基于光谱技术的芝麻油掺伪定性分析研究

采用近红外光谱和中红外光谱技术结合极限学习机算法建立芝麻油中掺入大豆油的定性分析模型。选取不同品牌、批次的芝麻油、大豆油配置90个掺伪样本与40个芝麻油样本做定性分析。设定极限学习机算法相关网络参数,比较近红外光谱和中红外光谱的定性模型识别结果,研究光谱检测方法的可行性和分类识别的准确率,为实现基于光谱检测技术的芝麻油掺伪快速辨别分析奠定理论和实践检验基础,抑制芝麻油掺伪情况的发生。     

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。     

芝麻油真伪快速检测方法研究

为了实现对掺假芝麻油的快速鉴别,将豆油、花生油、棉籽油和菜籽油分别与同一种纯正芝麻油按体积分数0.5％ ～ 100％的比例混合,在3 200 ～ 10000cm-1光谱范围内采集了掺假芝麻油样品的近红外吸收光谱.通过特征谱区的选择、光谱预处理方法的优化,采用聚类分析和主成分分析法(PCA)分别建立了芝麻油的鉴别模型.结果表明:4种掺假油品有不同的较优光谱处理范围;两种模式识别方法对于掺假量5％～100％的芝麻油真伪识别率达到100％;而掺假量在5％以下时,两种方法都失去鉴别能力,说明近红外光谱分析技术在检测掺假芝麻油时的最低掺假下限为5％.综上,近红外光谱结合模式识别技术在掺假量大于5％时,可快速、准确地鉴别真伪芝麻油.     

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。     

基于光谱技术的芝麻油掺假定性分析研究

为了实现对掺假芝麻油的快速鉴别,对24种不同品牌的纯正芝麻油和掺有芝麻香精的大豆油、菜籽油和玉米油进行鉴别分析。重点利用近红外光谱和中红外光谱技术结合极限学习机算法用于芝麻油掺假的定性鉴别。设定极限学习机算法相关网络参数,比较近红外光谱和中红外光谱的定性模型识别结果,研究光谱检测方法的可行性和分类识别的准确率,为实现基于光谱检测技术的假冒芝麻油快速辨别分析奠定理论和实践检验基础,有效地控制假芝麻油流入市场。     

基于近红外透射光谱的食用油氧化定性分析

为建立食用油氧化的快速鉴别方法,以食用油为材料,根据国家标准对酸价和过氧化值的限量规定将不同氧化程度的样品分为未氧化油和已氧化油两类,通过近红外光谱透射技术结合距离判别分析,建立未氧化油和已氧化油的定性判别模型。结果表明：在波数范围为5450～4650cm-1,采用多元散射校正、一阶求导和Norris导数平滑光谱处理,校正集模型识别率为99%,验证集模型识别率为97.8%,模型预测效果良好,利用近红外透射光谱食用油氧化定性分析可行。     

斜率截距校正算法在食用油酸值和过氧化值上的近红外光谱模型转移的研究

良好的食用油近红外光谱分析模型以及不同仪器间的模型共享,能够提高模型利用率,可以满足食用油行业的发展需要。针对食用油酸值和过氧化值两个指标的模型转移问题,主要采用斜率截距校正算法,结合主仪器上建立的偏最小二乘法校正模型,针对从仪器上的食用油酸值和过氧化值的近红外光谱模型,进行了模型转移研究。研究表明,斜率截距校正算法在同为光纤探头扫描的实验仪器VERTEX 70和AntarisⅡ(光纤探头部件)间有较好线性度与效果,其酸值和过氧化值的预测均方差从54.675 6和1 912.219 4,分别下降到了0.441 9和6.752。斜率截距校正算法在食用油酸值和过氧化值指标上对相同原理的仪器转移效果较好,并且食用油酸值的校正效果好于过氧化值校正效果。该研究结果对于食用油品质的快速分析模型的广泛应用具有重要意义。     

食用植物油掺伪鉴别快速检验方法研究

提出了一种应用近红外光谱技术与化学计量学相结合的快速、无损鉴别植物油掺伪的新方法。收集了713个不同植物油样品,采用近红外光谱技术进行光谱扫描与分析,建立数据模型。应用数据模型对植物油样品的纯品及混合油进行定性鉴别,准确度高,适应现代快速检测的需要,为保证食用油品质安全奠定了一定技术基础。     

近红外光谱结合化学计量学研究芝麻油的真伪与掺伪

应用傅里叶变换近红外光谱(FTNIR)结合化学计量学分别建立了芝麻油的真伪鉴别与掺伪定量的快速分析方法。真伪鉴别分别采用FTNIR结合主成分分析-簇类软独立模式识别(PCA-SIMCA)和偏最小二乘法-人工神经网络(PLS-ANN),建立了芝麻油、大豆油、花生油、葵花籽油的分类模型。经过验证,两种分类模型的准确识别率均达到了100%。芝麻油中掺伪油的定量分析采用FTNIR结合PLS。通过采集不同比例的芝麻油-大豆油与芝麻油-葵花籽油二元系统的FTNIR谱图,应用PLS分别建立二元系统定量分析模型并通过验证集检验其可靠性,研究结果表明该模型可以准确预测芝麻油中10%~100%的掺假油,其预测值与实际值的相对标准偏差(SEP)分别为1.027(大豆油)和0.9660(葵花籽油)。     

近红外光谱技术在食用油快速检测领域中的研究进展

近红外光谱作为一种无损、快速的新型检测技术,在食品品质检测方面的研究已相当广泛。就近红外光谱技术在食用油种类鉴别、掺伪掺假鉴别、理化指标定量分析及产地溯源等方面的应用进行了综述。探讨了近红外光谱技术在食用油快速检测领域中的应用优势及发展前景。     

近红外光谱无损检测在食用油脂分析中的应用研究进展

近红外光谱技术作为一种具有样品前处理简便、快速高效、可以实现多组分同时分析等优点的新型无损分析技术,在食用油脂分析领域扮演着重要角色。对近10年来近红外光谱技术在食用油脂无损检测中的应用进行了总结,概述了近红外光谱技术的分析类型,在食用油脂和食用油脂原料分析方面的应用。通过结合化学计量学方法,近红外光谱技术可以实现不同种类食用油脂的快速鉴别分析,食用油脂的各项理化指标(如游离脂肪酸的含量、碘值、酸值、过氧化值、皂化值等)的快速检测,食用油脂无损掺假检测,食用油脂原料(如玉米、棉籽、油菜籽等)含油量的无损分析。此外,针对当前食用成品油快速无损分析过程中的难题对未来该领域的研究方向进行了展望,以期近红外光谱技术在食用油脂无损分析领域得到更广泛的应用。     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

基于统计学习理论的食用油红外光谱分析方法研究

目的建立不同品质食用油快速分类的中红外光谱检测方法。方法不同品质的食用油在化学组分上是存在差异的,利用中红外光谱技术全面反映和整体把握食用油的化学成分信息,并借助主成分分析(PCA)结合马氏距离法对食用油的中红外光谱图进行预处理,提取其特征信息,然后通过基于统计学习理论的支持向量机(SVM)建立相应分类模型,运用模型自动鉴别不同品质的食用油类别属性。结果实验通过从市场上随机抽取食用油样本,选取了3种不同品牌的大豆油、花生油共60个样本进行测试,分类正确率达到了100%。结论基于统计学习理论的食用油红外光谱分析方法对不同品质食用油的快速分类鉴别是有效的。     

红外光谱快速识别食用植物油种类的研究

为实现食用植物油种类的快速无损识别,为公安实战中打击“食药环”犯罪提供参考,借助衰减全反射-傅里叶变换红外光谱技术对不同类别、品牌食用植物油进行了多层次分类识别工作。采用标准正态变换(SNV)和一阶导数预处理消除基线和其他背景干扰,使得重叠峰发生分离,从而提高检测的分辨率和灵敏度,利用竞争性自适应重加权算法(CARS)提取特征波长,结合基于布谷鸟搜索算法优化的极限学习机(CS-ELM)模型对不同种类和品牌的食用植物油进行分类识别,同时对比随机森林模型与CARS-CS-ELM融合模型在食用植物油快速分类检测方面的准确率。结果表明,基于CARS-CS-ELM融合模型对3类植物油样本总体进行分类,其分类准确率达到85.19%,其中小磨香油、花生油、玉米油样本训练集的品牌分类准确率依次为92.5%、100%、96.7%,测试集品牌分类准确率均为100%,而随机森林模型的9个品牌食用植物油分类准确率仅为80%。综上,CARS-CS-ELM融合模型对食用植物油快速分类识别效果较好,可为食用植物油的无损快速检验提供一定的参考与借鉴。     

食用植物油鉴伪研究进展

近年来,食用植物油掺假问题引起了社会的广泛关注。本文通过收集相关的文献资料,对我国食用油鉴伪的研究进展进行了阐述,简要介绍了食用植物油掺假的现状,从食用植物油的组分包括脂肪酸、甘油三酯、甾醇、维生素E、挥发性成分以及其他成分和整体特征差异两个方向综述了目前植物油鉴伪的国内外研究进展,并对食用植物油鉴伪的研究发展趋势进行了展望。     

基于光电磁及感官信号的食用植物油真实性快速鉴别方法研究进展

食用植物油营养丰富,是食品和饲料工业的重要基础原料,但掺伪现象普遍存在。因此食用植物油真实性鉴别方法不仅保护了消费者安全,同时也为维护食用油市场提供了有效的技术支撑。现有食用植物油真实性鉴别技术分为4类:基于理化法的方法、基于特征成分的方法、基于光电磁及感官信号的快速鉴别方法、基于代谢组学的方法。基于光电磁及感官信号的食用植物油真实性的快速鉴别方法非常适合于现场初筛,本文概述了这类方法的国内外研究进展,并对其研究发展趋势进行了展望。     

食用植物油组分分析快速检测技术研究进展

对食用植物油组分快速检测方法,包括模拟感官分析、光谱分析、电磁波谱分析和生物芯片技术,从分析原理、应用技术等方面进行综述,并对这些技术在食用植物油组分掺混鉴别的应用成果进行分析,表明多通道、多参数、多容量的一体化在线快速检测技术将成为食用植物油组分分析发展方向,将为进一步提升食用植物油质量监管水平,保障我国消费者利益奠定技术基础。     

基于激光粒度仪的回收油脂鉴别研究

目的开发一种能对回收油脂进行有效鉴别的简便、快捷新方法。方法采用马尔文激光粒度仪对27种未经使用食用油以及5种回收油脂中颗粒物粒度大小进行测定,并对此32种油中颗粒物的粒度大小及其分布范围进行比较。结果未经使用的27种食用油中颗粒物粒度平均峰值均小于10 nm,而5种回收油脂中颗粒物粒度平均峰值均大于300 nm。结论回收油脂中颗粒物粒度要大于食用油的颗粒物粒度,通过2类油脂中颗粒物粒度峰值的差异可以进行回收油脂鉴别。本文采用激光粒度仪鉴别回收油脂,无需对样品进行任何前处理,测试过程简便、快捷。     

食用油掺伪鉴别技术及模型建立的研究进展

随着食用油掺伪频繁出现,掺伪物质复杂多样,基于传统的理化检测已无法准确实现食用油复杂掺假组分的分析。因此有必要利用现代分析技术手段结合相关数据计量学处理方法建立快速、精准、高效的食用油掺伪鉴别方法。本文综述了色谱分析、光谱分析及新型分析技术手段对食用油掺伪的检测,对借助化学计量学方法基于食用油组成成分种类及含量差异性而建立的掺伪模型原理及模型的应用进展进行了概述,并对目前食用油掺伪模型的建立方法提出展望,以期为食用油掺伪鉴别模型的建立提供理论参考。     

基于近红外光谱技术的食用油酸值和过氧化值定量分析研究

目的 建立基于傅里叶近红外光谱技术的定量分析模型,实现快速测定食用油中酸值和过氧化值含量,保证食用油的品质安全以及跟踪食用油储藏期间的品质变化。方法 首先采用傅里叶近红外光谱仪采集食用油样品漫反射光谱,接着采用归一化(Normalize)和标准正态变换(standard normal variate,SNV)对光谱数据进行预处理,降低原始光谱中噪声的影响;其次通过随机森林(random forest,RF)和引导软收缩(bootstrapping soft shrinkage,BOSS)算法提取特征波长;最后结合径向基函数(radial basis function,RBF)神经网络和极限学习机(extreme learning machine,ELM)建立食用油酸值和过氧化值的预测模型,并与全波段的模型进行对比分析。结果 经过BOSS算法所提取的特征波段建立的模型预测效果优于RF算法以及全波段模型,酸值模型的决定系数(determination coefficient,R²)达到0.98,均方根误差(root mean square error,RMSE)达到0...