泰国茉莉香米的检测方法

为了保证泰国茉莉香米品种真实性和纯度,需要建立相应的检测方法并制定方法标准。对新颁布的泰国茉莉香米品种鉴定和纯度检测行业标准所涉及的技术背景和技术要素进行阐述,以促进该方法在相关实验室的应用,为泰国茉莉香米的进口和市场管理提供技术保障。     

近红外光谱法定性检测餐桌废弃油脂的掺伪

目前餐桌废弃油脂的违法掺伪行为时有发生。探索快速而有效的分析手段,保障百姓餐桌安全是当前的重要任务。本实验采用近红外光谱分析法对餐桌废弃油脂掺伪食用油进行定性鉴别。采用计量学软件,运用距离判别法和BP神经网络算法,对经过标准化与主成分分析处理过的油脂光谱数据建立模式识别模型。距离判别法的判别准确率为89.71%,BP神经网络准确率最高达到97.06%。预测结果说明,分析油脂的近红外光谱信息可以有效鉴别回收油的掺伪行为。      

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%。     

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP（Backpropagation,BP）神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446和462 nm、玉米油为268和274 nm、葵花籽油为280和288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法（LMA）、动量梯度下降法（MGD）及弹性梯度下降法（EGD）掺伪模型识别率分别为98.15%、91.67%和95.52%。     

基于近红外光谱的芝麻油酸价含量的预测

采用近红外光谱分析技术对芝麻油的酸价含量进行检测,避免了传统的化学方法缺陷,同时在不破坏样品的前提下极大地提高了检测效率。对39个芝麻油样本的酸价光谱图进行光谱预处理优化,并选择适当的光谱范围,采用偏最小二乘法(PLS)和BP神经网络算法进行了定量分析研究。结果表明,在所选定的样本和光谱范围内,PLS和BP神经网络算法均可以用于芝麻油酸价含量的预测,采用PLS模型的预测均方根误差(RMSEP)为0.058;用BP神经网络预测的RMSEP为0.148 8,偏最小二乘法建模相对于一般的BP网络建模方法更具有较好的建模预测效果。     

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...     

《泰国茉莉香米品种鉴定及纯度检验方法》于5月1日实施

《泰国茉莉香米品种鉴定及纯度检验方法》(SN/T2643-2010)将于今年5月1日起开始执行。此行业标准由厦门检验检疫局和中国检验检疫科学研究院合作制定。这是目前国际上首个公开发布的泰国香米纯度检验标准。主要涉及泰国茉莉香米品种鉴定和纯度检测的随机扩增多态性     

烟碱含量近红外光谱预测模型的评价

以烟碱为例,建立了近红外光谱的预测模型,采用回归分析法和假设检验法对该模型的预测效果进行了系统的评价。结果表明,该模型对烟草样品烟碱含量的预测效果良好,模型预测值与化学测定值之间不存在显著性差异。      

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

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...     

近红外光谱技术快速鉴别查哈阳大米

查哈阳大米为黑龙江特色品牌大米,为保护查哈阳大米品牌,实现查哈阳大米原产地快速真伪鉴别。通过构建不同地域和品种水稻试验田,收获期内对试验田大米的近红外光谱进行全波长扫描,筛选与产地相关特征波段。在特征波段处对来自查哈阳地区及非查哈阳地区的233份大米进行定性分析及定量分析。结果表明,与产地因素主要相关的波长为5 136~5 501 cm~(-1),利用此波段采用因子化法建立定性分析模型对查哈阳大米正确鉴别率为100%,采用偏最小二乘法建立的定量分析模型对查哈阳大米正确判别率为95.83%。     

基于近红外光谱技术检测红曲米中的红曲色素

采用近红外光谱技术结合化学计量学方法构建红曲米中红曲橙色素、红曲红色素、红曲黄色素的预测模型。分别采用多元线性回归(SMLR)、偏最小二乘回归(PLS)、主成分回归(PCR)构建所有色素组分的数学模型,以相关系数(R)、校正均方根误差(RMSEC)、预测均方根误差(RMSEP)、预测相对分析偏差(RPD)值来评价模型的综合性能。结果显示,MSC、SNV方法能够消除红曲米粉颗粒不均对光谱的散射影响;导数处理消除了基线漂移;对于红曲橙色素、红曲黄色素、红曲红色素三种模型均具有良好的稳定性;利用三种模型对未知红曲样品预测时,预测结果具有较高的线性,预测性能较好(RPD=2.86~5.39),可用于准确定量预测。结果表明近红外光谱技术可用于红曲色素的快速无损测定,为红曲米质量的智能化控制提供了新的途径。     

应用近红外光谱技术快速测定粳稻品种的直链淀粉含量

应用近红外光谱法以稻谷、糙米、精米、糙米粉和精米粉为扫描材料分别建立了粳稻直链淀粉含量的预测模型。结果表明采用光谱预处理的校正效果比不采用预处理的好,用偏最小二乘法(PLS)获得的粳稻稻谷、糙米、精米、糙米粉、精米粉的回归模型和交叉验证结果为:最优校正决定系数(R2)和交叉检验均方误差(RMSECV)分别为0.8136、2.74,0.8864、2.56,0.8915、2.59,0.9261、2.26,0.9505、1.83,粉碎性样品的误差比整粒样品的误差小。育种实践中,低世代可选用糙米、高世代可选用糙米粉或精米粉作为扫描样本测定稻米直链淀粉含量。     

基于近红外光谱技术的桃品质指标快速检测方法研究

采用傅里叶变化近红外光谱技术建立桃的甜度、酸度和硬度品质参数快速检测方法.采集1 000～2 500nm范围的近红外光谱,选取1 110～2 325nm为分析区域,描述谱峰的归属.以常规分析测定值作建模数据,采用偏最小二乘(PLS)回归法建立桃的品质参数定量分析模型,并考察近红外光谱预处理方法对模型的影响.分别用验证集和校正集样本分析模型预测的准确性.结果显示预测集均方差(RMSEP)分别为0.98、0.309、2.81,校正集均方差(RMSEC)分别为0.258、0.1、1.83,相关系数分别为0.9766、0.8918、0.9497.样本的预测值与真实测定值之间没有显著性差异(P＞0.05).本研究结果表明,采用近红外光谱法可同时测定桃的甜度、酸度和硬度等品质参数.与传统的化学分析方法相比,该方法具有快速、无损、简单等特点.     

大米糊化特性指标的近红外光谱检测模型优化

粘度是大米重要的食味品质指标,但目前主要依赖于化学法测定,费用高昂,耗时费力。本文利用近红外光谱法结合化学计量学,以126份产自江苏省的粳米、糯米和籼米为建模样本,利用马氏距离剔除异常点之后,通过5种光谱预处理方法和最佳谱区范围的筛选,建立大米粘度指标的偏最小二乘模型。对于峰值粘度、热糊粘度和最终粘度的检测,采用一阶导数光谱预处理方法较好,模型rc均在0.9以上;回生值模型采用标准正态变化预处理,rc为0.897 5;对于衰减值和成糊温度模型采用Savitzky-Golay滤波平滑对光谱进行处理,rc分别为0.540 5和0.696 8。波长筛选后以验证集评估建模。结果表明,峰值粘度、热糊粘度、最终粘度、衰减值、回生值、成糊温度rp为0.812 5、0.812 1、0.864 0、0.504 3、0.874 4和0.667 0,构建了适于江苏省产大米粘度的无损检测模型,为大米加工品质的快速检测提供一定的理论支持。     

基于BP神经网络预测红外-喷动干燥带壳鲜花生水分比

为实现带壳鲜花生红外-喷动干燥过程中水分比的预测,本实验探究了不同干燥温度（55、60、65 ℃和70 ℃）、进口风速（16、17、18 m/s和19 m/s）和助流剂质量（1.0、1.5、2.0 kg和2.5 kg）对带壳鲜花生干燥时间和干燥速率的影响,建立了输入层为干燥温度、进口风速、助流剂质量和干燥时间,隐含层节点数为11,输出层为带壳鲜花生水分比,拓扑结构为“4-11-1”的BP神经网络模型。结果表明：干燥温度和进口风速是影响带壳鲜花生水分比的主要因素,增加进口风速和提高干燥温度能有效缩短带壳鲜花生的干燥时间,提高干燥效率。采用Levenberg-Marquardt（L-M）算法为训练函数,选择tansig-purelin为网络传递函数,经过有限次训练得到的BP神经网络模型,其水分比预测值与实验值之间的决定系数R2为0.99,均方误差为0.02,水分比预测结果相较于传统经典数学模型准确且迅速。本研究建立的BP神经网络模型可为带壳鲜花生在红外-喷动干燥过程中的水分比在线预测提供理论依据和技术支持。     

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。     

近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假

利用近红外光谱技术结合化学计量学方法,对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别建模,并建立猪肉掺假比例的定量检测模型。结果表明：对不同掺假比例样品的判别,应用偏最小二乘判别分析方法效果优于主成分分析-支持向量机方法,最优模型校正集和验证集判别正确率均为100%。应用偏最小二乘方回归法定量检测不同肥瘦比解冻牛肉汉堡饼中的猪肉掺假比例,模型校正集和验证集的相关系数Rc和Rp、验证集均方根误差分别为0.968 9、0.861 1、7.221%。因此,应用近红外光谱技术可以实现对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别和定量检测。