶快速无损检测。     

基于介电频谱的灵武长枣品质参数的预测模型

为寻找预测灵武长枣品质的最优模型,以长枣的介电损耗因子?"和介电常数?’频谱进行内部品质参数(可溶性固形物、可滴定酸含量和含水率)的建模研究。通过遗传算法(genetic algorithm,GA)和相关系数(correlation coefficients,CC)法提取了介电谱的有效信息;采用偏最小二乘(partial least squares,PLS)、主成分回归(principal components regression,PCR)和支持向量机(support vector machine,SVM)法建立了品质参数的预测模型;以决定系数(R~2)、校正标准偏差和预测标准偏差等模型评价方法确定了品质参数的最优预测模型。结果表明:基于介电损耗因子?"建立的可溶性固形物含量、可滴定酸含量和含水率的最佳预测模型分别为GA-PCR、GA-PLS和GA-PLS,且R~2均达到0.9以上;基于介电常数?’建立的可溶性固形物含量、可滴定酸含量和含水率的最佳预测模型分别为CC-PLS、GA-SVM和GA-PLS,R~2达到0.8以上,且验证效果较好。本研究为利用介电频谱快速预测长枣品质提供了可靠的方法。     

不同品温大曲及其曲房空气的细菌群落变化规律和相关性

采用高通量测序技术对中温和高温大曲及其曲房空气细菌群落结构进行研究,同时结合环境因素和大曲细菌群落组成,初步验证环境因素对大曲微生物群落的相关性.高通量测序结果表明:从中温大曲及空气得到33细菌属,其细菌种类数与发酵温度变化呈相反趋势;从高温大曲及空气得到31个细菌属,其细菌种类数在整个发酵过程呈减少趋势;主成分分析发...     

Simultaneous Measurement of Titratable Acidity and Fermentation Index in Cocoa Beans by Electronic Tongue Together with Linear and Non-linear Multivariate Technique

Titratable acidity (TA) and fermentation index (FI) are important quality indicators of cocoa beans. This paper attempted the simultaneous analysis of these indicators by electronic tongue (ET) and two multivariate calibrations. ET was used for data acquisition, while partial least squares (PLSs) and principal component support vector machine regression (PC-SVMR) were used to build the calibration models. Some parameters were optimized simultaneously by leave-one-out cross-validation (LOOCV) in calibrating the model. The performance of the model was tested according to root mean square error of prediction (RMSEP) and correlation coefficient (R _pre) in the prediction set. The results revealed that PC-SVMR model was superior to PLS model in this work. The optimal PC-SVMR model for TA was R _pre?=?0.960 and RMSEP?=?0.0077, while for FI, this was R _pre?=?0.954 and RMSEP?=?0.058. This study demonstrated that ET together with SVMR could be used to analyze titratable acidity and fermentation index in cocoa beans for quality control purposes.     

基于拉曼光谱技术的掺鸡肉牛肉馅快速判别方法

利用拉曼光谱技术结合化学计量学方法对掺入鸡肉的掺假牛肉馅进行快速判别。选取89 个样本,采集样 本的拉曼光谱,对原始光谱进行卷积平滑预处理,采用主成分分析法进行聚类分析,并利用支持向量回归建立模 型。结果表明：掺假牛肉馅样本校正模型的决定系数R2 c为0.999 4,均方根误差（root mean sruare error,RMSE）为 0.230 0;交互验证决定系数R2 cv为0.999 3,RMSE为0.298 0;预测模型的决定系数R2 p为0.971 6,RMSE为0.236 0。因 此,利用拉曼光谱技术结合化学计量学方法对掺鸡肉的牛肉馅进行快速判别是可行的。     

二维相关光谱的鲜核桃青皮含水率检测

青皮含水率是衡量鲜食核桃新鲜度的重要指标,研究基于可见/近红外光谱技术进行鲜核桃的二维相关光谱分析,以实现青皮含水率的检测.利用4种预处理方法进行光谱数据预处理,经MSC预处理后所建模型的预测结果最好,预测集的决定系数(Rp2)和均方根误差(RMSEP)分别为0.9244和1.23％.在此基础上,进行不同时间下鲜核桃的...     

大曲蛋白酶对固态酿酒发酵的影响

在传统浓香型固态酿酒工艺的基础上,采用响应面法对影响酿酒出酒率的关键响应因子进行了研究和探讨。用统计学方法建立了出酒率与糟醅酸度、糟醅水分、大曲蛋白酶活力组成的二次多项式数学模型,并通过分析模型方程和响应曲面得到本试验方案固态酿酒最佳条件,即糟醅酸度为1.9度,糟醅水分含量为53%,大曲蛋白酶活力为14 U/g。在此最佳条件下,出酒率达到47.3%。     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

拉曼光谱快速监测荔枝酒发酵过程酒精度的研究

酒精度是荔枝酒发酵过程及成品酒质量控制的关键因素，该研究使用拉曼光谱仪快速采集样本信号，并对拉曼光谱数据进行2阶导预处理后，分别采用偏最小二乘法（PLS）和向量角偏最小二乘法（VAPLS）建模，同时对模型效果进行对比分析。结果表明，VAPLS酒精度预测模型效果最好，该模型预测值与真实值的相关系数（R2）为0.993 1，均方根误差（RMSE）为0.285 6，验证集预测相对误差为-5.0%～1.6%，优于PLS建模方法。所建分析方法简便快速，能满足生产中荔枝酒酒精度的快速检测精度要求，并可以拓展实现酒类发酵过程中多个性能指标的同时分析。