基于植物油可见吸收光谱的相关系数鉴别特级初榨橄榄油

目前市场上的橄榄油品牌很多,质量参差不齐,亟需完善橄榄油的等级分类检测和特级初榨橄榄油的鉴别方法。可见吸收光谱光谱法可在不直接接触样品的情况下对样品进行无添加试剂的探测,因此为实现特级初榨橄榄油的鉴别,采用可见吸收光谱法对不同种类植物油进行了光谱测量。实验结果发现特级初榨橄榄油在500~780 nm波段内具有4个明显的吸收峰,而其他种类植物油在此波段内吸光度较弱或无吸收峰,且同种植物油不同品牌之间的光谱特征极其相似。采用相关系数比对不同种类植物油可见吸收光谱,分别计算了四个不同波长范围内植物油的可见吸收光谱的相关系数,实验发现不同波长范围内的植物油可见光谱相关系数差别较大。在520～700 nm范围内,特级初榨橄榄油间的光谱相关系数在0.999 6以上,特级初榨橄榄油与其他种类植物油的光谱相关系数均低于0.267 8,特级初榨橄榄油与其他等级橄榄油的光谱相关系数在0.194 6～0.835 8之间。研究结果表明可见吸收光谱相关系数法是一种快速非接触式鉴别特级初榨橄榄油的可行性方法。建立了一种特级初榨橄榄油快速鉴别方法,即可见吸收光谱相关系数法。该方法在特级初榨橄榄油的实际鉴别中具有一定的应用价值。     

基于遗传算法的近红外光谱橄榄油产地鉴别方法研究

提出了一种应用近红外光谱技术快速无损鉴别橄榄油产地的新方法。采用近红外光谱仪获取三种不同产地的橄榄油各30个样本的光谱漫反射特征曲线,利用全局搜索算法-遗传算法提取特征波长,即从光谱751个波长数据提取9个特征波长数据,并将其作为主成分分析法的输入变量,运用主成分分析法建立分析校正模型。结果表明,主成分1和2累计可信度已达99.130%,对不同产地的橄榄油有很好的聚类作用,同时也说明遗传算法抽取特征波长方法正确。将提取到的六种主成分作为BP神经网络的输入变量,品种类型作为神经网络的输出变量,建立3层人工神经网络模型,对30个未知橄榄油产地进行预测,预测结果准确率达100％。该方法能快速无损地检测橄榄油产地,同时也为其他油类产地鉴别提供了一种新方法。     

近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测

基于橄榄油的近红外光谱数据,用判别分析(Discriminant analysis)方法把20个样品成功地分为特级初榨橄榄油和普通橄榄油两类,正确率为100％。同时测定了纯橄榄油中分别掺入菜籽油、玉米油、花生油、山茶油、葵花籽油、罂粟油的混合油的近红外光谱,掺杂油体积百分数范围为0～100%。选择最佳的光谱波段组合用偏最小二乘(PLS)法分别建立定量分析模型,预测相对误差范围在-5.67%～5.61%之间。研究结果表明,基于化学计量学方法和近红外光谱数据可为橄榄油的品质鉴定和掺杂量检测提供了一种简便、快捷、准确的方法。     

基于可见近红外光谱分析技术的马铃薯品种鉴别方法

基于可见-近红外光谱分析技术,提出了一种快速鉴别马铃薯品种的方法。以三种不同品种共计352个样本的马铃薯作为主要研究对象,随机将其分为建模集(307个样本)和预测集(45个样本)。对其中的建模集样品进行可见-近红外光谱分析,将获取的光谱图像通过多元散射校正(MSC)和窗口大小为9的Savitzky-Golay(S-G)一阶卷积求导方法预处理,消除颗粒大小、表面散射及光程变化对漫反射光谱影响,降低原始光谱曲线的随机噪声影响。然后用偏最小二乘法(PLS)对数据进行降维、压缩,使用主成分分析方法(PCA)获得的前4个主成分累计贡献率达到96%以上,并从前4个主成分图谱中提取20个吸收峰作为输入变量,经过试验,得到一个20(输入)-12(隐含)-3(输出)结构的3层BP神经网络。最后利用该模型对预测集样本进行品种鉴别,识别正确率达到100%。此方法能较为快速、准确地鉴别马铃薯的品种,为马铃薯品质检测与鉴别提供了新思路。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

可见-近红外光谱用于鉴别山羊绒与细支绵羊毛的研究

近红外光谱作为快速、无损的检测技术,近年来在国内外越来越受到广泛关注。针对山羊绒与细支绵羊毛的可见／近红外光谱的特点,提出了应用主成分分析(PCA)结合人工神经网络（ANN）进行山 羊绒与细支绵羊毛的鉴别,并建立了羊毛、羊绒分析模型。应用可见／近红外反射光谱获取山羊绒与细支绵羊毛的光谱曲线,利用主成分分析对原始光谱数据进行处理,根据主成分的累计贡献率99.8%选 取主成分数6,并将所选取的6个主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。实验结果表明,16个未知样本的鉴别全部 正确,表明可见／近红外光谱结合主成分分析和神经网络技术对山羊绒与细支绵羊毛进行快速鉴别是可行的。     

近红外光谱的主成分分析-马氏距离聚类判别用于卷烟的真伪鉴别

为了快速准确的鉴别卷烟真伪,以A牌和假冒A牌卷烟为实验材料,采用近红外光谱法结合主成分分析-马氏距离判别分析方法建立了鉴别模型.首先对经过预处理的光谱数据进行主成分分析,分析结果表明,前4个主成分的累积贡献率已达98.46%,说明这4个变量能够代表原始光谱的主要信息.从120个样品中随机抽取100个用于建立4个主成分变量的定性判别模型,模型的相关系数达到了0.95,对20个未知样品的预测结果准确率为100%.说明近红外光谱结合模式识别方法进行卷烟真伪定性鉴别在技术上是可行的,可以作为卷烟真伪鉴别的一种辅助手段.     

基于超连续光谱特级初榨橄榄油的快速检测方法

特级初榨橄榄油作为一种冷榨植物油含有较为丰富的不饱和脂肪酸和多酚类化合物,其营养价值较高。目前,橄榄油的掺假问题是业界最严重的问题之一,中国对橄榄油的消费量与日俱增,国内橄榄油市场较为混乱,掺假造假现象层出不穷,从橄榄油的国外进口到国内二次包装都有可能存在人为干扰和品质造假,如果不加以有效监督和制止,对国民的健康和财产将造成严重损失。如果通过传统的化学分析方法获取所有成分信息势必会增加检测周期,不利于商品的快速流通,对生产厂商和消费者来说都是一种损失。为应对复杂多变的橄榄油掺伪技术及国内具备橄榄油检测资质机构不足的问题,提出一种基于超连续光谱特级初榨橄榄油的快速检测方法,为实现快速鉴别提供了可能性,研究选用特级初榨橄榄油、菜籽油、茶油、芝麻油、稻米油、葵花油、玉米油以及大豆油作为研究对象,分别采集每种植物油的超连续光谱并对初步光谱数据进行光谱预处理,最后计算了不同样本间超连续光谱的皮尔逊相关系数并以此作为特级初榨橄榄油判别的主要依据。实验结果显示不同样本特级初榨橄榄油间的超连续光谱的皮尔逊相关系数在0.901 1以上,而特级初榨橄榄油与其他种类植物油的超连续光谱的皮尔逊相关系数在0.172 2~0.899 0之间。研究表明以皮尔逊相关系数0.901 1作为判别特级初榨橄榄油与其他植物油的检测阈值,可实现快速实时的精准检测识别。该技术与分光光度计的吸收透射光谱相比,最大的优势在于采集周期短和光谱指纹特征丰富,周期短表现为光谱曝光采集时间仅为100 ms,光谱指纹特征丰富表现为除包含吸收光谱外还表现出各种荧光活性物质所特有的荧光光谱。除此之外,可将超连续谱光源应用推广到食品安全检测技术领域。该技术装置简单且易于推广对国内橄榄油的检测和市场规范具有一定的研究意义。     

应用可见-近红外光谱快速识别沙棘汁品牌

为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见-近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。结果表明,在阈值设定为±0.1的情况下,该模型对预测集样本品牌鉴别准确率达到了100%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。     

基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究

提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法。在3 800～10 000 cm-1(波长1 000～2 632 nm)范围内采集四种玉米单粒完整籽粒的近红外漫反射光谱,经Savitky-Golay平滑和多重散 射校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别。主成分分析表明,前8个主成分的累积贡献率达到99.602%。以前8个主成分作为网络输入,品种类型作为输出,建立三层LMBP神经网络模型。每个品种 各取30粒共120个样本用于建模,10粒共40个样本用于预测。模型对建模集120个样本鉴别率为100%,对预测集40个样本的鉴别率为95%。实验结果说明该方法能快速无损地鉴别玉米品种,为玉米的品种鉴别提供了一种新方法。     

Visible Raman spectroscopy for the discrimination of olive oils from different vegetable oils and the detection of adulteration

We have investigated the potential of Raman spectroscopy with excitation in the visible spectral range (VIS Raman) as a tool for the classification of different vegetable oils and the quantification of adulteration of virgin olive oil as an example. For the classification, principal component analysis (PCA) was applied, where 96% of the spectral variation was characterized by the first two components. A significant similarity between sunflower oil and extra‐virgin olive oil was found using this approach. Therefore, sunflower oil is a potential candidate for adulteration in most commercially available olive oils. Beside the classification of the different vegetable oils, we have successfully applied Raman spectroscopy in combination with partial least‐squares (PLS) regression analysis for very fast monitoring of adulteration of extra‐virgin olive oil with sunflower oil. Different mixtures of extra‐virgin olive oil with three different sunflower oil types were prepared between 5 and 100% (v/v) in 5% increments of sunflower oil. While in the present context the adulteration usually refers to the addition of reasonable amounts of the adulterant (given the similarity with the basic product), we show that the technique proposed can also be used for trace analysis of the adulterant. Without using techniques like surface‐enhanced Raman scattering (SERS), a quantitative detection limit down to 500 ppm (0.05%) could be achieved, a limit irrelevant for adulteration in commercial terms but significant for trace analysis. The qualitative detection limit even was at considerably lower concentration values. Based on PCA, a clear discrimination between pure extra‐virgin olive oil and olive oil adulterated with sunflower oil was achieved. The adulterant content was successfully determined using PLS regression with a high correlation coefficient and small root mean‐square error for both prediction and validation. Copyright © 2009 John Wiley & Sons, Ltd.     

主成分分析和SIMCA的甘蓝与杂草光谱识别方法研究

为了提高杂草识别的准确性和快速性,利用光谱反射率差异区分作物与杂草。首先利用SG卷积求导法与多元散射校正法的不同组合对原始光谱数据进行预处理,然后利用主成分分析法(PCA)对各类植物进行聚类分析,并根据主成分分析结果中各个最佳主成分对应的载荷图,提取对各类植物识别敏感的特征波长,最后以特征波长为输入变量,用簇类的独立软模式(SIMCA)分类法对各类植物进行分类识别。甘蓝与杂草的分类结果表明,在1阶3次51点SG卷积求导法加上多元散射校正法(MSC)的最佳预处理基础上,根据主成分分析中前3个主成分,提取到23个特征波长,以它们为输入变量,利用SIMCA方法进行分类时,建模集和预测集的识别率分别达到98.6%和100%。     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究

研究收集了不同品牌的90个葡萄酒样品,为了消除各光谱基线不同带来的影响,对所有光谱曲线都进行了一阶求导,以一阶导数谱线作为有效数据,通过独立主成分(PC)分析可知,前两个主成分的贡献率达到80%以上,主成分聚类使得真伪葡萄酒样品明显分为两类;以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型,该模型对葡萄酒样品的预测识别率达到100%。研究表明,可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

基于光谱技术的双孢蘑菇新鲜度量化检测技术研究

双孢蘑菇质地柔嫩、营养丰富,具有很好的降血压、降血脂、消炎护肝等多种保健价值,其新鲜度是反映内外部品质的重要指标之一。目前双孢蘑菇新鲜度鉴别大多依据其外观品质变化（褐变）,缺乏精准的量化评价指标与方法,因此提出了以贮藏天数为新鲜度检测的量化指标,并利用近红外光谱技术对双孢蘑菇新鲜度进行检测分析。依据存储天数不同,将双孢蘑菇样本分为1~5组,每组40个样本,依次采集每组双孢蘑菇的近红外光谱数据。针对采集的原始光谱数据,首先选用卷积平滑滤波（SG）与多元散射校正（MSC）消除原始光谱噪声、基线平移以及光散射的影响,并选取399.81~999.81 nm的光谱波段作为数据处理范围;然后分别使用主成分分析（PCA）和连续投影算法（SPA）进行光谱降维和特征波长选择,继而建立极限学习机（ELM）分类模型;同时考虑到ELM模型中初始值对分类准确率影响较大,分别选用粒子群优化算法（PSO）、海鸥优化算法（SOA）对ELM中初始权值及阈值进行寻优,形成PSO-ELM,SOA-ELM优化组合分类模型;最后分别将全光谱、提取主成分以及所选的特征波长｛556.87,445.51,481.15,885.10,802.25,720.90,861.34,909.79,924.44,873.17 nm｝输入到分类模型中,建立不同输入、不同分类模型的双孢菇新鲜度检测模型。最终试验结果表明,当ELM为分类模型,以全光谱、主成分以及特征波长为输入时的预测精度分别为75%,95%,88%;以SPA优选特征波长作为输入的PSO-ELM、SOA-ELM分类模型训练集精度为96.25%,93.25%,预测集精度为92.5%,94%。可知,SPA波长选择算法可以有效降低光谱信息中存在的冗余信息,加快建模效率,同时海鸥优化算法能较好的优化ELM分类模型的初始参数,分类精度较ELM模型提高了6.8%,同时不产生过拟合现象。因此,利用光谱特征可以快速、准确无损的识别双孢蘑菇的新鲜度,研究结果为便携式双孢蘑菇新鲜度快速无损检测设备的开发提供了理论依据。