基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

不同分辨率近红外光谱对汽车差速器油品牌鉴别的研究

研究了不同分辨近红外光谱对汽车差速器油品牌鉴别的效果与影响。分别采集了五种不同品牌汽车差速器油在4, 8, 16和32 cm-1分辨率下的透射光谱。去除采集波段范围两端噪声明显部分后采用10 522.28～4 443.425 cm-1范围光谱进行分析。不同分辨率光谱的主成分分析(principal component analysis, PCA)结果表明不同品牌差速器油可以被鉴别。同时基于不同分辨率光谱全谱所建立的偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)以及支持向量机(support vector machine, SVM)模型所获得的判别正确率相近且均高于90%。其中以8 cm-1分辨率下PLS-DA与SVM模型的判别正确率最高。上述研究结果表明分辨率对判别分析结果的影响较小。进一步对不同分辨率下的近红外光谱采用连续投影算法(successive projections algorithm,SPA)选择特征波数,发现不同分辨率下得到的特征波数均不相同,表明分辨率影响特征波数的选择。以不同分辨率特征波数建立的PLS-DA以及SVM模型取得了较好的判别分析效果,与以不同分辨率下全谱建立的判别分析模型效果相当。研究结果表明,分辨率对差速器油品牌鉴别影响较小,而对特征波数的选择影响较大,在实际应用中应考虑到分辨率对特征波数选择的影响。总体而言,不同分辨率的近红外光谱全谱与对应的特征波数都能有效的实现对汽车差速器油品牌的鉴别。     

近红外透射光谱结合判别分析方法在汽车制动液品牌与新旧鉴别中的应用研究

采用近红外透射光谱研究了汽车制动液品牌及新旧的鉴别。采集宝马(BMW),丰田(Toyota),沃尔沃(Volvo)以及嘉实多(Castrol)四种品牌的汽车制动液全新样本以及用过的样本的透射光谱。分别对每一种品牌下全新与用过汽车制动液样本的光谱数据进行主成分分析(PCA),主成分得分图表明不同品牌制动液以及该品牌下全新样本以及用过的样本能够被较好的区分,其光谱特性存在差异。基于主成分载荷(Loadings)进行特征波数选择,偏最小二乘判别分析(PLS-DA),线性判别分析(LDA),簇类独立软模式法(SIMCA),k最邻近分类算法(KNN),随机森林(RF),误差反向传播人工神经网络(BPNN),径向基神经网络(RBFNN),极限学习机(ELM),支持向量机(SVM),最小二乘支持向量机(LS-SVM)等判别分析方法用于建立基于特征波数的判别分析模型,判别模型的建模集和预测集判别正确率均略低于或达到了100%。与其他三种品牌汽车制动液相比,嘉实多全新样本与用过样本的差异较小,KNN与LS-SVM模型的建模集正确率均低于100%。结果表明,近红外透射光谱结合特征波长选择以及判别分析模型对不同品牌制动液以及同一品牌下全新样本以及用过的样本进行识别是可行的,为开发在线或便携式仪器提供理论支持。     

基于高光谱成像技术的菜青虫生命状态检测研究

采用近红外高光谱成像技术对菜青虫的存活与死亡状态进行了研究,通过提取菜青虫不同状态的光谱信息,建立判别分析模型。以不同预处理方法对所提取的951.5～1 649.2 nm光谱进行预处理,并建立偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)模型对菜青虫的生死状态进行判别分析,判别正确率接近或达到100%。用移动平均(moving average,MA)5点平滑光谱分别采用连续投影算法(successive projections algorithm, SPA)以及加权回归系数(weighted regression coefficient,B_w)分别选取了17和20个特征波长进行生与死状态的判别。基于特征波长建立了PLS-DA, K最邻近节点算法(K-nearest neighbor,KNN),BP神经网络(back propagation neural network,BPNN)以及支持向量机(support vector machine,SVM)模型,判别正确率接近100%。结果表明采用近红外高光谱成像技术对菜青虫生命状态的研究是可行的,为作物虫害的快速诊断提供了新方法。     

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。     

基于中红外光谱和化学计量学算法鉴别核桃产地及品种

为探究中红外光谱快速检测核桃产地和品质的可行性,基于中红外光谱分析技术,并将化学计量学的算法应用于中红外光谱判别分析之中,对中国四大核桃主产区的10类主要核桃品种进行检测,取得较好效果。通过提取核桃粉末的光谱透射率,去除原始光谱首尾部分的明显噪声,对保留的700~3 450 cm-1范围的光谱采用小波分析（wavelet transform,WT）算法进行去噪预处理,并采用无信息变量消除结合连续投影算法（UVE-SPA）提取光谱特征波数,采用主成分分析法（PCA）对光谱定性分析,基于反向传播神经网络（BPNN）、极限学习机（ELM）、随机森林(RF)、径向基函数神经网络（RBFNN）及偏最小二乘判别分析（PLS-DA）对全谱和特征波数建模对比。在4类不同产地核桃判别中,得到12个特征波数：803,1 355,1 418,1 541,1 580,1 727,1 747,1 868,2 338,2 462,2 824和3 166 cm-1,基于特征波数分类的正确率高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达97%,RF算法分类判别效果最差,正确率仅69.70%;在10类不同品种判别中,得到10个特征波数：903,1 275,1 507,1 541,1 563,1 671,1 868,2 311,2 845和3 437 cm-1,基于特征波数分类的正确率依然高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达83.3%。在特征波数通用性方面,两组特征波数范围中有2个特征波数相同：1 541和1 868 cm-1,其他大多特征波数也都相近,将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类,分类结果较差,因此,在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题,由此推断,即使是同一原始数据,基于不同判别问题得到的特征波数在建模时通用性较差。结果表明,经UVE-SPA算法提取特征波数后,变量数可减少99%以上,有效地简化了模型,减少计算量,提高预测的稳定性;总体上,每个分类器的表现为：BPNN>RBFNN>ELM>PLS-DA>RF;基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。     

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。     

傅里叶变换近红外技术在乳制品微生物鉴别中的应用研究

乳制品的质量安全问题受到广泛的关注。为快速、准确判定乳制品污染源,利用傅里叶变换近红外光谱技术采集被阪崎肠杆菌、金葡萄球菌、大肠杆菌三种致病菌污染的牛奶样品的近红外透射光谱(NP),使用一阶求导(FD),标准正态变量变换(SNV),多元散射校正(MSC)对光谱进行预处理,结合偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)对三种细菌判别的可行性进行探究。研究表明,利用FD与SNV预处理方法得到PLS-DA模型判别结果均比NP差,而利用MSC预处理后准确率与NP一致达到了100%,且预测集相关系数(Rp)比NP高,预测均方根误差(RMSEP)更小,表明模型在经过MSC预处理后预测性能更理想。阐明利用FT-NIR技术结合化学计量学方法经过合适预处理方法后能有效用于乳制品中微生物类别的鉴别。     

基于近红外漫反射光谱的香梨类别定性分析

基于近红外(near infrared, NIR)漫反射光谱分析技术对库尔勒香梨中的脱萼果和宿萼果进行了自动化判别试验研究。用对不同波段范围、不同光谱预处理方法(MSC、SNV、微分光谱)和不同主成分因子数对香梨类别判别结果的影响进行了对比分析,建立了香梨类别的定性判别模型。研究结果表明：用判别分析(discrimant analysis,DA)方法在9 091～4 000 cm-1范围结合原始光谱建立的DA判别模型最优,该方法对校正集正确分类率达100%,预测集正确分类率为95%。     

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...     

基于高光谱技术的蛋白粉掺假检测研究

蛋白粉是健身者必备的营养补剂,市场需求在不断增加,一些不法商家为了谋取利益,在蛋白粉中加入廉价的粉末售卖。传统的蛋白粉掺杂的检测方法费时、费力,操作复杂,且成本昂贵。高光谱技术具有易于操作、在不损害实验样本的情况下可快速检测等优点,因此,提出使用高光谱技术以实现蛋白粉掺假检测。在蛋白粉中分别加入质量百分数5%～60%,浓度间隔5%的三类掺假物（玉米粉、大米粉和小麦粉）,并采集所有样本的光谱信息。在对蛋白粉中的玉米粉、大米粉和小麦粉三类掺假物进行定性判别时,首先分别采用卷积平滑（SG）、标准化（Normalize）、多元散射校正法（MSC）、基线校正（Baseline）和标准正态变换（SNV）的预处理方法对光谱数据进行处理,然后建立基于主成分回归（PCR）、反向传播神经网络（BPNN）和随机森林（RF）的模型,其中基于全波段光谱MSC预处理方法下建立的RF模型最优,其整体准确率达到了100%,其对应的R_P和RMSEP分别为0.997 9和0.018 9。在对蛋白粉中不同掺假物浓度进行定量分析时,对三类掺假样本的光谱分别进行SG,Normalize,MSC,Baseline和SNV的预处理,并建立LSSVM模型;比较不同预处理方法下的各模型之间的性能,在蛋白粉中掺玉米粉、大米粉和小麦粉的LSSVM预测模型最佳预处理方法分别是无、Baseline和Normalize,然后,采用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）对其筛选,并建立LSSVM模型,三类掺假样本的SPA-LSSVM模型对应的R_P为0.989 0,0.986 0和0.997 9,CARS-LSSVM模型对应的R_P为0.991 0,0.994 6和0.999 1,故三类掺假样本的CARS-LSSVM模型预测效果更佳。研究表明：高光谱技术可以实现对蛋白粉掺假的定性、定量的检测,并且操作简单、检测快速和无损。     

激光诱导击穿光谱技术用于抹茶和绿茶粉的快速鉴别

研究利用激光诱导击穿光谱技术结合化学计量学方法快速鉴别抹茶和绿茶粉的可行性。抹茶与绿茶粉的主要区别在于茶树品种、栽培管理、生长时间和加工工艺。通过采集不同厂家生产的抹茶和不同杀青方式制成的绿茶粉在230～880nm的激光诱导击穿光谱并进行归一化预处理后,选用主成分分析(PCA),依据X-variables loadings获取用于鉴别抹茶和绿茶粉的特征波长,并基于特征波长建立线性判别式分析(LDA)模型。结果表明：基于特征波长建立的LDA模型能快速鉴别抹茶和绿茶粉,4个特征波长分别属于C(Ⅰ) 247.94 nm,Mg(Ⅱ) 279.60 nm,Ca(Ⅱ) 393.45 nm和Fe(Ⅱ) 766.68 nm;建模集和预测集的判别正确率均达到100%。采用激光诱导击穿光谱技术可以准确鉴别不同厂家生产的抹茶和不同杀青方式制成的绿茶粉。     

高光谱成像的三七粉质量等级无损鉴别

三七粉是三七的主要消费和商品形式,市场上存在以次充好、甚至是掺假的现象,由于是粉状物料,难以用肉眼判别,为了实现对不同质量等级的三七粉进行无损鉴别。将30头、40头、60头和80头的三七主根研磨成粉,制备样本。采用可见近红外高光谱成像系统（400.68～1 001.61 nm）采集4种不同头数三七粉,共计384个样品的高光谱图像,提取高光谱图像感兴趣区域(ROI)的平均光谱值作为样本原始光谱。将384个三七粉样本按2∶1的比例划分训练集和测试集。采用卷积平滑（SG）、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理方法对三七粉样本光谱信息进行预处理并建立支持向量机(SVM)分类模型,通过比较基于3种预处理方法的SVM模型测试集分类准确率,确定SNV为最优预处理方法。采用迭代保留信息变量（IRIV）、变量组合集群分析（VCPA）和变量组合集群分析混合迭代保留信息变量（VCPA-IRIV）3种特征选择方法提取SNV预处理后光谱的特征波长并建立基于特征光谱和原始光谱的SVM分类模型,通过比较基于3种特征选择方法得到的特征波长建立的SVM模型测试集分类准确率,发现将VCPA与IRIV相结合的VCPA-IRIV为最优特征选择方法。VCPA-IRIV提取了18个特征波长代替全光谱数据参与建模,该算法在降低模型复杂度的同时保持了模型的分类精度。为了提高模型的分类精度,采用引力搜索算法（GSA）对SVM模型中惩罚因子c和核参数g进行寻优,并与网格搜索（GS）的结果进行比较,结果表明,VCPA-IRIV-GSA-SVM模型分类效果最好,测试集分类准确率达到100%。可见,利用可见近红外高光谱成像对三七粉进行质量等级无损鉴别是可行的,为市场上三七粉的质量等级鉴别提供了参考。     

近红外漫反射光谱无损检测乳粉蛋白质的研究

利用近红外漫反射光谱技术对奶粉蛋白质含量的快速无损检测进行了研究。挑选来自国内不同地区的29种奶粉,以化学分析值作参比,采用偏最小二乘回归算法建立奶粉光谱信息和蛋白质含量的定量模型,预测均方根差(RMSEP)为0.687%。采用波长选择对模型进行优化后,波长点从1 558个减为11个,大大加快了运算速度,同时还在一定程度上提高了模型的精度。为了减小颗粒大小不均匀和粒子表面非特异性散射的影响,对光谱数据进行了标准正态变量(SNV)变换和多元散射校正(MSC),结果表明这两种方法是有效的,得到RMSEP减小了约37%。研究结果表明,近红外漫反射光谱测定奶粉中蛋白质含量实时、快速,能满足工业过程分析中的测量精度要求,为提高奶粉质量分析水平提供了新的途径。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

基于近红外自相关谱检测奶粉中的三聚氰胺

发展了一种基于近红外自相关谱定性定量分析掺三聚氰胺奶粉的检测方法。分别配置40个纯奶粉样品和40个不同质量百分比浓度的掺三聚氰胺奶粉(10-4%～40%, w/w)样品,采集了所有样品的一维近红外漫反射光谱,以奶粉中掺入的三聚氰胺浓度为外扰进行相关计算,选择随浓度变化敏感的7 000～4 200 cm-1为建模区间。在提取自相关谱信息的基础上,建立了定性定量分析掺三聚氰胺奶粉的偏最小二乘模型,并与常规一维近红外谱模型的预测结果进行了比较。所建立的方法对未知样品的识别正确率为100%,预测均方根误差(RMSEP)为0.63%;而一维近红外谱的识别正确率为96.2%,RMSEP为0.84%。研究结果表明：相对于常规一维近红外谱,所建立的方法能提供更好的预测结果,其原因可能是自相关谱能提取更多的特征信息。     

红外光谱技术的三文鱼肉假冒鉴别

国内三文鱼市场鱼龙混杂,假冒问题严重,但鉴别方法有限。采用红外光谱技术结合偏最小二乘判别分析法(PLS-DA)研究了黑龙江大马哈鱼、淡水虹鳟、智利太平洋鲑三种鱼肉对挪威三文鱼的冒充问题。采用FITR光谱仪和KBr压片法采集四种肉类的原始光谱,并对原始光谱分别进行多元散射校正(MSC)、Savitzky-Golay平滑、一阶导数(first derivative)、标准正则变换(SNV)、峰面积归一化(peak area normalization)五种预处理来消除噪声等干扰因素并确定最佳预处理方法。为建立PLS-DA鉴别模型,将四种鱼肉的光谱分别赋予-3,-1,1和3四个参考分值,建模后通过预测检测集鱼肉得分来检验模型准确性。结果表明：采用峰面积归一化法时,PLS-DA检测模型的效果最好,校正集和交叉验证集的决定系数分别为0.97和0.95。RMSEC和RMSECV分别为0.37和0.52。该模型能显著区分四种鱼肉、检测集的预测分值分别聚集在各自的参考分值附近,在阈值为±1的判别条件下预测准确度为96%。同时采用马氏距离法进一步对四种鱼肉的光谱进行分析,发现相互之间差异明显,其中挪威三文鱼与其品种差别最大的淡水虹鳟距离最大,与其比较接近的智利太平洋鲑的距离最小,红外光谱信息能够反映不同鱼肉的品种、生活环境等差异。因此,采用红外光谱技术结合PLS-DA法能够准确的鉴别出其他鱼肉对挪威三文鱼的冒充问题,同时对其他肉类检测有一定借鉴意义。     

中红外光谱和支持向量机的梅花鹿角帽粉假冒与掺假识别模型

梅花鹿角帽具有较高的药用和经济价值,因其质地坚硬,故一般选择打成粉末使用。消费者很难从外观上去判别梅花鹿角帽粉是否为正品,导致其假冒与掺假事件层出不穷。因此,提出利用中红外光谱（FTIR）结合机器学习探索一种识别梅花鹿角帽粉假冒与掺假的方法,以解决用马鹿角帽粉、梅花鹿骨粉假冒梅花鹿角帽粉和牛骨粉掺假梅花鹿角帽粉的问题。从黑龙江、吉林、辽宁3省共5个地区采集梅花鹿角帽、马鹿角帽、梅花鹿骨各120份,共360份样品;牛骨采购于长春市南关区农贸市场,使用牛骨粉掺假梅花鹿角帽粉,掺假比例分别为5%,10%,20%,30%,40%,50%,每种比例各20份,共120份。采集样品中红外光谱数据,多元散射校正（MSC）对光谱进行预处理,经K-S法抽样,按3∶1的比例划分训练集和测试集后,对光谱数据进行归一化（normalization）和主成分（PCA）分析降维处理。根据主成分个数累积贡献率≥85%,主成分特征值≥1原则,选择前7个主成分构成降维后的光谱数据;分别将全光谱（FS）数据与PCA降维后的光谱数据作为模型输入,建立支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)识别模型。结果表明,梅花鹿角帽粉正品与假冒伪品、掺假次品的波谱在波段1 300～1 800和2 800～3 600 cm-1处存在差异,尤其是掺假比例≥10%以上的梅花鹿角帽粉与纯梅花鹿角帽粉差异明显。在识别梅花鹿角帽粉假冒与掺假模型中,FS-SVM,PCA-SVM,FS-RF模型均有很好的识别效果,其训练集与测试集识别率均为100%,其他模型识别率均低于98%。从简化模型的角度上比较,FS-SVM,FS-RF建模时间分别为4 859.36和1 818.96 s,而PCA-SVM建模时间仅为19.91 s。因此,PCA-SVM在6种识别模型中整体效果最佳。研究表明,中红外光谱结合支持向量机建模可以作为一种快速、准确、无损鉴别梅花鹿角帽粉假冒与掺假的有效识别方法。