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。     

近红外光谱法用于掺假羊奶的快速无损鉴别

利用近红外光谱技术结合多种化学计量学方法,研究了快速鉴别掺假羊奶的方法。将淀粉溶液,含尿素的淀粉溶液,含尿素和奶油的淀粉溶液按不同比例掺入纯羊奶中,进行近红外光谱采集。分别采用偏最小二乘差别分析(PLS-DA),fisher线性判别和多层感知器(MLP)神经网络法建立校正模型并进行检验验证。结果表明,MLP神经网络的鉴别效果最好,其校正模型的正判率达到99.4%,验证集的正判率达到100%。说明采用近红外光谱技术结合适当的化学计量学方法可以实现羊奶掺假检测的快速无损鉴别。     

葛粉掺假的近红外漫反射光谱快速检测

研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光 谱,采用主成分回归和偏最小二乘法建立校正模型,并对比光谱预处理方法和光谱建模区间对模型的影响。结果表 明,采用偏最小二乘法建模,光谱采用标准正态变量变换预处理,光谱区间选择在962～1 389 nm时,模型预测效 果最佳,外部验证预测相关系数（RP 2）达0.994 5,均方根误差2.298 7%,相对分析误差13.56,平均回收率99.89% （n=9,RSD=2.96%）,这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。     

近红外特征光谱定量检测羊肉卷中猪肉掺假比例

利用近红外漫反射光谱技术结合化学计量学方法对解冻掺假羊肉卷,进行猪肉掺假比例的定量检测研究。按照不同肥肉占比和不同猪肉掺假比例,制备324?个样品,并利用近红外光谱仪采集其光谱数据。对原始数据进行SG（Savitzky-Golay）平滑、SG一阶导、SG二阶导、多元散射校正、中心化、标准正态变量校正等预处理,并利用偏最小二乘回归（partial least square regression,PLSR）进行建模分析,其中SG平滑结合一阶求导预处理的模型预测效果最优。针对最佳预处理光谱采用竞争性自适应加权采样（competitive adaptive reweighted sampling,CARS）算法进行波长筛选,并建立特征波长PLSR模型,模型预测效果得到提高。其中,校正集和验证集决定系数分别为0.983?6和0.972?5,校正集和验证集的均方根误差分别为0.043?7和0.057?7,范围误差比为7.62。应用该CARS-PLSR模型对检验集进行预测,真实值与预测值的相关系数为0.913?8,结果表明采用近红外光谱分析技术可以实现不同肥肉占比羊肉卷中猪肉掺假比例的定量检测。     

傅里叶近红外光谱法快速检测魔芋葡甘聚糖中掺假羧甲基纤维素含量

采用傅里叶近红外光谱检测魔芋葡甘聚糖中羧甲基纤维素掺假比例,以基线校正、平滑、矢量归一化、一阶求导和二阶求导法对光谱进行处理,利用偏最小二乘法建立了相应的数学模型,并通过交互验证和外部验证检验了鉴别模型的预测精度和可靠性。所建立的校正集模型的决定系数R_c~2值为0.933~0.997,校正均方根误差范围为7.64%~1.56%;结合验证集模型的决定系数和均方根误差确定以一阶导数(5平滑点)处理光谱,所得模型预测效果最佳,模型的预测均方根误差为8.37%;校正模型中羧甲基纤维素在魔芋葡甘聚糖中掺假水平的预测值和实际值的相关系数为0.9905。结果表明,近红外光谱结合化学计量法在有效、快速、准确地定量检测魔芋葡甘聚糖中掺假羧甲基纤维素的可行性。     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。     

基于中红外光谱技术的羟丙基淀粉中掺假原淀粉的快速鉴别

采用中红外光谱获得羟丙基玉米淀粉中掺假原淀粉(玉米淀粉)的光谱数据,比较光谱数据的不同数学处理方法(求导阶数、平滑点数)对偏最小二乘法建立羟丙基玉米淀粉中掺假玉米淀粉预测模型的影响。当对光谱一阶求导和5点平滑时,模型校正集的决定系数(R_c~2)=0.984 0和均方根误差(RMSEC)=3.723%,羟丙基玉米淀粉中掺假水平实际值和所建立的模型预测值的相关系数为0.980 0。结果表明,中红外光谱法结合最小二乘法在羟丙基玉米淀粉掺假的快速鉴别上是可行的。     

近红外光谱结合化学计量学技术在食品掺假分析中的应用

近红外光谱结合化学计量学技术由其独特的技术优势在食品掺假分析领域已得到广泛应用。本文对近红外光谱结合化学计量学技术的原理及特点进行论述, 并综述了近10年来应用较为广泛、实用性较强的化学计量学方法, 偏最小二乘法、人工神经网络及支持向量机结合近红外光谱技术在食品掺假分析中应用, 展望了该技术的发展前景。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

基于阈值选取高光谱感兴趣区域的牛肉掺假检测

目的建立一种通过阈值选取高光谱图感兴趣区域建立模型从而提高快速检测牛肉掺假猪肉水平的方法。方法以2%为间隔,掺假比例为2%～50%(w/w),配制掺入猪肉糜的掺假牛肉样本并采集高光谱反射数据,根据某波长处光谱数据频率曲线设定阈值提取高光谱感兴趣区域,同时以直径为150个像素的圆形区域提取光谱作为对比。采用浓度梯度法、Kennard-Stone法、光谱-理化值共生距离法(sample set partitioning based on joint x-y distance,SPXY)、极大线性无关法将样本划分为校正集和预测集,借助多元散射校正结合平滑预处理后采用偏最小二乘法建立掺假预测模型进行比较分析。结果通过设定阈值提取感兴趣区域建立的模型比圆形区域提取所建模型更加稳定、精准,其中SPXY法划分样本所建立的模型预测效果最好,校正相关系数r_c~2为0.9733,验证集相关系数r_p~2为0.9515。结论基于高光谱技术通过设定阈值提取特征光谱并结合化学计量学可提高预测牛肉掺假的能力。     

GC和LF-NMR结合化学计量学方法检测掺假油茶籽油

为了对油茶籽油品质控制及评价提供支撑,以纯油茶籽油和掺假油茶籽油(分别掺入菜籽油、花生油、棕榈油和高油酸花生油)为试验材料,采用气相色谱法(GC)分析其脂肪酸组成,采用低场核磁共振技术(LF-NMR)测定其横向弛豫特性数据,结合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和偏最小二乘分析(PLS)等化学计量学方法建立油茶籽油掺假的定性和定量分析模型。结果表明：5种植物油的脂肪酸组成和LF-NMR横向弛豫特性数据存在显著区别;油茶籽油和其他4种植物油在PCA得分图上可清晰区分;PLS-DA模型可有效区分油茶籽油和掺假油茶籽油,判别正确率均可达100%;建立的油茶籽油中掺入菜籽油、花生油、棕榈油、高油酸花生油的PLS定量预测模型,真实值与预测值的相关系数(R²)分别为0.994 1、0.998 6、0.997 6、0.978 1。综上,GC和LF-NMR结合PCA、PLS-DA以及PLS等化学计量学方法可用于油茶籽油掺假类别判定及掺假量分析。     

核磁共振氢谱结合化学计量学快速检测掺假茶油

摘 要：以纯茶油和掺假茶油（掺入大豆油、玉米油）作为核磁共振氢谱检测对象,结合化学计量学方法分析处理核磁数据,建立一种能快速预测茶油掺假的方法。结果表明：纯茶油和掺假茶油在主成分分析得分图上有较好地区分,且掺假样品随掺假比例在图中呈规律性分布,但少部分低体积分数的掺假油与纯茶油重叠。而采用偏最小二乘判别（partial least squares discriminant analysis,PLS-DA）法可以得到更好的分离效果,在该模型中,纯茶油的判别准确率为100%。进一步采用PLS可实现对茶油掺假水平的准确定量测定。该方法可简单、快速地用于茶油的掺假鉴别,在茶油品质控制及评价方面具有很大的应用潜力。     

基于近红外光谱技术的赣南茶油掺假快速鉴别北大核心CSCD

为了探索基于近红外光谱技术快速无损鉴别掺假油茶籽油的可行性,以赣南茶油为研究对象,通过掺入不同植物油如玉米油、花生油、菜籽油、葵花籽油和大豆油等制备掺假油茶籽油,应用近红外光谱技术采集其光谱特征信息,对比不同预处理方法和主成分数,并结合线性和非线性建模方法建立油茶籽油掺假鉴别模型,以识别准确率(纯油茶籽油样品和掺假油茶籽油样品被正确判别的比例)、灵敏度(纯油茶籽油样品被正确判别为纯油茶籽油的比例)、特异性(掺假油茶籽油样品被正确判别为掺假油茶籽油的比例)作为模型的评价指标,优选出最佳模型。结果表明:二阶微分联合线性判别分析(SD-LDA)模型为最优线性模型,标准正态变量变换联合人工神经网络(SNV-ANN)模型为最优非线性模型,两个模型的识别准确率、灵敏度、特异性分别为97.58%、100%、97.33%和98.99%、100%、98.88%。SNV-ANN模型鉴别效果优于SD-LDA模型,说明非线性模型更适于油茶籽油掺假判别,该模型能更准确地鉴别油茶籽油是否掺假。     

基于衰减全反射傅里叶变换红外光谱的餐饮废油掺假检测

为了建立基于衰减全反射傅里叶变换红外光谱(ATR-FTIR)的餐饮废油掺假检测方法,以常见食用油和餐饮废油为原料,收集8个餐饮废油和25个食用油样品,制备30个掺假油样品,共63个油样进行红外光谱扫描。随机取48个油样作为校正集样品,15个油样作为验证集样品,建立餐饮废油定性分析模型,并对定性模型进行验证;从30个掺假油样品中,随机取20个油样作为校正集样品,10个油样作为验证集样品,建立餐饮废油定量分析模型,并对定量模型进行验证。结果表明:在红外光谱范围为1 550~650 cm-1条件下,采用原始光谱结合判别分析建立定性分析模型,其识别率可达100%;采用偏最小二乘法(PLS)建立定量分析模型,在掺假比例1%~10%时,模型预测值与实际掺假比例呈良好的线性关系,相关系数(R)为0.982 2,标准偏差(SD)为0.47。表明基于ATR-FTIR的餐饮废油掺假检测是可行的。     

最小二乘支持向量机和脂肪酸融合信息应用于花生油掺伪玉米油检测

将最小二乘支持向量机用于气相色谱分析实现对花生油掺伪玉米油的鉴别,基于油脂的全样和Sn-2位脂肪酸组成的不同,采用主成分分析消除融合数据中信息重叠的部分,利用粒子群优化最小二乘支持向量机的参数,对花生油的掺伪进行鉴别,识别率为100%;分别采用最小二乘支持向量机、偏最小二乘法和主成分回归对花生油中掺入玉米油含量进行预测,结果表明基于脂肪酸融合信息的最小二乘支持向量机的预测均方根误差和相关系数R2分别为3.452 1%和0.986 6,与偏最小二乘法和主成分回归法相比,最小二乘支持向量机具有更好的稳定性和预测精度,同时也为食用油的真伪鉴别及掺伪情况确定提供一种新方法。     

混合油脂肪酸组成数学方程式在食用油模拟掺混检测中的验证

各种纯食用植物油都有其特定的脂肪酸组成,掺混后混合油与纯油的脂肪酸组成存在配比加和关系。对市场上常见的食用植物油花生油、大豆油、玉米油和油茶籽油中脂肪酸组成进行文献查询和统计分析,统计均值与食用植物油国标数据比较显示统计均值有很好的适用性,使用统计均值建立脂肪酸组成的数学方程式,通过模拟二元混合油和三元混合油体系进行验证,显示均有良好的相关性。该法可定量计算花生油、油茶籽油等混合其他低价食用植物油的添加比例,可作为一种判断掺伪油的定性和定量检测方法。     

近红外光谱结合偏最小二乘法用于纯茶油中掺杂菜籽油和大豆油的定量分析

采用偏最小二乘法(PLS)建立了油茶籽油中掺杂菜籽油和大豆油的近红外光谱定量检测模型。配制不同比例(0～100%)的油茶籽油和菜籽油、油茶籽油和大豆油混合样品共256个,采集样品在10000～4000cm-1范围内的近红外透反射光谱,模型采用交互验证和外部检验来考察所建立模型的可靠性,不需进行任何光谱预处理,所建立的PLS模型相关系数为0.9997,训练集的交叉验证均方根误差(RMSECV)为0.504,预测集的预测均方根误差(RMSEP)为0.66。应用建立的模型对未知样品进行预测,并对预测值和真实值进行比较,在掺杂油含量为2.5%～100%之间范围内准确可靠,研究结果表明,采用近红外光谱技术可以实现纯茶油中菜籽油和大豆油掺杂量检测。     

紫外光谱结合化学计量学检测初榨橄榄油掺伪研究

以紫外光谱为技术手段,结合偏最小二乘法和BP人工神经网络2种化学计量学方法建立了初榨橄榄油/混合橄榄油二元掺伪体系的定量预测模型.试验结果表明,2种统计模型定量预测性能良好,偏最小二乘模型的训练集交叉验证均方根误差RMSEcv和预测集均方根误差RMSEP均达到0.011,预测值与真实值相关性达到0.996 2;BP人工神经网络迭代次数为61步,训练集拟合残差为9.684×10-5,网络预测值和真实值相关系数为0.998 3,对于5％以上掺伪比例的油样BP神经网络能够精确地预测.     

茶油掺伪定性鉴别模型的对比分析

为了解决茶油掺伪其他植物油的掺伪量定量预测问题,本研究基于14个特征性脂肪酸和甘油三酯指标,设置高/低两种不同掺伪梯度,运用Python语言构建并对比分析了偏最小二乘回归(PLSR)模型和多元线性回归(MLR)模型用于掺伪茶油掺伪量的定量预测的效果。研究表明,PLSR模型对掺伪茶油的定量预测效果不理想,高掺伪梯度下PLSR模型的平均RMSE值高达1.99,低掺伪梯度下PLSR模型的平均R²值(0.8888)较低,平均RMSE值(0.906 6)较高。除了对棕榈油掺伪量的定量预测效果较差外,在高/低掺伪梯度下MLR模型定量预测能力较强,平均R²值达到了0.999 873/0.993 572,平均RMSE值为0.146/0.136。结果表明MLR模型可用于不同掺伪质量分数和梯度下茶油掺伪不同食用植物油的掺伪量定量预测问题,效果较好。     

基于电子鼻山茶油芝麻油掺假的检测研究

本文采用电子鼻系统对山茶油、芝麻油的掺假（大豆油）作了检测.通过对传感器信号进行方差分析可知,三种油脂的传感器响应有显著差异.主成分分析（PCA）对山茶油与大豆油及其混合物检测效果较差,对芝麻油、大豆油及两者混合物取得了较好的检测效果;而线性判别式分析（LDA）对山茶油和芝麻油的掺假都有较好的检测效果,并优于PCA方法.运用BP神经网络拟对混合油脂进行定量预测,对山茶油掺假的定量预测效果较差,对芝麻油掺假的预测效果略好于山茶油,但最大绝对误差已达0.134,还不能取得较为准确的结果.