基于红外光谱的食用植物油种类鉴别

为建立基于红外光谱的食用植物油种类鉴别方法,收集了常见的5种食用植物油样本296份,采集红外光谱,分别通过Savitzky-Golay平滑、希尔伯特变换、IIR低通滤波器、IIR高通滤波器、连续小波变换、一阶导数、二阶导数进行预处理,并利用径向基函数(RBF)神经网络和随机森林(RF)模型对光谱进行识别。结果表明：RBF神经网络模型的效果优于RF模型,将红外光谱数据经希尔伯特变换处理后,RBF神经网络模型的识别率达到100%。采用该方法对食用植物油进行种类鉴别快速无损、准确率高、效果好。     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

基于特征波长提取的激光近红外光谱快速鉴别食用植物油种类

提出了基于CARS、SPA和CARS-SPA特征波长提取的激光近红外光谱技术快速鉴别食用植物油种类的方法。应用光谱仪采集127个食用植物油样本的光谱数据,采用标准正态变量变换算法(SNV)、标准正态变量变换和去趋势技术联用算法(SNV-DT)对其进行预处理,采用CARS、SPA和CARS-SPA 3种方法对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类方法(SVC)建立食用植物油种类定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。结果表明,CARS-SVC、SPA-SVC和CARS-SPA-SVC模型预测集准确率均达到96.77%,预测效果理想,其中SNV-DT-SPA-SVC模型预测效果最优,预测集准确率达到100%。综上基于特征波长提取的激光近红外光谱分析技术能够快速准确鉴别食用植物油种类,为便携式现场检测设备开发提供了理论基础。     

植物油的红外光谱结合神经网络快速识别

为实现对植物油的快速检测,借助衰减全反射-傅里叶变换红外光谱分析技术并结合深度学习算法对植物油开展光谱模式识别工作。实验获取8种植物油样本的光谱数据,采用标准正态变换和一阶导数预处理方法消除背景干扰,同时采用竞争性自适应重加权算法模型对各样本特征光谱数据进行提取,分别建立长短记忆神经网络(LSTM)、基于Levenberg-Marquardt算法改进的BP神经网络对提取特征波长后的植物油种类进行预测识别与比较,并采用后者进行了实际样品的识别检测。结果表明,通过提取特征波长,可有效提高LSTM模型的识别准确率,其最优准确率从提取特征波长前的30%～40%提高到80%～90%,模型运行时间从提取特征波长前的111 min 25 s缩短至1 min 45 s。相较于LSTM模型,基于Levenberg-Marquardt算法改进的BP神经网络的分类识别准确率更高,达到99.852%,用于实际样品的识别,识别准确率达到100%。实验结果可为植物油的无损快速检验提供一定的参考与借鉴。     

基于数据融合策略植物油光谱模式的识别

为实现对不同植物油的快速无损分类识别,探究数据融合技术在提升光谱分类模型精度方面的可行性与应用价值,借助衰减全反射-傅里叶变换红外光谱技术、表面增强拉曼光谱技术结合多源数据融合技术,开展了对7种共计180份植物油样本的分类识别。基于单一光谱模型、数据层融合模型和特征层融合模型,比较了Bayes判别分析(BDA)和多层感知器神经网络(MLP)两种化学计量学方法在区分各样本时的差异,同时考察了主成分分析、广义最小平方、最大似然、主轴因式分解4种算法在特征提取方面的差异。结果表明,光谱数据融合在识别植物油方面具有显著的优势,BDA模型对各样本的区分能力强于MLP模型,相较于其他3种算法,主成分分析在油样特征提取方面展现了较为理想的结果。基于PCA特征提取的特征层融合BDA模型为最佳识别模型,以此实现了180份植物油样本100%的准确区分,同时对5种品牌花生油达到了100%的准确区分,实现了对各样本“种类-品牌”的两级识别分类工作。     

基于嗅觉可视化技术的食用植物油分类识别

为实现山茶油与3种常见食用植物油(菜籽油、大豆油和玉米油)的区分,制备可视化传感器阵列,采用嗅觉可视化技术对4种不同种类的食用植物油进行分类识别。采用主成分分析(PCA)对4种油样的特征数据进行降维,然后将降维后的数据导入K近邻(KNN)、极限学习机(ELM)、支持向量机(SVM) 3种分类模型中进行模型参数优化,对比了3种分类模型的分类结果。结果表明：建立的SVM分类模型性能最优,当输入主成分向量数为7、c=1.741 1、g=4.549 8时,SVM分类模型的测试集分类识别准确率为95.8%,五折交叉验证准确率为89.6%。制得的可视化传感器阵列可以实现4种食用植物油的分类识别,嗅觉可视化技术用于食用植物油检测是可行的。     

核磁共振氢谱结合PCA-SVM算法分类鉴别食用植物油

采用核磁共振氢谱(1H-NMR)结合主成分分析-支持向量机法(PCA-SVM)对7种市面上常见的食用植物油进行了分类研究。首先运用PCA法对预处理后的各食用植物油的1H-NMR谱图积分数据进行降维处理,然后选用前2个主成分作为SVM的输入变量,建立预测模型,再对测试集样品进行预测,以实现食用植物油的种类鉴别,并与簇类独立软模式法(SIMCA)的分类结果进行了比较。结果显示:采用网格划分法优化得到模型最优核函数参数值为1.7411,最优惩罚参数值为0.3299,以最优参数建立的PCA-SVM食用植物油分类模型对测试集的分类正确率为100%,高于SIMCA分类法的61.90%。建立的1H-NMR结合PCA-SVM法食用植物油分类模型,可以快速、有效的鉴别食用植物油种类,适合实际食品检测工作中建模样本有限的实际,为食用植物油的品质鉴别和质量控制提供分析方法。     

基于融合预处理的掺假咖啡太赫兹光谱识别

该研究通过太赫兹时域光谱采集70组含有西布曲明成分的咖啡在0～2.5 THz频段的光谱信息，建立随机森林、支持向量机、贝叶斯判别分析3种模式识别方法并进行比较研究。结果表明，未经过预处理的模型识别准确率较低。选择一阶导数、二阶导数、不同类型的巴特沃斯滤波器和Pearson特征选择融合光谱方法进行光谱信号处理。基于一阶导数处理的贝叶斯判别分析模型准确率为98.6%,基于高通巴特沃斯滤波器的随机森林模型分类准确率为94.2%,基于特征提取的融合光谱支持向量机(support vector machine, SVM)模型分类准确率为100%。选择最优预处理的SVM模型进一步对同一品牌不同地区的掺假咖啡进行鉴别，准确率为100%。研究实现了“品牌-产地”的二级特征识别，可为公安机关打击涉及咖啡的食品安全犯罪提供参考。     

基于连续分类策略的动物油红外光谱无损识别

为实现对市面上常见以及实际案件中出现的动物油样本进行快速无损识别，借助光谱分析技术和机器学习算法，基于连续分类策略，对不同动物油样本在种类及品牌/来源地方面进行区分和认定。收集了247份动物油样本(鸡油、牛油、鹅油、猪油、羊油、鸭油),对其进行红外光谱扫描，采用自动基线校正和峰面积归一化消除样本基线漂移和量纲不一致情况；再分别采用Savitzky-Golay平滑、二项式平滑、邻域平均法、FFT滤波、一阶导数和二阶导数对红外光谱进行预处理，比较了6种预处理方法在降噪方面的差异性，同时构建不同预处理方法下的随机森林、贝叶斯网络以及最小二乘支持向量机3种分类模型，开展各样本“种类—品牌/来源地”的连续分类工作。结果表明，相较于未预处理模型，经过预处理后，模型的识别能力均有提升，其中采用FFT滤波预处理结合随机森林模型可较好区分6种动物油，其对6种动物油样本品牌/来源地的识别准确率由高到低依次为鸡油、牛油、鹅油、猪油、羊油、鸭油；对实际案件中2份检材进行验证性分析，结果与实际情况相符合。红外光谱结合机器学习算法可应用于基于连续分类策略的动物油的快速无损识别。     

基于红外衰减全反射光谱的面粉种类快速鉴别

研究提出基于支持向量机（support vector machine,SVM）算法结合红外衰减全反射光谱对不同种类的面粉进行快速分类。实验随机采集富强粉、精制雪花粉、麦芯粉及面包粉4 种共139 份常见面粉红外衰减全反射光谱,运用马氏距离筛选异常样本,并建立SVM模型对待测样本进行预测。实验采用二叉树SVM模型识别面粉种类,并通过网格法优化核函数参数,结果显示：富强粉、精制雪花粉、麦芯粉及面包粉的识别准确率分别为100%、100%、75%和85.71%,模型平均识别准确率为90.177 5%。结果表明,利用红外光谱结合SVM算法快速识别面粉种类是准确可行的。     

基于机器学习算法的食用植物油掺伪鉴别的研究进展

市场上存在用低值低价油脂掺伪高值高价食用植物油的现象,这不仅损害食用植物油生产者和消费者利益,也不利于我国食用油脂产业的健康发展。许多学者将机器学习算法应用到食用植物油掺伪鉴别的研究中,取得了显著的研究成果。为了对食用植物油掺伪鉴别的研究和应用提供一定的理论依据和方法参考,总结了国内外现阶段使用机器学习算法进行食用植物油掺伪鉴别的研究进展,这些机器学习算法包括主成分分析、判别分析、支持向量机、随机森林、人工神经网络等。对所述机器学习算法应用于食用植物油掺伪鉴别研究的优缺点进行了分析,在实际应用中应结合实际情况,综合考量选择合适的算法。     

拉曼光谱-聚类分析快速鉴别掺伪芝麻油

目的建立快速鉴别掺伪芝麻油的拉曼光谱-聚类分析方法。方法以不同产地、不同品牌的多批次芝麻油、大豆油、玉米油、菜籽油、精炼棕榈油、精炼棉籽油及精炼地沟油为样品,在780 nm和532 nm激光光源下,扫描和比较其普通、扩展及导数拉曼光谱的形态。结果在532 nm激光光源的扩展光谱及一阶导数光谱中,芝麻油与低价植物油及精炼地沟油光谱的信息量最大,样品间光谱形态的差异显著。基于此全波段光谱信息和形态建立的多步聚类分析模型对芝麻油、低价植物油、仿冒芝麻油和精炼地沟油的判别正确率均为100%;对5%、10%、20%、30%和50%掺假芝麻油的判别正确率分别为72%、92%、100%、100%和100%;对5%、10%和20%掺杂芝麻油的判别正确率分别为97%、100%和100%;对5%、10%和20%掺杂植物油的判别正确率分别为94%、100%和100%。样品测量时无需制备样品及消耗化学试剂,测量和分析一份样品仅耗时5 min左右。结论所建立的拉曼光谱-聚类分析模型既可准确鉴定芝麻油,还可准确鉴定各种类型的掺伪芝麻油,可实现对掺伪芝麻油的快速、无损和准确鉴别。     

电子舌快速检测食用植物油掺伪

目的应用法国Alpha M.O.S公司生产的传感器型味觉电子舌系统对3组不同程度掺伪的食用植物油进行掺伪检测。方法选取6种不同类型植物油,用20%的乙醇浸泡后超声,静置隔夜,将油脂中的味觉信息提取出来,由电子舌自动进样系统采集原始数据,所得样品数据用主成分分析法、判别因子法进行分析。结果 2种方法均能较好地检测区分不同的食用植物油样品,大部分的指纹分辨指数高于95分。此方法可以区分不同榨取工艺或不同产地的同种类油脂,可鉴别的掺伪检测限为0.1%。结论本实验鉴别精确度远大于常规的油脂检测方法,且具有较高的灵敏度,能够快速有效地鉴别不同种类食用植物油并区分不同掺杂比例的油脂样品。     

拉曼光谱-聚类分析法快速鉴别掺伪花生油

目的建立快速鉴别掺伪花生油的拉曼光谱.聚类分析方法。方法以不同产地、不同品牌的多批次花生油、大豆油、玉米油、菜籽油、葵花籽油、精炼棕榈油、精炼棉籽油及精炼地沟油为样品,在780 nm和532 nm激光光源下,扫描和比较其普通、扩展及导数拉曼光谱的形态。结果在532 nm激光光源的扩展光谱及一阶导数光谱中,花生油与低价植物油及精炼地沟油光谱的信息量最大,样品间光谱形态的差异显著,谱峰得到有效分离。基于此全波段光谱信息和形态建立的多步聚类分析模型及鉴别程序对36份不同花生油、105份不同低价植物油、30份仿冒花生油和38份不同精炼地沟油的判别正确率均为100%,对180份5%及以上的掺假花生油的判别正确率达86%以上,对75份5%及以上的掺杂花生油的判别正确率为92%,对72份5%及以上的掺杂植物油的判别正确率达92%以上。样品测量时无需制备样品及消耗化学试剂,测量和分析一份样品仅耗时5 min左右。结论所建立的拉曼光谱.聚类分析模型既可准确鉴定花生油,还可准确鉴定各种类型的掺伪花生油,可实现对掺伪花生油的快速、无损和准确鉴别。     

基于电子鼻的食用油氧化判别分析

为实现食用油氧化快速判别分析,以市场上常见的食用油为原料,对其进行氧化处理,根据国标中过氧化值和酸值划分为氧化油与未氧化油并作为模型样品和验证样品,采用电子鼻技术测定食用油气味,同时结合聚类分析（cluster analysis,CA）、主成分分析（principal component analysis,PCA）和线性判别分析（linear discriminantanalysis,LDA）方法对不同氧化程度的食用油进行判别,并建立油脂氧化的快速判别模型。同时将检测判别结果与国标规定进行比较分析,结果表明：3 种方法建立模型判别正确率均为100%,CA、PCA和LDA模型验证的判别正确率分别为95.8%、98.9%和100%,说明基于电子鼻技术的食用油氧化判别检测是可行的。     

近红外光谱快速检测食用植物油中酸价

目的 建立基于近红外光谱快速测定食用植物油中酸价的分析方法。方法 采用冷溶剂指示剂滴定法检测371个食用植物油样品的酸价,并采集样品的近红外光谱。经过标准正态变换结合一阶导数对近红外光谱进行数据预处理,选用竞争性自适应重加权采样算法选取重要变量,建立食用植物油酸价的偏最小二乘回归模型。结果 蒙特卡洛交互验证结果显示,食用植物油酸价预测模型的验证集决定系数Q2为0.9983,交互检验的均方根误差(root mean square error of cross validation, RMSECV)为0.0461,模型预测的独立测试集的酸价与实测值相关系数为0.9834,预测效果良好。结论 本研究建立的食用植物油酸价近红外光谱快速检测方法能够满足检测要求,为评价或跟踪食用油品质提供快速无损的技术思路。