激光诱导击穿光谱鉴别硫熏浙贝母

探究了应用激光诱导击穿光谱（LIBS）结合化学计量学方法鉴别硫熏浙贝母的可行性。采集了未经硫熏、轻度硫熏和重度硫熏的浙贝母样本的LIBS光谱,使用小波变换和归一化对原始光谱进行预处理后,分别建立了基于全波段（400.41～871.65 nm）和基于特征波段（400.41～600.02 nm）的支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）的鉴别模型。结果表明：基于特征波段建立的三类模型的性能均与基于全波段建立的模型保持一致或更优,说明特征波段的提取是有效的。基于特征波段建立的模型中,SVM模型性能最优,建模准确率和预测准确率分别达到了100%和95.83%。综上所述,应用LIBS技术结合特征波段提取和化学计量学方法鉴别不同程度硫熏的浙贝母是可行的,且具有快速、简便、多元素同时分析的优势,可为鉴别硫熏中药材提供依据,有助于建立中药材质量检测与分级评定系统。     

近红外光谱和化学计量学对不同产地不同产期当归的定性研究

采用近红外光谱技术结合化学计量学,对来源于不同产地不同产期的136个当归样本进行快速、无损的定性研究.将当归样本粉碎后,采用光纤漫反射采集近红外光谱,并对光谱进行主成分分析(PCA)、结合随机森林建立当归的定性模型,同时对比分析了不同光谱预处理方法(未处理、变量标准化十一阶导数、变量标准化十二阶导数)对鉴别结果的影响....     

基于近红外光谱和化学计量学的党参定性模型的建立

采用近红外光谱结合化学计量学,对来源于不同产地的81个党参样本进行快速、无损的定性研究.将党参样本粉碎后,采用光纤漫反射采集近红外光谱,并结合随机森林建立党参的定性模型,同时对比分析了不同光谱预处理方法(未处理、变量标准化十一阶导数、偏移校正十一阶导数)对鉴别结果的影响.结果显示,样本可按产地区分开;光谱经偏移校正十一阶导数处理后,训练集准确率达100％,测试集准确率为94％.研究表明,近红外光谱结合随机森林原理简单,易操作,准确率高,为作为快速鉴别党参的参考方法.     

陈皮年份的高光谱技术鉴别研究

市场上陈皮以次充好现象时有发生,而年份是衡量陈皮品质的重要指标。研究用高光谱技术结合化学计量学算法,在380~1 023及874~1 734nm两波段对不同放置方式的陈皮进行年份鉴别。为了寻找更合适的波段和模拟实际生产检测中陈皮放置的随机性,采集了四个年份共180个样本在380~1 023及874~1 734nm的正、反面高光谱图像(720幅)。用主成分分析法(principal component analysis,PCA)对陈皮光谱信息进行定性分析,发现不同年份陈皮基于正反面光谱有明显的聚类;而后以回归系数法(regression coefficient,RC)选取陈皮年份相关的特征波段以减少变量;用偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)基于全波段、特征波段对三种放置方式(正、反、正反混合)的样本建立模型,最后对特征波段建立线性PLS-DA模型和非线性ELM模型并进行比较分析。研究表明:在380~1 023nm的预测效果大多高于874~1 734nm,基于非线性ELM的判别结果均高于线性PLS-DA模型,准确率最高可达到建模集100.00%,预测集98.33%,陈皮正、反、正反混合三种放置方式预测准确率多数可高于85%,故采用高光谱技术可实现对不同放置方式的陈皮年份进行无损鉴别,为进一步开发便携仪器或在线生产设备提供方法和理论依据。     

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。     

可见-近红外高光谱图像技术快速鉴别激光打印墨粉

为了使用快速、无损的方法区分激光打印文件使用的墨粉种类,利用高光谱成像技术结合化学计量法对6种激光打印墨粉的光谱数据进行建模和种类鉴别的研究。利用可见-近红外高光谱成像仪采集400~1 000 nm波段内的光谱数据,采用Savitzky Golay平滑、标准化、多元散射校正和标准正态变量变换4种方法分别对光谱数据进行预处理,而后分别建立随机森林(RF)、K最近邻(KNN)、支持向量机(SVM)、偏最小二乘判别分析(PLS-DA)和簇类独立软模式(SIMCA)模型,进而实现激光打印墨粉的种类鉴别。利用准确率、拒识率和误识率3个指标作为模型评价标准。实验结果显示,SVM和PLS-DA模型的效果最佳,准确率为100%,拒识率和误识率为0。基于可见-近红外高光谱成像技术可以实现激光打印墨粉的快速种类鉴别。     

薏仁种类的近红外光谱技术快速鉴别

薏仁是一种药食两用资源,对其品质快速鉴别的需求也越来越多,近红外光谱技术(near infrared spectroscopy,NIRS)作为一种快速、 无损且环保的方法正适合这一需求。 以不同产地和品种薏仁的近红外光谱为基础,结合化学计量学方法对薏仁种类进行鉴别。 对原光谱用无监督学习算法主成分分析(principal component analysis,PCA)和有监督学习算法学习向量量化(learning vector quantization,LVQ)神经网络、 支持向量机(support vector machine,SVM)进行定性判别分析。 由于不同地区和不同品种的薏仁营养物质组成复杂且含量相近,所选两类薏仁的特征变量很相似,因而PCA得分图重叠严重,很难区分;而LVQ神经网络和SVM都能得到满意结果,LVQ神经网络的预测正确率为90.91%,SVM在经过惩罚参数和核函数参数优选后,分类准确率能达到100%。 结果表明：近红外光谱技术结合化学计量学方法可作为一种快速、 无损、 可靠的方法用于薏仁种类的鉴别,并为市场规范提供技术参考。     

基于高光谱技术的覆盖保鲜膜菠菜货架期预测研究

保鲜膜能提高果蔬保水性,隔绝外界细菌侵染,延长货架期。为了准确估测覆盖保鲜膜果蔬品质的优劣,对其货架期进行预测具有重要意义。应用高光谱技术结合化学计量学方法对同等贮藏条件下覆膜新鲜菠菜叶片的货架期进行了预测。先采集五个不同贮藏时间下75盘共300片菠菜样本在可见-近红外(Vis-NIR,380～1 030 nm)与近红外(NIR,874～1 734 nm)波段的高光谱数据,然后测定不同贮藏时间下菠菜叶片叶绿素含量。提取300片覆膜菠菜叶片的平均光谱(200个为建模集,100个为预测集)后,对建模集光谱进行主成分分析(principal component analysis,PCA),发现不同贮藏期内叶片光谱数据在前3个主成分空间有一定的聚类。根据建模集光谱信息与预先赋予的不同贮藏期虚拟等级分别建立偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)模型,得到预测集样本的贮藏期总的判别准确率分别为83%(Vis-NIR)和81%(NIR)。表明,高光谱技术结合化学计量学方法能够实现对新鲜菠菜货架期的分类和预测,为消费者正确评价覆盖保鲜膜的菠菜品质提供了理论指导,也为后期果蔬货架期检测仪器的开发提供了技术支持。     

基于可见/近红外光谱的水稻品种快速鉴别研究

提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息。将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型。模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明,预测未知的50个样本的正确率达到96%。说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法。     

近红外光谱法定性定量检测蜂蜜中掺入甜菜糖浆的可行性研究

为进一步检验近红外光谱技术(NIRS)快速检测蜂蜜掺假的能力,利用近红外光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行了定性和定量检测。偏最小二乘-判别分析法(PLS-DA)对真假蜂蜜预测集的判别总正确率为90.2%;不同判别方法对掺假量等级预测集的判别总正确率都低于33.3%;PLS回归只对同一蜂蜜样本掺假的定量分析结果满意：预测集真实值与预测值的相关系数(r)为0.982 9,预测均方差(RMSEP)为1.394 2,而对不同植物来源和同一植物来源的不同样本的掺假量的定量分析结果不满意。研究表明,蜂蜜中掺入甜菜糖浆后,NIRS可实现真假蜂蜜的快速鉴别,而不能实现掺假量等级的鉴别及掺假量的定量分析。     

近红外光谱技术快速识别针叶材和阔叶材的研究

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明：(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。     

近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别

采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12 500～4 000 cm-1范围内光谱,并进行不同的预处理。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)对不同预处理的光谱进行建模比较,去趋势算法(De-trending)预处理光谱与多元散射校正(multiplicative scatter correction, MSC)结合De-trending(MSC+De-trending)预处理光谱的PLS-DA模型预测集判别正确率最高, 均为100%。采用x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数,并以特征波数分别建立了线性判别分析(linear discriminant analysis, LDA)和误差反向传播神经网络(back-propagation neural network, BPNN)的判别分析模型。结果表明,以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果,建模集和预测集的判别正确率均为100%。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。     

近红外光谱的通用聚苯乙烯牌号在线识别方法

在聚合物加工过程中,如果在同一生产线上混用不同牌号的原材料,可能会影响产品性能,降低产品合格率。然而采用传统方法识别相同类型不同牌号的聚合物往往耗时长且具有滞后性,目前还缺乏一种快速实时的牌号识别方法。因此,以5种不同牌号的通用聚苯乙烯(GPPS)为研究对象,利用自主开发的安装于挤出机上的在线近红外光谱测量系统,将近红外光谱与化学计量学、机器学习算法相结合,实现对挤出过程中GPPS牌号的快速在线识别。首先利用在线近红外光谱测量系统实时采集5种不同牌号GPPS熔体的在线近红外光谱,波长范围为900~1 700 nm。经过谱图分析后,利用主成分分析结合K均值聚类算法验证在线近红外光谱数据对于不同牌号的可分性。最后采用偏最小二乘判别分析和随机森林两种算法分别建立GPPS牌号识别模型并进行对比。结果表明：①经过基线校正、最大最小归一化、7点移动平均平滑预处理后,在线近红外光谱在1 207,1 388,1 407和1 429 nm处的特征峰峰值会随着牌号的变化呈阶梯状改变,以前3个主成分得分作为K均值聚类的输入变量得到聚类正确率为88%,说明了不同牌号GPPS在线近红外光谱数据的可分性;②所建立的两种预测模型均能够对GPPS牌号有效识别,最佳主因子数为3的偏最小二乘判别分析模型对验证集的分类正确率为90.4%,以前5个主成分得分作为输入变量建立的随机森林模型对验证集的分类正确率达95.6%,所以随机森林模型的牌号识别性能更好。因此,在线近红外光谱测量系统结合化学计量学、机器学习算法可以实现GPPS牌号的快速在线识别,为在生产线上利用近红外光谱识别同种聚合物的不同牌号提供参考。     

微波消解-原子吸收法分析并比较四种贝母中的微量元素

利用火焰原子吸收分光光度法(FAAS)及石墨炉原子吸收分光光度法(GFAAS)测定了浙贝、象贝、东贝、川贝4种贝母中15种微量元素的含量。同时考察了不同微波消解条件对分析结果的影响, 确定了原子吸收分光光度法测定的最佳条件,并且以微量元素含量作为指标对其进行了主成分分析。实验结果表明, 微波消解法操作简便、快速、样品消解完全, 空白值低, 选择性好, 方法相对标准偏差小于3.96%,回收率在91.0%～108.7%。主成分分析法在反映不同样品微量元素含量的差异程度上具有应用价值。     

三重串联四极杆电感耦合等离子体质谱法测定植源性中药材中总硫含量

针对日益严重的植源性中药材中二氧化硫（SO₂）浓度超标问题,研究基于最新的三重串联四极杆电感耦合等离子体质谱（ICP-MS/MS）技术建立了一种快捷、准确的二氧化硫检测方法。该方法可以有效地降低背景中多原子离子的干扰,提高检测灵敏度与标准曲线的线性范围。使用氧气作为反应气,对32S16O2-₄和34S16O2-₄的检出限分别为5.48和9.76 μg·L-1,线性范围0.02～100 mg·L-1(r> 0.999）。0.5 g中药样品加入6 mL硝酸和2 mL双氧水,使用微波消解方式对样品进行消解。选用柑橘叶标准参考物质对方法的可靠性进行考察,样品平行处理测定6次后所得浓度值在标准值范围内。结果表明,本方法可以实现中草药中SO₂浓度的准确测定,样品处理过程以及样品中背景元素不会对定量结果的准确性产生干扰。     

聚类算法用于中药材的近红外光谱分析

将近红外光谱分析技术结合聚类算法应用于中药材的鉴别分析,为当前中药材的类别分析提供了一种新的思路。选择黄樟油、桂叶油、桉叶油、松油醇、丁香叶油及三个不同来源的艾叶油共8个中药样品用实验室自行研制的多通道近红外光谱仪器进行快速(数秒钟)吸收光谱测试。以空气为本底,测试光谱范围700～1 700nm的药品透射光谱(吸光度),结果显示8个样品的光谱差异较大。对此八种近红外光谱建立了定性数学模型,然后进行了聚类分析,并选择不同的聚类方法进行优化,得到相似系数为0.974 2,表明该聚类分析可行。在聚类分析产生的聚类树中,8个样品的聚类性质与其实际特性相符良好,特别是三种艾叶油被归为最近的类中,因此该聚类分析结果合理。     

近红外光谱结合化学计量学的常见中国蜂蜜掺杂糖浆鉴别

目前我国蜂蜜市场掺假现象严重,研究一种快速、准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。采用近红外光谱（NIR）结合化学计量学方法对常见的天然蜂蜜以及掺假（掺杂常见糖浆）蜂蜜进行建模识别,并比较偏最小二乘-判别分析（PLS-DA）及支持向量机（SVM）对糖浆掺假蜂蜜鉴别模型的影响。首先,采集来自中国10个省份、20种常见蜂蜜的112个天然纯蜂蜜样品,以及6种常见糖浆样品按不同糖浆含量（10%,20%,30%,40%,50%,60%）配制的112个掺假蜂蜜样品,共计224个样品;通过近红外光仪器扫描获得所有样品的近红外光谱数据（波长范围400~2 500 nm）;然后,分别采用一阶导数（FD)、二阶导数（SD）、多元散射校正（MSC)、标准正态变化(SNVT)四种方式对原始光谱进行预处理;再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型,比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法（GS）、遗传算法（GA）、粒子群算法（PSO）三种寻优算法进行优化。分析结果表明：光谱数据进行预处理后所建立的模型准确率均有明显提升,而对于SVM模型,惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。在PLS-DA算法中,经FD光谱预处理后建立的模型效果最好,最佳PLS-DA模型准确率为87.50%;在SVM算法中,经MSC预处理后,再通过GS寻优,获得惩罚参数c为3.0314,核函数参数g为0.3298的条件下所建立的模型效果最好,最佳SVM模型准确率为94.64%。由此可见,非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型,同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。     

短瓣金莲花指标成分的红外光谱快速分析

将现代红外光谱分析技术与化学计量学方法相结合,建立利用红外光谱对短瓣金莲花药材的指标成分进行快速定量分析的方法。 以高效液相色谱法获得短瓣金莲花指标成分（荭草苷、牡荆苷）的含量作为参考数据,以傅里叶变换红外光谱技术获取其红外光谱图,在此基础上利用化学计量学方法将指标成分与红外光谱图数据关联,构建指标成分的快速预测模型。 以不同比例甲醇-水作为溶剂,采用室温浸提、加热回流、超声辅助工艺提取获得36个短瓣金莲花药材提取物。利用高效液相色谱法测试短瓣金莲花提取物的荭草苷和牡荆苷含量,并以傅里叶变换红外光谱仪辅以水平衰减全反射附件测试各样品的红外光谱图。分别选取29个提取物样品作为检验集,其余为校正集,采用TQ Analyst EZ Edition软件进行建模。以交叉验证相关系数（R2）和交叉验证误差均方根（RMSEC）为指标选择光谱预处理方法、定量分析方法和建模波段,用预测误差均方根（RMSEP）考核模型的预测效果。通过筛选得到优化的光谱预处理方法为标准正态分布校正（SNV）和二阶导数（13点平滑）,定量分析方法为偏最小二乘（PLS）方法,荭草苷和牡荆苷的最佳波段分别为2 050~650和1 900~650 cm-1。以PLS法构建的荭草苷和牡荆苷模型的相关系数分别为0.919 8和0.970 8,模型预测结果的相对偏差分别在-2.0%~3.2%和-3.4%~4.7%之间。鉴于红外光谱技术所具有的测试迅速、微观宏观指纹特性、定性定量皆可分析、对环境无污染等特点,利用红外光谱法可对中药提取物的指标成分进行快速、准确、环保、高效的分析,为中药的质量控制提供了新的思路和解决方案。