近红外光谱技术快速鉴别原料肉掺假的可行性研究

探讨利用近红外光谱技术结合Fisher两类判别法以及多层感知器(multilayer perceptron,MLP)神经网络快速无损鉴别原料肉是否掺假,并建立多种掺假肉的分类识别模型的可行性.首先近红外结合主成分与Fisher两类判别,建立原料肉与掺假肉的判别函数,以原料肉与注水肉两类样木的平均重心即两类样木的加权平均...     

基于近红外光谱技术的纸浆原料快速分类

针对传统纸浆纤维种类鉴别费时、费力等问题,提出近红外光谱分析法。将常用造纸原料制浆并抄片为成品纸,测量各样品在10000～4000cm-1区段范围内的近红外光谱,谱图信号经滤波和一阶微分预处理后提取主成分,用于聚类分析。结果表明：近红外光谱技术结合聚类分析能对样品正确、快速分类,可以为快速无损鉴别纸浆种类提供一种准确可靠的方法。     

基于近红外光谱技术的大麻哈鱼品种快速鉴别研究

为了进行鱼品种快速鉴别,以2种大麻哈鱼57个样品为研究对象,分别进行绞碎和切块预处理,然后采用近红外光谱技术结合聚类分析(CA)和主成分分析(PCA)方法进行研究。结果表明,近红外漫反射光谱结合聚类分析和主成分分析方法均可以为快速无损鉴别鱼品种提供准确可靠的方法,在本试验范围内的准确率能达到100%。该方法为鱼品种的快速鉴别提供了依据。     

近红外光谱法用于橄榄油的快速无损鉴别

通过近红外光谱仪采集各种食用油与掺杂的初榨橄榄油的数据,运用聚类分析法对各种食用油进行聚类分析,结合主成分分析法对橄榄油的掺杂与否进行定性判别。结果表明,聚类分析和主成分分析法都有很好的定性鉴别能力,主成分分析法的鉴别模型预测未知样本的正确率达到100%。该方法快速、无损、简便,为橄榄油掺杂的定性鉴别提供了一种新的选择。     

近红外光谱技术对猪肉注水、注胶的快速检测

采用近红外光谱（near infrared spectroscopy,NIR）结合主成分分析（principal component analysis,PCA） 和判别分析法建立了注水肉、注胶肉和正常肉的定性判别模型。注水肉中注水量的多少对判别准确率产生影响, 当注水量为1.25%～20%时,3 种肉的总体判别准确率为94.23%;当注水量为3.75%～20%时,判别准确率提高至 96.96%。模型对所有预测集样品的总体判别准确率为94.92%。表明NIR结合PCA法、判别分析法判别注水肉、注胶 肉和正常肉具有可行性。采用偏最小二乘法（partial least squares,PLS）结合PCA分别建立了注水量和注胶量的定 量分析模型,经验证,两种模型对预测集样品的预测均方差分别为4.01%和3.87%,预测值与实测值间的相关系数 （r）分别为0.904 2和0.912 8。表明两种模型的预测性能良好。     

广域照射拉曼光谱技术结合簇类独立软模式法快速鉴别原料肉及掺假肉

应用广域照射（wide area illumination,WAI）拉曼光谱技术与簇类独立软模式（soft independent modeling of class analogy,SIMCA）法,结合多元散射校正（multiplicative scatter correction,MSC）和光谱仪降噪和波长标定（spectrometer noise reduction and wavelength calibration,SNRWC）降噪技术,建立鸭、羊、猪3 种原料肉及掺假羊肉的定性识别模型。结果表明：经MSC与SNRWC处理后,鸭、羊、猪3 种原料肉之间及羊肉、掺假羊肉之间的主成分分析结果具有明显的聚类趋势,在此基础上建立SIMCA定性分类模型,对不同产地的37 个原料肉样品种属进行定性鉴别,识别正确率达100%;对4 个掺假羊肉和5 个未掺假羊肉样品识别正确率也为100%。因此,拉曼光谱分析技术结合有效的数据前处理方法及化学计量学方法可对鸭、羊、猪原料肉种属及掺假羊肉进行鉴别。与常规方法相比,该检测过程快速、方便,并且无需样品前处理。     

低场核磁共振技术快速鉴别注水注胶肉的化学计量学研究

目的 利用化学计量学方法结合低场核磁共振对注水或注胶猪肉的快速鉴别进行研究。方法 首先利用低场核磁共振测定获得的17个变量进行提取主成分,并对获得的4个主成分进行判别研究模型。利用低场核磁共振技术的17个原始变量作为输入,原料肉与注水注胶肉的种类作为输出,采用不同建模参数,通过多次计算,建立了一个结构为17-6-3的三层MLP神经网络识别模型。结果 判别研究模型中对照组、注水组和注胶组交叉验证判别正确率分别为60/60、91/95、359/384,总的正确判别率达到94.6％;神经网络识别模型对检验集179个样本总的正确识别率达到97.8％。结论 利用低场核磁共振技术结合判别研究模型和神经网络识别模型可以有效分辨注水注胶肉,该方法具有简单、快速的优点,可以用于注水注胶肉的快速检测。     

近红外光谱法快速鉴别花生油真伪及掺伪成分

为实现对掺伪花生油的快速鉴别, 本文对花生油样品的原始光谱先后经过小波变换、特征谱区的选择、一阶导数加上矢量归一化预处理、剔除异常样品等方法处理后, 采用主成分分析法对预处理后的光谱数据进行聚类分析.结果表明, 该方法对花生油的真伪鉴别准确率达到了100%, 而且能对伪品花生油掺伪量及掺伪量大于20%时使用的掺伪植物油种类做出鉴别.说明利用近红外光谱技术结合小波变换和模式识别技术可快速、准确地鉴别花生油的真伪及掺伪成分.     

基于近红外光谱技术和优化预处理方法的豆浆粉无损鉴别研究

基于近红外光谱技术结合不同优化预处理方法建立不同品牌与简单研磨豆浆粉的无损鉴别方法。首先对简单研磨豆浆粉、国产品牌、国外品牌3类共132个样品进行近红外光谱采集,对比分析其近红外原始光谱图,随即结合不同预处理方法考察其对原始光谱的优化结果,最后结合主成分分析方法对简单研磨豆浆粉以及国内外不同品牌豆浆粉进行鉴别分析,筛选出最佳的优化预处理,并建立有效可靠的豆浆粉近红外鉴别模型。结果表明:原始光谱存在着明显的背景干扰和基线漂移现象,多种预处理均在一定程度上有效消除基线漂移;一阶导数、连续小波变换、多元散射校正、标准正态变量变换及其优化组合预处理的使用,实现了进口、简单研磨、国产3类豆浆粉样品的有效鉴别,但无法实现国产品牌之间的有效鉴别。二阶导数预处理的聚类分析结果则最终实现了所有品牌之间的完美区分,品牌间的鉴别成功率可达到100%。在豆浆粉的近红外快速无损鉴别当中最优光谱预处理方法为二阶导数预处理。     

基于近红外光谱技术的鲢鱼营养成分的快速分析

目的通过采集鲢鱼的近红外光谱数据和测定鱼肉营养成分含量探索鲢鱼营养成分的快速分析方法。方法采集254个鲢鱼鱼肉样品的近红外光谱数据,经过多元散射校正、正交信号校正、数据标准化等20种方法预处理,在1000~1799 nm光谱范围内,结合化学实测值分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立鲢鱼营养成分近红外定量模型。结果鲢鱼鱼肉粗蛋白含量为12.05%~19.05%,粗脂肪含量为0.24%~5.27%,水分含量为72.62%~80.58%,灰分含量为0.46%~1.50%,数据范围较大,可满足建模要求。在3种建模方法中,近红外光谱数据结合偏最小二乘法建立的鲢鱼营养成分模型最优,所得的粗蛋白、粗脂肪、水分和灰分的近红外定量模型的相关系数分别为0.9969、0.9925、0.9831和0.9976。结论采用近红外光谱数据和偏最小二乘法建立的模型具有较好的预测能力,能较为准确、快速地分析出鲢鱼鱼肉粗蛋白、粗脂肪、水分和灰分的含量。     

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...     

Identification of Repeatedly Frozen Meat Based on Near-Infrared Spectroscopy Combined with Self-Organizing Competitive Neural Networks

A rapid, effective method of identifying repeatedly frozen meat by near-infrared spectroscopy (NIRS) combined with a self-organizing competitive neural network (SCNN) model was established. A total of 180 samples were adopted, including hot, cold, frozen, and repeatedly frozen meats. We compared the treatment effects of four pretreatment methods on the spectrogram samples, namely, multiplicative scatter correction (MSC), standard normal variables (SNV), first-order differential and second-order differential. The second differential pretreatment exerted the optimum effect. A total of 120 pork samples were randomly selected and used to establish a calibration model, and the remaining 60 samples were used for prediction. SCNN analysis revealed that classification performance was the highest when the learning number was 250. The recognition ratio of the 60 prediction collection was 93.3%, in which the recognition ratio of the repeatedly frozen meat was 100%. Thus, combined NIRS and SCNN can rapidly and accurately detect repeatedly frozen meat without destruction.     

基于近红外化学成分特征吸收光谱的野生台蘑鉴别模型研究

本文建出一种应用近红外光谱技术鉴别野生台蘑的新方法。使用FieldSpec3便携式近红外光谱仪对包括野生台蘑在内的13种蘑菇进行漫反射光谱采集。将采集的数据经小波去噪后,对可见与近红外光谱(350～2500nm)进行峰谷筛选,所得峰谷集经主成分分析降维,取方差贡献率大于99.9%的5个主成分作为BP神经网络的输入值,建立数学模型。该模型在偏差±0.05内,对未知样本正确识别率为100%。本结果表明利用近红外漫反射光谱可以很好地鉴别野生台蘑。     

Fast Discrimination of Apple Varieties Using Vis/NIR Spectroscopy

We evaluated the potential of visible/near-infrared (Vis/NIR) spectroscopy for its ability to nondestructively differentiate apple varieties. The apple varieties used in this research included, Fuji apples, Red Delicious apples, and Copefrut Royal Gala apples. The chemometrics procedures applied to the Vis/NIR data were principal component analysis (PCA), wavelet transform (WT), and artificial neural network (ANN). The apple varieties could be qualitatively discriminated in the PC1-PC2 space resulted from PCA. Wavelet transform was used as a tool for dimension reduction and noise removal, reducing spectral to wavelet components. Wavelet components were utilized as input for three-layer back propagation ANN model. WT-ANN model gave the highest level of correct classification (100%) of the apple varieties.     

基于近红外光谱法的鱼粉快速判别

基于近红外漫反射光谱分析技术对市场上常见的淡水鱼粉、进口鱼粉和国产鱼粉3 类商品化的鱼粉样品进行自动化判别实验。通过分析鱼粉样品光谱之间的差异,采用主成分分析法建立鱼粉种类的定性判别的分类模型,光谱范围为波长1 100～2 498 nm,交互定标决定系数为0.913 5,交互定标标准误差为0.133 8。通过对验证样品的分析,建立的判别模型预判准确率达到84.6%,外部验证准确率达到100%。结果表明,近红外光谱技术结合化学计量学法可以作为一种快速、无损、可靠的方法用于鱼粉种类的判别。     

基于主成分分析与近红外光谱技术的窖泥聚类研究

采用近红外光谱技术和主成分分析法相结合的检测手段,从60年、90年、200年窖龄的窖池和封窖泥中取样,每个窖池样本为12个,测量其近红外漫反射红外光谱,在4000～10000 cm-1区间选取不同范围内的光谱数据,对48个样本进行主成分分析,作二维线性投影图和三维线性投影图,比较了48个样品在红外光谱上的差异程度,发现基于傅里叶变换近红外光谱的主成分分析投影图能够较好地表征48个样品的类别关系,不同窖龄的样本在空间分布中能够得到较好的区分。结果表明,应用近红外漫反射光谱法能够鉴别窖泥的使用年份。作为一种窖泥质量检测手段,该方法具有一定的应用价值。     

近红外光谱协同BP神经网络的泰国茉莉香米掺伪含量快速鉴定

利用近红外光谱协同BP神经网络算法,对泰国茉莉香米及其掺伪样品的近红外光谱进行多元散射校正预处理,挑选出48个特征波长;以特征波长的吸光度为BP神经网络输入层神经元,以样品中泰国茉莉香米的含量为输出层神经元,获得BP神经网络算法的最优结构模型,即为单层隐含层、隐含层神经元数7、隐含层传递函数logsig、输出层传递函数...     

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。