基于漫反射傅里叶变换近红外光谱技术对不同年份的大米产地溯源检测

通过对试验田大米样品进行特征波段的筛选后,在其范围内利用傅里叶变换漫反射近红外光谱法结合化学计量学对来自2014、2015年的地理标志产品查哈阳大米和五常大米进行产地溯源检测。结果表明,来自不同地区的大米样品在波段为5 136~5 501 cm~(-1)处均有显著差异。利用因子化法建立的定性分析模型对2014年查哈阳及五常大米的正确预测率均为100%,对2015年两地区样品的正确预测率分别为100%、91.67%。利用偏最小二乘法建立的定量分析模型对2014年两地区的样品正确预测率为90.90%、95.83%,对2015年两地区的样品正确预测率为91.67%、87.50%。     

基于近红外光谱技术的黑龙江地理标志大米产地溯源研究

为建立地理标志大米的快速检测技术,更好地维护地方名优大米品牌效益,利用近红外光谱技术结合定性分析(鉴别分析和聚类分析)和偏最小二乘法(PLS)对黑龙江省3个水稻主产区的地理标志大米进行产地溯源研究。结果表明:运用鉴别分析和聚类分析建立的模型对建三江、五常地域预测正确率为100%,响水地域预测正确率为95.83%;五常、响水地域判别正确率为100%,建三江地域判别正确率为95.83%。采用PLS建立定量分析模型对建三江、五常、响水三个地域的预测正确率分别为95.83%、100%、95.83%。通过鉴定及检测结果可知利用近红外光谱技术可对黑龙江地理标志大米进行产地保护,且产地预测正确率达95%以上。     

基于傅里叶变换近红外光谱法鉴别五常大米

为保护五常大米的品牌效益,利用傅里叶变换近红外光谱法（Fourier transform near infrared spectroscopy,FTNIS）结合化学计量学分析法对来自五常地区和非五常地区共计191?份大米样品进行产地鉴别研究,结果表明：利用因子化法结合FTNIS技术所建立的鉴别分析模型对五常地区大米的鉴别正确率为100%,非五常地域的大米鉴别正确率为97.50%;利用聚类分析模型判别,对五常大米的判别正确率为100%,非五常大米判别正确率为100%。利用偏最小二乘法结合FTNIS建立的定量分析模型对五常大米判别正确率为95.83%,非五常大米判别正确率为95.00%。通过以上研究结果可知FTNIS法对五常大米产地鉴别是可行的。     

大米理化指标指纹在产地溯源的探究

为了比较不同地域来源大米理化指标含量差异,分析各理化指标对大米产地的判别效果,探讨理化指标指纹分析技术对大米产地鉴别的可行性。通过对来自查哈阳、建三江和五常3个产区89份大米样品的蛋白质、直链淀粉、脂肪和灰分的含量进行测定,对数据进行单因素方差分析、多重比较分析和判别分析。结果表明:不同产地大米的理化指标有显著差异。建三江大米样品的蛋白质含量最高,直链淀粉和脂肪含量最低;五常大米样品的脂肪含量最高,蛋白质和灰分含量最低;查哈阳大米样品的各指标含量均处于中间状态。进一步利用蛋白质、直链淀粉、脂肪和灰分的含量对大米产地进行判别分析,交叉检验正确判别率为95.5%,说明不同地域来源的大米有其独特的品质特征,理化指标指纹分析是鉴别大米产地的一种潜在技术。     

近红外光谱技术快速鉴别查哈阳大米

查哈阳大米为黑龙江特色品牌大米,为保护查哈阳大米品牌,实现查哈阳大米原产地快速真伪鉴别。通过构建不同地域和品种水稻试验田,收获期内对试验田大米的近红外光谱进行全波长扫描,筛选与产地相关特征波段。在特征波段处对来自查哈阳地区及非查哈阳地区的233份大米进行定性分析及定量分析。结果表明,与产地因素主要相关的波长为5 136~5 501 cm~(-1),利用此波段采用因子化法建立定性分析模型对查哈阳大米正确鉴别率为100%,采用偏最小二乘法建立的定量分析模型对查哈阳大米正确判别率为95.83%。     

基于近红外光谱技术对建三江大米快速检测分析研究

为实现建三江大米的真假快速鉴别,应用近红外光谱仪测定来自建三江及非建三江地区的150份大米样品,对原始光谱进行预处理后,采用因子化法进行鉴别分析,最大合格性索引法进行合格性检测分析,偏最小二乘法(partial least squares,PLS)法进行定量分析。结果表明,3种模式识别方法对建三江地区的大米正确判别率均在90.00%以上。因此,应用近红外光谱技术在建三江大米真假鉴别研究中具有可行性。     

近红外漫反射光谱技术对小米产地溯源的研究

为建立小米产地溯源的快速检测技术,更好的维护地方名优小米品牌效益,试验利用近红外漫反射光谱技术对不同状态小米进行产地溯源鉴别,试验分别选取来自肇源和肇州两个小米主产区的144份小米样品,应用近红外漫反射光谱技术结合化学计量学对不同状态下的小米进行产地溯源研究,结果表明:在全波长范围内采用因子化法建立的定性分析模型和在特征波段范围内采用偏最小二乘法(PLS)建立的定量分析模型,对肇源、肇州两个小米主产区的小米籽粒和小米粉末的正确鉴别率均在90%以上,其中小米粉末的模型正确预测率要高于小米籽粒。因此,应用近红外漫反射光谱技术对不同状态小米产地溯源的鉴别具有一定的可行性。     

基于产地、品种和年份影响矿物元素含量的大米判别

通过分析品种、年份与产地及其交互作用对大米矿物元素含量造成的差异,筛选有效特征指标,结合统计分析进行产地判别。以连续3?a（2016—2018年）在查哈阳、五常和建三江地区种植9?个品种的90?份田间试验样本为研究目标,采用电感耦合等离子体质谱仪测定样品的52?种元素。结果表明：Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Ba、La、Sm、Dy、Ho、Er、Pb、U受产地影响较大;Na、Mg、Al、Ca、Pb、U、V受年份影响较大;Na、Cr、Co、Ni、Tl、U、Mg、Al、La、Ho受品种影响较大。实验对筛选到与产地直接相关的18?种元素进行主成分分析和判别分析。6?个主成分累计贡献率80.333%。建立的判别模型对3?个产地的判别正确率均为100%,交叉验证率为100%。说明由这些元素组成的模型可以对样本实现正确判别。     

基于拉曼光谱的大米快速分类判别方法

以拉曼光谱技术为手段,结合化学计量学方法,对来自黑龙江、江苏、湖南3个产地共123份大米样品的光谱数据进行采集,并对得到的拉曼图谱进行主成分分析(PCA)和偏最小二乘判别分析(PLSDA),建立大米快速分类判别方法。应用主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;选择不同种类、品种和产地的稻米样本建立相应的偏最小二乘判别分析模型,其中2/3的样本作为建模训练集,1/3的样本作为建模校正集,按照种类、产地、品种建立的模型其训练集样本正确判别率均为100%,校正集样本正确判别率分别为100%,100%,94.12%。因此,研究所建立的拉曼光谱技术结合化学计量学方法可以快速、有效地鉴别大米种类、品种及产地。     

大豆有机成分辅助矿物元素指纹特征产地溯源

为提高矿物元素指纹图谱技术对大豆产地溯源的稳定性和准确性。采用电感耦合等离子体质谱仪测定黑龙江嫩江及北安共168?份大豆及对应土壤样品中矿物元素含量并分别测定大豆中蛋白质、脂肪、可溶性总糖和灰分含量。结果表明,采用步进式方法筛选出的10?种特征指标建立的判别模型对训练集大豆产地的整体正确判别率为96.4%,其中对黑龙江嫩江、北安大豆产地的正确判别率分别为98.1%、95%。回代检验对验证集大豆产地的整体正确判别率为98.2%,其中对黑龙江嫩江、北安大豆产地的正确判别率分别为100%、96.7%。验证集中对黑龙江嫩江、北安大豆产地的整体正确判别率高于测试集两产地的正确判别率（98.2%＞96.4%）,说明这7?种矿物元素和3?种有机成分是用于大豆产地判别的主要特征指标,携带了充分的产地判别信息。     

基于红外光谱指纹和挥发性组分信息融合模型鉴别大米产地来源

为建立一种红外光谱指纹信息和挥发性组分信息融合鉴别模型,提高模型对大米产地的鉴别率。通过傅里叶红外光谱和气相色谱-质谱联用分析20?份盘锦大米、19?份射阳大米和15?份五常大米样品中红外光谱吸光度和挥发性组分含量,利用方差分析筛选出特征光谱和挥发性组分,结合偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）法建立融合这2?种指纹信息的鉴别方法。结果表明,信息融合模型的大米产地鉴别准确率为97.4%,与单一光谱指纹信息模型（92.9%）和挥发性指纹信息模型（88.9%）相比,分别提高了4.5%和8.5%。因此,信息融合技术提高了该模型鉴别效果,采用PLS-DA法信息融合模型对大米产地进行鉴别是可行有效的。     

基于高光谱成像技术的梅河大米产地确证因子研究

为探究吉林省梅河大米的产地确证因子,本研究采用空间网格布点法对吉林省梅河口市地理标志大米进行样本采集。通过梅河大米的高光谱信息和蛋白质、直链淀粉、棕榈酸、油酸、亚油酸、脂肪酸含量进行光谱特征波长提取、相关性分析和产地判别。结果表明,梅河大米的理化指标具有明显的产地特征,高光谱九个特征波长TB_1～TB_9(455、515、583、615、621、776、874、923、942 nm)与上述六个指标呈现显著相关性。利用高光谱九个特征波长对梅河大米与柳河县大米进行SPSS判别分析,整体正确率为95%。SIMCA偏最小二乘法建立的模型可以将梅河大米样品与柳河县大米样品进行区分。说明梅河大米高光谱九个特征波长可作为其产地确证因子。     

基于大米特征矿物元素产地鉴别建模方法比较研究

基于前期实验筛选到的与产地和母质土壤直接相关的23种特征矿物元素作为产地判别特征指标,比较Fisher判别模型和前馈神经网络预测模型的适用性。以连续3年随机采集的五常、查哈阳和建三江地理保护区274份样本作为建模对象,以模型的判别率为指标,采用电感耦合等离子体质谱仪(ICP-MS)和X射线荧光光谱仪测定样本中特征矿物元素含量(Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Te、Ba、La、Nd、Sm、Gd、Dy、Ho、Er、Yb、Pb、U),结合线性(一般线性判别分析)和非线性(前馈神经网络训练方法)模型构建方法用于产地鉴别。结果表明,Fisher判别分析模型对训练集判别率为81.5%,交叉检验判别率为78.8%,测试集总体判别率为87.5%。前馈神经网络预测模型对大米产地识别结果平均相对误差值为17.14%,产地的整体识别准确率为100%。筛选到的特征矿物元素携带了足够多的产地信息,通过前馈神经网络法建立的判别模型具有更优的判别能力,能解决小距离相似自然环境产地样本难以识别的问题。     

基于高光谱技术的籼稻霉变程度鉴别模型构建与优化

为解决快速无损鉴别籼稻霉变程度问题,利用高光谱技术采集200份霉变样本可见/近红外光谱信息,随机选取155份样本作为校正集,剩余45份作为验证集,根据预测浓度残差检验标准对校正集中异常样本进行剔除。以新校正集建立主成分线性判别分析(PCA-LDA)和簇类独立软模式法(SIMCA)模型,选用正确识别率为指标,优选最佳鉴别模型。并采用连续投影算法(SPA)提取特征波长,优化优选的最佳模型构建速度。研究结果表明,PCA-LDA对所有样本的误判总数为15,正确识别率为92.50%;SIMCA和SPASIMCA对所有样本的未能正确识别总数分别为6、2,正确识别率分别为97.00%、99.00%,并且经SPA筛选的变量数为20,仅占原始变量数的7.81%,建模时长缩短为原始变量的40.93%。因此,SPA-SIMCA鉴别效果最好,该方法在快速、准确鉴别籼稻霉变程度上具有可行性。     

基于嗅觉指纹信息的黄酒酒龄和产地鉴别

为了找出一种快速、准确鉴别黄酒酒龄和产地的方法,本研究采用超快速气相色谱电子鼻采集不同酒龄和产地黄酒样品的嗅觉指纹信息,采用主成分分析对嗅觉指纹信息进行降维处理,并采用判别因子分类法建立黄酒酒龄和产地鉴别模型。经主成分分析降维后的1年陈和3年陈基酒样品点落在相近的区域内,7年陈和9年陈基酒样品点落在相近的区域内,陈酿时间5年是基酒风味变化的一个转折点;判别因子分类法所建黄酒酒龄鉴别模型的鉴别正确率为100%。主成分分析降维后,绍兴黄酒与上海黄酒、浙江嘉善黄酒和江苏南通黄酒差异明显,进一步采用判别因子分类,4个产地黄酒的鉴别正确率均为100%。研究表明,超快速气相色谱电子鼻结合化学计量学方法建立的模型可以较好地应用于黄酒酒龄和产地的鉴别。