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...     

近红外光谱结合主成分分析和灰色关联分析的苦荞产地溯源

为实现苦荞产地溯源以及确定苦荞成分对苦荞产地溯源的影响程度,对朔州、内蒙古、云贵高原、四川大凉山、陕西5个产地的72个苦荞样本的近红外光谱数据进行了主成分分析(principal component analysis,PCA)和灰色关联分析。结果表明,PCA可以很好地实现不同产地苦荞的聚类,得到的特征波长分别为1 370、1 680、870和971 nm;将上述特征波长与苦荞的6种成分进行灰色关联分析,其灰色关联度由大到小排列为:碳水化合物>蛋白质>脂肪>钠>硒>黄酮;依据关联度大小,从官能团层面确定了碳水化合物和蛋白质是对苦荞产地溯源影响最大的两个成分。表明PCA和灰色关联分析结合近红外光谱技术可以实现苦荞产地溯源研究,为苦荞地理标志产品鉴别提供了一种快速、高效、低成本的方法。     

近红外光谱-人工神经网络的模型优化用于银耳产地识别研究

研究通过近红外光谱技术（NIRS）结合人工神经网络技术（ANN）识别银耳的不同产地。实验以四川省与福建省两个产地共120组银耳样品为研究对象,对其进行近红外光谱测定,计算光谱吸收值的平均偏差与一阶导数进而选取有效数据,结合主成分分析方法将原始数据降维并采用反向人工神经网络技术构建近红外分析模型。结果显示,通过对有效数据主成分分析,前3个主成分的累计方差贡献率达到100%,判断准确率为88.3%;进一步采用人工神经网络优化模型,在输出层为2隐藏层为11时,判断准确率达100%;此时校正集与预测集的均方根误差分别为3.05×10^-2与2.90×10^-2,模型具有良好的泛化能力。因此,结合人工神经网络的近红外光谱检测技术,优化检测模型,能够准确、快速地识别银耳产地,为食品原材料的质量控制及地理标志的建立提供科学依据。      

基于近红外光谱技术的鸡肉产地溯源

采用近红外光谱技术对辽宁大连、河北遵化、潍坊坊子、潍坊昌邑、潍坊诸城5个产地的100个鸡肉样本进行扫描,对这些样本的近红外光谱进行主成分分析、聚类分析,建立了鸡肉产地溯源的定性判别模型。试验结果表明:在全光谱范围(780~2 500 nm)内,经二阶求导(13点平滑)和矢量归一化(standard normal variate,SNV)预处理后,5个地区鸡肉的近红外光谱图有显著差异,鸡肉样本的主成分空间分布位于不同的区域,聚类分析树状图中不同产地也各自聚为一类。利用来自5个产区的30个独立样本对模型进行验证,识别率和拒绝率均为100%。此结果表明近红外光谱分析技术可准确、快速追溯鸡肉的产地来源。     

基于近红外光谱技术的小米产地溯源研究

采用便携式近红外光谱仪结合主成分分析(PCA)、费舍尔线性判别(FLDA)及多层感知器神经网络(MLPNN)模型,探讨近红外光谱技术应用于小米产地溯源的可行性。PCA分析显示,除山西、河南、黑龙江3省的样品差异较小难以区分外,其余8个省份的样品均能清晰区分产地。FLDA和MLP-NN分析均能识别出小米样品产地,但MLP-NN识别效果优于FLDA,两个模型对预测集的识别正确率分别为92.3%,84.6%。以上结果表明,近红外光谱技术可有效应用于小米的产地溯源。     

不同产地国产烤烟近红外光谱的特征分析及其模式识别

对2003年125个不同产地的国产烤烟烟叶的原始近红外光谱、SNV光谱与一阶导数光谱进行了主成分分析,采用主成分空间下的马氏距离判别样本的产地归属,提出根据仪器噪声和误差水平确定最大主成分个数,研究了主成分个数、样本空间、光谱区间对烟叶产地识别准确率的影响,分析了烟叶产地的近红外特征区和产地特征信息在不同主成分上的体现。结果表明,采用光滑处理的全光谱区间的一阶导数光谱,在建模样本空间进行主成分分析时所建模型对烟叶样品的识别准确率最高。     

基于玉米籽粒近红外光谱的品种与产地识别研究

为考察近红外光谱对玉米种子的品种识别与产地识别性能,采集了8个玉米品种波长范围为12 000~4 000 cm-1的近红外光谱数据,并基于此数据研究了基于PCA的光谱数据特征的提取方法,并探讨了神经网络(ANN)和支持向量机模型(SVM)在品种识别上的性能,进一步研究了玉米品种的产地识别技术,且比较了传统可见光图像的品种识别。研究发现:基于近红外的玉米品种识别,在6个主分量的情况下整体上性能达到90%以上;SVM算法较ANN算法稳定可靠,更适合于小样本情况下的光谱分析;基于光谱的品种识别与基于可见光图像的品种识别效果相当;另外发现同一品种在不同产地上其光谱特征差别较大,据此可以应用光谱进行产地鉴别,鉴别力达到95%以上。本研究所构建的方法对玉米品种识别和产地识别具有积极意义。     

基于近红外光谱技术的农产品产地溯源研究进展

农产品产地溯源的目的是保证农产品的真实性, 为地理标志产品、地区特征性产品产地真伪鉴别提供关键技术。近红外光谱是一种新兴的检测技术, 因操作简单、绿色、高效、快速等特点, 被广泛应用于农产品产地溯源研究中。本文介绍了近红外光谱分析技术的原理和特点, 综述了基于近红外光谱技术的谷物、油料产品、水果等主要农产品产地溯源的研究进展, 分析了现有技术存在的问题, 并对今后农产品产地溯源的研究进行了展望, 以期为近红外光谱技术在农产品产地溯源的进一步应用提供参考。     

利用可见/近红外光谱技术对小米产地进行溯源研究

目的利用可见/近红外光谱技术对产自不同地区的晋谷21号小米进行溯源研究。方法使用近红外光谱仪获取产自洪洞、浮山、沁县3个不同地区的晋谷21号小米400~1004nm波段范围内的漫反射光谱;对光谱分别进行多元散射校正法(multiple scattering correction,MSC)、一阶导数法(first derivative,1St-D)预处理;对预处理光谱进行主成分分析,全交叉验证确定最佳主成分数量,获取主成分;同时选择预处理光谱特征波长。使用马氏距离法、线性判别法建立判别模型,最后用未知样品的验证准确率来表示模型的判别效果。结果原始光谱和MSC处理光谱提取特征波长分别建立的产地判别模型对3个不同产地的小米判别完全准确;1St-D处理光谱基于7个主成分结合马氏距离法和基于9个主成分结合线性判别法建立的2种判别模型对3个不同产地的小米亦实现完全准确判别。结论可见/近红外反射光谱技术用于小米产地的判别具有可行性,本研究可为小米产地的快速判别应用中提供技术基础。     

基于近红外光谱技术的枸杞产地溯源研究

采用近红外光谱技术对宁夏、甘肃、青海、内蒙、河北的8个不同产地40种枸杞样品进行扫描,在主成分分析基础上利用简易分类法(simple modeling of class analogy,SIMCA)模式识别原理分别建立模型。结果表明：在950～1650nm全光谱波长范围内,光谱经一阶导数(5点平滑)和矢量归一化(standard normal variate,SNV)预处理后,8个产地模型的主成分数均为3时,采用 SIMCA模式识别法可以建立较为稳健的枸杞产地溯源模型;在α＝5%的显著水平条件下检验模型的可靠性,8个产地校正集模型的识别率除青海为80%外,其他产地均为100%,拒绝率分别为100%、100%、97%、100%、91%、94%、97%、100%,其验证集模型的识别率均为100%,拒绝率分别为100%、100%、100%、100%、75%、88%、100%、100%。表明该方法在枸杞产地识别中具有可行性。     

Short-wave near-infrared spectroscopy of milk powder for brand identification and component analysis

The aim of the present paper was to provide new insight into the short-wave near-infrared (NIR) spectroscopic analysis of milk powder. Near-infrared spectra in the 800- to 1,025-nm region of 350 samples were analyzed to determine the brands and quality of milk powders. Brand identification was done by a least squares support vector machine (LS-SVM) model coupled with fast fixed-point independent component analysis (ICA). The correct answer rate of the ICA-LS-SVM model reached as high as 98%, which was better than that of the LS-SVM (95%). Contents of fat, protein, and carbohydrate were determined by the LS-SVM and ICA-LS-SVM models. Both processes offered good determination performance for analyzing the main components in milk powder based on short-wave NIR spectra. The coefficients of determination for prediction and root mean square error of prediction of ICA-LS-SVM were 0.983, 0.231, and 0.982, and 0.161, 0.980, and 0.410, respectively, for the 3 components. However, there were less than 10 input variables in the ICA-LS-SVM model compared with 225 in the LS-SVM model. Thus, the processing time was much shorter and the model was simpler. The results presented in this paper demonstrate that the short-wave NIR region is promising for fast and reliable determination of the brand and main components in milk powder.     

Irradiation dose detection of irradiated milk powder using visible and near-infrared spectroscopy and chemometrics

The objective of this study was to examine the possibility of applying visible and near-infrared spectroscopy to the quantitative detection of irradiation dose of irradiated milk powder. A total of 150 samples were used: 100 for the calibration set and 50 for the validation set. The samples were irradiated at 5 different dose levels in the dose range 0 to 6.0 kGy. Six different pretreatment methods were compared. The prediction results of full spectra given by linear and nonlinear calibration methods suggested that Savitzky-Golay smoothing and first derivative were suitable pretreatment methods in this study. Regression coefficient analysis was applied to select effective wavelengths (EW). Less than 10 EW were selected and they were useful for portable detection instrument or sensor development. Partial least squares, extreme learning machine, and least squares support vector machine were used. The best prediction performance was achieved by the EW-extreme learning machine model with first-derivative spectra, and correlation coefficients = 0.97 and root mean square error of prediction = 0.844. This study provided a new approach for the fast detection of irradiation dose of milk powder. The results could be helpful for quality detection and safety monitoring of milk powder.     

应用傅立叶变换近红外光谱检测婴幼儿配方奶粉中的乳糖含量

利用傅立叶变换近红外光谱（FT-NIR）技术结合偏最小二乘法（PLS）对婴幼儿配方奶粉中的乳糖进行快速检测分析。搜集 94个不同产地、不同品牌的婴幼儿配方奶粉中乳糖的实验室数据,并采集婴幼儿配方奶粉的近红外光谱图,选择最优的光谱预处理方法,优化、验证和建立模型,并预测6个未知品牌的婴幼儿配方奶粉样品的乳糖含量。结果表明,不同阶段的婴幼儿配方奶粉有非常相似 的近红外特征图谱,图谱处理后的方差为95.423 5%,该模型测定的乳糖值与高效液相色谱（HPLC）法测定的乳糖值之间的平均相对误 差均≤0.67%,相对标准偏差（RSD）均≤0.88%,均符合误差范围。该方法可以无损、快速、高效地测定婴幼儿配方奶粉中的乳糖含量。     

基于近红外光谱技术和优化预处理方法的不同品牌燕麦无损鉴别分析

目的 建立红外光谱预处理方法以实现对不同品牌燕麦的快速无损鉴别。方法 通过对不同品牌燕麦样品近红外光谱进行采集, 结合单一以及组合光谱预处理方法消除光谱干扰, 最后利用主成分分析法构建稳健的鉴别模型。结果 光谱预处理有效消除了变动背景以及基线漂移干扰, 最佳预处理方法为二阶导数, 可以实现进口、国产、劣质燕麦之间的完全鉴别。结论 通过近红外光谱预处理方法对原始光谱图进行处理, 可以提取光谱图中有用信息, 消除样品自身不均等因素对光谱的影响, 提高不同品牌燕麦鉴别的准确率。     

近红外光谱结合气相色谱对浓香型白酒基酒定性鉴别分析

以52个来自四川不同产区浓香型基酒为研究对象,采用光栅型近红外光谱仪采集样品近红外光谱,结合气相色谱-火焰离子化检测器（GC-FID）对酒样中挥发性组分进行检测。利用红外光谱分析软件-Bruker OPUS建立近红外光谱合格性测试模型,并对样品挥发性风味成分进行层次聚类分析（HCA）及主成分分析（PCA）。结果表明,样品中共检测出挥发性物质31种,包括醇类9种、醛类3种、酸类8种和酯类11种。HCA和PCA结果显示,对46个建模酒样分类结果一致,对验证样鉴别效果好且可与近红外合格性测试模型相互验证,说明该鉴别模型准确有效。酯类、酸类和醇类物质是造成样品近红外光谱差异性的重要原因,这一结论可为近红外光谱实现浓香型基酒快速分类鉴别提供科学依据。     

基于近红外光谱和LSSVM方法的转基因大米鉴别研究

采用近红外漫反射光谱结合主成分分析(principal component analysis,PCA)和最小二乘支持向量机(least squares support vector machine,LSSVM)研究转基因大米的鉴别方法。采用PCA方法分析大米样品光谱空间分布;不同的光谱预处理方法:5点平滑、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)结合LSSVM用于定性判别模型的建立和优化;采用格点搜索方法对LSSVM模型的惩罚因子(c)和径向基核函数宽度(g)进行优化;正确识别率(correct recognition rate,CRR)用于判别模型的评价。结果表明:MSC结合LSSVM可用于转基因大米定性判别模型的建立,最优模型的CRR为97.50%。该方法有望成为转基因食品快速鉴别的一种辅助方法。      

Monitoring quality loss of pasteurized skim milk using visible and short wavelength near-infrared spectroscopy and multivariate analysis

Visible and short wavelength near-infrared diffuse reflectance spectroscopy (600 to 1,100 nm) was evaluated as a technique for detecting and monitoring spoilage of pasteurized skim milk at 3 storage temperatures (6, 21, and 37°C) over 3 to 30 h (control, t = 0 h; n = 3). Spectra, total aerobic plate count, and pH were obtained, with a total of 60 spectra acquired per sample. Multivariate statistical procedures, including principal component analysis, soft independent modeling of class analogy, and partial least squares calibration models were developed for predicting the degree of milk spoilage. Principal component analysis showed apparent clustering and segregation of milk samples that were stored at different time intervals. Milk samples that were stored for 30 h or less at different temperatures were noticeably separated from control and distinctly clustered. Soft independent modeling of class analogy analysis could correctly classify 88 to 93% of spectra of incubated samples from control at 30 h. A partial least squares model with 5 latent variables correlating spectral features with bacterial counts and pH yielded a correlation coefficient (R = 0.99 and 0.99) and a standard error of prediction (0.34 log₁₀ cfu/mL and 0.031 pH unit), respectively. It may be feasible to use short wavelength near-infrared spectroscopy to detect and monitor milk spoilage rapidly and noninvasively by correlating changes in spectral features with the level of bacterial proliferation and milk spoilage.     

近红外光谱法检测奶粉中三聚氰胺的方法探讨

目的建立近红外光谱法快速鉴别奶粉中三聚氰胺的掺假。方法应用奶粉的脂肪、蛋白质、水分、乳糖和灰分5个理化指标建立奶粉的近红外鉴别模型。应用Spectrum软件的PLS1算法对样品进行计算,并对待鉴别奶粉进行定量分析。结果本方法能有效识别三聚氰胺质量比在0.05%~0.08%的掺假奶粉,但不能准确识别有何种掺杂物;对0.1%以上的掺假奶粉能正确识别出掺假物是三聚氰胺。对样品的脂肪、蛋白质、水份、乳糖和灰分5项理化指标进行定量分析的实际值与样品在模型中的计算值相对误差在10%以内。结论该方法快速、有效,可适用于奶粉三聚氰胺掺假的快速筛选和掺假鉴别。     

基于气相色谱-离子迁移谱法的不同地区驴乳粉挥发性风味物质指纹图谱分析

目的 探究不同地区驴乳粉挥发性风味物质组成及差异。方法 采用顶空气相色谱-离子迁移谱法(gas chromatography-ion mobility spectroscopy, GC-IMS)对5种驴乳粉的挥发性风味物质进行分析。结果 5种驴乳粉共鉴定出53种挥发性风味物质, 主要包括醇类、醛类、酮类、酸类、酯类、萜烯类、呋喃类和含硫化合物等。喀什产驴乳粉中共鉴定出48种挥发性风味物质, 哈密产两种驴乳粉均鉴定出47种挥发性风味物质, 山东和昌吉产驴乳粉均鉴定出40种挥发性风味物质。 2-甲基丙酸只在山东产驴乳粉中检出; 丁酸乙酯只在昌吉和喀什产驴乳粉中检出; 3-甲基-1-丁醇、1-戊醇二聚体和辛酸乙酯只在喀什产驴乳粉中检出, 1-辛醛二聚体、丙酸丁酯、丁酸丁酯和γ-萜品烯只在哈密产驴乳粉中检出。通过构建的GC-IMS指纹图谱,可筛选出每个产地驴乳粉的特征风味区域,主成分分析也可将5种驴乳粉很好地区分开。结论 不同地区驴乳粉其挥发性风味物质种类和含量均存在一定差异。通过GC-IMS构建的指纹图谱可以直观地将不同驴乳粉特征风味区域表征出来, 这一研究结果为不同地区驴乳粉风味品质评价和产地鉴别提供理论依据。     

近红外光谱法检测奶粉掺假

目的建立近红外光谱法结合Adulterant Screen算法快速鉴别奶粉中大豆蛋白和尿素掺假的方法。方法采用近红外光谱仪获得奶粉未知样的光谱曲线,再用Adulterant Screen算法以及全数据库奶粉分类模型和既定类型的掺假物模型对曲线主要成分和掺假成分进行分析。结果该方法对一定浓度大豆蛋白和尿素掺假奶粉样可以实现掺假鉴别,大豆蛋白和尿素掺假奶粉样的掺假判别限分别为0.3 g/100g和0.2 g/100g,掺假物正确识别限分别为0.5 g/100g和0.8 g/100g。结论利用近红外光谱法结合Adulterant Screen算法可以快速鉴别奶粉中大豆蛋白和尿素的掺假。