基于FT-NIR和电子鼻的苹果水心病无损检测

探讨傅里叶变换近红外光谱技术和电子鼻技术应用于苹果水心病检测的可行性。以277?个“秦冠”水心病苹果和健康苹果为试材,分别采集每个样本在12?000～4?000?cm－1波数范围的近红外光谱和10?个传感器的电子鼻信号,用不同预处理的近红外光谱方法提取主成分建立Fisher判别模型;同时电子鼻结合3?种化学计量学的方法进行建模。结果表明,经一阶导数（9?点平滑）预处理的近红外光谱,提取前20?个主成分建立的Fisher判别模型效果最好,对未知样本的正确判别率达100%;电子鼻分别结合Fisher判别、多层感知器神经网络和径向基函数神经网络判别模型对未知样本的识别率为89.7%、89.5%和85.7%。故利用近红外光谱和电子鼻技术分别结合化学计量学的方法可快速、无损检测苹果的水心病。其中,近红外光谱技术结合Fisher判别对苹果水心病的识别率最高,是一种准确可靠的测定方法。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

基于电子鼻表征霉心病苹果特征气味及无损检测模型建立

为探究电子鼻检测技术对霉心病苹果的判别效果,以富士健康苹果和霉心病苹果为试材,基于SIMCA软件对采集的不同病变程度霉心病苹果的电子鼻信息进行表征,基于SPSS 23.0软件建立霉心病苹果Fisher函数、多层感知器神经网络(muhilayer perceptron neural network,MLPNN)和径向基函...     

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。     

基于透射光谱的苹果霉心病多因子无损检测

针对目前苹果霉心病难以检测的问题,提出一种基于透射光谱的苹果霉心病多因子无损检测方法,通过融合多波段透射光谱与苹果直径,构建苹果霉心病判别模型,实现了苹果霉心病无损检测。搭建光谱测试范围在200～1 025 nm的透射光谱采集平台,实验获取232 个苹果样本的透射光谱数据,采用游标卡尺获得苹果直径数据。采用杂散光校正,非线性校正对苹果透射原始光谱进行预处理,选取与霉心病发病相关的12 个波段透射光强值,结合苹果的直径进行主成分分析,将分析的结果作为自变量,建立苹果霉心病Fisher判别模型。经过异校验验证,模型总体识别率为93.1%,而仅采用透射光谱构建的模型识别率为91.37%。结果表明,基于透射光谱与直径结合的多因子检测方法可实现苹果霉心病的准确判定,为苹果霉心病的快速、无损检测提供可行思路。     

近红外光谱技术快速鉴别原料肉掺假的可行性研究

探讨利用近红外光谱技术结合Fisher两类判别法以及多层感知器(multilayer perceptron,MLP)神经网络快速无损鉴别原料肉是否掺假,并建立多种掺假肉的分类识别模型的可行性.首先近红外结合主成分与Fisher两类判别,建立原料肉与掺假肉的判别函数,以原料肉与注水肉两类样木的平均重心即两类样木的加权平均...     

融合密度与光谱特征的苹果霉心病无损检测

针对近红外漫反射光谱对苹果霉心病判别准确率较低的问题,提出了一种融合密度特征与漫反射光谱的苹果霉心病多因子无损检测方法。基于光谱采集平台获取195个富士苹果的漫反射光谱(200～1 100 nm)信息,利用WLD-600密度仪获取苹果密度信息,采用标准正态变量变换(standard normal variable transformation, SNV)对光谱数据进行预处理,竞争性自适应重加权采样法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projection algorithm, SPA)结合用于提取与霉心病相关的特征光谱,分别以密度、特征光谱、密度+特征光谱作为模型因子,建立偏最小二乘判别(partial least squares discriminant analysis, PLS-DA)、Fisher判别、支持向量机(support vector machine, SVM)和最小二乘支持向量机(least squares support vector machine, LS-SVM)4...     

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。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

利用可见/近红外光谱技术对小米产地进行溯源研究

目的利用可见/近红外光谱技术对产自不同地区的晋谷21号小米进行溯源研究。方法使用近红外光谱仪获取产自洪洞、浮山、沁县3个不同地区的晋谷21号小米400~1004nm波段范围内的漫反射光谱;对光谱分别进行多元散射校正法(multiple scattering correction,MSC)、一阶导数法(first derivative,1St-D)预处理;对预处理光谱进行主成分分析,全交叉验证确定最佳主成分数量,获取主成分;同时选择预处理光谱特征波长。使用马氏距离法、线性判别法建立判别模型,最后用未知样品的验证准确率来表示模型的判别效果。结果原始光谱和MSC处理光谱提取特征波长分别建立的产地判别模型对3个不同产地的小米判别完全准确;1St-D处理光谱基于7个主成分结合马氏距离法和基于9个主成分结合线性判别法建立的2种判别模型对3个不同产地的小米亦实现完全准确判别。结论可见/近红外反射光谱技术用于小米产地的判别具有可行性,本研究可为小米产地的快速判别应用中提供技术基础。     

电子鼻技术在区分酸羊奶发酵菌种中的应用

利用电子鼻技术快速区分酸羊奶的发酵菌种。通过电子鼻采集不同酸羊奶挥发成分的响应值,然后利用主成分分析（principal component analysis,PCA）、Fisher线性判别分析（fisher linear discriminant analysis,FLDA）以及BP神经网络（back propagation neural network,BP-NN）分析进行判别,建立基于电子鼻技术区分酸羊奶发酵菌种的方法。结果表明,FLDA及PCA都能够区分出不同菌种发酵的酸羊奶,FLDA区分效果优于PCA。利用FLDA和BP-NN分析预测酸羊奶发酵菌种类别的正确率分别为100.0%和98.4%。因此,利用电子鼻快速区分酸羊奶的发酵菌种是可行的。     

自制电子鼻检测霉变大米

为对不同霉变程度的大米实现快速鉴别,研制了一套以LabVIEW为平台用于检测大米霉变的电子鼻系统。通过霉菌孢子液侵染正常大米,使用该电子鼻系统对不同天数掺入不同比例霉米的大米样品挥发物进行检测,对采集数据进行主成分分析（PCA）、线性判别分析（LDA）,最后使用反向传播（back propagation,BP）神经网络建立预测模型。结果表明,得分图显示正常大米和霉变大米挥发物差异性显著,LDA分类效果优于PCA;所建立的模型预测值和实际值相关性达0.953以上,训练集和测试集平均相对误差分别为3.56%、4.18%,训练集和测试集对于正常大米样本识别率为100%。综上,电子鼻系统可以作为霉变大米无损检测的有效手段,在大米品质鉴别方面具有实际应用意义。     

基于电子鼻技术对不同类型洋葱提取液的识别

洋葱提取液作为新型的生物果蔬保鲜剂,因天然、安全等特点受到消费者信赖。然而不同类型洋葱提取液对果蔬的保鲜效果并不相同,因此对不同类型洋葱提取液的快速识别是有实践意义的。本试验以云南、甘肃、安徽、四川、山东、江苏的紫皮洋葱,甘肃、吉林、云南的黄皮洋葱和新疆的白皮洋葱为试验对象,测定植物学性状后提取洋葱的提取液,运用电子鼻检测分析提取液的挥发性物质,采用费舍尔判别(Fisher判别)和反向传播神经网络(back propagation neural network, BPNN)建立预测模型。结果表明：电子鼻的10个传感器对不同类型的洋葱提取液的响应值有显著性差异(P < 0.05),Fisher判别模型和BPNN模型均可有效的识别不同类型的洋葱提取液,其中BPNN识别的正确率比Fisher判别高。因此,电子鼻技术结合BPNN更适合不同类型洋葱提取液的识别。     

基于电子鼻的水稻品种鉴别研究

为了实现水稻品种的快速鉴别,避免水稻品种混杂,利用电子鼻对来自同一产地不同水稻品种进行测试,获取有效信息。对获取的信息提取平均微分值和面积斜率比两种特征。采用主成分分析、Fisher判别分析及BP神经网络3种模式识别方法进行水稻品种的判别,并对3种识别方法的结果进行比较分析。结果表明:不同种类的水稻品种可以被区分开来,但BP神经网络分类效果最好,Fisher判别分析效果次之,PCA分类效果最差。因此,结合合适的特征提取方法及模式识别方法,有可能实现一种基于电子鼻技术的对不同水稻品种鉴别的简单、有效的方法。     

基于深度信念网络的苹果霉心病病害程度无损检测

针对现有霉心病无损检测只能检测出有无病害,无法对病害程度进行判断的问题,研究并提出一种基于深度信念网络(deep belief net,DBN)的无监督检测模型。该模型由多层限制玻尔兹曼机(restricted Boltzmann machine,RBM)网络和1层反向传播(back propagation,BP)神经网络组成,RBM网络实现最优特征向量映射,输出的特征向量由BP神经网络对霉心病病害程度分类。对225个苹果样本在波长200~1 025 nm获取其透射光谱后,根据腐烂面积占横截面比例将霉心病害程度分为健康、轻度、中度和重度4种,分别用150个和75个样本作为训练集和测试集,以全光谱数据和基于连续投影算法提取的特征波长数据为输入构建病害程度判别模型,并比较DBN模型与偏最小二乘判别分析、BP神经网络和支持向量机模型的识别效果,实验结果表明,DBN模型病害判别准确率达到88.00%,具有较好的识别效果。     

基于电子鼻技术的烟丝霉变检测

霉变是影响烟丝质量的重要因素之一,研究探索建立基于电子鼻技术的烟丝霉变检测方法。构建的电子鼻系统主要由5只SnO2半导体气敏传感器形成反应阵列,采用BP神经网络(back propagation neural network,BPNN)为主的模式识别方法。从每个传感器响应曲线中提取2个特征值,使用主成分分析和BP神经网络对传感器阵列的所有特征值进行处理。主成分分析结果显示:非霉变烟丝和霉变烟丝存在可区分趋势,但不同霉变程度的烟丝间存在部分重叠。进一步利用BP神经网络对霉变烟丝判别,识别正确率达到90.00%。试验表明,使用电子鼻技术可以客观、有效地区分霉变和非霉变烟丝,为有效控制烟丝质量提供了可靠途径。