基于近红外光谱的PLS-DA算法判别烤烟烟叶产地

为了快速、无损地鉴别和识别烟叶的产地,以2008年产于四川、云南、重庆和福建的464个烤烟烟叶样品的近红外光谱为基础,采用PLS-DA算法建立了烤烟烟叶产地的分类判别模型.结果表明:①4个模型校正集分类变量的预测值与实测值的相关系数均超过0.94,模型拟合性较好;②模型对检验集样本的判别准确率均高于93.0％,效果良好;③可对四川、云南、重庆和福建烟叶的产地进行有效识别.     

改进随机森林的波长选择用于烟叶近红外稳健校正模型的建立

为了增强烟叶定量近红外模型的稳健性,采用改进的随机森林(Random Forests,RF)重要性度量的方法选择与待测组分相关性强的波长变量,建立了抗干扰能力强的分析模型;用不同含水率和不同样品温度的烟叶测试样品,验证了所建模型的适用性。结果表明:①RF波长优选可以筛选出对外界变化敏感性低的波长变量。②模型更加简单,且具有更高的精度和稳健性。该方法对建立稳健的烟叶近红外品质快速分析模型具有一定的参考意义。     

基于近红外光谱技术的六大茶类快速识别

为构建高质量的六大茶类识别模型,本研究中收集了370份样品,通过采集其近红外光谱（near-infrared spectroscopy,NIRS）,结合光谱预处理、特征提取以及数据挖掘分类器算法,建立六大茶类快速识别模型。结果表明：1）支持向量机（support vector machine,SVM）与随机森林（random forest,RF）分类器皆适于六大茶类快速识别模型的构建;2)SVM分类器更适于结合原始光谱（original spectrum,OS）建模,预处理易使基于该分类器建立的模型鉴别性能减弱;3）随机森林（RF）分类器更适用于预处理后光谱建模,所得模型较OS模型在识别正确率（recognition accuracy,RA）及受试者工作特征曲线下面积（area under the curve,AUC）均得到明显提升;4）特征提取中线性判别分析（linear discriminant analysis,LDA）算法表现最好,所得模型的RA较OS模型明显提升,其中最佳模型OS-LDA-SVM的RA为100.00%,AUC为1.00,识别正确率高、泛化能力强、模型性能优异,...     

基于近红外光谱和随机森林方法鉴别蜂蜜真伪

目的建立蜂蜜样品真伪鉴别的近红外光谱快速检测方法,为今后蜂蜜检验工作提供可靠参考依据。方法采用积分球透反射模式采集样品近红外光谱数据,以Savitzky-Golay 1阶微分方法对原始光谱进行预处理,以随机森林方法建立光谱数据与蜂蜜真伪的定性判别模型。结果所建立的判别模型中训练样本判别正确率为100%,测试样本判别正确率为95%。结论近红外透反射光谱技术应用于蜂蜜真伪鉴别的可行性,同其他分析方法相比具有操作简单、速度快、效率高、无污染、费用低、无需复杂前处理等优点。     

基于近红外光谱的烟叶SIMCA模式识别

研究了基于烟叶的近红外光谱数据通过软独立模式分类(SIMCA)识别不同烟叶的方法。首先对每种具有确定产地、等级、品种的目标烟叶进行多次分布式取样,扫描目标烟叶多个样品的近红外光谱;再对目标烟叶近红外光谱进行主成分分析(PCA)运算生成每种目标烟叶的数据模型;然后扫描未知烟叶的近红外光谱,用目标烟叶数据模型对未知烟叶近红外光谱进行主成分分解计算,计算未知烟叶与目标烟叶的距离,通过距离衡量未知烟叶与目标烟叶的相似程度。建立了包含115种不同产地、等级、品种的目标烟叶的数据模型,对115个外部检验样品进行了模式识别,正确识别率高于90%。结果表明该烟叶模式识别方法基础数据易得,同时考虑了烟叶的平均水平和分布水平,识别准确率高,具有良好的发展前景。      

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱（500⁹00 nm）,利用中心化、归一化、标准正态变量（SNV）、Savitzky-Golay平滑滤波（SG）和多元散射校正（MSC）、直接正交信号校正（Direct Orthogonal Signal Correction,DOSC）算法对光谱数据进行预处理,采用t分布式随机邻域嵌入（t-distributed stochastic neighbor embedding,t-SNE）、主成分分析（PCA）方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机（extreme learning machine,ELM）和随机森林（random forest,RF）,建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。      

基于随机森林的单粒玉米种子水分近红外快速定量检测

玉米精量播种技术发展对单粒种子质量检测提出更高的检测要求,本文重点探索了近红外光谱结合化学计量学方法建立单粒玉米种子水分检测模型的可行性。实验收集并测定了110份玉米样本的水分含量,应用傅里叶变换红外光谱仪及单粒测样附件扫描得到样本集近红外光谱,利用SPXY法以3:1比例划分训练集和测试集。采用多种光谱预处理方法消除单粒种子采集光谱时由于颗粒形态等引起的噪声干扰,再采用主成分分析（PCA）、去噪自动编码器（DAE）进行降维和特征提取,建立基于随机森林（RF）的单粒玉米种子水分含量预测模型。实验结果表明,相对其他预处理方法而言,多元散射校正处理后建立的单粒种子水分模型性能较好,其训练集的R为0.986 2,RMSEE为0.141 4;测试集的R为0.968 9,RMSEP为0.445 7。DAE相较于PCA光谱特征提取效果更好,其训练集的R为0.988 5,RMSEE为0.175 31;测试集的R为0.982 4,RMSEP为0.420 6。研究结果表明,经过光谱预处理并结合光谱降维消噪后,基于RF的模型可以有效降低单粒玉米种子近红外光谱采集时引入的非线性干扰,有助于提升单粒玉米种子水分近红外快速无损检测实际应用可行性。     

基于近红外光谱和BYOL对比学习的烟叶部位识别方法

【背景和目的】烟叶部位识别对卷烟制品的配方设计与质量监控具有重要意义。利用近红外光谱（NIR）分析可以实现烟叶部位的快速、无损在线识别。针对烟叶光谱特征提取困难问题，利用具有强特征提取的BYOL模型，提出NIR-BYOL烟叶部位识别方法。【方法】通过微分光谱融合实现数据增强，利用卷积自编码器和多层感知器实现BYOL的在线网络和目标网络，以在线网络和目标网络输出的均方误差为损失函数，通过损失最小优化的编码值，提取的特征经SVM分类识别烟叶部位信息。实验比较分析了不同数据增强方式、卷积核大小和激活函数对模型的影响。【结果】一阶微分融合和二阶微分融合的组合是最佳数据增强方法，对比学习模型最佳参数为卷积核11*1，激活函数为ELU。模型对部位的平均识别率达到91.79%。相比SVM、PCA+SVM和PLS-DA方法，NIR-BYOL模型的准确率有显著提升，分别提升了13.12%、15.79%、16.79%。【结论】近红外光谱分析技术结合对比学习模型可以有效分类识别烟叶的部位信息。     

基于近红外光谱分析技术结合化学计量学方法的初烤烟叶霉变预测研究

为建立基于烟叶麦角甾醇含量结合近红外光谱分析技术的初烤烟叶霉变预警模型,以2015年和2016年云南5个地区2个等级（B2F和C3F）初烤烟叶为研究对象,调节烟叶含水率为18%,在28℃,RH 80%条件下以30天为实验周期,进行烟叶霉变实验。每3天取一次样,采集近红外光谱数据并检测样品麦角甾醇含量。建立第0d初烤烟叶样品近红外光谱主成分监测模型并提取Hotelling T2统计量,预测第3天至30天初烤烟叶样品近红外光谱数据的Hotelling T2统计量,对比分析肉眼观察和近红外类模型对烟叶霉变的预警效果。结果表明:1）烟叶霉变过程中,麦角甾醇含量逐渐增加后逐渐降低,当肉眼可见时,麦角甾醇含量较初始值增加4.66~23.38倍;2）基于上述监测模型,13个霉变烟叶样品中,提前预警天数为6天的样品2个,提前预警天数3天的样品7个,当天预警的样品4个,7个未发生霉变烟叶在30天的监测周期内均未出现预警,预测准确率100%。以上结果表明该方法能方便快速地实现对初烤烟叶霉变的预警,具有较好的实用价值。      

基于近红外光谱技术快速识别不同动物源肉品

利用傅里叶变换近红外光谱技术建立猪肉、牛肉和羊肉的定性识别模型。用主成分分析法将原始数据压缩为10 个主成分,在全波段9 881.46～4 119.20 cm－1范围内,利用附加散射校正技术结合Savitzky-Golay滤波法对光谱数据进行预处理,采用判别分析法建立模型。模型对训练集的识别准确率为100%,对预测集猪肉、牛肉和羊肉的识别准确率分别为99.28%、97.42%和100%。结果表明：近红外光谱结合模式识别方法能快速无损地识别猪肉、牛肉和羊肉。     

食醋总酸近红外快速检测方法的研究

利用傅立叶变换近红外光谱技术结合偏最小二乘法（PLS）对食醋的总酸进行快速检测分析。随机采集106个不同酸度食醋的实验数据、扫描近红外光谱图,选择最优的光谱预处理方法优化、建立模型。利用模型对15个未参与建模的食醋样品总酸的含量进行预测,外部验证模型的准确性。结果表明,食醋总酸实测值与对应采集的近红外漫反射光谱相关联建立的快速检测模型,其近红外食醋总酸模型的交叉验证决定系数（R2）为0.972 3,交叉验证均方差（RMSECV）为0.062 1。经外部验证后,该模型食醋总酸预测值和实测值的绝对偏差平均值为0.035,最大相对误差为1.383%,两者间相关性系数为0.995。该方法可以快速、高效、简便地用于食醋总酸的快速检测。     

近红外光谱结合化学计量法快速无损鉴别燕麦

提出了一种基于近红外光谱技术与化学计量学的燕麦无损鉴别方法。通过近红外光谱仪测定了5个品牌与劣质燕麦的光谱曲线,利用连续小波变换方法对光谱进行预处理,然后基于标准偏差与相对标准偏差的变量筛选方法筛选出具有代表的15个波数点,最后结合主成分分析法对不同燕麦样品快速鉴别。结果表明:连续小波变换可以有效地消除光谱中的背景干扰,提取光谱有效信息,波长筛选方法可以大大提高主成分分析结果的鉴别能力。通过结合近红外光谱分析技术与化学计量学方法,可对中国国产品牌、进口品牌和劣质燕麦进行准确鉴别。     

电子鼻和随机森林算法快速鉴别野生与 养殖日本真鲈

目的建立电子鼻和随机森林算法快速鉴别野生与养殖日本真鲈的分析方法。方法采用来源确定且规格不同的日本真鲈,利用电子鼻中14个金属氧化物传感器获取53份日本真鲈样本(养殖样本25份,野生样本28份)的特征信号,构建得到行×列为53×15(含标签列,野生为1,养殖为-1)的初始特征矩阵。构建随机森林(randomforest,RF)模型,并依据袋外错误率(out-of-bagerrorrate,OOB)对随机森林模型的估计器(决策树)数量和单一决策树最大特征的2个参数进行优化。结果模型最优估计器数为50,最大特征数为14,模型的鉴别准确率达到98.2%。通过该模型,以贡献率为指标,对电子鼻传感器进行了特征筛选和排序,其中S14和S4传感器的贡献率分别为42.9%和36.0%。结论该技术可以快速鉴别野生和养殖日本真鲈。     

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。     

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。     

基于近红外光谱与PLS-DA的红枣品种识别研究

新疆红枣品种繁多,采后红枣在加工过程中需要将其他品种的红枣挑选出,本研究应用近红外光谱分析技术结合偏最小二乘判别分析（PLS-DA）法对新疆红枣品种进行判别。结果表明,采用一阶导数对原始光谱进行预处理,并使用方差分析法选择波长变量结合PLS-DA方法对校正样本建立判别分析模型,其验证集预测结果与实际分类结果的相关系数（RP）均大于0.92,预测标准偏差（RMSEP）都小于0.27,最后模型对验证集中的骏枣、灰枣和冬枣3个品种的识别率都为100%。该结果为新疆红枣品种快速识别提供理论依据。      

傅里叶近红外光谱法快速检测魔芋葡甘聚糖中掺假羧甲基纤维素含量

采用傅里叶近红外光谱检测魔芋葡甘聚糖中羧甲基纤维素掺假比例,以基线校正、平滑、矢量归一化、一阶求导和二阶求导法对光谱进行处理,利用偏最小二乘法建立了相应的数学模型,并通过交互验证和外部验证检验了鉴别模型的预测精度和可靠性。所建立的校正集模型的决定系数R_c~2值为0.933~0.997,校正均方根误差范围为7.64%~1.56%;结合验证集模型的决定系数和均方根误差确定以一阶导数(5平滑点)处理光谱,所得模型预测效果最佳,模型的预测均方根误差为8.37%;校正模型中羧甲基纤维素在魔芋葡甘聚糖中掺假水平的预测值和实际值的相关系数为0.9905。结果表明,近红外光谱结合化学计量法在有效、快速、准确地定量检测魔芋葡甘聚糖中掺假羧甲基纤维素的可行性。      

傅里叶近红外光谱法快速检测5种常见的食源性致病菌

目的 建立傅里叶近红外光谱法快速检测5种常见的食源性致病菌。方法 将5种常见致病菌的标准菌株和分离株分别富集培养, 再经冷冻干燥制备成菌粉, 利用傅里叶近红外光谱仪全波长扫描, 得其原始特征光谱, 由仪器自带OPUS软件进行光谱图预处理, 再对用软件进行主成分分析和偏最小二乘法判别分析, 最后建立起快速鉴别菌种的模型。结果 最终显示偏最小二乘法模型优于主成分分析模型。偏最小二乘法模型提取的特征波段为7506.1~6098.1 cm?1, 选择的预处理方式是一阶求导和扣除一条直线, 其决定系数的平方(R2)为93.14%较为接近1, 交叉验证均方根的值为0.361较为接近零, 预测偏差大于3.82, 正确率达到90%, 模型拟合良好。结论 该方法分析速度快, 产出多, 不用试剂, 不污染坏境, 不破坏样品, 适合在线实时检测。     

基于层次分析法和随机森林回归算法的谷物资源风险评估模型

目的：保障谷物资源的消费安全。方法：根据国家相关标准,确定以镉（Cd）、砷（As）、铅（Pb）、铬（Cr）、黄曲霉毒素（AFs）、伏马毒素（FB）、玉米赤酶烯酮（ZEN）、脱氧雪腐镰刀菌烯酮（DON）8个化学污染物为谷物质量安全的风险评价指标,采用基于熵权法的层次分析法（EW-AHP）计算各风险评价指标的权重,并利用权重将谷物资源中生物危害因素的日常采样数据量化为具体的风险值作为风险评估模型的输出。同时将评价指标的数据作为风险评估模型的输入,选择随机森林回归（LR）、支持向量机回归（SVM）、BP神经网络回归（BP）和K近邻回归（KNN）4种机器学习算法进行模型的构建和比较。结果：基于熵权的层次分析法随机森林回归算法（AHP-RF）构建的模型的预测相关系数达0.99以上,利用风险评估模型对2019年8月的谷物检测数据进行风险预测分析,相关结果与实际相符。结论：基于AHP-RF方法构建的风险评估模型可为谷物资源的安全监管提供有针对性的参考建议。