结合太赫兹光谱与机器学习的小麦霉变程度判别

为快速、准确地判断小麦籽粒的霉变程度，研究基于太赫兹时域光谱技术，结合支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和极限学习机（extreme learning machine,ELM）的霉变小麦定性分析方法。首先，将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类，利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据。对比采用不同光谱预处理方法对判别结果的影响后，使用主成分分析、线性判别分析（linear discriminant analysis,LDA）、t分布随机近邻嵌入3种方法对光谱数据进行降维，结果表明LDA的降维效果最好。最后，构建基于SVM、RF和ELM的小麦霉变程度判别模型，结果显示SVM的判别效果最好，当核函数选择多项式核、误差惩罚系数为1时，判别准确率高达98.61%，预测集均方根误差值为0.142 9。本研究表明利用太赫兹光谱技术可实现小麦霉变程度的准确检测，为食品安全和粮食贮藏检测提供一种检测手段。     

不同储藏期大米蒸煮气味的检测及可视化分析

大米在储存、流通、销售等过程中,由于环境因素的变化会不可避免地发生陈化现象,产生"陈米臭"。米饭作为大米最为普遍的食用方式,其气味是消费者对其品质评价的重要指标。本研究采用GC-MS技术对不同储藏期大米(0,2,4,10个月,并利用感官评定法对其气味进行评定)的蒸煮气味进行分析,在此基础上利用嗅觉可视化技术对其进行检测。试验结果表明,醛类物质是大米陈化过程中对其蒸煮气味影响最大的挥发性气体。根据主成分分析可知,利用蒸煮气味的不同可实现大米新鲜度的判别。采用嗅觉可视化技术结合线性判别法,对储藏时间分别为0,2,4,10个月的大米及涂蜡处理大米(10个月)检测,检测率为96%。嗅觉可视化技术与GC-MS技术相比无需前处理,检测速度快,可实现大米陈化快速、无损的检测,具有很高的应用潜力。     

嗅觉可视化技术对虾储藏期内新鲜度变化的研究

新鲜度是虾类产品品质和加工适性的一个重要指标。研究利用自制的4×4可视化传感器阵列提取储藏在4℃下1～7 d的南美白对虾的挥发性气味信息。将提取的传感器阵列与虾顶空挥发性气体反应前后的颜色变化值作为特征值,对其进行主成分分析。构建以前7个主成分作为输入变量的虾新鲜度等级的BP神经网络判别模型。对训练集样本,模型的判别正确率达100%,对预测集样本,模型的识别正确率达91.30%。研究结果表明:利用嗅觉可视化技术来检测虾的新鲜度是可行的。     

小麦霉菌侵染程度电子鼻快速检测方法的初步研究

本研究利用电子鼻气体传感器技术,初步建立了小麦霉菌侵染程度定性定量同步分析方法。小麦样品经辐照杀菌后接种5种谷物中常见有害霉菌,于85%相对湿度和28℃的环境中储藏至重度霉变。在样品储藏的不同阶段,选取时间节点0、1、3、5和7 d采集其电子鼻气味响应信息,建立了其响应信号和霉菌侵染程度的相关关系模型。结果显示,依据带菌量的不同,基于电子鼻信号的主成分分析法(PCA)可成功区分未霉变[2.7 log(CFU/g)]、轻度霉变[2.7～4 log(CFU/g)]与重度霉变[4 log(CFU/g)]的小麦样品;线性判别分析(LDA)对受单一霉菌侵染的小麦样品霉变程度的识别率达90.0%以上,对所有小麦样品的识别率达84.0%。偏最小二乘回归模型(PLSR)对小麦菌落总数的模型决定系数(R_p~2)和预测误差(RMSEP)及相对分析偏差(RPD)分别为0.852,0.504 log(CFU/g)和2.30。结果表明,利用电子鼻技术实现小麦霉菌侵染程度的快速识别是可行的。下一步应不断补充不同来源的小麦样品,以不断提高模型的精度和适用性。     

油茶果自然霉变程度的可见/近红外与中短波近红外光谱检测

分析利用可见/近红外光谱（400～1 000 nm）与中短波近红外光谱（900～1 700 nm）对不同自然霉变程度油茶果检测判别的可行性,实验同时采集不同霉变程度油茶果赤道阴面、阳面和接合面三点的两波段光谱,样品平均光谱的主成分分析（principal component analysis,PCA）发现不同霉变程度样品同组内具有一定聚类效果且PC1和PC2对于判别不同组间样品有效,全光谱偏最小二乘判别分析模型结果显示原始光谱已具有足够信息,建立的模型性能比预处理后全光谱更优。进一步进行特征波长选取,发现相比于PC载荷,连续投影法在两光谱范围选取波长建立的简化模型均为最优,预测集判别准确率与Kappa系数均为84.4%与0.766 7。结合预测集混淆矩阵发现,两光谱范围最优简化模型预测不同霉变组样品特异度相当,均在0.84以上,但900～1 700 nm中短波近红外光谱对于中等霉变程度的判别灵敏度（0.72）略高。本研究表明近红外光谱技术可用于油茶果的自然霉变程度检测,可见/近红外与中短波近红外光谱能力相当,考虑到仪器成本问题,可见/近红外光谱具有更好的实时检测应用前景。     

霉变玉米气体传感器阵列快速检测

玉米易受霉菌感染发生霉变,影响食用安全。快速测定玉米霉变程度是控制其危害的前提。本研究拟利用基于气体传感器阵列的电子鼻技术,获取不同霉变程度玉米的特征气味信息,建立玉米霉变程度快速检测方法。辐照灭菌玉米分别接种5种谷物中常见有害霉菌,并于28 ℃和85%相对湿度环境中储藏15 d直至严重霉变。在第0、6、9、12和15 d,采集样品的气味信息的电子鼻特征响应信号,建立了玉米霉变程度的定性定量模型。结果表明,主成分分析(PCA)法可成功区分不同霉变程度的玉米样品。线性判别分析(LDA)对受单一霉菌侵染的不同霉变程度玉米样品的平均识别率达93.3%以上,全部样品达76.7%。样品中菌落总数的偏最小二乘回归分析(PLSR)模型的预测决定系数(R_p2)达0.777,预测均方根误差和相对分析偏差(RPD)分别为0.981 log CFU/g和2.12。结果表明,应用电子鼻技术快速检测玉米霉变具有一定可行性,下一步需要不断扩大样本量以提高方法的精度和可靠性。     

嗅觉可视化技术对啤酒品质的快速检测

为实现啤酒品质的快速无损检测，利用嗅觉可视化技术对青岛啤酒的8 种啤酒（纯生、1903、奥古特、白啤、黑啤、皮尔森、IPA和Strong）进行定性区分和关键质量指标（乙醇体积分数、原麦汁质量分数和双乙酰质量浓度）定量预测。采用4×4的色敏传感器阵列与啤酒的挥发性成分进行反应，并利用化学计量学方法对色敏传感器阵列的差值图像信息进行分析。结果表明，线性判别分析模型能够很好地将8 种啤酒定性区分，校正集和预测集的识别率均达到100%；最小二乘支持向量机模型能够很好地对乙醇体积分数、原麦汁质量分数和双乙酰质量浓度进行定量预测，模型的校正集和预测集校正曲线相关系数均达到0.98以上。因此，嗅觉可视化技术能够实现对啤酒品质的快速无损检测，具有很好的应用潜力。     

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。     

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。     

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的 针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法 采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果 将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。     

采用气相色谱-离子迁移谱技术检测黄酒风味物质

为实现黄酒中挥发性风味物质的快速无损检测,本研究采用气相色谱-离子迁移谱(Gas chromatography-ion mobility spectrometry,GC-IMS)联用技术结合化学计量学方法对不同酒龄黄酒中的挥发性风味物质进行了研究。黄酒样本的GC-IMS图片库显示,不同酒龄黄酒的挥发性风味物质浓度存在显著差异。采用差谱法从谱图中筛选出33个特征峰,利用其中13个数据库可查询到对应物质的特征峰进行黄酒的风味成分分析。以33个特征峰峰高作为变量,通过主成分分析(principal component analysis,PCA)进行降维,前6个主成分累计贡献率为95%,可以有效区分各组样本。分别采用线性判别(Linear Discriminant Analysis,LDA)、K-最近邻分类算法(K-Nearest Neighbor,KNN)建立酒龄判别模型。结果显示,LDA方法得到的训练集和预测集识别率分别为95%和90%,KNN的判别效果较好,训练集和预测集的识别率均达到100%。这说明,GC-IMS可以有效应用于黄酒挥发性风味物质的检测,在食品风味物质分析等领域具有广阔的应用前景。     

气相-离子迁移谱联用技术评定大米霉变程度的应用研究

建立一种快速评定大米早期霉变程度的检测方法。研究利用气相-离子迁移谱联用技术(Gas Chromatography-Ion Mobility Spectrometry, GC-IMS)基于大米霉变过程中的特征挥发性有机成分的变化评定霉变程度。GC-IMS图片库的结果表明,不同霉变过程中大米产生的挥发性有机化合物成分及浓度存在明显差异,基于主成分分析(Principal Component Analysis, PCA)法能够有效地区分不同时期霉变程度,通过K-Means无监督聚类算法对PCA的得分结果进行聚类分析。结果表明,运用GC-IMS联用技术对大米霉变程度进行快速鉴定具有一定可行性,在大米霉变的早期预警方面具有一定应用价值。     

Detection of age and insect damage incurred by wheat, with an electronic nose

Wheats of five storage ages and with 15 degrees of insect damage were evaluated and classified by the static-headspace sampling method using an electronic nose (E-nose). A commercial E-nose (PEN2) comprising 10 metal-oxide semiconductor (MOS) sensors was used to generate a typical chemical fingerprint of the volatile compounds present in the samples. Principal-component analysis (PCA) and linear-discriminant analysis (LDA) were applied to the generated patterns to achieve classification into the five groups of different storage-age wheats and the 15 groups of different degrees of insect-damaged wheat. The results obtained indicated that the E-nose could discriminate successfully among wheats of different age and with different degrees of insect damage.     

基于感官评价和电子鼻分析不同蒸煮时间荸荠挥发性风味物质

在感官评价的基础上,运用电子鼻技术对不同蒸煮时间荸荠挥发性风味物质进行分析,通过雷达图探究各传感器响应值的变化情况,结合主成分分析(principal component analysis,PCA)和线性判别分析(linear discrimination analysis,LDA)等统计学手段对数据进行分析。结果表明,由感官评价结果可知,荸荠削皮蒸、煮的最佳时间均为20 min,带皮蒸、煮的最佳时间均为30 min。由电子鼻分析结果可知,荸荠挥发性特征风味成分主要为硫化物,此外还有少量的甲基类化合物、氮氧化物、芳香类化合物和有机硫化合物;与鲜荸荠相比,不同蒸煮时间荸荠的气味响应值变化明显。PCA分析表明,电子鼻对不同蒸煮时间荸荠的气味均有较好的响应;LDA分析总贡献率均大于90%,略低于PCA分析,能较好地区分不同蒸煮时间的荸荠。感官评价与雷达图、PCA和LDA分析结果相符。基于感观评价的电子鼻分析不仅比单一的感官评价更客观准确,而且可以量化评价不同蒸煮时间荸荠挥发性风味物质的变化规律,对荸荠加工品质控制和日常烹饪具有一定的指导作用。     

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。     

基于电子鼻与GC-MS分析精氨酸-葡萄糖美拉德反应体系挥发性风味成分的差异性

为研究不同反应时间对精氨酸-葡萄糖美拉德反应体系挥发性风味物质的影响,利用电子鼻与气相色谱-质谱联用(gas chromatography-mass spectrometry,GC-MS),结合主成分分析(principal component analysis,PCA)和线性判别分析(linear discriminant analysis,LDA),对不同反应时间精氨酸-葡萄糖美拉德反应体系的挥发性风味成分进行差异性分析。结果显示:PCA和LDA均能够较好地区分30 d和40 d的样品,但对于其它样品PCA区分效果要比LDA好。GC-MS从精氨酸-葡萄糖美拉德反应体系中共检测出50种挥发性物质,可分为醇类、醛类、酮类、酯类、烷烃类和其它类化合物等6类物质,其中酯类物质为10、20 d样品中的主要挥发性物质,醇类物质是20 d和30 d样品中的主要挥发性成分,不同反应时间主要挥发性成分差异显著。对不同精氨酸-葡萄糖美拉德反应体系样品挥发性物质进行主成分分析,建立其品质评价模型,得出不同时间的综合得分顺序依次为20、10、60、40、30 d和50 d。     

电子鼻分析镇江香醋发酵和陈酿阶段的气味变化

利用PEN3电子鼻对镇江香醋发酵和陈酿过程中挥发性风味进行分析。结果表明,电子鼻能准确稳定地识别醋醅和陈酿醋气味图谱的变化并对不同发酵时间的醋醅和陈酿醋中的败坏醋进行区分;醋醅和食醋的挥发物组成类似,主要是氮氧化合物类、甲烷类、硫化物类、醇类、有机硫化物类;线性判别分析（LDA）和主成分分析（PCA）都能区分各个样品,但PCA对醋醅的区分优于LDA,载荷分析结果表明,醋醅中甲烷类和氮氧化合物类分别对第一、二主成分方差贡献率最大,醋液中甲烷类和硫化物类分别对第一、二主成分贡献率最大。LDA对败坏醋的区分优于PCA。     

电子鼻结合化学计量法对羊奶中蛋白质掺假的识别

利用电子鼻结合化学计量法对羊奶中的蛋白质掺假进行定性和定量的研究。用电子鼻检测掺入了不同蛋白质物质的羊奶,采用主成分分析、线性判别分析对电子鼻响应值进行定性分析,采用线性回归分析、Fisher判别分析以及K-最邻近值分析对电子鼻响应值进行定量分析。结果表明:主成分分析和线性判别分析都能够区分不同类别的掺假样品。线性回归分析的决定系数为84.5%,表明回归方程估测可靠程度较高。Fisher判别分析的原始分类的正确率达到100.0%,交叉验证的正确率为98.2%,说明其预测结果较好。K-最邻近值分析对训练集的分类正确率达到95.1%,对验证集的分类正确率为97.1%,说明模型的预测结果良好。说明应用电子鼻技术检测羊奶中的蛋白质掺假具有一定的可行性。     

基于高光谱成像技术小麦籽粒霉变鉴别方法研究

小麦霉变籽粒是小麦不完善粒一种,鉴别小麦霉变粒是粮食霉变程度的重要参考。为了更精确地鉴别小麦霉变籽粒,本文利用高光谱成像技术采集不同品种小麦霉变籽粒及非霉变籽粒的光谱信息,建立小麦霉变籽粒的鉴别预测模型,实现小麦霉变籽粒快速、无损、有效、稳定的鉴别。首先收集了100粒霉变和100粒正常非霉变籽粒400-1000 nm范围的高光谱图谱,通过不同的光谱预处理方法进行处理,选出最优光谱信息预处理方法。接着,采用连续投影算法(SPA)和竞争性自适应重加权采样(CARS)提取特征波长,分别比较通过全波长范围和特征波长下建立的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型并进行比较。结果表明,淮麦22和宁麦13的最优预测模型分别为全波长-OSC-SVM和SPA-OSC-SVM模型,对应的R分别为0.9963和0.9998,RMSEP分别为0.0309和0.0064,R分别为0.9975和0.9995,RMSECV分别为0.0247和0.0111。