基于主成分分析和聚类分析的不同产地绒柄牛肝菌红外光谱鉴别研究

采用傅里叶变换红外光谱结合主成分分析和聚类分析建立快速鉴别不同产地绒柄牛肝菌的方法。采集15个产地绒柄牛肝菌样品的红外光谱信息,用多元散射校正(multiplicative signal correction,MSC)、二阶求导(Second derivative,SD)、Norris平滑的组合方法对原始光谱进行优化处理,MSC+SD+ND(15,5)预处理后的光谱数据进行主成分分析和聚类分析,并通过主成分载荷图分析不同产地绒柄牛肝菌样品差异的原因。结果显示,该方法的重现性,精密度及稳定性的RSD值分别为0.17%,0.08%,0.27%,表明方法稳定、可靠。主成分分析的前3个主成分累积贡献率达到87.24%,能表达红外光谱的主要信息,主成分得分散点图中同一产地样品成簇聚集,不同产地样品分布于相对独立的空间,能有效区分不同产地样品。主成分载荷图显示,随主成分贡献率降低,主成分所捕获的样品信息减少,其中PC1在3 571,2 958,1 625,1 456,1 405,1 340,1 191,1 143,1 084,935,840,727cm~(-1)波数捕获大量样品信息,归属为糖类、蛋白质、氨基酸、脂肪、纤维素等化学物质的吸收峰,表明这些化学物质含量的差异是区分不同产地绒柄牛肝菌样品的主要依据。基于离差平方和法(Ward method)及欧氏距离(Euclidean distance)进行聚类分析,能直观显示不同产地样品的分类情况及样品之间的相关性,15个产地样品基本能够按照产地来源正确聚类,正确率为93.33%。傅里叶变换红外光谱结合主成分分析和聚类分析,可以有效鉴别绒柄牛肝菌产地来源,并且能够分析不同产地样品具有差异的原因,为野生食用菌的鉴别分类和应用研究提供可靠依据。     

近红外光谱指纹分析在羊肉产地溯源中的应用

为寻求低廉、快速有效地签别羊肉产地来源的方法,对来自内蒙古自治区锡林郭勒盟、呼伦贝尔市和阿拉善盟三个牧区,及重庆市和山东省菏泽市两个农区共99份羊肉样品进行近红外光谱扣描,利用主成分分析结合线性判别分析(PCA+LDA),以及偏最小二乘判别分析法(PLS-DA)对光谱数据进行了分析,建立了羊肉产地来源的定性判别模型.结...     

近红外光谱的不同产地柑橘无损鉴别方法

柑橘是世界第一大水果。不同产地的柑橘内部品质和价格有所不同,但其外观差别较小,外行人较难通过肉眼实现准确鉴别分析。DNA标记法与仪器分析操作复杂、成本较高,且对样品具有破坏性,无法实现快速无损分析,影响了产品的二次销售。近红外光谱技术是一种快速无损的新型检测手段,可以用于不同产地农产品的鉴别分析。由于柑橘皮对光谱的干扰较大,导致现阶段柑橘产地无损鉴别研究匮乏。此外柑橘体积较大,因此需要对光谱采样点进行优化。为此,基于近红外光谱技术与化学计量学方法,提出了一种用于不同产地柑橘无损鉴别的新方法。使用近红外光谱仪得到了120个来自云南、湖南、广西武鸣、广西来宾的沃柑漫反射光谱数据。采用单一和组合光谱预处理方式以消除光谱中的多种干扰;采用主成分分析方法对数据进行降维处理,并以此作为输入值结合Fisher线性判别分析方法构建柑橘产地鉴别模型,并与主成分分析模型进行对比。此外,考察了不同光谱采样位置（赤道线4个采集点、果梗部以及果顶部）对结果的影响。结果表明：主成分分析方法结合优化光谱预处理的方法不能实现不同产地柑橘的准确鉴别分析,最优鉴别率仅为5%;而采用主成分分析-Fisher线性判别分析方法,利用赤道线4个点的平均光谱结合去偏置校正或多元散射校正预处理方法可实现不同产地柑橘的100%鉴别分析;采用主成分分析-Fisher线性判别分析对6个点的平均光谱数据进行处理时,采用原始光谱便可实现不同产地柑橘的100%鉴别分析。为此,通过对光谱预处理方法以及光谱采集点的优化,利用主成分分析-Fisher线性判别分析方法即可建立准确的柑橘产地鉴别模型,为不同产地柑橘的快速鉴别提供了新途径,为后续各种柑橘类水果的鉴别分析提供了参考。     

近红外光谱法结合模式识别方法对不同品牌牙膏进行质量监控

采用了近红外光谱法测定了4个品牌牙膏样品的近红外光谱,然后对所得的光谱进行变量预处理,再运用偏最小二乘法(PLS)、人工神经网络法(ANN)和K-最近邻法(KNN)等几种有监督模式识别法,以及主成分分析(PCA)和聚类分析两种无监督模式识别法对样品进行了品牌的分类及聚类分析.结果表明采用近红外光谱法所得的光谱变量经多元...     

一种基于近红外光谱技术的熊胆粉鉴别方法

建立了一种基于近红外光谱分析技术的方法,对熊胆粉的真伪进行了签别,并对掺伪品中熊胆粉的掺入比例进行了定量分析.采集了四处不同产地的30份熊胆粉样品,六份猪胆粉份样品,以及65份按不同比例混合的熊胆粉与猪胆粉的混合样品的近红外光谱,对所采集的样品光谱进行主成分分析,观察到熊胆及其伪品和掺伪品之间存在明显的界限,不同产地的...     

花生种子品质的可见-近红外光谱分析

利用600～1 100 nm波段研究花生品种的可见-近红外反射光谱,对选取的三种具有代表性的花生种子进行实验。使用近红外光纤光谱仪采集光谱数据,对原始光谱进行小波分析以提取光谱特征,再用主成分分析方法进行聚类分析,最后把每一个样品的前4个主成分得分作为识别模型的输入,品种类别作为模型的输出,以马氏距离作为判别函数,建立了线性判别分析模型。对于每个品种的50个样品,随机挑选30个样本作为训练集,剩余的20个样本作为预测集。该识别模型对3个花生品种的平均正确识别率为95%。表明该方法能有效的识别花生种子,得到较好的分类效果,为花生种子品质的区分和鉴别提供了一种新方法。     

基于近红外光谱技术的钢结构防火涂料品牌鉴别方法研究

为了实现钢结构防火涂料在流通使用领域中不同品牌的现场快速鉴别,提出了一种用近红外光谱技术快速鉴别钢结构防火涂料品牌的方法。运用光栅扫描型近红外光谱仪器,通过近红外漫反射光谱获取不同品牌钢结构防火涂料的光谱曲线,并对光谱数据进行标准正态变量变换(standard normal variate transformation, SNV)、Norris二阶求导等优化处理。利用主成分分析法(principal component analysis, PCA)对钢结构防火涂料品牌进行聚类分析,前五个主成分的累积方差贡献率已达到99.791%,以PC1,PC2和PC3×10的得分值对所有建模样品在三维空间作图,对不同品牌的钢结构防火涂料具有很好的聚类作用。利用5个品牌的各25个样品建立校正模型,用余下5个品牌的各5个样品,共计25个样品进行外部验证,通过未知样品光谱的主成分得分值计算其与校正模型中每个品牌的马氏距离值,实现未知样品的品牌鉴别。建立的定性分析模型对未知样品的外部验证正确率达到100%。说明该分析方法能够快速准确的鉴别钢结构防火涂料品牌,并为市场规范提供技术参考。     

基于近红外光谱技术的钢结构防火涂料品牌鉴别方法研究

为了实现钢结构防火涂料在流通使用领域中不同品牌的现场快速鉴别, 提出了一种用近红外光谱技术快速鉴别钢结构防火涂料品牌的方法。运用光栅扫描型近红外光谱仪器, 通过近红外漫反射光谱获取不同品牌钢结构防火涂料的光谱曲线, 并对光谱数据进行标准正态变量变换(standard normal variate transformation, SNV)、Norris二阶求导等优化处理。利用主成分分析法(principal component analysis, PCA)对钢结构防火涂料品牌进行聚类分析, 前五个主成分的累积方差贡献率已达到99.791%, 以PC1, PC2和PC3×10的得分值对所有建模样品在三维空间作图, 对不同品牌的钢结构防火涂料具有很好的聚类作用。利用5个品牌的各25个样品建立校正模型, 用余下5个品牌的各5个样品, 共计25个样品进行外部验证, 通过未知样品光谱的主成分得分值计算其与校正模型中每个品牌的马氏距离值, 实现未知样品的品牌鉴别。建立的定性分析模型对未知样品的外部验证正确率达到100%。说明该分析方法能够快速准确的鉴别钢结构防火涂料品牌, 并为市场规范提供技术参考。     

一种基于近红外光谱与化学计量学的绿茶快速无损鉴别方法

绿茶是我国饮用范围最广、最受欢迎的一类茶叶。不同品种绿茶叶外观上差别较小,非专业人员难以直接用肉眼进行辨别。传统化学方法操作复杂、检测费用较高,对样品具有破坏性,无法实现快速无损分析。近红外光谱技术是一种简便、快速、无损、重现性好、可直接用于在线定性定量分析的新型分析技术。由于种植方式以及土壤、气候等生长环境的差异,不同品种绿茶叶中含氢基团有机物的种类和含量也不相同,因此可以通过扫描样品的近红外光谱,得到不同品种绿茶叶的特征信息,实现对不同品种绿茶叶的快速鉴别。研究提出了一种基于近红外光谱与化学计量学技术对不同品种绿茶的快速无损鉴别方法。使用近红外光谱仪得到了八个品种绿茶样品的光谱图,用主成分分析方法对不同品种绿茶样品数据进行了聚类分析。使用连续小波变换方法消除了光谱信号中的基线干扰,从而提升聚类效果。利用基于标准偏差与相对标准偏差的变量筛选方法进一步提高了聚类结果的准确性。结果表明：主成分分析后样品的第一主成分和第二主成分的方差贡献率之和在90%以上,可以选取前两个主成分进行聚类分析。直接采用原始数据进行聚类分析的准确率较低,难以满足应用需要;连续小波变换可以有效地消除光谱信号中的基线干扰。与直接使用原始光谱聚类结果相比,采用连续小波变换后聚类效果有显著提升,但依旧不能实现所有品种茶叶样品的准确鉴别。为了进一步提高方法的稳健性和分类结果的准确性,选取了标准偏差和相对标准偏差较大的波长数据进行聚类分析。在符合平均值大于1%的波长范围内,剔除标准偏差小于5‰的波长,进一步选择较大相对标准偏差值对应的波长点进行聚类分析。采用这种方式,可以仅使用几十个甚至是几个波长即可实现绿茶样品品种的准确聚类分析。波长筛选方法可以大大提高主成分分析结果的准确性,采用近红外光谱分析技术与化学计量学方法可以实现对不同品种绿茶的快速鉴别。经过对各个光谱吸收区域波长所对应官能团分析后,初步得出多酚、酰胺类以及氨基酸类物质的种类不同或含量差异是形成绿茶品种差异的重要原因。所提出的基于近红外光谱与化学计量学技术的方法具有较强的鉴别能力,为绿茶的快速无损分析提供了一种新手段。     

基于近红外光谱和模式识别技术鉴别大米产地的研究

利用近红外光谱和模式识别技术建立了大米产地的快速鉴别方法。首先对119个地理标志产品响水大米和90个其他产地的大米(即非响水大米)的近红外光谱进行一阶导数和平滑处理,利用主成分分析法(PCA)对数据进行降维,通过前三个主成分的载荷图确定了相关性最大的特征波段(7 700～6 700 cm-1与5 700～4 300 cm-1)。在全波段内,凝聚层次聚类和Fisher’s判别鉴别方法都可以100%正确的鉴别响水大米和非响水大米;对于非响水地区的大米的具体产地判别,聚类分析正确率为91.9%,Fisher’s判别分析方法的正确率为96.7%。同时,在特征波段内,对大米产地聚类分析的准确度高于全波段范围内分析结果,说明选取的特征波段具有较强的代表性,是优化模型的有效方法之一。     

Factors influencing the 18O/16O-ratio in meat juices

With respect to the question of whether the 18O/16O-ratio of meat water could be used for meat origin analysis, factors influencing its delta18O-value have been examined. The 18O/16O-ratio of meat water differs geographically, similar to known differences in precipitation and ground water. In Great Britain higher enrichments in 18O were found in southern samples and in Germany in northern samples. However, it was not possible to distinguish between British and German beef: their 18O/16O-ratios overlapped. British bovine samples the variation range of delta18O-values was 2.8 per thousand; in porcine samples it was 2.0 per thousand. British meat liquids from beef were enriched in 18O by 1.3 +/- 0.3 per thousand compared with pork. In porcine samples of litter mates with identical breeding and age at slaughter, the range in the delta18O-values among individuals was 2.4 per thousand. Experiments revealed significant influences of the meat's storage and handling conditions on the 18O/16O-ratio. After 10 h at 21.5 or 18.5 degrees C the delta18O-value increased by 0.4 or 0.3 per thousand per h, respectively, in samples (50 g) of chopped meat. The observed magnitude of changes might compensate for the geographical and seasonal differences. A precise origin assignment of the affected specimen on the base of delta18O-values of meat water is hence bound to be impossible.     

基于卷积神经网络和近红外光谱的太平猴魁茶产地鉴别分析

太平猴魁茶因其特有的“喉韵”深受广大消费者喜爱,不同产地太平猴魁茶市场价格相差较大,如何实现产地精准鉴别是目前促进绿茶产业发展的关键因素。依赖于人工经验的感官评审方法主观性强、稳定性差,无法应用于实际生产检测过程。作为目前主要的检测分析方法,化学分析方法周期长、检测成本高,而且目前没有用于茶叶产地鉴别的统一标准。近红外光谱（NIR）作为一种无损检测分析方法,具有快速、非破坏性、无污染等特点,但是不同产地太平猴魁茶主要内含成分及其含量基本相同,不同产地样本光谱特征峰分布相似,导致常规分析方法无法有效选择特征变量。卷积神经网络（CNN）作为经典深度学习网络模型之一,具有强特征提取和模型表达能力。采用太平猴魁茶产地光谱特征分析,利用一维卷积神经网络模型（1-D CNN）提取太平猴魁茶NIR特征,提出一种基于1-D CNN和NIR的太平猴魁茶产地鉴别分析方法。试验以6个不同产地共120个样本为研究对象,分析10 000~4 000 cm-1范围内的光谱信息;将样本随机划分为训练集（84,占70%）和测试集（36,占30%）,分别讨论不同间隔采样、网络结构、卷积核大小及激活函数对产地鉴别结果的影响,并引入Dropout方法对比分析模型过拟合现象;最终建立一个具有9层结构的1-D CNN模型。蒙特卡罗试验结果表明,相比于基于原始光谱数据（40.57%,7.06）和PCA方法（31.93%,6.96）的太平猴魁茶产地预测模型准确率和标准差,基于1-D CNN的太平猴魁茶产地鉴别模型预测精度和稳定性更高,其测试集预测准确率平均值和标准差分别为97.73%和3.47。因此,1-D CNN可有效提取太平猴魁茶不同产地NIR特征,提高太平猴魁茶产地鉴别精度,为太平猴魁茶精准产地鉴别及溯源分析提供参考。     

刺参中无机元素的聚类分析和主成分分析

探讨多元素分析对中国刺参产地溯源的可行性,筛选判别刺参产地的有效指标.采用电感耦合等离子体质谱(ICP-MS)法测定了7个产地刺参样品中Al,V,Cr,Mn,Fe,Co,Ni,Cu,Zn,As,Se,Mo,Cd,Hg和Pb共15种无机元素的含量,建立刺参无机元素数据库.原始数据经过标准化处理后,结合聚类分析和主成分分析...     

激发-发射荧光矩阵光谱结合多维辩别分析用于葡萄干分类研究

葡萄干因其种类繁杂,产地来源多,制作工艺多样,导致品质各异。因此需要建立能够科学、准确的鉴别葡萄干种类、产地、品质的分析方法,以确保葡萄干产品质量、保护消费者利益、规范葡萄干商品市场。该实验基于葡萄干中富含多种荧光物质,以甲醇为萃取剂,应用微波提取法,结合三维荧光光谱技术,在激发波长300~700 nm,发射波长360~720 nm范围,获取三维荧光矩阵数据,应用多维主成分分析(M-PCA),多维偏最小二乘辨别分析(N-PLS-DA)和平行因子算法-偏最小二乘辨别分析(PARAFAC-PLS-DA)等多维模式识别方法,对三种主色为绿色、两种主色为红色的五个不同种类的葡萄干进了分类研究。M-PCA研究结果显示不同种类的葡萄干存在聚类趋势,而N-PLS-DA和PARAFAC-PLS-DA则给出了比较满意的分类结果。相对而言,由于PARAFAC-PLS-DA是基于PARAFAC分解得到浓度得分结果基础之上进行的分类,去除了不相干的冗余信息,因此取得了100%准确的分类结果。两种算法的品质因子比较结果也说明基于荧光光谱法和多维模式识别技术相结合的分析技术可以很好的用于葡萄干种类的识别研究,并有望用于葡萄干质量等级识别及产地追溯。     

ICP-MS测定蜂蜜中多元素结合化学计量学在不同产地荆条蜜溯源中的应用

应用电感耦合等离子体质谱(ICP-MS)测定了北京顺义、河北阜平和河北平山三个地区65个荆条蜜样品中38种元素含量,其中B,Na,Mg,P,K,Ca,Fe和Zn等8种元素的含量处于较高水平,其浓度均高于1 mg·kg-1。比较发现,不同地区荆条蜜中元素含量存在一定差异。以具有显著性差异(p<0.05)的29种元素(Na,Mg,Al,K,Ti,V,Mn,Fe,Ni,Cu,Zn,Ga,As,Sr,Y,Mo,Cd,Ba,La,Ce,Pr,Nd,Sm,Gd,Dy,Ho,Tl,Pb和U)为变量,应用主成分分析(PCA)和反向传输人工神经网络(BP-ANN)两种化学计量学方法按照不同产地对荆条蜜进行了分析。PCA可将所有变量降为4个主成分,并能解释81.6%的变量,结果表明,PCA基本可以将荆条蜜按照不同产地分开。应用BP-ANN建立不同产地荆条蜜溯源模型,用全部样本建立模型时,三个产地荆条蜜分类的正确率均为100%,采用“留一法”进行交叉检验,整体准确率为95.4%;以75%的样本建立模型,25%的样本用于预测,对BP-ANN模型的可靠性进行验证,三个产地整体分类和预测的准确率均为100%。ICP-MS测定蜂蜜中多元素含量结合多变量模型可以实现不同产地荆条蜜溯源。     

基于波长选择方法Modeling Power的黑木耳产地判别研究

应用近红外光谱技术结合波长选择方法(modeling power,MP)实现了黑木耳产地的快速准确判别。共收集4个产地240个黑木耳样本,通过光谱扫描,建立了最优的偏最小二乘(PLS)判别模型。同时应用MP选择对黑木耳产地判别的有效波长,作为输入变量,建立最小二乘-支持向量机(MP-LS-SVM)模型。比较了3种MP选择波长的阈值方法,分别为MP值大于0.95,0.90和(0.90+Peak),并建立了相应的MP-LS-SVM模型。以预测集样本的准确判别率作为模型评价标准,分别设定预测的残差绝对值标准0.1,0.2和0.5。预测结果表明,MP-LS-SVM(0.90+Peak)模型在残差标准为0.1,0.2和0.5时的判别效果均为最优,正确判别率分别为98.3%,100%和100%。说明ModelingPower是一种非常有效的波长选择方法,应用近红外光谱技术结合MP-LS-SVM进行黑木耳产地判别是可行的,并获得了满意的判别精度。     

Isotopic and multielemental fingerprinting of organically and conventionally grown potatoes

Two marker combinations were used for the differentiation of organically produced from conventionally produced potatoes and also for the geographical origin identification. Fifty-seven samples (from Romanian local producers or imported) were analysed from the stable isotopic (isotope ratio mass spectrometry) and elemental profile (inductively coupled plasma mass spectrometry) point of view. In order to assess the best marker combination, both isotopic and elemental experimental results were subject to chemometric analysis. The statistical tests performed were ANOVA test, Pearson correlation, principal component analysis and linear discriminant analysis (LDA). For a more comprehensive differentiation between organic vs. conventional potato samples, LDA was applied, and 94.7?% of original cases were correctly classified and the percentage obtained in cross-validation procedure was 91.2?%. Regarding the geographic origin classification, LDA provided an initial classification of 96.5?%, while for cross-validation the percentage was 87.7. LDA found δ¹⁵N, Cd, Ca, Cu and Zn as best discrimination markers between organically and conventionally grown potatoes. The strongest predictors for Romania vs. foreign geographical areas along LDA were seen to be Ca, P, Co, Ni and δ¹³C.     

Application of hyperspectral imaging for characterization of intramuscular fat distribution in beef

In this study, a hyperspectral imaging system in the spectral region of 400–1000 nm was used for visualization and determination of intramuscular fat concentration in beef samples. Hyperspectral images were acquired for beef samples, and spectral information was then extracted from each single sample from the fat and non-fat regions. The intramuscular fat content was chemically extracted and quantified for the same samples. Chemometrics including analysis of variance (ANOVA) and spectral similarity measures involving spectral angle measure (SAM), and Euclidian distance measure (EDM) were then used to analyze the data. An ANOVA analysis indicates that the two selected spectral variables (e.g., 650.4–736.4 nm) are effective to generate ratio image for visualization of the intramuscular fat distribution in beef. The spectral similarity analysis methods, which is based on the quantifying the spectral similarities by using predetermined endmember spectrum vector, provided comparable results for characterization and detection of intramuscular fat in beef. In term of overall classification accuracy, spectral similarity measure methods outperformed the ratio image of selected bands based on the result of ANOVA analysis. The results demonstrate that proposed technique has a potential for fast and nondestructive determination of intramuscular fat in beef.     

高光谱技术融合图像信息的牛肉品种识别方法研究

高光谱图像包含了大量的光谱信息和图像信息,采用高光谱成像技术对牛肉品种进行识别。获取可见-近红外(400~1000 nm)光谱范围内的安格斯牛、利木赞牛、秦川牛、西门塔尔牛、荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像,获取样本的感兴趣区域(ROI),并结合伪彩色图对牛肉样本的反射率指数进行可视化表达;采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能;对原始光谱采用卷积平滑(SG)、区域归一化(Area normalize)、基线校正(Baseline)、一阶导数(FD)、标准正态变量变换(SNV)及多元散射校正(MSC)等6种方法进行预处理;采用竞争性自适应重加权算法(CARS)提取特征波长。然后利用颜色矩对不同牛肉样本的颜色特征进行提取;对原始光谱图像进行主成分分析,结合灰度共生矩阵(GLCM)算法,提取主要纹理特征。最后结合偏最小二乘判别(PLS-DA)算法建立牛肉样本基于特征波长、颜色特征以及纹理特征的识别模型。KS法将牛肉样本划分为校正集190个,预测集62个;将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析,结果发现经FD法处理后的光谱数据所建模型的识别率最高;结合CARS法对经FD法预处理后的光谱数据进行特征波长提取,共提取出22个波长;利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、48个纹理特征。将特征波长数据与颜色、纹理特征信息进行融合建模,结果表明,基于特征光谱+纹理特征的模型识别效果最佳,其校正集与预测集识别率分别为98.42%和93.55%,均高于特征光谱数据模型识别率,说明融合纹理特征后使样本分类信息的表达更加全面;融合颜色特征后模型的校正集识别率均有所增加,但预测集识别率稍逊,颜色特征虽携带了部分有效信息,但这些信息与牛肉样本的相关性不大。因此,寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。该研究结果为牛肉品种的快速无损识别提供了一定的参考。