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.     

基于XGBoost的掺伪茶油光谱鉴别模型

为实现采用紫外-可见-近红外光谱技术鉴别掺伪茶油的目的,研究首先通过向茶油中掺入不同比例的葵花籽油、玉米胚芽油和花生油制备掺伪茶油,然后采用自制的透射光谱采集实验平台获得光谱数据,对原始光谱进行预处理后,分别以竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、Boruta算法进行特征波长筛选,最后建立了基于XGBoost的掺伪茶油鉴别模型。研究结果表明,原始光谱经过SG-连续小波变换[CWT(分解尺度2⁵,L5)]预处理和Boruta特征波长筛选后,所建立的XGBoost模型鉴别性能最佳,测试集的准确率、灵敏度和特异性分别达到了98.18%、100.00%和97.62%。通过与常用的支持向量机(SVM)和极限学习机(ELM)模型对比后得到,XGBoost模型的准确率分别提高了3.63%和1.82%,特异性分别提高了4.76%和2.38%。     

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。     

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。     

基于近红外光谱技术的茶籽油掺伪定性鉴别和定量分析

茶籽油是我国特有的高级食用油。近年来茶籽油掺伪现象层出不穷,本研究利用傅里叶近红外(FT-NIR)光谱与化学计量学相结合,获得一种快速对不同掺假类型（低芥酸菜籽油、大豆油、二元混合油）和不同掺假度（0%-100%）的茶籽油进行定性和定量检测的方法。基于近红外差异光谱进行判别分析（discriminant analysis,DA）,DA成功识别了不同掺假度的二元与三元混合茶籽油。通过对手动与自动筛选的不同波段结合不同预处理方法建立偏最小二乘法（Partial least squares,PLS）定量分析模型,最佳模型对掺假水平具有良好的预测性能,决定系数(R2)均大于0.91。校正均方根误差(RMSEC)和预测均方根误差(RMSEP)均接近于0。通过交叉验证,最佳模型的交叉验证相关系数均大于0.98,交叉验证均方根误差均小于0.05,表明筛选的最佳模型均具有良好的稳定性。通过外部验证,最佳模型对不同掺假类型的中、高掺假度（≥10%）的样品识别率高达100%。研究表明,利用近红外光谱技术结合化学计量学能够实现茶籽油掺假的快速、无损鉴定。     

花生油香精掺伪鉴别技术的研究

通过分析花生油和花生油香精的挥发性成分,鉴别出花生油和香精的特征成分,为花生油掺伪鉴别技术提供依据。运用静态顶空-气相色谱-飞行时间质谱联用技术,采集花生油和花生油香精的挥发性成分,由未知物分析软件对未知化合物进行解卷积处理,检索谱库,对化合物主要类别和含量进行了比较分析。花生油共鉴定出54种挥发性成分,种类较多,主要包括吡嗪类(35.37%),烃类、醇类、苯酚类、酯类和酮类含量均在5%~10%之间。花生油香精共鉴定出32种挥发性成分,吡嗪类占大多数(65.45%),其次是醛类(13.65%),吡啶占(6.87%),其他类别含量均少于5%,种类较少。通过分析得到花生油的特征化合物有丙基环丙烷、2-乙基-5-甲基吡嗪、吡咯-2-甲醛和2,3-二氢苯并呋喃,香精的特征化合物有2-乙酰基吡啶、乙酰吡嗪和2-苯氧基乙醇。通过上述特征化合物,可以有效的将花生油和香精区分,为鉴别花生油掺伪提供了可靠依据。     

基于三维荧光光谱的花生油掺伪快速检测研究

建立一种基于三维荧光光谱的花生油掺伪检测方法。以纯花生油和掺伪4种常见植物油的花生油为研究对象,将三维荧光光谱图处理转化为灰度图,利用Zernike图像矩直接提取三维荧光光谱灰度图的特征信息,得到的特征信息数据通过Xgboost算法和广义回归神经网络（GRNN）算法分别建立定性和定量掺伪判别模型并对其进行验证。结果表明：Xgboost算法可以有效地对掺伪的花生油进行鉴别,并准确解析其掺伪具体成分;GRNN算法可定量预测花生油掺伪含量,各检出限分别为掺伪大豆油0.2%、掺伪菜籽油1.5%、掺伪玉米油1.0%、掺伪葵花籽油0.5%。因此,该方法可对花生油掺伪进行定性和定量分析,具有快速、简便、灵敏度高等优点。     

GC-MS在花生油中掺伪花生油香精的鉴别应用研究

采用气相色谱-质谱联用技术对花生油及花生油香精中挥发性成分进行分析,剔除共有成分后,对所获得数据采用SPSS统计软件进行分析,将花生油香精中69个特征挥发性成分分为两类。通过对掺伪不同比例花生油香精的花生油样品分析,归为第一类的14种特征物质能很好地区分掺伪花生油香精,其检出限低至0.01%(占花生油体积分数),可为鉴别花生油掺伪花生油香精和评价花生油的品质提供技术参考。     

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。     

拉曼光谱快速鉴别花生油掺棕榈油的研究

本文利用激光拉曼光谱实现了纯花生油中掺棕榈油的快速定性鉴别和定量分析.通过因子分析法的二维因子图,能够定性鉴别纯花生油和掺棕榈油的花生油;通过最小二乘法建立的拉曼光谱相对峰强度（Y）与掺入棕榈油的质量百分数（X）之间的线性方程（Y=-0.233 7X ＋0.506 8,R2=0.995 9）能够实现纯花生油掺棕榈油的定量分析.     

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。     

基于近红外光谱技术的抹茶掺伪定性判别研究

本实验采用近红外光谱技术与主成分分析法结合线性判别分析法（PCA-LDA）和K最邻近法,对抹茶中添加白砂糖、麦芽糊精、桑叶粉、大麦苗粉的现象进行定性判别分析。结果显示,PCA-LDA的定性判别结果优于K最邻近法,纯抹茶与掺伪抹茶、纯抹茶与掺糖抹茶、纯抹茶与掺糊精抹茶、纯抹茶与掺桑叶粉抹茶、纯抹茶与掺大麦苗粉抹茶、4种掺伪抹茶的定性分析模型的校正集识别率为98.3%、100%、91.7%、100%、100%、100%;预测集识别率为96.5%、100%、87.5%、95.8%、90.3%、95.3%。由此可知,通过PCA-LDA建立的定性判别模型准确度和识别率都很好,能够快速、准确的对抹茶中是否掺伪进行定性判别。      

基于SIMCA模型的纸浆种类近红外光谱鉴别

研究了近红外光谱分析与SIMCA模式识别技术相结合鉴别纸浆种类的方法。收集了桉木浆、麦草浆(漂白与未漂白)、棉浆、湿地松浆等4种纸浆共90个样品,抄成不同定量纸样并采集其近红外光谱,其中部分桉木浆添加化学助剂。选择60个样品作为训练集建立SIMCA类模型,剩余30个样品用于模型检验。研究结果表明,建立的模型能完全正确识别各类纸浆,且不受抄纸定量和添加化学助剂因素的影响,为快速无损鉴别纸浆种类提供了一种准确可靠的方法。     

近红外光谱法定性检测餐桌废弃油脂的掺伪

目前餐桌废弃油脂的违法掺伪行为时有发生。探索快速而有效的分析手段,保障百姓餐桌安全是当前的重要任务。本实验采用近红外光谱分析法对餐桌废弃油脂掺伪食用油进行定性鉴别。采用计量学软件,运用距离判别法和BP神经网络算法,对经过标准化与主成分分析处理过的油脂光谱数据建立模式识别模型。距离判别法的判别准确率为89.71%,BP神经网络准确率最高达到97.06%。预测结果说明,分析油脂的近红外光谱信息可以有效鉴别回收油的掺伪行为。      

基于拉曼光谱-聚类分析快速鉴别掺伪油茶籽油

在532 nm激光光源的扩展拉曼光谱及一阶导数光谱中,油茶籽油与低价植物油及精炼地沟油光谱形态的差异显著,谱峰得到有效分离。基于全波段光谱信息和形态建立的多步聚类分析模型既可准确鉴定油茶籽油,还可准确鉴定各种类型的掺伪油茶籽油。对26份不同油茶籽油、105份不同低价植物油、75份5%及以上的掺杂油茶籽油和38份不同精炼地沟油的判别正确率均为100%,对5%及以上的180份掺假油茶籽油和72份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1份样品仅耗时5 min左右,可实现对掺伪油茶籽油的快速、无损和准确鉴别。     

基于近红外光谱的冻融猪肉糜鉴别模型研究

目的 反复冻融猪肉糜品质差、不易判别。方法 采用近红外光谱分析技术对新鲜猪肉糜和不同冻融次数猪肉糜分别进行无损鉴别,建立了窄神经网络(narrow neural network, NNN)、线性判别(linear discriminant, LD)、支持向量机(support vector machine, SVM)和子空间判别(subspace discriminant, SD)4种不同的判别模型,并对所建立的模型性能采用正确判别率、混淆矩阵、受试者工作特征曲线和曲线线下面积这4个指标进行评价。结果 基于子空间判别建立的模型较优,其预测集正确判别率为96.4%,并且其混淆矩阵、ROC曲线和AUC均显示了该模型对于冻融猪肉糜分类的优越性。结论 本研究建立的近红外光谱技术结合子空间判别模型对冻融猪肉糜的鉴别能力较强,可为工业化在线检测方法的开发提供技术支撑。     

拉曼光谱-聚类分析快速鉴别掺伪芝麻油

目的建立快速鉴别掺伪芝麻油的拉曼光谱-聚类分析方法。方法以不同产地、不同品牌的多批次芝麻油、大豆油、玉米油、菜籽油、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,芝麻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。基于此全波段光谱信息和形态建立的多步聚类分析模型对芝麻油、低价植物油、仿冒芝麻油和精炼地沟油的判别正确率均为100%;对5%、10%、20%、30%和50%掺假芝麻油的判别正确率分别为72%、92%、100%、100%和100%;对5%、10%和20%掺杂芝麻油的判别正确率分别为97%、100%和100%;对5%、10%和20%掺杂植物油的判别正确率分别为94%、100%和100%。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芝麻油,还可准确鉴定各种类型的掺伪芝麻油,可实现对掺伪芝麻油的快速、无损和准确鉴别。