近红外光谱法快速鉴别成安草莓

为实现对成安草莓的快速鉴别,本文采集了不同产地草莓样品的近红外吸收光谱,选择不同的光谱范围,经二阶导数、一阶导数+矢量归一化、最小-最大归一化等预处理,利用因子化法、合格性测试和主成分分析法(PCA)建立了成安草莓的鉴别模型,并取样对该模型进行验证。结果表明:三种模式识别方法对于其他产地草莓的识别正确率高于93.3%,因此认为,采用近红外光谱结合模式识别技术可快速、准确地鉴别成安草莓的真伪。     

采用近红外光谱进行采后苹果品种及货架期定性判别

运用近红外光谱技术,通过不同光谱预处理和不同光谱波段选择,研究苹果品种(嘎啦、乔纳金、金冠、寒富)及货架期(0、14、28 d)的近红外判别模型。结果表明,不同品种苹果定标判别模型最优光谱预处理方法为:在全波长范围(408. 8～2 492. 8 nm)内,采用去散射结合二阶导数光谱预处理,对未知样品判别正确率为85. 00%～95. 00%;苹果货架期较优定标模型在1 108～2 492. 8 nm范围内,光谱预处理方法为标准正常化处理(standard normal variate,SNV)+去散射处理(detrend,D)+一阶导数,预测样品正确率为91. 67%～96. 67%。实验证明,近红外光谱技术对采后苹果品种及货架期检测具有适用性。     

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。     

基于近红外透射光谱的食用油氧化定性分析

为建立食用油氧化的快速鉴别方法,以食用油为材料,根据国家标准对酸价和过氧化值的限量规定将不同氧化程度的样品分为未氧化油和已氧化油两类,通过近红外光谱透射技术结合距离判别分析,建立未氧化油和已氧化油的定性判别模型。结果表明：在波数范围为5450～4650cm-1,采用多元散射校正、一阶求导和Norris导数平滑光谱处理,校正集模型识别率为99%,验证集模型识别率为97.8%,模型预测效果良好,利用近红外透射光谱食用油氧化定性分析可行。     

基于2 种原理近红外光谱仪对辐照花生的快速鉴别比较

为比较不同近红外光谱仪在对辐照花生鉴别方面的差异,采用傅里叶变换、线性渐变分光2 种原理的近红外光谱仪针对不同辐照剂量的花生采集了近红外光谱数据,结合一阶导数、标准正态变量变换预处理,对0、1、2 kGy辐照剂量的花生建立偏最小二乘-判别分析模型,采用外部验证集样本对模型正确率进行验证。结果显示,线性渐变分光-近红外光谱仪的模型校正集正确率皆大于92%,交互验证集正确率皆大于85%,外部验证集正确率皆大于83%,普遍高于傅里叶变换-近红外光谱仪模型的正确率。因此,可得出结论：预处理对模型正确率的影响相对较小,不同仪器对模型正确率影响相对较大。     

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。     

可见/近红外反射光谱法检测马铃薯抗性 淀粉含量的研究

目的利用可见/近红外反射光谱技术无损检测新鲜马铃薯茎块中抗性淀粉的含量。方法使用光谱仪获取新鲜马铃薯在345~1100 nm波段范围内的漫反射光谱;分别使用Savitzky–Golay(S-G)平滑处理、多元散射校正(MSC)法和一阶导数法(1st-D)对反射光谱进行预处理;对(S-G)反射光谱、MSC处理光谱和1st-D光谱使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果结果表明,可见/近红外反射光谱经过一阶导数处理后,确定的8个最优波长(370、569、576、866、868、886、922和963 nm)组合建立模型的校正和验证结果最好:模型的校正结果为相关系数R=0.996,标准差SEC=0.521%;模型交叉验证相关系数Rcv=0.982,验证标准差SECV=0.791%。结论可见/近红外反射光谱技术可以较好地预测新鲜马铃薯茎块的抗性淀粉含量,本研究可为可见近红外光谱技术在马铃薯功能成分的快速检测提供一定的技术基础。     

利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

基于可见近红外的柿饼涩味定量定性分析

柿饼涩味评价是柿饼生产流通环节的重要控制工作。目前没有建立柿饼的快速无损检测方法。文章以恭城月柿为原料,建立涩味可见近红外快速无损检测模型。结果表明:柿饼水分含量在32.1%～36.17%可见近红外定量分析中,发现在460～1050 nm与1300～1680 nm波段范围内,采用改进偏最小二乘回归算法、二阶导数结合标准正常化处理(Standard normal variate,SNV)的建模效果最好。其定标交互验证相关系数(Correlation coef?cient of cross validation,1-VR)和预测相关系数(Correlation coefficient of prediction,R_p~2)分别为0.878和0.865,定标交互验证均方根误差(Root mean standard Error of cross validation,RMSECV)和预测均方根误差(Root mean square error of prediction,RMSEP)分别为0.105、0.125 g/100 g.d;定性模型中,柿饼水分含量在33.2%～36.11%范围内采用450～1050 nm与1300～1650 nm波段结合去散射处理(Detrend only,D)、一阶导数预处理方法最好。判别模型正确率93.1%,预测正确率为72.22%～88.89%。因此,近红外光谱技术可用于柿饼涩味快速无损的定量定性分析。     

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。     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

基于近红外光谱技术的黑龙江地理标志大米产地溯源研究

为建立地理标志大米的快速检测技术,更好地维护地方名优大米品牌效益,利用近红外光谱技术结合定性分析(鉴别分析和聚类分析)和偏最小二乘法(PLS)对黑龙江省3个水稻主产区的地理标志大米进行产地溯源研究。结果表明:运用鉴别分析和聚类分析建立的模型对建三江、五常地域预测正确率为100%,响水地域预测正确率为95.83%;五常、响水地域判别正确率为100%,建三江地域判别正确率为95.83%。采用PLS建立定量分析模型对建三江、五常、响水三个地域的预测正确率分别为95.83%、100%、95.83%。通过鉴定及检测结果可知利用近红外光谱技术可对黑龙江地理标志大米进行产地保护,且产地预测正确率达95%以上。     

基于可见/近红外光谱对不同品种羊肉鉴别方法研究

利用近红外光谱仪,提取4种不同品种生鲜羊肉样本的光谱数据共235个。分析不同品种样本在400~1000 nm波长范围内光谱值,确定3段特征波段。利用主成分分析结合判别分析建立鉴别模型,达到无损鉴别生鲜羊肉品种的目的。结果显示,在400~430 nm范围内主成分数为7时,校正集回代准确率为75.5%,交叉验证准确率为73.4%,验证集准确率为93.1%。经过一阶导数与标准归一化处理后所建立的模型,当主成分数为23时,400~430 nm波段判别准确率达到93.6%,交叉验证准确率为89.4%。对比其他几种预处理方法和波段的建模结果,选择最优模型。该研究表明利用近红外光谱分析技术可对不同品种羊肉进行快速准确鉴别。     

基于近红外透射光谱及多种数据降维方法的红富士苹果产地溯源

为了探寻苹果产地溯源新方法,本文以新疆阿克苏、陕西洛川、山东烟台三个不同产地600个红富士苹果样本为试材分别采集其590～1250nm的近红外透射光谱图,将经过光谱校正后的光谱数据做归一化(Normalization)、多元散射校正(Multivariate Scattering Correction,MSC)等8种光谱预处理,对经过预处理后的光谱数据建立全波长分类模型发现二阶求导为最优预处理方法;然后再将经过二阶求导预处理的光谱数据结合以欧几里得距离(Euclidean)、相关距离(correlation)、余弦相似度(cosine)、城市街区距离(cityblock)作为距离度量的K最近邻法建模,发现K最近邻法(correlation)为最优分类识别方法;随后再分别用高斯过程隐变量模型(Gaussian Process Latent Variable Model,GPLVM)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等12种数据降维方法对经二阶求导预处理后的光谱做降维处理,并结合K最近邻法(correlation)鉴别苹果产地。结果表明,提取前9个主成分,采用二阶求导-扩散映射-K最近邻法(correlation)模型识别效果最优,建模集和预测集的分类识别率分别为97.30%与92.30%。故,深度学习数据降维方法结合近红外透射光谱技术可成功、有效地实现苹果产地溯源。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

近红外光谱技术定性鉴别蜂蜜品种及真伪的研究

提出了蜂蜜品种及真伪定性鉴别的新方法。在12000～4000cm-1范采集荆条蜜、槐花蜜、油菜蜜和掺假蜜的近红外光谱,结合一阶导、多元散射校正及变量标准化)三种方法对光谱进行预处理,以主成分分析结合马氏距离判别法,在不同谱区建立蜂蜜品种及真伪定性鉴别模型。研究发现6100～5700cm-1谱区为最佳建模波段,品种判别正确率达90%以上,真伪鉴别正确率为93.10%。     

近红外光谱法快速检测甜菜糖度的模型优化

目的建立起近红外光谱技术关于甜菜糖度的最佳预测模型。方法研究了Savitzky-Golay平滑处理、Savitzky-Golay导数、均值中心化、差分求导、净分析信号、去趋势校正、标准正态变量变换和多元散射校正等8种预处理方法的多方法联用处理进行光谱数据的预处理,结合光谱波段优选,建立甜菜糖度与近红外光谱的预测模型。结果在进行模型的评价时,以误差均方根(SEP)、校正标准误差(SEC)与交叉检验误差(SECV)作为评价指标。结论发现经过光谱波段优选之后,结合Savitzky-Golay平滑、Savitzky-Golay导数、去趋势校正及均值中心化进行光谱数据的预处理得到的模型效果最佳。     

乳粉中蛋白质和脂肪的近红外定量模型优化研究

对乳粉中蛋白质和脂肪近红外定量模型的优化进行了研究。结果表明:利用全波段光谱建立的模型,蛋白质和脂肪的模型预测评价参数分别为:校正集预测偏差(RMSECV)为2.837、2.984,内部交互验证标准偏差(RMSEP)为3.406、3.751,交互检验相对偏差(RPD)为2.6、2.5。经过波长优选后,蛋白质和脂肪优选的波数范围分别为(9403.5~7498.1)cm-1、(9403.5~6098)cm-1,蛋白质和脂肪的模型预测评价参数有一定的提高,分别为RMSECV 1.963、2.317,RMSEP 2.396、3.035,RPD 2.9、2.6。通过正交试验对定标方法和光谱预处理方法进行了优化:蛋白质的最佳参数组合为:定标方法为改进偏最小二乘法,多元离散校正,一阶导数处理,导数处理间隔点为8,平滑处理间隔点数为4,二次平滑处理间隔点数为1,目标函数达到98.25%;脂肪的最佳参数组合为:定标方法为偏最小二乘法,散射校正为多元离散校正,导数处理为二阶,导数处理间隔点为1,平滑处理间隔点数为4,二次平滑处理间隔点数为4,目标函数达到95.26%。     

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。