基于近红外光谱技术的小麦条锈病和叶锈病的早期诊断

为实现小麦条锈病和叶锈病的早期诊断,利用近红外光谱技术结合定性偏最小二乘法(DPLS)建立了一种鉴别这两种病害的方法。试验将150片小麦叶片(健康叶片、条锈病潜育叶片、条锈病发病叶片、叶锈病潜育叶片、叶锈病发病叶片各30片)分为5类,扫描获得近红外光谱,建立小麦叶片DPLS近红外光谱鉴别模型。原始光谱数据经二阶导数处理后,在4 000～8 000 cm-1范围内,当利用不同建模比建模时,建模集的平均识别率为96.56％,检验集的平均识别率为91.85％,证明了模型的稳定性。当建模比为2∶1、主成分数为10时,模型识别效果较好,建模集的识别准确率为97.00%,检验集的识别准确率为96.00%。表明应用近红外光谱技术建立的小麦条锈病和叶锈病早期诊断的定性鉴别方法是可行的。     

近红外光谱结合化学计量学的常见中国蜂蜜掺杂糖浆鉴别

目前我国蜂蜜市场掺假现象严重,研究一种快速、准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。采用近红外光谱（NIR）结合化学计量学方法对常见的天然蜂蜜以及掺假（掺杂常见糖浆）蜂蜜进行建模识别,并比较偏最小二乘-判别分析（PLS-DA）及支持向量机（SVM）对糖浆掺假蜂蜜鉴别模型的影响。首先,采集来自中国10个省份、20种常见蜂蜜的112个天然纯蜂蜜样品,以及6种常见糖浆样品按不同糖浆含量（10%,20%,30%,40%,50%,60%）配制的112个掺假蜂蜜样品,共计224个样品;通过近红外光仪器扫描获得所有样品的近红外光谱数据（波长范围400~2 500 nm）;然后,分别采用一阶导数（FD)、二阶导数（SD）、多元散射校正（MSC)、标准正态变化(SNVT)四种方式对原始光谱进行预处理;再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型,比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法（GS）、遗传算法（GA）、粒子群算法（PSO）三种寻优算法进行优化。分析结果表明：光谱数据进行预处理后所建立的模型准确率均有明显提升,而对于SVM模型,惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。在PLS-DA算法中,经FD光谱预处理后建立的模型效果最好,最佳PLS-DA模型准确率为87.50%;在SVM算法中,经MSC预处理后,再通过GS寻优,获得惩罚参数c为3.0314,核函数参数g为0.3298的条件下所建立的模型效果最好,最佳SVM模型准确率为94.64%。由此可见,非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型,同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。     

鸭梨黑心病可见/近红外漫透射光谱在线检测

鸭梨黑心病是鸭梨的主要生理病害,直接影响鸭梨的出口创汇;准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性,选取80个正常鸭梨和70个黑心鸭梨作为建模集,建模集被分为校正集和预测集以求获得最优模型。未参与建模的30个正常梨和20个黑心梨作为预测集,用于评价模型的预测能力。鸭梨的可见/近红外漫透射光谱,在5个/秒的速度下采集。建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后,分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、峰面积判别模型(DPA)、主成分判别模型(DPCA)。用建模集模型判别预测集鸭梨,经比较,DPLS模型的判别准确率最高,黑心梨正确识别率达到100%。实验结果表明：可见/近红外漫透射光谱结合DPLS判别方法,可以实现黑心鸭梨的在线检测。相比传统的人工破损方法,在线检测可为梨出口贸易提供技术支撑和科学参考依据。     

基于三维荧光光谱技术对掺假蜂蜜无损鉴别研究

提出了一种应用三维荧光谱技术结合化学计量学方法快速无损鉴别蜂蜜中大米糖浆掺假的新方法。利用特征参量法和主成分分析法对三维荧光光谱信息量进行压缩提取,并结合线性判别分析法(LDA)和误差反向传播神经网络法(BP-ANN)对蜂蜜掺假进行分析。结果显示,在掺假蜂蜜判别试验中,采用4个主成分时,模型对预测集样本的识别率最佳,LDA模型识别率为94.44%,BP-ANN模型识别率为100%,说明非线性的BP-ANN模型更适合蜂蜜掺假识别。研究表明,三维荧光光谱结合BP-ANN判别模型可以快速、 无损、 准确地鉴别蜂蜜中大米糖浆掺假。     

近红外光谱法定性定量检测蜂蜜中掺入甜菜糖浆的可行性研究

为进一步检验近红外光谱技术(NIRS)快速检测蜂蜜掺假的能力,利用近红外光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行了定性和定量检测。偏最小二乘-判别分析法(PLS-DA)对真假蜂蜜预测集的判别总正确率为90.2%;不同判别方法对掺假量等级预测集的判别总正确率都低于33.3%;PLS回归只对同一蜂蜜样本掺假的定量分析结果满意：预测集真实值与预测值的相关系数(r)为0.982 9,预测均方差(RMSEP)为1.394 2,而对不同植物来源和同一植物来源的不同样本的掺假量的定量分析结果不满意。研究表明,蜂蜜中掺入甜菜糖浆后,NIRS可实现真假蜂蜜的快速鉴别,而不能实现掺假量等级的鉴别及掺假量的定量分析。     

基于DPLS特征提取的LDA方法在玉米近红外光谱定性分析中的应用

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法.该方法在训练时,首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归,确定最佳DPLS主成分数为28;然后对训练集光谱进行DPLS特征提取后再进行LDA分析,确定最佳LDA主成分数为26,并提取LDA特征.识别时,测试样本经过DPLS...     

近红外光谱和特征光谱的山茶油掺假鉴别方法研究

山茶油素有"东方橄榄油"美誉,实现掺假山茶油的鉴别具有重要实用价值,采用近红外光谱技术对掺有葵花油的山茶油进行检测。分别以1%,5%,10%为梯度制备掺假比例不同的山茶油样品,并根据掺假比例将其分为A组(0%~5%)和B组(6%~10%)共11个样品,C组(15%~40%)6个和D组(50%~100%)6个样品。将每个掺假样品充分混匀后再分为9份,依次采集其1 000~2 500nm范围的吸收光谱,共获得207条光谱曲线。每组样品的光谱数据按2∶1随机分为训练集与验证集。经去除首尾噪声后,通过主成分分析法(principal component analysis,PCA)降维,并利用前四个主成分建立了鉴别山茶油不同掺假等级的主成分-支持向量机判别模型,训练集与验证集的总体判别准确率分别达96.38%和94.20%;进一步,通过对前四个主成分的载荷系数的分析,并结合原始光谱,提取建模过程中权重较大的波长并解析其化学含义,最终确定出五个特征波长:1 212,1 705,1 826,1 905及2 148nm,以此波长重新建立近红外特征光谱山茶油掺假等级判别模型,对训练集与验证集的总体判别准确率也达到了94.20%和92.75%。研究结果表明,利用近红外光谱和特征光谱均能够较好实现山茶油掺假等级的鉴别,同时所建立的近红外特征光谱模型也为设计相应的掺假山茶油实用便携式检测仪器提供了理论基础。     

DPLS和SVM的掺假花椒粉近红外光谱定性鉴别

花椒是我国的八大调味料之一。目前花椒市场掺假现象较为多见,为实现掺假花椒粉的快速定性鉴别,采用了近红外光谱结合化学计量学方法进行了探讨。将麦麸粉、稻糠粉、玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中,制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品,以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。采用主成分分析法(PCA)对光谱数据进行分析,前3个主成分累计贡献率达98.72%,做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。347份样本作为校正集,以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入,采用判别偏最小二乘法(DPLS)和支持向量机(SVM)建立定性鉴别模型,经不同光谱预处理,对115份验证集样本进行预测,总体鉴别正确率在97.39%~100%之间,表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。     

可见/近红外光谱的葡萄籽油掺伪检测系统

葡萄籽油掺假种类繁多,手段隐蔽,成为食品安全检测的重要难点之一,为规范食用油市场,提供一种方便、可靠的葡萄籽油品质鉴别方法尤为重要。针对色谱和质谱等传统品质分析方法的耗时、试剂消耗大、专业性强等不足,以及实现无损分析的近红外光谱仪价格昂贵、操作环境要求高等缺点,研究设计一套低成本、高准确度的可见/近红外光谱仪检测系统来实现葡萄籽油品质掺假鉴别。首先,依托USB6500-Pro探测器搭建可见/近红外光谱仪硬件平台,并基于Qt设计一套简洁的人机交互界面,用以实现光谱数据的采集、处理以及葡萄籽油掺假鉴别结果的显示;其次,针对硬件和检测环境带来的光谱噪声,系统采用小波变换滤除噪声,减小光谱失真;最后,考虑到现有的基于机器学习的品质鉴别模型往往依赖已知的油类训练样本集来实现对不同掺假类别油类的预测,而利益驱使下层出不穷的掺假手段使得新的、未出现在原训练集中的掺假类别样本不断涌现,现有的品质鉴别方法将很难给出准确的判别结果。因此,研发的检测系统中设计一种能实现已知和新的掺假油品光谱的鉴别方法,该方法分为分类和校正两步:先用建模数据库中的训练集建立极限学习机(ELM)分类器模型,实现初步掺假类别的分类;然后再利用自动聚类算法对分类结果进一步校正。若与校正数据集产生一个聚类中心,则证明分类结果正确且属于建模数据库中的已知掺假类别;若产生两个聚类中心,则分类结果不正确,样本为新掺假类别,未出现在建模数据库中,最终得到准确的掺假类别结果。为检验系统性能,用搭建的可见/近红外光谱仪硬件平台采集了纯葡萄籽油和掺入不同比例的大豆油、玉米油、葵花籽油和调和油的葡萄籽油的5类光谱数据,每一类30组共计150组数据,将得到的可见/近红外光谱数据先进行小波阈值法去噪和多元散射校正(MSC)预处理后输入到设计的检测系统中。假定前4类作为建模数据库中的已知掺假类别以及第5类作为新掺假类别,先利用K-S算法将已知掺假类别的每类样本划分成训练集20组和测试集10组,用训练集共80组样本建立ELM分类模型,将40组测试集输入到ELM实现初步判别,判别结果再进一步聚类分析校正,只有一个聚类中心,说明了模型判别准确,且对已知类别能够100%识别;当30组新掺假类别样本输入到ELM模型时,均判别成了纯葡萄籽油,进一步聚类分析校正,产生了两个聚类中心点,说明ELM模型误判,定性判定第5类为新掺假类别。实验结果表明,研发的葡萄籽油掺伪检测系统操作简单、快速,不仅对已知掺假类别能够100%识别,而且对新掺假类别能够实现定性判别。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。     

拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

掺有植物性填充物牛奶的近红外光谱判别分析

为探索近红外光谱技术在生鲜牛奶掺假检测中的应用, 寻找一种快速的检测方法,以分别掺有植物奶油、植物蛋白、淀粉的牛奶为材料,利用傅里叶变换近红外光谱仪对样品进行扫描并得到光谱数据, 应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的掺假牛奶判别模型的正确判别率达到97.78％,对未知样进行检验,正确判别率达到94.44%;利用偏最小二乘法建立的各掺假物质掺入量的定量检测模型,各掺假牛奶的校正集决定系数(R2)均在99.0%以上,各掺假牛奶的验证集决定系数均在98.5%以上,模型的预测效果良好。上述2种方法说明了近红外光谱技术可以实现对掺有植物性填充物牛奶的快速定性、定量鉴别。     

多波长激光诱导荧光麦卢卡蜂蜜掺杂分类识别

麦卢卡蜂蜜产自新西兰,具有很强的抗菌及抗氧化作用,其售价较高,近年来掺假事件时有发生,利用激光诱导荧光技术对掺杂糖浆的麦卢卡蜂蜜进行分类识别研究。选用266,355,405和450 nm四种常用激光作为激发源,选择三种品牌的新西兰进口麦卢卡蜂蜜（编号A,B,C）中掺杂烘焙糖浆作为实验样品,掺杂比例为0%～90%,间隔10%;每个激发波长下每种样本溶液重复测试60次,共7 200组数据。光谱数据首先进行荧光波段截取、平滑及归一化等预处理;然后随机选取80%的数据做训练集,20%的数据做测试集;对训练集数据使用主成分分析（PCA）结合线性判别分析（LDA）做数据降维;最后对降维后的数据分别建立K最近邻（KNN）和支持向量机（SVM）分类模型,对测试集数据进行分类识别,重复进行50次随机分组及分类识别后对得到的分类识别率求平均值及标准差。实验分析结果表明,激发光波长对最终识别结果影响较大,266 nm激发的荧光光谱分类识别正确率最高,三种麦卢卡蜂蜜掺杂溶液的分类识别率均能达到98.5%以上,最高能达100%;355和405 nm激发的分类识别效果次之,所有样品的分类识别率均大于92%;而450 nm激发的荧光光谱分类识别率最低,不同样品的分类识别率均低于66%。因此,后续分类算法的比较仅使用266,355和405 nm激发的荧光光谱数据,分析结果表明,KNN算法的分类效果要优于SVM算法,不同激发波长下三种蜂蜜掺杂溶液的分类识别率均是KNN算法更高,且对266 nm激发的三种蜂蜜掺杂样品,KNN算法的分类识别率比SVM算法要高1%以上。实验结果表明,使用激光诱导荧光技术对掺假麦卢卡蜂蜜进行分类识别是可行的,对于掺杂糖浆的麦卢卡蜂蜜,在使用的所有组合中,266 nm激发结合PCA-LDA降维和KNN分类算法的分类识别率最高,分类效果最好,可用于掺假麦卢卡蜂蜜的快速准确鉴别。     

反刍动物源肉骨粉的近红外漫反射光谱判别分析

为了探讨利用近红外漫反射光谱判别分析技术快速鉴别非反刍动物源肉骨粉中是否掺有反刍动物源肉骨粉的可行性,收集了来源于国内不同地区的不同种类的肉骨粉样本39个,其中猪、鸡肉骨粉各15个,牛肉骨粉5个和羊肉骨粉4个。通过在非反刍动物源猪或鸡肉骨粉中人为掺入0%～48%的反刍类动物源牛或羊肉骨粉,制备了252个肉骨粉的样本。利用FOSS 6500型近红外光谱仪获取样本光谱,WINISI软件随机选取180个样本作为校正集,72个样本作为独立的验证集。采用基于偏最小二乘回归法(PLS)的判别分析技术,建立了判别分析模型,利用独立的验证集对判别分析模型进行了验证,最优判别分析模型正确判别率为90%。结果表明所建立的判别分析模型可以对非反刍动物源肉骨粉中含有的反刍动物成分进行快速鉴别,但对反刍动物成分含量低于2%的肉骨粉样本,模型的判别精度还有待提高。文章结果为反刍动物源性肉骨粉的鉴别分析提供了一种有效的快速筛选方法。     

基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别

提出了一种基于独立组分分析的可见/近红外光谱透射技术快速鉴别蜂蜜品牌的新方法。用独立组分分析方法获取蜂蜜的可见/近红外光谱载荷图,将载荷图中相关性最大的波段,作为人工神经网络的输入建立蜂蜜品牌的鉴别模型。建立了一个三层的BP神经网络模型,各层传递函数采用S型(Sigmoid)函数,并设置网络输入层节点数为9,隐含层节点数为10,输出层节点数为3。每个品牌25个样本,3个品牌共75个样本,用来建立BP神经网络模型,剩余的3个品牌各５个样本用于预测,鉴别准确率达100%,模型的拟合残差为8.245 365×10-5。说明基于独立组分分析的方法具有很好的鉴别效果,为蜂蜜的品牌鉴别提供了一种新方法。     

应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究

利用傅里叶变换近红外漫反射光谱结合不同数学建模算法对不同部位取样的猪肉肉糜进行定性判别建模,并建立猪肉肉糜品质指标脂肪、蛋白质和水分含量的定量检测模型。结果表明:不同部位取样猪肉肉糜判别分析PLSDA模型性能良好,最优模型校正集判别正确率为100%,预测集判别正确率为96%;比较两种方法结合,不同光谱预处理建立各品质指标的定量模型,LS-SVM模型性能优于PLSR模型,脂肪和水分含量最佳预测模型校正及预测相关系数r均高于0.9,蛋白质含量最优模型校正及预测相关系数r,RMSEC,RMSEP和RMSECV分别为0.722,0.593,1.595,1.550和1.888,模型精度需进一步提高。研究表明利用傅里叶变换近红外漫反射光谱快速判别不同部位猪肉肉糜的方法是可行的,脂肪和水分含量定量分析模型从预测精度、稳定性及适应性考虑均具一定的通用性,具有良好的市场应用前景。     

Rapid detection of sucrose adulteration in honey using Fourier transform infrared spectroscopy

Abstract

Honey authenticity is of great importance for commercial and health reasons. The most common adulteration methods are overfeeding of bees with sugar or by adding sucrose. In the study, a Fourier transform infrared spectroscopy based on chemometric method, a partial least squares, for determination of sucrose sirup adulteration of Turkish honeys was improved. For this purpose, honey samples were adulterated with known amounts of sucrose sirup in concentrations ranging between 5.94 and 27.80%. A calibration curve was constructed within 992–923?cm^?1 with the regression coefficient of 0.999. Obtained results from the spectra were confirmed by high performance liquid chromatography-refractive index detector and a good correlation was found between the results of the spectroscopic and chromatographic methods. Additionally, some method validation parameters (linearity, repeatability, limit of detection, and quantification) of the spectroscopic method were studied and obtained results were compared with chromatographic method. To prove the usefulness of the method, twenty different honey samples were collected from markets in Turkey and analyzed for sucrose contents. The results indicated that predicted sucrose concentration of honey samples by the spectroscopic method ranged between 4.52 and 15.16% and results were confirmed by the chromatographic method with high correlation (correlation coefficient = 92%). The results of the present indicated showed that adulteration ratio of honey samples by sugar addition can be detected using Fourier transform infrared spectroscopy technique in a short time with high accuracy. In conclusion, this method could be regarded as a new alternative technique for routine analysis in quality control of honey samples.     

基于二维红外相关谱欧氏距离判别掺杂牛奶

基于纯牛奶、掺杂牛奶样品间二维红外相关谱欧氏距离,依据未知样品与校正集中“极值样品”欧氏距离平均值、组内、组间样品欧氏距离平均值,提出了一种掺杂牛奶判别的新方法。分别配置掺杂尿素牛奶(0.01～0.3 g·L-1)和掺杂三聚氰胺牛奶(0.01～0.3 g·L-1)样品各16个,采集纯牛奶及掺杂牛奶样品的红外光谱。以牛奶中掺杂物浓度为外扰,构建纯牛奶与掺杂牛奶的同步二维红外相关谱,并计算了各样品相关谱矩阵间的欧氏距离。在此基础上,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶与纯牛奶的判别模型,确定模型中的“极值样品”,组内、组间样品欧氏距离平均值。利用所建模型,计算未知样品与“极值样品”的欧式距离,并依据判别规则,对未知样品进行判别。研究结果表明： 基于样品红外相关谱矩阵间欧氏距离可实现掺杂牛奶的判别,其判别正确率为100%,验证了该方法的有效性。该研究为掺杂牛奶的检测提供了一种新的可能方法。