基于可见—近红外光谱的花生油二元掺伪体系鉴别研究

为了建立一种简便有效的花生油掺伪的定性和定量鉴别方法,采集花生油中分别掺伪0~90%大豆油、棕榈油和棉籽油样品的可见—近红外光谱图,结合主成分分析、判别分析、改进偏最小二乘法,建立花生油掺伪的定性鉴别和定量预测模型。结果表明,在定性鉴别中,对花生油中分别掺入大豆油、棕榈油和棉籽油的整体正确判别率分别达到了100%、96.1%和85.3%。在定量分析中,对MPLS法建立的花生油二元掺伪定标模型进行验证,结果表明,掺入大豆油、棉籽油和棕榈油的预测相关系数R_p~2分别为0.998、0.997和0.995,相对标准差RSD分别为2.33%、3.04%和3.83%,相对分析误差RPD分别为3.542、2.642和2.581,说明这三种掺假花生油所建立的最优定标模型的预测精度高,其中花生油中掺入大豆油的预测精度最高,检测花生油中掺入棉籽油与棕榈油的最低掺假量为3%。为花生油二元掺伪模式提供了一种简便、快速、有效的分析方法。     

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...     

近红外光谱法快速鉴别花生油真伪及掺伪成分

为实现对掺伪花生油的快速鉴别, 本文对花生油样品的原始光谱先后经过小波变换、特征谱区的选择、一阶导数加上矢量归一化预处理、剔除异常样品等方法处理后, 采用主成分分析法对预处理后的光谱数据进行聚类分析.结果表明, 该方法对花生油的真伪鉴别准确率达到了100%, 而且能对伪品花生油掺伪量及掺伪量大于20%时使用的掺伪植物油种类做出鉴别.说明利用近红外光谱技术结合小波变换和模式识别技术可快速、准确地鉴别花生油的真伪及掺伪成分.     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP（Backpropagation,BP）神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446和462 nm、玉米油为268和274 nm、葵花籽油为280和288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法（LMA）、动量梯度下降法（MGD）及弹性梯度下降法（EGD）掺伪模型识别率分别为98.15%、91.67%和95.52%。     

拉曼光谱法快速检测猪肉脯中的掺伪鸡肉

目的 建立拉曼光谱法快速、准确、无损地检测猪肉脯样品中掺假鸡肉的方法。方法 制备33份猪肉中掺入不同比例鸡肉的肉脯样品,采集拉曼光谱数据,分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数等5种不同预处理方法,对原始光谱数据进行预处理,采用连续投影算法、竞争性自适应重加权算法及随机蛙跳算法对光谱数据进行特征波长筛选,建立偏最小二乘法(partial least squares,PLS)模型对猪肉脯进行定性定量判别。结果 拉曼光谱数据经过多元散射校正处理的效果最佳,竞争性自适应重加权算法竞筛选效果更佳,构建猪肉脯中猪肉含量的PLS定量模型,其预测集决定系数和预测均方根误差分别为0.9762、7.2998。建立的PLS判别模型的校正集和预测集总判别正确率分别为100.00%和98.33%。结论 拉曼光谱分析技术可有效用于定性鉴别猪肉脯是否掺伪及定量分析猪肉肉脯中掺入鸡肉的比例,为肉脯掺假的快速无破坏性检测的应用提供支持。     

激光近红外结合SVM的花生油掺伪定性定量分析

利用激光近红外技术结合支持向量机(support vectormachines,SVM)对花生油掺伪进行定性和定量分析。使用激光近红外光谱仪采集188个掺入餐饮废弃油、大豆油、玉米油以及菜籽油的花生油样品光谱图。结果表明,建立的SVC分类模型均能实现100%的预测准确率,但经提取波长后的模型的变量变少,由全波段的451个波长数减少为136个。建立的SVR回归模型也能准确预测花生油中掺伪油的含量,其中非全波段模型参与建模变量变少,由451个降低到66个,预测精度也更高,校正集和测试集相关系数分别达到99.88%、99.90%,均方根误差都低于6.99E-4。由此可知,特征波长提取方法不仅可以减少建模变量,提高建模效率,也能够提高模型的预测能力。结果表明,运用激光近红外结合SVM可以实现花生油掺伪油脂的定性和定量分析。     

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。     

牛乳清粉掺伪羊乳粉的近红外光谱法快速无损检测

为快速无损检测掺伪羊乳粉中牛乳清粉的含量,采用近红外光谱法(NIR)结合ν-支持向量回归(ν-SVR)检测197个掺伪牛乳清粉的羊乳粉,并与偏最小二乘法(PLS)对比,光谱经平滑、标准变量变换及导数预处理。随机选取132个样本作为校正集建立模型,其余65个样本作为测试集,评估模型性能。结果显示:校正集最优模型为标准变量变换、Savitzky-Golay平滑和二阶导预处理ν-SVR模型,其交叉验证误差均方根(RMSECV)为0.586,交叉验证相关系数(RCV)达到0.9947。预测集验证结果ν-SVR法比PLS法更优,ν-SVR模型预测值与真实值R达到0.9958,RMSEP为0.526。试验结果表明NIR结合ν-SVR模型可用于掺伪羊乳粉中牛乳清粉的快速无损检测,而且操作简便,可为实际应用提供参考。     

酸奶中非脂乳固体的近红外定量分析模型建立

采用偏最小二乘回归PLS建模算法,建立酸奶中非脂乳固体的近红外定量分析模型,并对模型进行验证评估。收集92组酸奶样品,并用漫反射方法采集得到近红外扫描光谱,光谱经过MSC、一阶导数、S-G平滑等预处理,选取波数范围6 000~10 000 cm-1,用PLS法建立得到了较优模型,其相关系数R为0.99078,均方根校正误差RMSEC为0.152,均方根预测误差RMSEP为0.330,性能指数PI为83.1。用此模型对25组酸奶样品进行了预测,预测效果较好。     

青海亚麻籽油甘三酯指纹图谱构建及掺伪识别的研究

利用高效液相色谱-蒸发光散射检测器（HPLC-ELSD）法对青海亚麻籽油中的甘三酯（TAG）组分进行了定性、定量研究,并运用中药色谱指纹图谱相似度评价系统建立其TAG标准指纹图谱,利用指纹图谱鉴别掺入5%~50%的大豆油、玉米油、菜籽油、花生油、葵花籽油、芝麻油的掺伪模型。结果表明：亚麻籽油中主要的TAG为OLnLn（29.40%）、LnLnLn（23.71%）、OLnO（15.10%）、OLLn（13.43%）、LLnLn（13.32%）;指纹图谱鉴别结果与真实掺伪量的相对误差表明所建立的指纹图谱可以较好地鉴别掺入5%~50%的大豆油、葵花籽油、芝麻油的掺伪模型,对花生油掺伪量10%的掺伪模型的鉴别相对误差较高（9.15%）,未能实现对菜籽油掺伪量5%掺伪模型的鉴别。试验构建的青海亚麻籽油TAG指纹图谱可为青海省亚麻籽油质量监控和掺伪识别提供理论依据。     

基于近红外漫反射光谱及不同算法对泰来绿豆的产地溯源研究

为实现泰来绿豆产地溯源研究，筛选适宜算法与样品形态对模型精度的影响与应用，实验采用傅里叶变换近红外漫反射光谱技术对来自泰来绿豆和非泰来绿豆共计253 份样品进行产地溯源研究。结果表明，采用绿豆粉末状态建模效果要优于籽粒状态，对绿豆粉末鉴别研究中，运用因子化法建模的检测精度要优于标准算法，该法结合一阶导数+5点平滑的预处理方式建立的定性分析模型及采用Ward’s algorithm聚类算法结合二阶导数＋SNV＋5点平滑的预处理方式建立的聚类分析模型分别对粉末状泰来绿豆的正确鉴别率为96.15%和92.30%。对绿豆籽粒鉴别研究中，采用PLS法建立的定量分析模型，其RMSECV为0.129，R2为98.06，RPD为7.18，RMSEP为0.123，对泰来绿豆正确识别率为88.46%，要明显优于其他模型。因此，采用近红外漫反射光谱技术对泰来绿豆进行产地判别具有可行性。     

原料肉中掺大豆蛋白的近红外检测技术的研究

探讨了利用近红外光谱技术快速、准确地进行原料肉中是否掺大豆蛋白鉴别的可行性。首先以原料肉和掺假肉为原料,利用近红外光谱仪测定样品的漫反射光谱曲线,再应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的判别模型的正确判别率达到100%,对未知样进行检验,正确判别率达到86.1%;最后利用偏最小二乘法(PLS)建立大豆蛋白掺入量的定量检测模型,校正模型决定系数(R2)为93.4%,内部交叉验证均方根差(RMSECV)为2.45%,对此模型进行验证,预测集相关系数(R2)为84.1%,预测标准偏差(RMSEP)为3.59%。说明应用近红外光谱技术对原料肉中掺大豆蛋白进行快速、准确的的鉴别是可行的。     

基于近红外漫反射光谱技术的小麦蛋白质含量检测

收集来自国内3个主要小麦生产省份的小麦样品共73份,应用近红外光谱漫反射技术结合化学计量学方法建立小麦蛋白质含量的近红外光谱定量模型,并对模型的稳定性和可靠性进行评价。结果表明,光谱预处理的最佳条件为:Savitzky-Golay平滑+一阶导数处理,使用偏最小二乘法(Partial least square,PLS)建立模型,校正集(Rc)和预测集相关系数(Rp)为0.936和0.925,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.23和0.28,表明模型准确可靠,可应用于小麦蛋白质含量的快速无损检测。     

基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。     

基于氢核磁共振与偏最小二乘法对酸枣仁及其掺伪品的鉴别

采用氢核磁共振(1H nuclear magnetic resonance,1H NMR)代谢组学技术对酸枣仁、理枣仁以及不同比例的掺伪粉末进行对比,结合多元统计分析建立一种快速鉴别酸枣仁粉末及其掺伪品的方法。主成分分析显示掺伪比例较低的样品与酸枣仁有部分的重叠。偏最小二乘法-判别分析(partial least squares-discriminant analysis,PLS-DA)显示,当掺伪比例不低于40%时,酸枣仁粉和掺伪品沿t[1]轴完全分开。在此基础上,采用PLS对酸枣仁及其不同掺伪比例粉末样品训练集数据进行回归分析,并建立掺伪判别模型。1H NMR与PLS相结合的模型预测结果准确性较高,可实现酸枣仁中理枣仁掺假的快速鉴别。该方法为酸枣仁及含酸枣仁的保健食品、复方制剂质量评价提供了一条新途径。     

最小二乘支持向量机和脂肪酸融合信息应用于花生油掺伪玉米油检测

将最小二乘支持向量机用于气相色谱分析实现对花生油掺伪玉米油的鉴别,基于油脂的全样和Sn-2位脂肪酸组成的不同,采用主成分分析消除融合数据中信息重叠的部分,利用粒子群优化最小二乘支持向量机的参数,对花生油的掺伪进行鉴别,识别率为100%;分别采用最小二乘支持向量机、偏最小二乘法和主成分回归对花生油中掺入玉米油含量进行预测,结果表明基于脂肪酸融合信息的最小二乘支持向量机的预测均方根误差和相关系数R2分别为3.452 1%和0.986 6,与偏最小二乘法和主成分回归法相比,最小二乘支持向量机具有更好的稳定性和预测精度,同时也为食用油的真伪鉴别及掺伪情况确定提供一种新方法。     

基于红外光谱快速鉴别压榨油茶籽油与浸出油茶籽油的研究

为规范油茶籽油市场、维护消费者权益,建立了快速、准确鉴别压榨油茶籽油和浸出油茶籽油的方法。通过傅里叶变换红外光谱仪对大量压榨油茶籽油和浸出油茶籽油样品进行扫描,提取特征波段数据,运用Savitzky-Golay平滑(SG)、多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)和二阶导数(SD)方法进行预处理,然后结合偏最小二乘法(PLS)、支持向量机(SVM)和BP人工神经网络(BPANN)建立鉴别模型。结果表明,偏最小二乘法和BP人工神经网络建模时,SG平滑预处理方法最好,得到的SG-PLS和SG-BPANN两模型的验证集相关系数、验证集均方根误差、鉴别准确率分别为0. 767 9和0. 921 2、0. 322 6和0. 205 9、88. 46%和100%;支持向量机建模宜采用SNV预处理,建立的SNV-SVM模型验证集相关系数、验证集均方根误差和鉴别准确率分别为0. 761 4、0. 882 1、88. 46%。因此,红外光谱技术用于鉴别压榨油茶籽油和浸出油茶籽油是可行的。     

基于紫外光谱的花生油掺伪检测

为建立一种花生油掺伪检测方法,利用花生油和其他食用油在紫外光谱特征吸收峰不同,建立定量检测模型及并对模型进行验证分析。结果表明：花生油与其他食用油在280nm处特性吸收存在差异性,利用这一特性建立花生油掺伪定量分析模型,其方程为y＝46.72x－27.51(y为掺伪比例/%;x为吸光度),相关系数为0.9779,标准差为3.099%。盲样验证预测值与实际掺伪值高度线性相关,相关系数为0.9841,标准差为3.849%,检出限约为10%,相对误差均小于15%。紫外光谱花生油掺伪快速检测方法是可行的。     

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。