近红外光谱技术在快速鉴别真伪小磨香油中的应用

为实现对掺伪小磨香油的快速鉴别,本文采集了小磨香油样品的近红外吸收光谱,经二阶导数+矢量归一化预处理,17点移动式平均平滑后,选择光谱范围为9 000 cm-1～4 500 cm-1,利用合格性测试和主成分分析法(PCA)建立了小磨香油的鉴别模型,并取样对该模型验证.结果表明:两种模式识别方法对于掺假量10%～90%的小磨香油的真伪识别率均为100%.因此认为,采用近红外光谱结合模式识别技术结合可快速、准确地鉴别小磨香油真伪.     

基于近红外光谱的纯花生油掺伪快速鉴别方法研究

针对目前国内缺乏快速鉴别花生油掺伪鉴别技术的现状,提出基于近红外光谱的纯花生油掺伪快速鉴别方法.实验分别配制了掺入大豆油、菜籽油、棕榈油和调和油的4类掺伪花生油样品共40个,纯花生油样品5个,采集样品近红外全谱,通过支持向量机技术建立纯花生油掺伪鉴别模型.结果表明,选取径向基函数为支持向量机核函数,通过网格搜索和k折校...     

拉曼光谱-聚类分析法快速鉴别掺伪花生油

目的建立快速鉴别掺伪花生油的拉曼光谱.聚类分析方法。方法以不同产地、不同品牌的多批次花生油、大豆油、玉米油、菜籽油、葵花籽油、精炼棕榈油、精炼棉籽油及精炼地沟油为样品,在780 nm和532 nm激光光源下,扫描和比较其普通、扩展及导数拉曼光谱的形态。结果在532 nm激光光源的扩展光谱及一阶导数光谱中,花生油与低价植物油及精炼地沟油光谱的信息量最大,样品间光谱形态的差异显著,谱峰得到有效分离。基于此全波段光谱信息和形态建立的多步聚类分析模型及鉴别程序对36份不同花生油、105份不同低价植物油、30份仿冒花生油和38份不同精炼地沟油的判别正确率均为100%,对180份5%及以上的掺假花生油的判别正确率达86%以上,对75份5%及以上的掺杂花生油的判别正确率为92%,对72份5%及以上的掺杂植物油的判别正确率达92%以上。样品测量时无需制备样品及消耗化学试剂,测量和分析一份样品仅耗时5 min左右。结论所建立的拉曼光谱.聚类分析模型既可准确鉴定花生油,还可准确鉴定各种类型的掺伪花生油,可实现对掺伪花生油的快速、无损和准确鉴别。     

基于近红外光谱的掺伪花生油鉴别模型优化

为实现掺伪花生油的快速鉴别,基于近红外光谱技术,利用偏最小二乘法(PLS法)建立掺伪花生油鉴别模型,并采用不同预处理方法进行模型优化。研究结果表明:利用PLS法建立的模型,对于花生油中掺入大豆油样品的鉴别,在漫反射方式下、采用二阶导数谱、Norris平滑方法、附加散射矫正光程方式、因子数为6时最为理想,其预测集相关系数为0.967 9;对于花生油中掺入菜籽油样品的鉴别,在漫反射方式下、采用二阶导数谱、S-G平滑方法、光程不矫正、因子数为5时最为理想,其预测集相关系数为0.994 8。该分析模型可以为花生油品质监控和快速定量鉴别掺伪提供参考。     

基于三维荧光光谱的花生油掺伪快速检测研究

建立一种基于三维荧光光谱的花生油掺伪检测方法。以纯花生油和掺伪4种常见植物油的花生油为研究对象,将三维荧光光谱图处理转化为灰度图,利用Zernike图像矩直接提取三维荧光光谱灰度图的特征信息,得到的特征信息数据通过Xgboost算法和广义回归神经网络（GRNN）算法分别建立定性和定量掺伪判别模型并对其进行验证。结果表明：Xgboost算法可以有效地对掺伪的花生油进行鉴别,并准确解析其掺伪具体成分;GRNN算法可定量预测花生油掺伪含量,各检出限分别为掺伪大豆油0.2%、掺伪菜籽油1.5%、掺伪玉米油1.0%、掺伪葵花籽油0.5%。因此,该方法可对花生油掺伪进行定性和定量分析,具有快速、简便、灵敏度高等优点。     

GC-MS在花生油中掺伪花生油香精的鉴别应用研究

采用气相色谱-质谱联用技术对花生油及花生油香精中挥发性成分进行分析,剔除共有成分后,对所获得数据采用SPSS统计软件进行分析,将花生油香精中69个特征挥发性成分分为两类。通过对掺伪不同比例花生油香精的花生油样品分析,归为第一类的14种特征物质能很好地区分掺伪花生油香精,其检出限低至0.01%(占花生油体积分数),可为鉴别花生油掺伪花生油香精和评价花生油的品质提供技术参考。     

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%。     

基于反射光谱的油茶籽油掺伪量快速测定及特征波长特性研究

为了探索紫外-可见-近红外反射光谱测定油茶籽油掺伪量的方法,按照不同掺伪比例制备了244个油茶籽油掺伪大豆油、菜籽油、花生油、玉米油的样本,以自主搭建的实验平台采集所制备样本在200～1 100 nm范围内的反射光谱。将原始光谱进行Savitzky-Golay(SG)-连续小波变换(CWT)预处理后,利用Kennard-Stone(K-S)算法以2∶1的比例将样本划分成校正集和预测集。采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、自主软收缩算法(BOSS)、迭代变量子集优化算法(IVSO)进行特征波长选择,分别建立基于支持向量机(SVM)、极限学习机(ELM)、随机森林(RF)的油茶籽油掺伪量快速预测模型,同时对特征波长的特性进行了研究。结果表明：原始光谱经过SG-CWT(L5)预处理和BOSS特征波长筛选后,建立的基于SVM的油茶籽油掺伪量快速预测模型能够鉴别掺伪量为1%及以上的油茶籽油,该模型在十折交叉验证和网格搜索法下得到最佳惩罚因子(c)和核函数(γ)分别为5.278 0和0.108 8,其预测决定系数(R_P²)、预...     

芝麻油真伪快速检测方法研究

为了实现对掺假芝麻油的快速鉴别,将豆油、花生油、棉籽油和菜籽油分别与同一种纯正芝麻油按体积分数0.5％ ～ 100％的比例混合,在3 200 ～ 10000cm-1光谱范围内采集了掺假芝麻油样品的近红外吸收光谱.通过特征谱区的选择、光谱预处理方法的优化,采用聚类分析和主成分分析法(PCA)分别建立了芝麻油的鉴别模型.结果表明:4种掺假油品有不同的较优光谱处理范围;两种模式识别方法对于掺假量5％～100％的芝麻油真伪识别率达到100％;而掺假量在5％以下时,两种方法都失去鉴别能力,说明近红外光谱分析技术在检测掺假芝麻油时的最低掺假下限为5％.综上,近红外光谱结合模式识别技术在掺假量大于5％时,可快速、准确地鉴别真伪芝麻油.     

微波辅助衍生GC-MS测定校正变换矩阵法应用于食用植物油的识别

建立了微波衍生化GC-MS测定植物油中的脂肪酸含量,然后使用校正变换矩阵法对食用植物油的成分进行测定的方法.对微波衍生化的实验条件进行了优化,利用建立的校正模型对40个花生油、菜籽油、芝麻油、棉籽油、棕榈油的二元、三元、四元、五元人工合成样品进行了计算预测,所有样品的平均预测误差都小于5%.对8个实际样品进行了测定,其中有3个掺伪样品,所测食用调和油的结果与标签标示结果相符性较好.此方法可用于快速、准确地测定食用油中各成分含量或定性、定量鉴别掺伪成分.     

基于高光谱成像技术与BO-XGBoost的花生含水率无损检测研究

含水率影响着花生的质量、储藏时长与出油率。本研究针对当前花生含水率测量效率低、有损检测、无法适应大规模检测等问题,探索基于高光谱成像技术的花生含水率无损快速检测方法。测量并建立了300份不同种类花生的高光谱原始图像及光谱数据集,并利用小波变换、多元散射校正(MSC)和一阶导数对数据进行预处理,结合PLS、XGBoost、BO-XGBoost算法建立花生含水量无损检测模型。通过实验对比得出,利用小波变换对原始光谱数据进行预处理后的光谱数据建立的BO-XGBoost模型最优,预测模型决定系数R²=0.953 9,均方根误差RMSE=0.806 5。实验表明,高光谱成像技术结合BO-XGBoost能够对花生含水率进行快速、准确、无损检测,且对其他农作物水分含量检测具有一定的借鉴意义。     

基于电导率变化的食用油掺假识别研究

采用电导率法测定了菜籽油、玉米油和花生油的萃取水相电导率,并进行了花生油掺假模拟实验,同时将电导率值作为信息数据进行了食用花生油的模式识别研究。研究结果表明花生油水相电导率为(15.41±0.17)μS/cm,菜籽油水相电导率为(18.93±0.13)μS/cm,玉米油水相电导率为(9.45±0.09)μS/cm;在花生油中掺入不同比例菜籽油和大豆油后其电导率发生变化,其中的花生油含量与其电导率之间具有良好的拟合关系,所建食用油不同比例互掺模型在一定程度上能实现食用油的定量分析,将电导率值作为特征信息数据用于食用油掺假模式识别研究具有较好的预测识别能力。     

基于可见—近红外光谱的花生油二元掺伪体系鉴别研究

为了建立一种简便有效的花生油掺伪的定性和定量鉴别方法,采集花生油中分别掺伪0~90%大豆油、棕榈油和棉籽油样品的可见—近红外光谱图,结合主成分分析、判别分析、改进偏最小二乘法,建立花生油掺伪的定性鉴别和定量预测模型。结果表明,在定性鉴别中,对花生油中分别掺入大豆油、棕榈油和棉籽油的整体正确判别率分别达到了100%、96.1%和85.3%。在定量分析中,对MPLS法建立的花生油二元掺伪定标模型进行验证,结果表明,掺入大豆油、棉籽油和棕榈油的预测相关系数R_p~2分别为0.998、0.997和0.995,相对标准差RSD分别为2.33%、3.04%和3.83%,相对分析误差RPD分别为3.542、2.642和2.581,说明这三种掺假花生油所建立的最优定标模型的预测精度高,其中花生油中掺入大豆油的预测精度最高,检测花生油中掺入棉籽油与棕榈油的最低掺假量为3%。为花生油二元掺伪模式提供了一种简便、快速、有效的分析方法。     

二维相关荧光光谱鉴别4种食用植物油种类的研究

采用Cary Eclipse荧光分光光度计检测了4种食用植物油的同步荧光光谱,结合加热时间扰动下的二维相关荧光光谱技术,对一级大豆油、花生调和油、芝麻油和棕榈油,进行了快速无损的识别方法的研究。结果表明,在同步荧光光谱图上,不同植物油的特征吸收峰在出峰数目、出峰位置和峰强上均存在一定的差异;而在二维相关荧光谱图上,由于4种植物油的自动峰及交叉峰的位置、数量和强度不同,其差别体现得更为明显和直观。因此,二维相关图谱法可以作为鉴别不同植物油种类的一种有效方法。     

3种植物油傅里叶变换红外光谱信息的判别分析研究

针对花生油、大豆油和棕榈油样品,采用傅里叶变换红外光谱仪,采集红外吸收光谱,对光谱预处理后,提取红外特征信息,以1 746 cm-1和2 855 cm-1波数处吸收峰特征参数比值为X轴, 1 099 cm-1与1 119 cm-1波数处吸收峰特征参数的比值为Y轴,及3种油O-C-C对称伸缩振动各自所产生的吸收带所在波数(cm-1)值作为Z轴,绘制三维分布图,对这3种油样进行判别分析.结果显示这3种油样之间有明显区分.     

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。     

Near-Infrared Spectroscopy for Classification of Oranges and Prediction of the Sugar Content

A nondestructive method for the classification of orange samples according to their growing conditions and geographic areas was developed using Vis/Near infrared spectroscopy. The results showed that the NIR spectra of the samples were moderately clustered in the principle component space and pattern recognition wavelet transform (WT) combined artificial neural network (BP-ANN) provided satisfactory classification results. Additionally, a partial least square (PLS) method was constructed to predict the sugar content of certain oranges. It showed excellent predictions of the sugar content of oranges, with standard error of prediction (SEP) values of 0.290 and 0.301 for Shatangju and Huangyanbendizao, respectively.     

基于卷积神经网络的乳粉掺杂物拉曼光谱分类方法

提出一种基于卷积神经网络的乳粉掺杂物拉曼光谱分类方法。首先利用拉曼高光谱成像平台采集足量乳粉样品的原始光谱,然后利用离散小波变换对原始光谱进行预处理,将预处理后的光谱信号作为卷积神经网络输入构建模型,并分别比较光谱预处理前后的建模效果。结果表明,不合适的光谱预处理反而会降低卷积神经网络的分类效果,而原始拉曼光谱就能被卷积神经网络精准识别,所构建的原始光谱模型对实际未知样品的识别准确率为95.5%。结果表明,卷积神经网络具备光谱预处理与建模的一体化功能,可极大简化拉曼光谱分类识别的计算过程,对乳粉质量安全筛查具有重要意义。