近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA),对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。     

基于中红外光谱技术鉴别转基因大豆的方法研究

转基因技术对于实现粮食增产,保护生物多样性,减少化学农药使用量等方面有着重大意义,但也可能存在一定的安全隐患。因此,转基因作物检测鉴别技术的研究愈发受到重视。本文采用中红外光谱分析技术,研究对不同品种的转基因大豆及其亲本进行鉴别的可行性。实验采集了三种不同的非转基因大豆亲本(HC6, JACK和W82)及其转基因大豆品种在3 818～734 cm-1范围内的光谱信息。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)进行判别分析,三种大豆的建模集的判别正确率分别为96.67%, 96.67%和83.33%,预测集的判别正确率分别为83.33%, 85%和85%。研究中采用X-loading weights、变量投影重要性(variable importance in the projection,VIP)和二阶导数(second derivative,2-Der)三种特征波数选择方法对光谱数据进行处理,并根据得到的特征波数分别建立PLS-DA模型进行判别分析,三种大豆的建模集和预测集的判别正确率均超过76.67%和75%。采用主成分分析(principal component analysis,PCA)和独立组分分析(independent component analysis,ICA)两种特征信息提取方法对光谱数据进行处理,分别建立PCA-PLS-DA和ICA-PLS-DA模型进行判别分析,三种大豆的建模集和预测集的判别正确率均超过80%和75%。研究表明中红外光谱分析技术可以较为准确地鉴别非转基因亲本与转基因品种,为转基因大豆的无损鉴别提供新的思路。同时结合特征波数选择方法与特征信息提取方法可以有效地降低模型复杂度,减少程序运算量。     

近红外激发荧光光谱与拉曼光谱快速鉴别马铃薯品种

马铃薯是世界上最重要的食物之一,快速无损的进行马铃薯品种鉴别对其在应用中更好的发挥品种优势具有重要作用。研究了以近红外荧光光谱和近红外拉曼光谱的土豆品种鉴别,并对两者进行了比较。实验采用3个品种共98个土豆样本,随机将其分成校正集(74个)和预测集(24个)。首先使用785nm近红外激光激发,采集所有样本的荧光和拉曼混合光谱,然后从混合光谱中分别提取荧光光谱和拉曼光谱,最后对荧光光谱和拉曼光谱进行偏最小二乘判别分析(PLS-DA),PLS-DA模型采用留一法和全交互验证。结果显示,荧光光谱与拉曼光谱都能够对三个马铃薯品种进行鉴别,其中荧光光谱的PLS-DA模型预测Favorita品种效果较好(灵敏度为1,特异性0.86,准确性0.92),但Diamant品种(灵敏度为0.75,特异性0.75,准确性0.75)和Granola品种(灵敏度为0.16,特异性0.89,准确性0.71)预测的效果较差,而拉曼光谱图很好的解释了马铃薯中的主要营养成分,基于拉曼光谱的PLSDA模型的预测效果(三个品种预测灵敏度,特异性,准确性均为1)比荧光光谱判别效果显著提高。     

基于液芯光纤的激光诱导荧光食用油种类鉴别研究

组建了一套基于液芯光纤的激光诱导荧光食用油鉴别装置。研究了不同液芯光纤长度对食用油激光诱导荧光光谱的影响,分析了不同种类食用油激光诱导荧光光谱之间的差异。八种食用油共320份样本荧光数据在1 m长液芯光纤内采集,采用主成分分析方法对食用油荧光数据进行降维处理,利用偏最小二乘判别分析(PLS-DA)方法建立食用油种类的鉴别模型。结果表明,使用液芯光纤后,食用油荧光强度得到较大的增强。随着液芯光纤长度增加,食用油荧光特征峰逐渐增加并且食用油的激光诱导荧光光谱会产生红移现象,当液芯光纤长度超过80 cm后,红移趋于饱和。不同食用油的荧光光谱形状差异较大,可用于区分不同种类食用油。利用主成分1和主成分2绘制的主成分得分图显示,不同种类食用油呈现很好的聚集。当选用主成分数为10时,建立的PLS-DA食用油种类鉴别模型对训练集和预测集样本识别率均达到100%。说明本装置用于食用油种类的快速鉴别具有较高的准确性。     

拉曼光谱结合LSTM长短期记忆网络的樱桃产地鉴别研究

现在樱桃市场上存在着大量以次充好的不良现象,严重损害了名牌樱桃的品牌经济效益,所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术。拉曼光谱溯源技术作为光谱溯源技术的一种,由于具有快速、高效、无污染、无损分析等优点,逐渐得到相关研究者的重视。长短期记忆（LSTM）网络是一种具有记忆性的反馈神经网络,它是循环神经网络的一种变体。LSTM网络克服了循环神经网络中梯度消失的缺点,适合处理序列敏感的问题和任务,目前被广泛应用在语音识别、图像识别和手写识别等领域,但LSTM网络在产地溯源方面的应用还有待研究。基于此,提出了一种LSTM网络与拉曼光谱技术结合的能对不同产地樱桃实现快速无损鉴别的技术。将来自美国、山东和四川的369个樱桃作为研究样本,用拉曼光谱仪在785 nm激光下获得了不同产地樱桃的光谱数据。并且以每条经过基线校正后的拉曼光谱数据作为网络输入数据,基于LSTM网络构建了能对不同产地樱桃实现快速鉴别的判别模型,并且以样本判别准确率A、样本精确率P、样本召回率R和样本F值作为评价指标,探究了不同预处理方法对LSTM网络判别模型性能的影响。结果表明：当样本训练集和测试集的比例为85∶38时,直接采用原始拉曼光谱数据的LSTM网络模型的产地鉴别能力不高,鉴别准确率为79.87%。但当使用预处理过后的拉曼光谱数据,模型的鉴别准确率维持在92%以上。并且光谱经过SG+MSC预处理后模型的鉴别准确度最好,鉴别准确率达99.12%。同时在采用SG+MSC预处理的方法下,LSTM网络鉴别模型的精确率、召回率、F值均较高,表明了所提出的LSTM网络模型有较好的性能可实现对不同产地樱桃的鉴别,为樱桃的产地溯源提供了一种新的思路。     

可见/近红外高光谱成像技术对鸡蛋种类无损判别

利用高光谱技术对鸡蛋种类判别进行研究,为鸡蛋种类无损判别提供科学方法。本研究利用400~1 000 nm高光谱系统采集3种鸡蛋样本的高光谱图像,对原始光谱进行预处理;应用CARS、GAPLS和IRF对预处理后的光谱数据提取特征波长;分别建立基于全光谱和特征波长的KNN和PLS-DA鸡蛋判别模型。结果表明:Detrend法为最优预处理方法;利用CARS、GAPLS和IRF分别选出31、52和71个特征波长;基于IRF提取的特征波长的PLS-DA模型最优,校正集正确率97.02%,预测集正确率85.71%。表明基于高光谱成像技术采集的鸡蛋反射光谱对种类无损判别是可行的。     

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。     

基于拉曼光谱快速鉴别新陈大米的方法研究

利用拉曼光谱技术结合化学判别方法建立新陈大米拉曼光谱判别模型。选取合适的样品预处理方式,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785nm波长的激光下,获取样品200~2 400cm-1的拉曼光谱信息,并对原始拉曼光谱进行基线校正、平滑、滤波等处理。应用主成分分析法(PCA)对光谱数据进行降维处理及粗分类鉴别;基于偏最小二乘分析法(PLS),建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明:该模型判断新陈大米是可行的,为稻谷新陈度的快速判别提供了一种新的方法。     

基于拉曼光谱技术鉴别ABS废旧塑胶原料的方法研究

塑胶微粒原料已渗透到人类衣食住行的方方面面,并广泛应用于能源、工业、农业、交通乃至航空航天和海洋开发等各重要领域不可或缺的材料。在利益的诱惑下,废旧塑胶的走私现象屡禁不止。我国作为塑胶原料进口大国,现有检测方法耗时长,难以实现现场检测,因此,开发一种用于现场的废旧塑胶微粒判别方法,对快速通关和海关缉私有重要意义。拉曼光谱技术具有快速、无损、样品用量小、无需前处理且适应性强等优点,已在现场快速鉴别领域得到广泛应用。在研究塑胶废旧机理的基础上,将拉曼光谱技术结合化学判别方法,应用于废旧塑胶原料识别。选取两类成分相似的实际通关塑胶原料样品,包含标准品及废旧品各160份,并对样品的拉曼光谱信息进行了采集。对比分析了两种塑胶原料的原始拉曼光谱,并对样品的拉曼光谱特征峰进行了归属分析。选取1 603 cm-1作为归一化参照峰位,进一步探究废旧塑胶的成分变化,对比统计了废旧塑胶原料及标准塑胶原料的相对峰强变化,结果表明废旧塑胶原料发生了化学老化。基于主成分分析法（PCA）对原始拉曼光谱及预处理拉曼光谱进行降维处理,结果表面预处理拉曼光谱的前2主成分空间分离度较好,通过对原始拉曼光谱数据进行背景扣除及平滑预处理,可减少荧光背景及噪声对鉴别的影响,提高鉴别的准确度。将样品一半划分为校正集用于模型建立,另一半划分为预测集用于模型验证,基于偏最小二乘判别分析（PLS-DA）,建废旧塑胶原料鉴别模型,该模型对建模训练集鉴别正确率为100％,模型验证集鉴别正确率为99.06％。研究表明,基于拉曼光谱技术,结合测试数据预处理及偏最小二乘判别分析方法,可以有效地实现塑胶原料的现场、快速、准确鉴别,为开发现场检测装备及方法提供理论参考。     

PLS-DA法判别分析木材生物腐朽的研究

利用近红外光谱结合PLS-DA判别分析方法可用于食品、药品和农产品等的快速识别或检测,因此,研究利用近红外光谱结合PLS-DA方法来检测木材的生物腐朽。研究结果表明：应用近红外光谱结合PLS-DA方法对培训集样本建立的判别模型,其校正及验证结果与实际分类变量的相关系数均超过0.94,SEC和SEP都低于0.17; 利用模型对未参与建模的样本进行检测,发现该模型对未腐朽、白腐和褐腐三种类型样本的判别准确率均为100%(偏差均小于0.5); 与SIMCA法相比,PLS-DA法对木材生物腐朽样本的判别准确率更高,说明应用近红外光谱结合PLS-DA方法能快速地检测到木材的生物腐朽,并能准确地判别出木材的生物腐朽类型。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。     

衰减全反射红外光谱法快速分类和识别多种食用油的方法

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型。此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型。实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱。为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比。研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%。在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力。     

基于显微聚焦拉曼光谱技术的丹参产地鉴别研究

产地是影响中药材质量的重要因素,产地差异导致中药材质量参差不齐,为维护市场秩序,有必要建立中药材产地鉴别方法,以便更加精准地判别和分析中药材品质。以多产地临床大宗药材丹参为研究对象,收集不同产地丹参样品150份,采用显微聚焦拉曼光谱技术在无损条件下对每份丹参样品的每根药材表面随机扫描1～n次,求每份样品扫描1～n次的平均光谱。分析原始光谱数据发现丹参表面光谱信号同时包含了丹参酮类成分的拉曼光谱和杂质的荧光光谱,主要表现在特定波长范围内不同产地丹参存在各自的聚集区和丹参表面光谱信号强度明显弱于或强于丹参酮类对照品的拉曼光谱信号强度。对扫描1～n次的平均光谱数据进行预处理后运用偏最小二乘判别分析（PLS-DA）和随机森林分类算法[不筛选（RF）或筛选重要变量（RF-VS）]建立扫描1～n次的丹参产地分类模型。结果随机扫描1次所得最优模型训练集和测试集预测准确率分别为88%和87%,且对质量差和质量优的丹参样品区分准确率高达97%;随机扫描2次和3次所得最优模型训练集和测试集预测准确率均分别为89%和87%,结合模型运行效率和成本,选择随机扫描1次所得光谱,经一阶导数（1ST-D）预处理和RF-VS计算所得模型为丹参最终产地鉴别模型。综上,在无损伤条件下显微聚焦拉曼光谱技术能建立快速、准确的丹参产地鉴别预测模型,为该技术进一步用于贵细中药材的产地和真伪鉴别提供参考。     

基于太赫兹光谱技术与CS-SVM的转基因产品鉴别

提出了一种基于太赫兹(THz)光谱技术以及布谷鸟搜索(CS)算法优化支持向量机(SVM)的有效的转基因产品鉴别方法(CS-SVM)。实验采用太赫兹时域光谱(THz-TDS)系统测量了三种转基因大豆种子及其亲本样品在0.2~1.2 THz波段的THz光谱,并采用SVM方法对转基因和非转基因大豆种子进行了分类鉴别研究,其中SVM的两个重要参数(惩罚因子和核参数)采用CS算法进行优化。实验结果表明,应用THz光谱技术结合CS-SVM方法为转基因和非转基因生物的检测和识别提供了一种快速、无损和可靠的分析方法。     

基于偏最小二乘法判别分析与随机森林算法的牛肝菌种类鉴别

牛肝菌作为一种著名的野生食用菌,具有较高的食用价值和经济价值。牛肝菌种类繁多,不易区分,建立一种有效、快速、可信的种类鉴别技术,可为牛肝菌提高品质提供一种方法。本研究采集云南不同地区7种野生牛肝菌共计683株,获取样品中红外光谱和紫外光谱,分析不同种类牛肝菌平均光谱图特征。基于多种预处理组合（SNV+SG,2D+MSC+SNV,1D+MSC+SNV+SG,MSC+2D）的单一光谱数据结合两种特征值提取法（PCA,LVs）构建了偏最小二乘法判别分析与随机森林算法并结合数据融合策略对牛肝菌进行种类鉴别,有一定的创新性。结果表明：（1）中红外光谱和紫外光谱的不同种类牛肝菌平均光谱吸收峰差异较小,吸光度具有细微差异。（2）合适的预处理可提高光谱数据信息,偏最小二乘法判别分析和随机森林算法模型的中红外光谱数据和紫外光谱数据最佳预处理组合为2D+MSC+SNV,SNV+SG,2D+MSC+SNV,1D+MSC+SNV+SG。（3）单一光谱模型中,中红外光谱模型优于紫外光谱模型,中红外光谱最佳预处理组合2D+MSC+SNV的偏最小二乘法判别分析模型正确率训练集99.78%,验证集99.12%;随机森林模型正确率训练集93.20%,验证集99%。（4）数据融合策略提高了分类正确率,低级融合的偏最小二乘法判别分析模型训练集和验证集正确率为100%,99.12%。随机森林模型训练集和验证集正确率为92.32%,99.14%。（5）随机森林算法中级数据融合Latent variable（LVs）正确率为训练集92.76%,验证集96.04%;中级数据融合Principal components analysis（CPA）正确率为训练集97.15%,验证集100%。（6）偏最小二乘法判别分析中级数据融合（LVs）正确率为训练集100%,验证集99.56%;中级数据融合（CPA）训练集和验证集正确率均能达到100%。基于偏最小二乘法判别分析和随机森林算法结合数据融合策略对牛肝菌进行种类鉴别,鉴别效果理想。偏最小二乘法判别分析中级数据融合（CPA）可作为一种低成本高效率的牛肝菌种类鉴别技术。     

应用Hilbert变换提取拉曼光谱相位信息进行血液识别分类方法的研究

将拉曼光谱技术和化学计量学方法相结合实现了对人血和动物血种属的区分,并提出了一种基于Hilbert变换的拉曼光谱相位提取方法,提高了人血与动物血区分的准确度。分别对血液光谱数据和它所对应的相位信息进行主成分分析(PCA),通过主成分得分图比较两者对人与动物血液的区分程度,并建立偏最小二乘判别分析(PLS-DA)模型,通过设置合适的分类阈值y,可以实现人与动物血液的有效区分。结果表明在选取第一、第二主成分分析时,利用光谱数据相位信息建立的PCA模型,识别率更高,人与动物血液明显区分开来。其所对应的PLS-DA模型最优主成分数为3,预测标准误差(RMSEP)和决定系数(R2)分别为0.044 3和0.993 2。而用血液原始光谱建立的PLS-DA模型最优主成分数为6,RMSEP和R2分别为0.053 7和0.990 1。说明利用拉曼光谱相位信息建立的PLS-DA模型可以拟合较少的主成分数来获得误差更小的预测结果。进一步观察PLS-DA模型拟合不同主成分数的预测标准误差曲线图,当选取同样多的拟合主成分数时,利用血液拉曼光谱相位信息建立的PLS-DA模型其所对应的预测标准误差均低于原始血液光谱数据。所以,通过提取血液拉曼光谱数据的相位信息,可以降低模型的复杂程度,提高识别准确度。