基于近红外光谱技术的大米品质分析与种类鉴别

应用近红外光谱(NIRS)技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱,采用偏最小二乘法(PLS)建立了大米水分、蛋白质和直链淀粉定量分析模型,对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数(R2)分别为:0.992、0.9792和0.9736;内部交叉验证标准差(RMSECV)分别为:0.141、0.201和0.209;模型外部验证决定系数(R2)分别为0.9861、0.912和0.9373;外部验证标准差(RMSEP)分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异,对不同属性和不同产地的大米进行了定性聚类分析,种类识别准确率达到100%。结果表明,NIRS分析技术可以用于对大米品质和种类的快速无损检测。     

近红外光谱技术检测鱼丸凝胶温度的方法研究

鱼丸凝胶成型温度关系鱼丸品质与货架期。本文采用近红外光谱技术建立鱼丸成型温度快速检测方法。在5个温度(40,50,70,80,90℃)下成型的鱼丸被用于建模,SIMCA与PLS分别用于定性判别和定量预测模型的建立。SIMCA判别结果显示,5个温度下成型的鱼丸能够被较好地区分,判别准确率达到92%。通过比较不同光谱预处理对优化模型的作用,得到R=0.97077,RMSEC为4.49,RMSEP为4.58的PLS定量模型。模型的预测值与实际值之间有较好的线性关系。近红外光谱技术可为实现鱼丸成型温度的定性判别与定量预测提供一种方法。     

基于近红外光谱与支持向量机的甘薯粉丝掺假快速检测

探索了近红外光谱(near infrared spectra,NIRS)结合支持向量机(support vector machine,SVM)检测甘薯粉丝掺假(掺杂木薯淀粉和玉米淀粉)的可行性。以掺假甘薯粉丝为研究对象,建立了基于NIRS及SVM的甘薯粉丝掺假定性判别及定量分析模型,并通过光谱预处理及光谱变量筛选对模型进行了优化。结果显示,采用标准正态变量变换和一阶导数对全光谱预处理后,甘薯粉丝掺假SVM定性判别模型的识别准确率可达100%,优于马氏距离判别模型;用标准正态变量变换和一阶导数对光谱预处理,并通过前向区间支持向量机(forward interval support vector machine,fi-SVM)筛选光谱变量后,木薯淀粉含量SVM预测模型的相关系数(r)和预测均方差(RMSEP)可达到0. 92和11. 20,玉米淀粉含量SVM预测模型的r和RMSEP可达到0. 96和7. 49。结果表明,基于NIRS和SVM的甘薯粉丝掺假定性判别及定量分析检测模型具有较高的识别率和预测精度,用于检测甘薯粉丝的掺假是可行的。     

基于近红外光谱技术的小麦粉灰分含量检测方法研究

采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。     

近红外光谱快速分析成品葡萄酒指标的研究

采用近红外光谱技术结合化学计量学算法,建立了成品葡萄酒(总糖和酒精度)的快速检测方法。通过NCL对近红外光谱图谱进行预处理,使用偏最小二乘法(PLS)建立了总糖和酒精度近红外定量模型。以决定系数(R~2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)为模型质量的评价指标。R~2分别为0.9684、0.9146,RMSEC值分别为0.0810、0.2382,RMSEP值分别为0.0877、0.2352。结果表明,建立的模型预测效果较佳,具有较好的稳定性和较高的精密度,能满足成品葡萄酒生产中总糖和酒精度的快速检测需求。     

基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。     

基于FPGA的老陈醋定量与定性分析系统设计

首先采用判别分析(DA)算法结合不同光谱预处理方法建立老陈醋醋龄的判别模型,采用偏最小二乘法建立老陈醋的pH值和可溶性固形物的定量分析模型,通过选择校正集验证了采用近红外光谱实现对老陈醋醋龄判别具有较高的准确性,对老陈醋的pH值和可溶性固形物的定性与定量分析的模型的精度和稳定性都较好,然后采用可编程逻辑器件(FPGA)的设计,完成从光谱的采集、预处理、定性定量分析和显示等整个功能,其中光谱采集采用的是近红外透射光谱采用NEXUS傅里叶变换近红外光谱仪(热电尼高力仪器公司,美国)及其相应的透射附件进行采集,定性与定量分析模型的建立采用数字信号处理器(DSP)核实现,最终实现对老陈醋的在线检测系统的设计.     

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。     

近红外光谱技术检测液态奶中微量三聚氰胺的可行性研究

为了快速检测液态奶中违法添加的三聚氰胺量,利用近红外光谱技术进行可行性研究分析。对采集的54组添加不同三聚氰胺含量的液态奶样本的近红外漫反射光谱进行小波变换(wavelet transform,WT)结合主成分分析(principal component analysis,PCA)后,提取得到特征信号,利用广义回归神经网络(general regression neural network,GRNN)建模进行三聚氰胺的定量分析,结果显示当三聚氰胺浓度低于0.05%时,模型预测能力较差,预测集模型R2仅为0.654。进一步利用支持向量机(support vector machine,SVM)建模对液态奶中是否添加三聚氰胺进行定性判别,结果显示测试集准确率为94.44%。因此,通过近红外光谱结合适当的化学计量学方法,对液态奶中添加三聚氰胺虽无法精确定量,但可准确对其进行定性判别。     

拉曼光谱法快速检测猪肉脯中的掺伪鸡肉

目的 建立拉曼光谱法快速、准确、无损地检测猪肉脯样品中掺假鸡肉的方法。方法 制备33份猪肉中掺入不同比例鸡肉的肉脯样品,采集拉曼光谱数据,分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数等5种不同预处理方法,对原始光谱数据进行预处理,采用连续投影算法、竞争性自适应重加权算法及随机蛙跳算法对光谱数据进行特征波长筛选,建立偏最小二乘法(partial least squares,PLS)模型对猪肉脯进行定性定量判别。结果 拉曼光谱数据经过多元散射校正处理的效果最佳,竞争性自适应重加权算法竞筛选效果更佳,构建猪肉脯中猪肉含量的PLS定量模型,其预测集决定系数和预测均方根误差分别为0.9762、7.2998。建立的PLS判别模型的校正集和预测集总判别正确率分别为100.00%和98.33%。结论 拉曼光谱分析技术可有效用于定性鉴别猪肉脯是否掺伪及定量分析猪肉肉脯中掺入鸡肉的比例,为肉脯掺假的快速无破坏性检测的应用提供支持。     

近红外漫反射光谱法快速检测谷子蛋白质和淀粉含量

建立近红外漫反射光谱法测定谷子中的蛋白质和淀粉含量,提供一种快速、简便、无损的分析方法进行谷子品种资源鉴定和筛选。以191份山西核心谷子种质为材料,采用近红外漫反射光谱法建立谷子蛋白质和淀粉含量的快速检测模型。结果表明,采用一阶导数+矢量归一化光谱预处理,分别建立谷子蛋白质和淀粉含量的校正模型,模型的校正决定系数(R~2_(cal))分别为0.977 0和0.907 3,交叉验证均方根误差分别为0.203%和0.466%,外部验证决定系数(R~_(2val))分别为0.989 6和0.977 2,预测均方根误差分别为0.225%和0.368%。对于谷子蛋白质和淀粉的预测,化学法和近红外仪器法测定间无显著差异,近红外测定结果是准确可靠的。说明采用近红外漫反射光谱分析技术能够满足对谷子蛋白质和淀粉含量的检测。     

近红外光谱技术快速检测紫薯半干面中菌落总数及新鲜度

利用近红外光谱分析技术和化学计量学分析方法,对紫薯半干面菌落总数(TVC)及其新鲜度鉴别进行研究。结合偏最小二乘法对比10种光谱预处理方法,建立紫薯半干面的TVC预测模型,最终选定SNV+2D为最优预处理方法。经优化TVC最优模型的校正集和预测集的决定系数R分别为0.99213和0.97537,交互验证均方根误差及预测集均方根误差分别为0.250和0.445。采用主成分分析结合马氏距离的定性判别分析法,定性鉴别紫薯半干面新鲜程度。当选用标准归一化为光谱预处理方法时,正确识别率达到100%。利用近红外光谱分析技术可以快速、无损地检测紫薯半干面中TVC及新鲜度。     

CARS结合PLS-LDA法识别奶牛饲料中土霉素的可行性研究

收集了一年内不同月份不同种类的纯奶牛精补料20个,制备土霉素含量不同的掺假奶牛精补料100个,在全光谱范围内对样品进行近红外透反射光谱扫描,利用CARS法对光谱数据进行前处理,采用偏最小二乘-线性判别分析(PLS-LDA)法来建立判别模型。建立的PLS-LDA模型的交互验证最小错误率为0.0729,模型错分率为0,模型预测错误率为0.0417。说明利用近红外光谱技术建立定性判别模型来检测奶牛饲料中是否掺有土霉素是可行的。     

高光谱结合优化算法的多品种高粱混合的淀粉含量检测

高粱作为一种酿酒原料,其不同混合比例配比的高粱的淀粉含量会影响白酒的品质和产量。因此,准确高效地检测混合高粱中的淀粉含量对获得优质高产的白酒具有重要意义。本文基于可见光高光谱成像技术研究了混合高粱中的淀粉含量的快速检测方法。采用不同预处理方法对高粱样本的光谱数据进行预处理,并建立偏最小二乘法回归(PLSR)模型来确定最佳预处理方式。使用主成分分析(PCA)、PLSR算法分别提取高粱样本的光谱特征。基于全波长和光谱特征分别建立了预测高粱淀粉含量的遗传算法-BP神经网络(GA-BPNN)和粒子群算法-支持向量机回归(PSO-SVR)模型。对比模型性能发现,采用PCA方法提取的光谱特征建立的GA-BPNN模型最优,其直链淀粉的预测决定系数、预测均方根误差分别为0.992 2、0.041 6,支链淀粉的预测决定系数、预测均方根误差分别为0.933 6,0.151 9。研究结果表明,可见光高光谱成像技术结合优化算法可以快速预测不同混合比例配比下高粱的淀粉含量,为检测高粱的淀粉含量提供了一种新的方法。     

菠菜表面农残的SERS无损检测方法研究

本文针对菠菜农药残留量超标问题,建立了一种能够快速、无损地对菠菜表面农药残留量进行检测的方法。利用表面增强拉曼光谱技术(SERS,Surface Enhanced Raman Scattering)采集含农药(溴氰菊酯)和不含的两组菠菜样本的SERS光谱,结合一阶导加Norris求导法、Savitzky-Golay卷积求导法进行光谱预处理,使用判别分析法和距离匹配法建立定性分析模型,成功区分两组菠菜样本,模型预测准确率最高可达到100%;使用偏最小二乘法建立了菠菜表面溴氰菊酯残留量的多个定量分析模型,研究发现差谱模型效果最好,其校正集相关系数(Rc)和预测集相关系数(Rp)分别为0.9908,0.9552,校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.0802,0.23。结果表明,运用SERS方法能够很好地实现菠菜表面溴氰菊酯残留量的无损定性和定量检测分析,且无需任何前处理,对其它农产品中农药残留量的快速、无损检测具有借鉴意义。     

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。     

近红外光谱法快速分析马铃薯煎炸油的品质

为快速监测马铃薯煎炸油的品质,选择棕榈油、菜籽油和大豆油为研究对象,运用近红外光谱分析方法分别建立了3种煎炸油的定性判别模型,以及酸价、过氧化值与极性组分3个关键质量控制指标的定量模型。基于马氏距离法的定性模型对检测集进行判别,结果表明根据距离阈值判断的正确率达到100%。基于偏最小二乘法建立的定量模型对样品进行预测,结果显示理化指标定量模型基本符合实际应用要求。棕榈油、菜籽油、大豆油煎炸油品质定量模型验证集的结果验证了定量模型的可靠性。研究表明利用近红外光谱法能够实现对马铃薯煎炸油品质的快速鉴定。     

基于近红外光谱技术快速检测贵州红薯粉丝中薯粉含量

采用近红外光谱技术结合偏最小二乘法建立预测红薯淀粉及全粉粉丝中薯粉含量的定量模型,实现薯粉含量的在线快速检测。分别制作180份红薯淀粉粉丝和红薯全粉粉丝样品,以一阶导数、最大最小归一化处理、移动平均平滑、多元散射校正、标准正态化等计量学方法预处理光谱。结果表明,选择波数9403.6～7498.2 cm^–1、6101.9～4246.7 cm^–1+消除常数偏移量所建的红薯淀粉粉丝模型效果最好,波数9403.6～4597.6 cm^–1+减去一条直线所建的红薯全粉粉丝模型效果最好,预处理后2个模型相关系数分别为0.9875和0.9892,交叉验证均方根误差(RMSECV)分别为1.23和1.13,校正后预测相对分析偏差(RPD)分别为6.83和7.42。外部验证预测相关系数为0.9625和0.9714,相对标准偏差(RSD)均小于1,模型具有较高的准确度。近红外光谱技术可以实现贵州红薯粉丝中薯粉含量的快速检测。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

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。