新陈玉米的拉曼光谱快速判别研究

本文采用拉曼光谱结合判别分析方法对新陈玉米进行了判别研究。在河南省内收集郑单958新陈玉米样品共75份,粉碎过筛后置于样品袋中,使用光纤直接采集他们的拉曼光谱。对原始光谱进行多项式平滑滤波、基线校正及一介导数处理后,首先运用主成分马氏距离判别分析方法建立了判别模型,主成分数为9,光谱建模范围为914~1369 cm-1时模型结果最优,此时建模集总正确判别率为92.7%,验证集总正确判别率为90%。然后运用偏最小二乘判别分析方法建立了相应的识别模型,当建模因子数为7,采用全谱建模时结果最优,此时建模集样品正确判别率为100%,验证集样品正确判别率为95%。偏最小二乘判别分析方法正确识别率较高,结果表明拉曼光谱可以应用于玉米新陈度的快速识别,在粮食储藏品质评价中具有极大的应用潜力。     

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。     

基于近红外光谱的褐变板栗识别建模方法研究

为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000~2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法(KNN)、簇类独立软模式法(SIMCA)、主成分回归-线性判别分析法(PCA-LDA)、偏最小二乘回归-线性判别分析法(PLS-LDA)以及最小二乘-支持向量机判别分析法(LS-SVM)分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明:近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。     

基于拉曼光谱的大米快速分类判别方法

以拉曼光谱技术为手段,结合化学计量学方法,对来自黑龙江、江苏、湖南3个产地共123份大米样品的光谱数据进行采集,并对得到的拉曼图谱进行主成分分析(PCA)和偏最小二乘判别分析(PLSDA),建立大米快速分类判别方法。应用主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;选择不同种类、品种和产地的稻米样本建立相应的偏最小二乘判别分析模型,其中2/3的样本作为建模训练集,1/3的样本作为建模校正集,按照种类、产地、品种建立的模型其训练集样本正确判别率均为100%,校正集样本正确判别率分别为100%,100%,94.12%。因此,研究所建立的拉曼光谱技术结合化学计量学方法可以快速、有效地鉴别大米种类、品种及产地。     

基于多源光谱分析技术的鱼油品牌判别方法研究

多源光谱分析技术被用于鱼油品牌快速无损鉴别。采用可见光谱分析技术、短波近红外光谱分析技术、长波近红外光谱分析技术、中红外光谱分析技术和核磁共振光谱分析技术采集了7种不同品牌的鱼油的光谱特征,并应用偏最小二乘判别分析法(partial least squares discrimination analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)建立判别模型并比较判别结果。基于长波近红外光谱的PLS-DA模型和LS-SVM模型取得了最高识别正确率,建模集和预测集识别正确率均达到100%。采用中红外光谱和核磁共振谱分别建立的LS-SVM模型,也可以获得100%的判别正确率。而可见光谱和短波近红外光谱则判别准确率较差。且LS-SVM算法较PLS-DA更加适合用于建立光谱数据和鱼油品牌之间的判别模型。研究结果表面长波近红外光谱技术能够有效判别不同鱼油的品牌,为将来鱼油品质鉴定便携式仪器的开发提供了技术支持和理论依据。     

基于高光谱反透射图像的新疆冰糖心红富士水心鉴别

采用高光谱成像技术结合化学计量法,采集新疆冰糖心红富士好果与水心病果样本在波长范围380～1 004 nm的可见近红外高光谱反透射图像,选取感兴趣区域获得平均光谱,对原始光谱采用直接差分一阶求导等9种光谱预处理方法,再分别用主成分分析、快速独立分量分析、相关系数法完成数据降维,结合贝叶斯判别、K最近邻法、马氏距离判别、最小二乘支持向量机、二次线性判别方法识别是否有水心病。结果表明,主成分分析提取前15主成分,采用标准正态变量变换-主成分分析-最小二乘支持向量机与多元散射校正-主成分分析-最小二乘支持向量机模型识别效果最优,校正集和预测集识别率分别为100%和91.2%。     

近红外光谱模式识别三聚氰胺掺假牛奶

运用近红外光谱技术结合模式识别方法对液态奶中违法添加三聚氰胺进行快速检测。采集纯牛奶以及9种不同质量浓度掺假三聚氰胺牛奶的近红外光谱图,运用主成分分析方法、线性判别分析方法以及基于虚拟矢量编码的偏最小二乘判别分析方法对纯牛奶和不同质量浓度掺假三聚氰胺的牛奶近红外光谱数据进行判别分析。结果表明,相比主成分分析模型和线性判别分析模型,基于虚拟矢量编码的偏最小二乘判别分析模型的训练和预测性能均最好,识别训练集和预测集正确率能分别达到100%和90.32%。该法简单、快速、准确,为客观评价食品质量等提供了一种新的可选的方法。     

近红外光谱法快速鉴别转基因大豆模型优化

目的应用近红外光谱(NIR)结合偏最小二乘判别分析(PLS-DA)建立转基因大豆的快速鉴别模型,并选择最优模型。方法主成分分析(PCA)用于从光谱数据中提取相关特征并剔除异常样品。在试验中,94份样品用于构建模型,41份样品用作验证评估模型的效果。分别讨论样品形态(整粒和粉末)、波长范围和光谱预处理方法对所建模型判别正确率的影响。结果粉末状大豆样品建模的效果好于整粒大豆样品。其中判定效果最好的模型,整粒大豆在9 403～5 438 cm~(-1)范围内,采用二阶导数(2nd)处理光谱,模型的校正集和验证集的判定正确率均为100.00%;粉末状大豆在7 505～4 597 cm~(-1)范围内,采用矢量归一化+一阶导数(SNV+1st)处理光谱,模型的校正集和验证集的判定正确率也均为100.00%。结论通过选择样品形态、波长范围和光谱预处理方法可以优化鉴别模型,提高近红外判别模型的鉴别正确率。     

基于PLS-DA判别法对黑龙江大米产地溯源的研究

为了开发更方便、准确、快速的大米产地溯源方法,更好地维护市场秩序,保护消费者的合法权益,研究运用近红外光谱技术并结合PLS-DA法(Partial least squares discriminant analysis,偏最小二乘判别分析)进行建模,对2012年黑龙江5个水稻主产区(五常、佳木斯、齐齐哈尔、双鸭山和牡丹江)的118份大米粉末样品进行近红外光谱的扫描,确定光谱预处理方法为9点二阶求导结合7点平滑,建模波长为全波长。主成分分析提取3个有效主成分。用预测样本集进行模型的验证,5个地域的预测正确率分别为87.5%,87.5%,100%,100%和100%。初步认定可用于2012年黑龙江大米产地溯源模型的建立。     

基于拉曼光谱和支持向量机的黄酒品质快速分析

本研究使用拉曼光谱分析技术采集不同产地和不同酒龄的黄酒样品指纹信息,对比判别分析(DA)和最小二乘支持向量机(LS-SVM)所建黄酒品质快速模型性能,确定最优模型以实现快速准确地评价黄酒品质。本研究在全波段范围利用主成分分析对拉曼光谱数据降维,计算降维谱图间马氏距离,基于ward’s算法建立判别分析模型;将全波段范围作为最小二乘支持向量机的输入量,选择出能较好处理非线性问题的RBF为核函数,同时采用交互验证方式优化RBF核函数参数,基于优化RBF核函数,建立最小二乘支持向量机鉴别模型。研究结果表明:拉曼光谱结合最小二乘支持向量机鉴别模型对黄酒产地和酒龄的鉴别正确率均为100%;拉曼光谱结合判别分析鉴别模型对嘉善、绍兴和上海黄酒的鉴别正确率分别为100%、80%和80%,对黄酒酒龄的鉴别正确率均为100%;最小二乘支持向量机模型性能优于判别分析模型。拉曼光谱结合化学计量学方法可快速、准确评价黄酒品质。     

基于高光谱成像技术的金华火腿无损分级检测研究

目的 建立金华火腿的质量等级评判模型。 方法 采用高光谱成像仪检测不同质量等级的金华火腿样本, 结合数据分析软件对得到的图像信息作主成分分析(PCA)和偏最小二乘(PLS)分析。 结果 用PCA处理, 第一主成分(PC1)和第二主成分(PC2)的贡献率分别为86%和11%, 总贡献率为97%。PLS建立的判别模型中, 训练集和验证集的总体识别吻合率分别为96.19%和89.52%。 结论 将高光谱成像技术与一定的模式识别方法相结合建立评判模型, 是一种可行的金华火腿质量等级检验新技术。     

基于高光谱成像技术的金银花霉变检测模型

利用高光谱成像技术,研究一种快速、准确、无损检测金银花霉变程度的方法。通过比较Savitzky-Golay(SG)卷积平滑、多元散射校正(MSC)和SG-MSC 3种预处理方法对偏最小二乘算法(PLS)建模效果的影响,得到SG-MSC为建模最优预处理方法。使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选择经预处理后光谱的特征波长,并分别建立偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)的判别分析模型。结果表明,光谱经SG-MSC预处理后,应用CARS提取特征波长并建立LS-SVM判别分析模型为金银花不同霉变程度最优判别模型,其训练集与验证集的正确率均达到100%。利用高光谱成像技术能够快速无损、有效地鉴别金银花霉变程度,并且在特征波长下能实现金银花霉变程度的快速判别分析。     

SERS结合PCA-LDA分析鉴别鸡肉中硝基呋喃类代谢物的混合残留

以纳米Au溶胶和NaCl溶液为活性增强基底,对鸡肉中残留的两种呋喃它酮代谢物(AMOZ)和呋喃妥因代谢物(AHD)进行表面增强拉曼光谱(SERS)快速检测技术研究。采用自适应迭代惩罚最小二乘法消除原始数据中的背景干扰,应用标准归一化进行光谱预处理,并结合主成分—线性判别方法(PCA-LDA)建立识别模型,得出模型校正集的判别正确率为90.48%,预测集的判别正确率为94.29%。研究表明,SERS技术与PCA-LDA相结合可以有效地鉴别出鸡肉样本中残留的AMOZ和AHD。     

基于高光谱成像技术无损检测苹果表面缺陷

基于高光谱成像技术结合模式识别,建立了苹果表面缺陷识别模型。首先,利用高光谱图像采集系统采集完好无损和表面有缺陷苹果的高光谱图像,提取感兴趣区域的平均光谱反射率;然后,比较标准正态变换(SNV)和多元散射校正(MSC) 2种光谱预处理方法对建模效果的影响,得出MSC为建模最优预处理方法。最后,采用主成分分析法选择累计贡献率超过99%的前5个主成分作为样本集特征光谱数据,分别建立了基于K最近邻(KNN)模式识别和偏最小二乘判别分析(PLS-DA)识别模型。结果表明:光谱经MSC预处理后,基于PLS-DA建立的识别模型对校正集和检验集识别率均达到100%,表明基于高光谱成像技术结合模式识别可实现苹果表面缺陷的无损检测。     

利用中红外光谱法快速鉴别脱脂核桃粉掺杂

探究中红外光谱法鉴别核桃粉中掺杂花生粉和葵花籽粉的可行性,为核桃粉真伪判别提供参考依据。以脱脂核桃粉为研究对象,分别掺入质量分数1%～40%(1%, 5%, 10%, 20%, 40%)的脱脂花生粉、脱脂葵花籽粉,使用主成分分析法(PCA)对采集的中红外光谱数据进行定性分析和异常值检测,采用簇类独立软模式法(SIMCA)和偏最小二乘判别分析法(PLS-DA)对光谱进行建模与分类鉴别。PCA结果表明,脱脂核桃粉的不同掺杂及其不同掺杂质量比之间的分类明显。利用PLS-DA模型对掺杂葵花籽粉和掺杂花生粉的训练集和测试集识别正确率在71%～87%。利用SIMCA建立的不同掺杂样品识别模型训练集识别率均为100%,测试集识别率为80%～100%。经比较,SIMCA模型效果最佳。中红外光谱结合SIMCA法可以实现对核桃粉中掺杂不同比例的脱脂花生粉和脱脂葵花籽粉的快速鉴别。     

偏最小二乘-判别分析模型影响因素初步研究

目的研究偏最小二乘-判别分析模型的影响因素。方法以小麦为例,采用人工加速老化结合近、中红外光谱技术采集陈化、非陈化小麦粉的近、中红外光谱,分别针对小麦粉衰减全反射中红外数据、衰减全反射中红外一阶导数数据、近红外一阶导数数据以及小麦颗粒近红外一阶导数数据建立偏最小二乘-判别分析模型,分别获取模型参数及第1、2主成分得分分布情况。结果小麦粉近红外一阶导数建模的第1、2主成分得分散点图具有明显的两类样本分布。外部验证数据表明,小麦粉近红外一阶导数所建模型具有更好的稳健性。结论样品的物理形态、数据预处理以及红外光谱波段皆会对偏最小二乘-判别分析模型结果产生影响;同时,红外光谱偏最小二乘-判别分析模型的评价需要从正确识别率、模型的校正测定系数、交互验证测定系数、校正均方根误差、交互验证均方根误差以及模型主要成分得分分布等多种情况综合考虑。     

基于三维荧光光谱快速识别冷榨一级核桃油品牌和产地

为寻找一种能快速识别核桃油品牌和产地的方法,以来自4个品牌3个产地的冷榨一级核桃油为研究对象,分批次收集了300个样品,用荧光检测仪进行样品扫描,分两个时间段采集三维荧光光谱,间隔为1个月。对收集的共600组光谱数据运用主成分分析（PCA）进行特征提取,同品牌或同产地的样品分别选取主成分1组成新的数据集,达到数据降维,再结合偏最小二乘判别（PLS-DA）和人工神经网络判别（BP-ANN）化学模式识别方法,对应构建核桃油的品牌识别模型和产地识别模型。结果表明：PLS-DA和BP-ANN对核桃油的品牌和产地的识别率都能达到100%。因此,三维荧光光谱与PLS-DA和BP-ANN方法结合,可用于快速识别核桃油的品牌和产地。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

近红外光谱结合模式识别技术快速鉴别煎炸油质量

采用近红外透反射光谱结合模式识别技术建立煎炸油质量的快速鉴别方法。采用国标方法测定79个煎炸油样本的酸价与羰基值,通过羰基价确定样本真实属性。利用Kennard-stone算法选取训练集和预测集。探讨样本NIR光谱预处理方法,以平滑、一阶导数和均值中心化处理的全光谱作为数据输入,采用偏最小二乘识别分析(PLS-DA)方法建立煎炸油质量的定性分类模型,并对模型进行验证。模型训练集与预测集的正确识别率分别达94.5%与100%。比较主成分识别分析(PCA-DA)、K最近邻法(KNN)与分类回归树(CART)3种建模方法。结果表明PLS-DA预测能力优于其它方法,NIR光谱结合PLS-DA可作为快速鉴别煎炸油质量的一种新方法。     

基于主成分分析法提取高光谱图像特征检测香肠亚硝酸盐含量

针对香肠中硝酸盐含量,提出基于高光谱的无损快速检测。采集400~1 000 nm范围内45组香肠样品高光谱数据,进行主成分分析(principal component analysis,PCA),择优选取主成分图像3(principal component 3,PC3)作为研究对象,并得到4个特征波长,分别为402.47、483.04、642.27、961.82 nm。通过特征波长与波谱对比,最终采用800~950 nm范围内的波长进行亚硝酸盐定量分析建模。结合样品感兴趣区域平均光谱和理化检验结果,采用偏最小二乘回归和遗传算法优化的人工神经网络进行定量分析建模。结果显示:偏最小二乘回归模型的决定系数R~2为0.899,交互验证均方根误差(root mean square error of cross-validation,RMSECV)为0.291,遗传算法优化的神经网络模型的决定系数R~2为0.918,RMSECV为0.365,随着样品数增多,神经网络的建模效果会越来越优于偏最小二乘回归建模。