小麦霉菌侵染程度电子鼻快速检测方法的初步研究

本研究利用电子鼻气体传感器技术,初步建立了小麦霉菌侵染程度定性定量同步分析方法。小麦样品经辐照杀菌后接种5种谷物中常见有害霉菌,于85%相对湿度和28℃的环境中储藏至重度霉变。在样品储藏的不同阶段,选取时间节点0、1、3、5和7 d采集其电子鼻气味响应信息,建立了其响应信号和霉菌侵染程度的相关关系模型。结果显示,依据带菌量的不同,基于电子鼻信号的主成分分析法(PCA)可成功区分未霉变[2.7 log(CFU/g)]、轻度霉变[2.7～4 log(CFU/g)]与重度霉变[4 log(CFU/g)]的小麦样品;线性判别分析(LDA)对受单一霉菌侵染的小麦样品霉变程度的识别率达90.0%以上,对所有小麦样品的识别率达84.0%。偏最小二乘回归模型(PLSR)对小麦菌落总数的模型决定系数(R_p~2)和预测误差(RMSEP)及相对分析偏差(RPD)分别为0.852,0.504 log(CFU/g)和2.30。结果表明,利用电子鼻技术实现小麦霉菌侵染程度的快速识别是可行的。下一步应不断补充不同来源的小麦样品,以不断提高模型的精度和适用性。     

霉变玉米气体传感器阵列快速检测

玉米易受霉菌感染发生霉变,影响食用安全。快速测定玉米霉变程度是控制其危害的前提。本研究拟利用基于气体传感器阵列的电子鼻技术,获取不同霉变程度玉米的特征气味信息,建立玉米霉变程度快速检测方法。辐照灭菌玉米分别接种5种谷物中常见有害霉菌,并于28 ℃和85%相对湿度环境中储藏15 d直至严重霉变。在第0、6、9、12和15 d,采集样品的气味信息的电子鼻特征响应信号,建立了玉米霉变程度的定性定量模型。结果表明,主成分分析(PCA)法可成功区分不同霉变程度的玉米样品。线性判别分析(LDA)对受单一霉菌侵染的不同霉变程度玉米样品的平均识别率达93.3%以上,全部样品达76.7%。样品中菌落总数的偏最小二乘回归分析(PLSR)模型的预测决定系数(R_p²)达0.777,预测均方根误差和相对分析偏差(RPD)分别为0.981 log CFU/g和2.12。结果表明,应用电子鼻技术快速检测玉米霉变具有一定可行性,下一步需要不断扩大样本量以提高方法的精度和可靠性。     

傅里叶变换衰减全反射红外光谱技术对稻谷中常见有害霉菌的快速鉴别

本研究利用傅里叶变换衰减全反射红外光谱技术（ATR-FTIR）结合化学计量学方法,对稻谷中7种常见有害霉菌（尖孢镰刀菌Pr、尖孢镰刀菌Po、尖孢镰刀菌M23、黄灰青霉Pe、扩展青霉3.7898、灰绿曲霉3.3975和亮白曲霉）进行了快速鉴定。结果显示,运用主成分分析法（PCA）能够有效区分七种不同类别的菌株样品。建立的线性判别分析（LDA）和偏最小二乘判别分析（PLS-DA）模型,对7种不同类别菌株的留一交互验证整体正确率分别达到87.1%和87.3%。说明运用ATR-FTIR技术对稻谷侵染霉菌的种类实现快速鉴别具有一定可行性。      

ATR-FTIR在小麦及其制品呕吐毒素污染水平快速测定中的应用

为快速测定小麦及其制品呕吐毒素（deoxynivalenol,DON）污染情况,搜集小麦、面粉及面粉制品共98?份,利用衰减全反射-傅里叶变换红外光谱（attenuated total reflectance-Fourier transform infrared spectroscopy,ATR-FTIR）获取样品在4 000～600 cm－1的光谱信息,对样品中的DON含量建立了基于偏最小二乘回归（partial least squares regression,PLSR）分析和逐步多元性回归（stepwise multiple linear regression,SMLR）分析方法的定量分析模型。结果显示,不同DON含量样品在1?740、1?648、1?549?cm－1和1?300～900?cm－1等波段处的吸收值存在显著差异。PLSR和SMLR均能较好预测样品中的DON含量,其中PLSR模型的预测集决定系数RP2、预测均方根误差（root mean squared error of prediction,RMSEP）和相对分析偏差（residual predictive deviation,RPD）值分别为0.86、0.438?mg/kg和2.6。SMLR结合9?个波长所建模型的RP2、RMSEP和RPD值分别为0.86、0.426?mg/kg和2.6。结果表明,ATR-FTIR用于小麦及其制品DON污染快速分析具有可行性。     

气体二氧化氯对葡萄杀菌效果及品质的影响

以‘巨峰’葡萄为试材,从其表面分离优势菌并鉴定其为大肠杆菌与考克氏菌,利用NaClO₂与干冰间接反应开发一种气体二氧化氯(ClO₂)处理方法以灭活葡萄表面优势菌,通过测定菌落总数对数值减少量评估气体ClO₂对葡萄的杀菌效果,同时通过测定4℃贮藏30 d期间葡萄样品的色泽参数、果实硬度、质量损失率以及可溶性固形物含量评估气体ClO₂对葡萄品质的影响。结果表明,气体ClO₂处理对接种于葡萄表面的大肠杆菌与考克氏菌具有良好杀灭效果。当ClO₂累积浓度从131μL/(L·h)提升至599μL/(L·h),大肠杆菌菌落总数对数值减少量从1.6(lg(CFU/g))升至3.5(lg(CFU/g)),考克氏菌菌落总数对数值减少量从1.0(lg(CFU/g))升至4.5(lg(CFU/g))。与对照组(S0)相比,经ClO₂处理后贮藏30 d期间葡萄色泽并没有明显变化,与S0和低累积浓度处理组(S1)相比,高累积浓度处理组(S2)在4℃贮藏30 d后...     

基于傅里叶变换红外光谱技术对木耳中镰刀菌的识别检测

该研究建立了一种基于傅里叶变换红外光谱的木耳中镰刀菌的定性定量检测方法：对经高压灭菌的木耳样品分别接种木耳中常见的五种镰刀菌（层出镰刀菌189975、串珠镰刀菌340687、尖孢镰刀菌120618、木贼镰刀菌124121、茄病镰刀菌121547）,并于28 ℃,相对湿度80%的条件下进行储存培养,同时采集不同储存阶段的木耳样品在1 800~900 cm-1的红外光谱信息。分别运用主成分分析（PCA）、线性判别分析（LDA）以及偏最小二乘回归分析（PLSR）建立木耳中镰刀菌的快速识别检测模型。结果表明：LDA模型对受不同镰刀菌侵染的木耳样品的平均判别正确率达到87.50%,对受单一镰刀菌侵染的木耳样品霉变状态的平均判别正确率达到82.50%;PLSR模型对木耳样品中菌落总数的预测实现了较好的定量结果（R2 p=0.842 8,RMSEP=0.292 log CFU/g,RPD=2.81）;通过实际样品验证分析表明傅里叶变换红外光谱方法可以实现木耳中镰刀菌的快速识别检测。     

基于光谱和图像信息融合的玉米霉变程度在线检测

融合可见-近红外光谱和机器视觉分析技术,建立玉米霉变程度在线检测方法。辐照灭菌玉米分别接种5 种谷物中常见有害霉菌,并于28 ℃和85%相对湿度环境中储藏15 d至严重霉变。在样品储藏的第0、6、9、12、15天,同时在线采集其光谱及图像特征信息,将提取的样品光谱特征波长和图像颜色特征参数融合成总特征参数,建立玉米霉变程度定性定量模型。结果表明,主成分分析可成功区分不同霉变程度的玉米样品;基于光谱和图像信息融合的线性判别分析模型对不同霉变程度玉米样品的整体识别率达91.1%,比单独应用光谱和图像时的准确率分别提高4.4%和8.9%;基于信息融合的玉米菌落总数偏最小二乘回归模型结果也同样较优,模型预测决定系数Rp2为0.894 1,均方根预测误差为0.665（lg（CFU/g））,相对分析偏差达3.06。结果表明光谱和图像数据融合能够提高模型精度,在霉变玉米在线检测方面具有可行性。下一步应不断扩大样品量,补充自然霉变及受更多代表性霉菌侵染的玉米样品,以不断增强模型的鲁棒性和适用性。     

基于激光诱导荧光光谱技术检测花生中黄曲霉毒素B1

目的 探究激光诱导荧光（laser induced fluorescence,LIF）技术检测花生中黄曲霉毒素B1（aflatoxin B1,AFB1）的可行性,定性和定量分析花生中的AFB1。方法 制备不同浓度梯度的污染花生,经LIF系统采集荧光光谱,平滑后分析光谱数据结构。基于全波长光谱使用5种不同建模方法对污染花生定性判别,采用偏最小二乘法回归（partial least squares regression,PLSR）和BP神经网络（BP neural networks,BPNN）进行定量预测。通过竞争性自适应重加权采样（competitive adaptive reweighted sampling,CARS）提取特征波长,研究其对定性和定量预测的影响。结果 对于全波长光谱数据,线性核函数的支持向量机（support vector machine with linear kernel function,SVM（Linear） ）建立的判别模型效果最优,预测正确率100%。PLSR和BPNN均获得较好的定量预测效果,剩余预测偏差（residual predictive deviation,RPD）＞3.0,检出限（limit of detection,LOD）＜20 μg/kg;对于特征光谱数据,SVM（Linear）定性判别预测正确率93.94%,F1值为0.94,ROC曲线下面积（area under the curve,AUC）为0.989。建立的PLSR模型性能优于未提取特征波长的两种定量模型,RPD为3.36,LOD为14.76 μg/kg。结论 LIF技术检测花生中的AFB1简单快速,定性定量预测模型准确性好,具有一定可行性。     

基于高光谱分析的植烟土壤有机质和全氮含量预测研究

为实现植烟土壤有机质和全氮含量的快速、准确测定,以120份豫中烟区潮褐土为研究对象,在室内条件下采集并研究了土壤有机质和全氮与高光谱400~2400 nm波段的定量反演关系。光谱经Savitzky-Golay平滑滤波后采用偏最小二乘回归(Partial least square regression,PLSR)方法,建立了土壤高光谱与有机质和全氮间的定量反演模型,对比了3种光谱变换形式及5种预处理方法对模型的影响。结果表明,光谱经一阶微分(FDR)或倒数对数(lg(1/R))变换后,建模系数有所提高;不同预处理方法的反演模型精度差异明显,正交信号校正(OSC)明显优于其他光谱预处理方法。采用FDR-OSC建立的土壤有机质和lg(1/R)-OSC建立的土壤全氮模型预测效果最好,预测模型决定系数R~2分别为0.948和0.919,预测均方根误差(RMSEP)分别为1.316 g·kg~(-1)和0.091 g·kg~(-1),相对分析误差(RPD)分别为4.26和4.07,是豫中烟区潮褐土有机质和全氮含量的最佳预测模型。采用高光谱技术结合OSC-PLSR方法对植烟土壤有机质和全氮含量进行高精度预测是可行的。     

基于NIRS的茶籽调和油中茶油含量检测方法研究

采用偏最小二乘法(PLS)建立二元及三元体系茶籽调和油中茶油含量的近红外光谱定量模型。采用质量分数0~60.0%的菜籽油、大豆油、棉籽油、玉米油、棕榈油,分别调配二元调和油样本140个及三元调和油样本348个,采集样品在10 000~4 000 cm~(-1)范围的透反射光谱,采用交互验证来考察模型的可靠性。经均值中心化处理,二元体系建立PLS模型的训练集R_c~2=0.992,预测集R_p~2=0.993,RMSECV=0.014,RMSEP=0.017,样本预测准确率94.3%(相对误差小于±10%);三元体系建立PLS模型的训练集R_c~2=0.996,预测集R_p~2=0.994,RMSECV=0.011,RMSEP=0.013,茶油含量大于5%的预测准确率92.1%(相对误差小于±10%)。结果表明,NIRS能实现二元及三元体系茶籽调和油中茶油含量的定量检测。     

基于高光谱反射特性的猪肉新鲜度和腐败程度的对比分析

为有效评价猪肉在贮藏过程中的品质变化,分析相同猪肉样品在相同环境条件下挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量与菌落总数（total viable count,TVC）的变化规律。结果显示,在4?℃冷藏15?d猪肉TVB-N含量与冷藏时间成“J”型变化规律,而TVC与冷藏时间成“S”变化规律。当TVB-N含量在第7.5天达到国家标准规定新鲜度限定值（15 mg/100 g）时,TVC已远超国家标准限定值（6（lg（CFU/g）））,达到7.92（lg（CFU/g））。当TVC在第5.5天达到国家标准限定值时,TVB-N含量仅为10.65?mg/100?g;即在相同贮藏条件下,依据国标TVC指标判定猪肉为“腐败肉”时,而根据TVB-N含量猪肉仍被判定为“新鲜肉”。在此基础上,利用可见-短波近红外高光谱反射技术采集猪肉高光谱数据,建立不同预处理的TVB-N含量与TVC偏最小二乘回归模型。结果表明,利用多元散射校正预处理建立的TVB-N含量模型与1阶导数预处理建立的TVC模型预测效果最好。Rp分别为0.957?2与0.968?2,预测集标准误差分别为2.802?5?mg/100?g与0.332?7（lg（CFU/g））,实测值的标准偏差与预测集的标准误差比值分别为3.093?7和3.434?1;外部验证集相关系数分别为0.928?3与0.930?5,标准误差分别为3.556?2?mg/100?g和0.515?7（lg（CFU/g））。本研究能为高光谱技术更好地应用于猪肉的品质检测提供一定理论依据。     

基于不同颜色模型定量预测永川秀芽在制品含水率

为定量预测永川秀芽在制品的含水率,基于不同颜色模型探究在制品的色泽变化,并结合偏最小二乘（partial least square,PLS）法建立含水率的定量预测模型。结果表明：在永川秀芽初制过程中,在制品的红绿度、蓝色通道均值增高,含水率和亮度、黄蓝度、红色通道均值、绿色通道均值、色调均值等15 个颜色模型分量降低,即色泽表现为变暗、变黄;通过热图与聚类分析,可将在制品分为2 个大类、4 个亚类,且理条工序对在制品含水率、色泽的影响最为显著;利用17 个颜色模型分量和PLS方法建立了含水率的定量预测模型,以校正集相关系数（Rc）、交互验证均方根误差（root-mean-square error of cross-validation,RMSECV）、预测集相关系数（Rp）、预测均方根误差（root-mean-square error of prediction,RMSEP）、相对分析误差（relative percent deviation,RPD）为评价指标。模型的Rc、Rp、RMSECV、RMSEP分别为0.979、0.980、0.044 7、0.044 3。RMSECV、RMSEP的差值仅为0.000 4,且RPD达到5.04,表明模型具有极好的预测能力和泛化能力,为实现永川秀芽在制品含水率的在线监测提供了一种新方法。     

滩羊肉中油酸和亚油酸含量的近红外预测模型建立

基于近红外光谱技术结合化学计量学方法建立滩羊肉中油酸和亚油酸含量的预测模型。选取滩羊肉外脊、里脊、羊霖、羊腩共138 份样本,在900～2 500 nm波长范围内,采集滩羊肉糜样品的近红外反射光谱,利用气相色谱法作为参考,测定样品中油酸和亚油酸含量,并建立滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression,PLSR）模型。为优化模型性能,使用间隔随机蛙跳（interval random frog,IRF）算法进行数据降维处理。结果表明：对于油酸模型,经过标准正态变量变换结合一阶导数处理后的全波长模型相关性较高,校正相关系数（Rc）和交叉验证均方根误差（root mean square error of cross-validation,RMSECV）分别为0.889 5和10.2515,预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set,RMSEP）分别为0.7357和10.2492,然而,经IRF算法提取92个特征波长后,Rc和Rp均低于全波长模型;对于亚油酸模型,使用多元散射校正处理后的全波长模型Rc最大,为0.8747,RMSECV为1.0512,但其Rp和RMSEP较小,利用IRF算法提取102 个特征波长后,建立的亚油酸模型相关性得到极大改善,其中Rc最大达到0.9912,相应的RMSECV为0.0118,Rp为0.9879,RMSEP为0.0122。因此,近红外光谱技术结合IRF算法不能较好预测滩羊肉中油酸含量,但对亚油酸含量具有较好的预测能力。     

糙米中黄曲霉毒素B1的ATR-FTIR快速测定

拟建立基于衰减全反射-傅里叶变换红外光谱（attenuated total reflectance-Fourier transform infraredspectroscopy,ATR-FTIR）的糙米中微量黄曲霉毒素B1（aflatoxin B1,AFB1）的快速检测方法。首先将16 份糙米样品经辐射灭菌后接种产毒菌株并在适宜条件下（28 ℃、相对湿度85%）贮藏30 d,测定其AFB1含量。其次将受AFB1污染样品磨粉后与空白糙米样品按质量比例进行精确混合,获得AFB1含量在0～890.20 μg/kg内的糙米样品共计128 份。ATR-FTIR建模分析结果显示,依据AFB1含量高低将样品划分为4 类,临近算法判别分析模型的预测整体正确率达到83.3%。运用偏最小二乘回归分析建立的定量模型精度最优,预测相关系数、均方根误差和相对分析误差值分别为0.970、70.8 μg/kg和4.0。结果表明,ATR-FTIR技术用于糙米黄曲霉毒素污染程度的快速分析与筛选具有一定可行性,但需进一步研究来提升对低AFB1含量样品的预测精度。     

高光谱成像的红提总酸与硬度的预测及其分布可视化

利用高光谱成像技术实现对红提总酸和硬度无损检测和分布可视化。首先,利用高光谱采集生长期360个红提样本在波段450～1 000 nm的高光谱图像信息后用化学方法测定对应样本的总酸,用质构仪测定硬度。采用KS(Kennard-Stone)算法将总样本按照3∶1的比例划分为训练集（270个样本）和测试集（90个样本）。对红提原始光谱数据分别利用标准正态变量变换（standard normal variate transformation,SNV）、卷积平滑（Savitzky-Golay,SG）处理法、多元散射校正（multivariate scatter correction,MSC）、归一化等光谱预处理方法处理,确定最优光谱预处理方法。然后,分别采用一次降维（竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projections algorithm,SPA）、遗传算法（genetic algorithm,GA）、无信息变量消除法（uninformative variable elim...     

近红外与表面增强拉曼光谱融合技术快速检测花生油中黄曲霉毒素B1

目的 在近红外光谱(near infrared spectroscopy, NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)特征层数据融合的基础上构建偏最小二乘回归模型(partial least squares regression, PLSR)实现花生油中黄曲霉毒素B1 (aflatoxin B1, AFB1)含量的快速检测。方法 首先，分别采集待测样本的NIR与SERS光谱。其次，将采集的NIR与SERS光谱分别进行光谱预处理。然后，采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization, HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后，将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB1含量。结果 与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比，NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能：校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.1569，校正集决定系数(coefficient of determination of calibration set, )为0.9908，预测集均方根误差(root mean squared error of prediction set, RMSEP)为0.1827，预测集决定系数(coefficient of determination of prediction set, )为0.9854，性能偏差比(ratio of performance to deviation, RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB1的花生油样本，结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论 本方法可实现花生油中AFB1含量的快速、高精度定量检测，也验证了NIR与SERS光谱融合的可行性与有效性。     

基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行SSC无损检测具有可行性。     

基于近红外光谱技术的花生酸败特性检测研究

酸价、过氧化值是衡量花生贮藏过程中氧化酸败的重要指标,基于近红外光谱分析技术,结合化学计量分析,利用偏最小二乘法建立花生酸价、过氧化值的近红外预测模型,并对平滑、导数、多元散射校正、归一化等多种预处理方法对建模准确性的影响进行比较.结果表明:对原始光谱数据采用一阶微分处理的方法建立的模型其预测效果最佳,酸价模型的主成分维数为10,决定系数为0.955,均方根误差为0.080;过氧化值模型的主成分维数10,决定系数为0.940,均方根误差为0.459.研究表明,近红外光谱分析技术可用于花生酸价、过氧化值的快速无损检测.