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。     

近红外光谱协同BP神经网络的泰国茉莉香米掺伪含量快速鉴定

利用近红外光谱协同BP神经网络算法,对泰国茉莉香米及其掺伪样品的近红外光谱进行多元散射校正预处理,挑选出48个特征波长;以特征波长的吸光度为BP神经网络输入层神经元,以样品中泰国茉莉香米的含量为输出层神经元,获得BP神经网络算法的最优结构模型,即为单层隐含层、隐含层神经元数7、隐含层传递函数logsig、输出层传递函数...     

基于近红外光谱的纯花生油掺伪快速鉴别方法研究

针对目前国内缺乏快速鉴别花生油掺伪鉴别技术的现状,提出基于近红外光谱的纯花生油掺伪快速鉴别方法.实验分别配制了掺入大豆油、菜籽油、棕榈油和调和油的4类掺伪花生油样品共40个,纯花生油样品5个,采集样品近红外全谱,通过支持向量机技术建立纯花生油掺伪鉴别模型.结果表明,选取径向基函数为支持向量机核函数,通过网格搜索和k折校...     

应用近红外光谱分析判别芝麻油掺伪的研究

研究了应用近红外光谱分析技术快速、准确判别芝麻油有无掺伪的方法。主要利用近红外光谱和主成分分析结合BP人工神经网络法进行了纯芝麻油、纯大豆油、掺有大豆油的掺伪芝麻油的判别研究。试验结果表明,利用BP人工神经网络法将83个校正集样品的10个主成分数据作为BP网络输入变量,建立的三层BP人工神经网络判别模型对26个测试集样品的判别率为96.15%,表明近红外光谱分析方法对纯芝麻油、纯大豆油、掺伪芝麻油具有很好的判别分类作用,该方法能有效判别芝麻油有无掺伪大豆油。     

基于多源光谱特征融合技术的花生油掺伪检测

以拉曼、近红外2种光谱特征融合结合化学计量学方法对花生油掺伪进行了定量分析。分别用激光拉曼、激光近红外光谱仪采集134个掺伪油样本的光谱数据,采用SPXY算法对样本集进行划分。拉曼光谱(Ram)和近红外光谱(near infrared spectroscopy,NIR)数据进行预处理后,采用后向间隔偏最小二乘法(BiPLS)和联合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)分别提取2种光谱的特征波长;将提取的特征波长融合,结合支持向量机回归(SVR)建立数学模型,采用网格搜索算法(CV)对SVR模型的参数组合(C,g)值寻优,建立最优参数模型。研究表明:建立的Ram-NIR-SVR模型能够实现花生油中掺杂油脂含量的快速准确预测,预测集和校正集的相关系数R分别达到0.98和0.99,均方根误差(MSE)低于2.38E-3;对比不同特征波长提取方法,并与单光谱分析技术比较,可以看出,数据融合技术能够增强模型预测能力,减小模型参数,有利于模型的实际应用,体现了2种光谱很好的互补性。表明光谱分析结合数据融合技术对食用油真实性综合鉴别具有重要意义。     

马铃薯品质鉴别的近红外光谱与多源信息耦合

建立了基于机器视觉和近红外光谱技术的分级概率输出,利用DS证椐融合规则,搭建适用于异源数据的无损检测分级决策模型。采用方向梯度直方图和主成分提取方法提取光谱特征,并应用支持向量机和AdaBoost分类器进行识别,在此基础上,构建了基于特征层融合的马铃薯分级模型。采用多源信息融合技术,建立了融合无损检测分级决策和特征层融合的多源信息融合农产品品质鉴别模型。仿真结果表明,相比于单一鉴别模型,多源信息融合鉴别模型识别率提高了12.7%~30.2%,达95.7% 以上。     

优化基于近红外光谱的联合间隔偏最小二乘法建模检测芝麻油掺伪含量

应用近红外光谱(NIR)分析技术建立测定芝麻油中大豆油含量的定量分析模型。基于32个含量梯度共384个掺伪芝麻油样品的近红外光谱,首先采用标准正态变量变换（SNV）对光谱进行预处理,再采用无信息变量消除法(UVE)初步筛选波长变量,然后结合联合间隔偏最小二乘法(SiPLS)和带极值扰动的简化粒子群优化算法(tsPSO)建立芝麻油中大豆油掺伪含量预测模型,经特征波段选取后建立的模型变量减少,波长变量由451个减少到219个,训练集和测试集相关系数分别为0.999 8和0.991 9,均方根误差分别为4.39E-2和3.99E-2。结果表明,该方法能够作为芝麻油中大豆油掺伪含量的快速检测方法。此外,该方法也可应用到芝麻油中掺入其他低价值油的掺伪含量检测中。     

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。     

基于特征脂肪酸变化对花生油掺伪快速鉴别方法研究

该实验采用近红外光谱与气相色谱相结合，通过对特征脂肪酸的含量变化，开展快速鉴别花生油掺伪的研究。以花生油中掺入不同比例菜籽油、棉籽油及大豆油作为掺伪样品，气相色谱法测得掺伪油样棕榈酸、硬脂酸、油酸、亚油酸和花生酸5种特征脂肪酸含量，使用近红外光谱测定其R—H基团在1 170、1 205、1 395、1 415 nm特征峰波长的变化，利用Unscrambler 10.4软件通过偏最小二乘判别法对脂肪酸含量与近红外光谱图峰位相拟合，建立一元回归线性方程。结果表明，掺伪花生油5种特征脂肪酸均有响应，棕榈酸对应的近红外光谱模型较好，校正集相关系数为0.997,校正均方根误差为0.014、交叉验证均方根误差为0.018。通过多种花生油进行验证，预测模型准确，对快速无损检测花生油具有重要意义。     

近红外光谱分析技术在食用植物油分析检测中的应用

食用植物油的品质检测和掺伪鉴别对于保障其食用安全性以及消费者利益具有重要意义。传统的分析方法由于操作繁琐、耗时较长,因此不能满足大量样品的实时快速检测要求。近红外光谱分析技术由于可以实现快速、无损、在线和多组分同时检测,目前已快速发展成为一种应用于食品分析领域的新方法,具有较大的应用前景。本文主要综述了近年来近红外光谱技术在食用植物油领域的研究及应用进展,包括在食用植物油品种定性鉴别、掺伪检测、品质检测及其在煎炸等热加工过程中的理化指标检测等多个方面的研究,对近红外光谱技术在食用植物油检测中的检测原理、影响因素、准确度等进行了综合分析,同时对目前近红外光谱技术在食品领域应用存在的问题进行了分析总结,并对今后进一步研究提出了展望。