基于嵌入式系统结构的印鉴鉴别系统

为了弥补市场上现有印鉴鉴别系统体积大、移动性能差、安全性较低、价格比较昂贵等缺陷,研究了基于高速数字信号处理器(DSP)和现场可编程门阵列(FPGA)的嵌入式印鉴鉴别系统.系统在印鉴识别算法上,基于平滑卷积的方法计算印鉴的中心位置和半径.采用径向投影法,对一维特征数据计算,得到待验印鉴(SS)与预留印鉴(MS)之间的偏转角度.把印鉴质量指标作为MS与SS对应边缘Hausdorff距离测度的控制参数,用神经网络方法综合分析、判别印鉴真伪.在硬件实现方面,片上可编程(SOPC)系统结合DSP作为检测系统核心.SOPC系统包括控制器、图像预处理器等.DSP作为系统的主处理器,用于进行图像的特征检测与识别.系统具有以太网、RS232、USB等通用接口.实验表明,该系统可以有效识别印鉴,并具有体积小、成本低、系统功能可灵活升级等特点.     

基于光谱技术的航天育种番茄品种鉴别方法的研究

为了实现航天育种番茄不同品种的快速光谱鉴别,采用主成分分析法对光谱数据进行聚类分析,并将小波变换用于对大量光谱数据的压缩,同时结合神经网络建立了番茄品种鉴别模型.该模型将压缩后的数据作为神经网络的输入,加速了神经网络的训练速度.通过对太空育种突变株M1和M2及其亲本番茄品种的共105个番茄叶片样本建立训练模型,并用每个品种15个样本,共45个番茄叶片的样本进行预测.结果表明,用该方法对航天育种番茄不同品种的鉴别正确率达到97.8%.说明文章提出的方法具有很好的分类和鉴别作用,为航天育种番茄不同品种的快速鉴别提供了一种新方法.     

红外光谱法无损鉴别升麻的研究

本文利用傅里叶变换红外光谱法和计算机比对软件,快速、直接地测定了15种升麻基源植物,结果表明：各种升麻药村的基源植物由于其化学成分的不同以及各成分间的相对含量的不同,使每种样品都有自己独特的红外谱图。不同科的升麻样品谱图差别较显著;同属不同种的升麻谱图差别较大;同种不同产地、同种同产地不同采集时间的升麻谱图差别较小。该方法具有快速、准确、制样简单不需对样品进行提取分离、保持原性质等特点。     

土茯苓及其混淆品的薄层色谱鉴别

土茯苓为常用中药,商品为百合科植物土茯苓的根茎,具有解毒、除湿的功效。在我国南方大部分省份皆有生长,其伪品多为菝葜类植物。采用薄层色谱法对土茯苓及其混淆品进行鉴别已有报道[1,2],但由于所涉及的混淆品品种较少,难以满足实际工作的需要。在我们前面的工作中[3～5],已对土茯苓及其混淆品进行了性状、显微及紫外光谱的系统鉴别研究。本文对产地不同、外表颜色深(淡棕色)浅(类白色)不同的正品土茯苓商品及其多种混淆品进一步加以研究,建立了真伪土茯苓鉴别的薄层色谱方法。1　实验部分1.1　实验材料　　实验材料来源及植物学名见文…     

天麻的傅里叶变换红外光谱鉴别研究

利用傅里叶变换红外光谱法对野生天麻、家种天麻及天麻伪品进行了快速无损鉴别研究。结果表明,野生天麻、家种天麻及天麻伪品均有自己的特征红外光谱。根据红外光谱谱峰形状和位置可以容易地鉴别天麻及天麻伪品;根据谱峰位置和吸光度比可以区分野生冬天麻和野生春麻、野生天麻和家种天麻;根据谱峰吸光度比有可能区分天麻的不同级别。该方法具有快速、简便、不需对样品分离提取等特点。     

傅里叶变换红外光谱法应用于中药砂仁真伪鉴别的研究

为了直接准确地鉴别砂仁及其伪品的真伪, 采用傅里叶变换红外光谱法直接测定砂仁及其伪品的红外光谱。结果阳春砂、绿壳砂、海南砂的红外光谱差别不大,而砂仁与其伪品红壳砂仁、海南假砂仁、华山姜及山姜的红外光谱吸收差别较大。对同一批次的不同样品进行了重复性试验,二阶导数傅里叶变换红外光谱正峰值的峰位一致率检验结果无显著性差异存在,说明可以采用FTIR法直接、快速、准确地对阳春砂、绿壳砂、海南砂与其伪品红壳砂仁、海南假砂仁、华山姜及山姜进行区别鉴定。     

气相色谱-质谱联用结合化学计量学鉴别再生聚苯乙烯发泡餐盒

建立了气相色谱-质谱联用(Gas chromatography-mass spectrometer,GC-MS)结合化学计量学方法鉴别再生餐盒和新餐盒的方法。发泡餐盒试样经二氯甲烷溶解,加入甲醇沉淀大分子聚合物,采用GC-MS进行分析,并结合主成分分析(Principal component analysis,PCA)和正交偏最小二乘判别分析(Orthogonal par-tial least squares discriminantanalysis,OPLS-DA)等多变量统计分析方法筛选出再生餐盒和新餐盒的差异性物质,建立了再生餐盒和新餐盒的鉴别模型。结果表明,再生餐盒和新餐盒中的主要物质包括聚合残余(苯乙烯单体、二聚体和三聚体)、苯衍生物和添加剂等。OPLS-DA和t检验筛选出41种在含量上具有显著性差异的物质,基于差异性物质建立鉴别模型,初步建立了有效的鉴别再生聚苯乙烯发泡餐盒的方法。     

17种分类算法在牛肝菌种类鉴别研究中的应用

由于部分毒菌与野生食用菌形态和生物学特征相似,农民仅凭经验采集,难免将两者混淆,从而导致严重的食品安全事故。云南省作为国内野生食用菌产量最高、出口量最大的省份,野生食用菌产业发展为云南农村经济发展做出了突出贡献,对不同种类野生食用菌进行快速鉴别,有利于野生食用菌产业的健康发展;分析食用菌亲缘关系,对食用菌育种工作具有积极作用。七种牛肝菌样品,采自云南及周边七个产地,利用FTIR光谱仪分别采集菌柄和菌盖红外指纹图谱,基于低级与中级数据融合策略,将预处理后的菌柄和菌盖FTIR光谱数据进行融合,结合Decision Trees,Discriminant Analysis,Logistic Regression Classifiers,Support Vector Machines,Nearest Neighbor Classifiers和Ensemble Classifiers中的17种算法,分别建立菌柄、菌盖、低级数据融合和中级数据融合模型,每个分类模型连续进行10次运算,通过比较训练集分类正确率平均值,确定牛肝菌种类鉴别最佳分类算法。中级数据融合数据集进行系统聚类分析（HCA）,对推测不同种类牛肝菌样品的亲缘关系进行鉴定。结果显示：（1）菌柄、菌盖和低级数据融合模型最佳分类算法均为Linear Discriminant,训练集分类正确率分别为92.8%,96.4%和97.6%。中级数据融合模型最佳分类算法为Subspace Discriminant,训练集分类正确率为100%;（2）菌柄、菌盖、低级数据融合和中级数据融合最佳分类模型,全部样品分类正确率平均值分别为93.61%,95.54%,96.99%和99.88%,中级数据融合模型优于其他三种模型,表明中级数据模型可以将相似度较高的样品区分开,且减少了产地对种类鉴别的影响;（3）中级数据融合模型数据集进行HCA,华丽牛肝菌和美味牛肝菌聚类距离最小,表明这两种牛肝菌化学信息较相似,亲缘关系较近;（4）华丽牛肝菌与皱盖疣柄牛肝菌聚类临界值距离最大,表明样品化学信息差异较大,亲缘关系较远。综上表明,基于中级融合策略将不同部位FTIR光谱数据融合,结合Subspace Discriminant与HCA,可以准确鉴别不同种类牛肝菌和快速推测样品亲缘关系,可作为野生食用菌种类鉴别与亲缘关系推测的一种新方法。     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪,选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.232 8,迭代时间t=3 882.9 s。模型2的分类正确率为100%,RMSEP=0.070 6,迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能力效果不明显。上述三种模型比较结果表明,FD+SG预处理可以提高模型的预测能力,小波降维可以提高模型的迭代速度,综合上述三种模型的比较结果分析,最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4,其分类正确率达100%,RMSEP=0.029 3, 迭代时间为98.8 s,表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此,所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别,同时也为其他农作物种子的快速鉴别提供了参考。     

基于荧光光谱及矩阵分析的植物油鉴别技术

利用FS920荧光光谱仪测量42个油样(包括36个纯植物油样,3个调和油样和3个混合油样)的荧光光谱,并对其数据矩阵(EEMs)进行归一化处理,确定了植物油特征激发波长及矩阵分析模型。综合分析植物油在特定范围内(激发波长为250～550 nm,发射波长为260～750 nm)的等高线光谱图和特征发射谱线图,将植物油划分为三类;将矩阵分析模型应用于纯植物油鉴别,分类正确率100%;为验证矩阵分析的定量判别能力,对三种混合油样进行分析,得到接近实际配比的分析结果;对市售三种调和油样本进行分析,得出调和油以大豆和菜籽油为基底的结论。通过对植物油荧光光谱的图谱特征和其矩阵模型的分析,证实荧光光谱技术和矩阵分析法对植物油进行分析和种类鉴别的有效性。