高光谱技术在牛肉丸复合掺假类型鉴别中的应用

肉制品加工过程的复杂性给肉制品掺假检测带来了巨大的挑战。基于高光谱技术,对不同比例的猪肉-鸡肉复合掺假牛肉丸进行了掺假类别判别分析,尤其首次提出了对熟牛肉丸复合掺假的快速检测。为建立模型,分别在牛肉糜中加入不同比例(20%、40%和80%)的猪肉/鸡肉,获得单一掺假样品。并将猪肉和鸡肉按2∶8、5∶5和8∶2的比例混合,在20%、40%和80%比例下进行复合掺假。此外,还制备了油炸掺假牛肉丸,以检验分类模型的适用性。对采集的掺假样本高光谱数据,经五种方法预处理后建立基于极限学习机分类(ELMC)和支持向量分类(SVC)的掺假鉴别模型。此外利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)分别提取特征波长并建立相应简化模型。研究表明:基于全波长建立的生/熟牛肉丸掺假类别检测模型SVC性能均优于ELMC。而基于特征波长建立的简化模型ELMC性能优于SVC。对生牛肉丸分类判别,利用SPA筛选出的44个特征波长建立的ELMC模型性能最优,其校正集和预测集的分类准确率均为97.17%。基于CARS筛选出的38个特征波长建立的ELMC模型对熟牛肉丸具有最高的分类性能,其校正集和预测集的分类准确率分别为97.17%和96.23%。因此高光谱技术可以对生肉和熟肉的复合掺假类型进行有效、快速、准确的鉴别,为便携式检测设备的研制奠定了理论基础。

熟驴肉掺假近红外定性及定量检测

驴肉风味绝佳、营养丰富,价格高昂且供应量低。驴肉火烧等熟驴肉中掺假马肉、骡子肉等其他肉类的问题亟待解决。为实现熟驴肉样品在不同掺假比例下的定性定量分析,以10%为梯度,分别制备驴肉含量为0%~100%的驴马掺假和驴骡掺假样品,并在4000~12500 cm^(-1)光谱范围采集样品光谱。针对熟驴肉掺假问题,采用线性判别分析、支持向量机以及广义回归神经网络的方法结合平滑算法(5点、15点、25点)、多元散射校正(MSC)、标准正态变量变换(SNV)、基线校正(Baseline)、归一化和去趋势化(Detrend)等预处理方法建立了近红外鉴别模型。采用偏最小二乘回归(PLSR)、反向传播神经网络(BP)方法结合以上预处理方法分别对熟驴肉掺假样品建立定量模型检测驴肉含量。SNV预处理结合支持向量机对熟肉碎掺假样品鉴别模型结果较优,校正集和预测集判别正确率为98.70%和94.78%;Detrend预处理结合线性判别分析的熟肉糜掺假样品鉴别模型结果较优,校正集和预测集的判别正确率分别达到98.47%和96.23%。建立定量模型进行掺假样品中驴肉含量的检测,BP模型相较于PLSR模型均取得较好的结果,具有较高的决定系数(R^(2))、相对分析误差(RPD)和较低的均方根误差(RMSE)。对于熟肉碎掺假样品,驴骡掺假样品集在Detrend处理后的BP模型结果较好,交叉验证集以及预测集的R^(2)、RMSE、RPD分别为0.971、0.067、5.844,0.980、0.086、6.984;驴马掺假样品集在归一化预处理后BP模型结果较好,各项参数分别为0.997、0.032、18.026,0.982、0.089、7.454。对于熟肉糜掺假样品,经Detrend预处理的BP模型结果均较优,驴骡掺假样品最佳定量模型的参数分别为0.982、0.041、7.470,0.986、0.103、8.452;驴马掺假最佳模型参数分别为0.986、0.036、8.348,0.961、0.101、5.044。结果表明,近红外光谱结合不同的建模算法实现了不同比例掺假的熟驴肉样品快速无损检测和鉴别,能够用于此后熟驴肉掺假的定性、定量分析。

基于特级初榨橄榄油两种不同特性的DSC掺假分析方法研究

该文基于油脂物理特性与氧化稳定性2种特性,利用差示扫描量热法(differential scanning calorimetry,DSC)对市面上常见的特级初榨橄榄油(extra virgin olive oil,EVOO)中大豆油掺假问题进行研究。在物理特性方面,采用DSC冷却曲线来分析EVOO掺假。随着大豆油掺假比例升高,油样在-40~-60℃结晶焓值ΔH由EVOO的29.78 J/g减小为40%掺假混合油的6.133 J/g,对EVOO质量比构建的一元回归方程Y=57.556X-28.44(R2=0.997)。在氧化稳定性方面,氧化温度160℃下,不同油样诱导氧化时间随大豆油掺假比例上升逐渐变短,由EVOO的25.8 min逐渐减小为40%掺假混合油的17.8 min,Y=-19.4X+25.64(R^(2)=0.996),掺假模型相关性较好。这2种DSC检验掺假分析方法都能有效鉴别EVOO中大豆油的掺假且各有特点,可根据实际情况选取合适的方法更好处理EVOO掺假问题。

基于多尺度与注意力机制的毛尖茶分类及掺假程度

针对消费者在生活中难以区分毛尖茶品种及掺假程度多少的问题,提出了一种基于多尺度特征提取与高效通道注意力机制相结合的网络模型.在DenseNet121的基础上使用多尺度特征提取结构替换原来单一的卷积核,丰富特征层信息,在模型的密集连接块中引入ECA-Net注意力机制,增强有效特征信息的传递,而后,对模型的参数进行调优,进一步提高模型的识别性能.结果表明:改进后的MS-ECA-DenseNet121-C分类模型在收集的8个类别的毛尖种类及掺假种类数据集上的识别准确率达到了96.95%,可以有效鉴别毛尖茶品种的真实性,且改进后的模型大小仅为27.3 MB,便于部署于手机端,在茶叶识别领域具有一定的应用价值.

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像(Near infrared-hyperspectral imaging,NIR-HSI)技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物(三聚氰胺、香兰素和淀粉)的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域(Region of interest,ROI),提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数(Laplacian score)(无监督)和ReliefF(有监督)挑选建模关键变量,建立偏最小二乘回归模型(Partial least squares,PLS)。开发包含自定义选择层的一维卷积神经网络模型(One-dimensional convolutional neural networks,1DCNN)。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、0.0644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择1210、1474、1524、1680 nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。

基于Si-VISSA特征波长选择的羊肉掺假检测方法

为提高羊肉掺假的检测效率、获得更好的预测精度,对区间变量迭代空间收缩法(Interval variable iterative space shrinkage approach,IVISSA)进行改进,以获得更优的建模性能。在IVISSA算法中引入了联合区间偏最小二乘(Synergy interval partial least squares,Si-PLS)的思想,设计了联合区间变量迭代空间收缩法(Synergy interval variable iterative space shrinkage approach,Si-VISSA),首先将全光谱波长划分为若干区间并组合成不同的联合区间,分别建立偏最小二乘模型,通过比较建模结果选出最优区间组合。该算法还改变了局部搜索条件,最优区间组合确定后再进行区间宽度的优化,通过增减区间相邻的波长并判别增减后的建模结果,最终确定区间边界。这些优化有效降低了算法复杂性,提高了运算精度。将IVISSA和Si-VISSA选取的波长分别建立偏最小二乘模型,结果显示,IVISSA波长选择预测集的决定系数和均方根误差分别为0.943和5.918,Si-VISSA波长选择预测集的决定系数和均方根误差分别为0.980和4.996。对比运行时长发现Si-VISSA所用时间仅为原算法的20%。以上表明Si-VISSA有更好的预测性能以及更高的运行效率。

基于近红外光谱技术的牦牛奶粉掺假检测与产地识别研究

牦牛奶粉的掺假检测和产地识别有助于保障食品安全、维护消费者权益,是促进乳制品市场健康发展的重要举措。传统的DNA检测方法和稳定同位素分析技术的检测周期长,难以满足快速、低成本现场分析的需求。针对以上问题,本研究建立了一种基于近红外光谱技术(Near-infrared Spectroscopy,NIRS)快速辨别牦牛奶粉掺假及产地的方法。收集了来自四川、甘肃、云南及青海的9个品牌的牦牛奶粉。在制备掺假样品之前,采用聚合酶链式反应(Polymerase Chain Reaction,PCR)技术和DNA凝胶电泳验证所收集的牦牛奶粉中是否掺杂了牛奶粉。完成验证后,进行掺假样品的制备以及近红外光谱数据的采集。采用K最邻近法(K-Nearest Neighbors,KNN)建立分类模型,偏最小二乘回归(Partial Least Squares Regression,PLSR)建立定量预测模型。通过优化光谱预处理方法和变量筛选方法进一步提升定量预测模型的预测能力。结果表明,KNN对牦牛奶粉掺假检测(纯牛奶粉、纯牦牛奶粉、掺杂着牛奶粉的牦牛奶粉)及产地识别(四川、甘肃、云南、青海)实现了100%的正确分类。掺假定量预测模型的校正集相关系数(R_(c))为0.9975,预测集相关系数(R_(p))为0.9913,预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)为1.9823%,性能偏差比(Ratio of Performance to Deviation,RPD)为7.2522。本方法可快速、准确地预测牦牛奶粉中牛奶粉的掺杂以及牦牛奶粉产地的辨别,为牦牛奶粉的质量控制提供技术支持。

藕粉掺假检测技术研究进展

藕粉是由新鲜莲藕经过去皮、粉碎、匀浆、沉淀、洗涤等步骤加工而成,美味可口,营养价值丰富,深受广大消费者的喜爱。但莲藕中淀粉含量却不高,因此纯藕粉的价格显著高于其他淀粉。为了提高经济效益,降低生产成本,不良商家在藕粉中添加马铃薯、木薯淀粉等廉价淀粉以次充好,导致市场上藕粉品质参差不齐。为了维护消费者的合法权益,鉴定藕粉真伪,近年来,国内外对藕粉掺假检测已经发展了显微镜检测技术、红外检测技术、核酸检测技术、液相色谱-质谱联用检测技术等,实现了藕粉掺假的准确定性以及定量检测。本文综述了藕粉掺假的主要检测技术并重点分析了各种检测手段的原理及优劣,为开发更多准确、稳定、快速、廉价的藕粉掺假检测技术提供一定的参考价值。

三维荧光光谱法快速检测橄榄油中掺假廉价油

目的 建立三维荧光光谱法结合机器学习快速检测橄榄油中掺假廉价油的方法。方法 采集橄榄油及掺入大豆油、玉米油、棕榈油3种不同浓度梯度橄榄油的荧光光谱,采用标准差标准化(Standardscaler)、标准正态变换(standard normal variate, SNV)、归一化(Normalize) 3种光谱预处理方法进行数据处理。基于K近邻(K-nearest neighbor, KNN)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)、偏最小二乘法(partial least squares, PLS)和卷积神经网络(convolutional neural network, CNN)构建5种橄榄油定量掺假模型。结果 在定性模型中,基于PLS算法构建的模型效果最好,对3种掺假橄榄油的判别准确率为0.86~1.00。在定量模型中, Standardscaler预处理结合RF算法构建的模型表现最优,校正集相关系数、预测集相关系数、校正集均方根误差、预测集均方根误差最高,分别为1.00、0.99、0.01、0.02。结论 该方法快速、实时、低成本,适用于橄榄油的定量掺假检测,为橄榄油质量评估提供方法参考。

基于近红外光谱技术检测全蛋粉掺假

为提高全蛋粉掺假检测的准确度和检测效果,应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法,对原始光谱数据进行预处理,采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及CARS-SPA结合算法对光谱数据进行特征波长筛选,建立集成学习(ensemble learning,EL)模型对掺假蛋粉进行定性判别,建立偏最小二乘模型(PLSR)对掺假含量进行定量分析。结果显示:在对掺假蛋粉进行定性判别方面,一阶导数为最佳预处理方法,CARS算法特征筛选效果最佳,EL模型对掺假蛋粉样本总体判别准确率达到98.18%,对各类掺假蛋粉样品的判别准确率在97.78%以上。在对蛋粉掺假含量进行定量分析方面,多元散射校正为最佳预处理方法,CARS算法特征筛选效果更佳,对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR浓度预测模型的预测集相关系数(R_(p))分别为0.958 5、0.931 2、0.945 6和0.955 8,均方根误差(RMSEP)分别为4.689 1、5.813 4、4.604 1和3.802 9。研究结果表明,近红外光谱技术可用于蛋粉掺假检测,为监管机构检测蛋粉掺假提供参考。

基于氢核磁共振与偏最小二乘法对蛹虫草及其掺假品的鉴别

目的采用氢核磁共振(1H nuclear magnetic resonance,1H NMR)结合正交偏最小二乘法(orthogonal partial least squares,OPLS)建立对蛹虫草中金针菇、杏鲍菇和香菇掺假的鉴别方法。方法主成分分析得分图显示,不同类型的掺假样品并不能完全分离。采用两步法进一步提高模型的鉴别能力,首先对纯蛹虫草和掺假蛹虫草进行正交偏最小二乘判别分析(orthogonal partial least squares discriminant analysis,OPLS-DA),模型显示真假蛹虫草分类良好,两类样品存在明显区别。然后对所有20%掺假蛹虫草进行双向正交偏最小二乘判别分析(two-way orthogonal partial least squares discriminant analysis,O_(2)PLS-DA),通过分别由28个和12个样本组成的训练和测试集来检查鉴别能力的准确性。结果掺假物金针菇、杏鲍菇和香菇能够被准确辨别。结论1H NMR代谢指纹图谱结合化学计量学,对于真伪蛹虫草及掺假类型能够有效鉴别,具有商业筛选的应用前景。

拉曼光谱结合化学计量学方法鉴别糖浆掺假蜂蜜

为区分掺加糖浆的假蜂蜜,确定其糖浆含量,提出一种以拉曼光谱技术结合化学计量学方法快速鉴别掺假蜂蜜的方法。利用拉曼光谱技术测定蜂蜜样本的光谱数据,利用主成分分析对光谱数据进行特征提取,选取累计贡献率达85%以上的主成分进行建模和预测。通过建立线性判别分析(linear discriminant analysis,LDA)和偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)模型,能够判别掺假蜂蜜中20%的糖浆含量差异。通过建立支持向量机(support vector machine,SVM)模型,能够判别掺假蜂蜜中5%的糖浆含量差异,且LDA、PLS-DA和SVM皆能以0.9以上的准确率区分1%糖浆含量的掺假蜂蜜样本和真蜂蜜样本。拉曼光谱技术结合化学计量学方法是一种快速无损、准确率高的掺假蜂蜜鉴别方法,其为蜂蜜及蜂蜜产品的快速鉴定提供了一种可行的思路,对维持蜂蜜市场秩序具有一定的意义。

基于三维荧光光谱结合2D-LDA的食用油掺假鉴别研究

食用油掺假行为严重威胁消费者的身体健康并扰乱社会市场秩序。研究有效的食用油掺假鉴别方法对于构建安全、可靠的食品供应链和提升消费者福祉具有重要意义。以食用油中的香油为例开展食用油掺假鉴别方法研究。通过芝麻香精与玉米油、大豆油以及菜籽油三种食用油配制了3类掺假香油;使用FLS920稳态荧光光谱仪采集了这3类掺假香油以及不同品牌香油共计45个实验样本的三维荧光光谱数据;基于2D-LDA方法提取了实验样本的二维特征,并以此为依据采用最近邻分类原理实现了掺假食用油的准确鉴别。将所述方法与平行因子结合非线性判别分析(PARAFAC-QDA)、多维偏最小二乘——判别分析(NPLS-DA)两种方法进行了对比。结果表明,2D-LDA方法能够有效提取掺假香油的二维特征。这些特征能够使不同类别的实验样本在投影子空间中实现最大程度分离;同时可使相同类别的实验样本在子空间中尽可能地紧密聚集,进而使得样本在低维子空间中具有更好的可分性,从而获得了100%的鉴别准确率。而PARAFAC-QDA和NPLS-DA两种方法仅分别获得了85%和95%的鉴别准确率。2D-LDA方法相比于这两种方法在食用油掺假鉴别特别是现场快速检测的实际应用中更具优势和潜力,其鉴别过程与结果更加简捷和精确。研究为现场食品安全监管提供了一种高效可行的新方案。

基于中红外光谱技术结合化学计量学对假冒和掺假梅花鹿茸粉的快速鉴别

目的基于中红外光谱技术结合化学计量学方法,建立梅花鹿茸粉快速鉴别模型,识别假冒及掺假梅花鹿茸粉。方法采集黑龙江、吉林、辽宁3省梅花鹿茸、马鹿茸、驯鹿茸样品,整只粉碎,得梅花鹿茸粉、马鹿茸粉、驯鹿茸粉样品各60份,并按照质量百分比5%、10%、20%、40%、60%和80%将驯鹿茸粉掺入到梅花鹿茸粉中,获得掺假梅花鹿茸粉样品60份,共计240份样品。样品进行红外光谱扫描,采用K-S法划分样本;利用5种光谱预处理方法结合支持向量机建模,确定最优光谱预处理方法;应用竞争性自适应重加权算法、连续投影算法提取光谱特征信息;建立支持向量机、随机森林、极限学习机识别模型,比较各方法建模效果,确定最优识别模型。结果各样品组红外光谱略有差异,其中纯梅花鹿茸粉组在1029 cm^(-1)附近多糖C-O伸缩振动吸收较强,纯驯鹿茸粉组在3310 cm^(-1)附近氨基酸N-H伸缩振动吸收较强;纯马鹿茸粉组在1659 cm^(-1)附近蛋白质C=O伸缩振动吸收最弱,而各掺假组样品在此波长的红外吸收随着掺假比例增加而增强。多元散射校正-连续投影算法-支持向量机模型对训练集和测试集的识别率均为100%,且仅需11个特征吸收波长点即可完成建模,识别准确率最高,鉴别速度最快,为最佳识别模型。结论中红外光谱结合化学计量学方法可准确、高效、无损的鉴别出假冒、掺假的梅花鹿茸粉。

基于电子舌结合VMD-IMG组合模型的清香型白酒掺假检测

针对传统白酒掺假检测方法分析流程长、仪器操作复杂等问题,提出一种基于电子舌结合变分模态分解和改进多通道GhostNet网络组合模型,实现对白酒掺假快速检测的方法。采用贝叶斯优化后的VMD对信号进行自适应模态分解,将原始信号分解为多个本征模态函数。在传统GhostNet网络的基础上,引入瓶颈注意力模块和空洞卷积,并扩展为多通道GhostNet,进而构建为VMD-IMG组合模型,以实现电子舌信号特征的有效提取和分类识别。试验结果表明,VMD-IMG组合模型具有较好的白酒掺假分辨性能,其测试的准确率、精确率、F1分数分别为98.33%,98.43%,98.34%。研究为白酒掺假检测提供一种快速、低成本的检测方法,并可为其他酒类或饮品掺假检测提供参考。

乳品掺假检测技术研究进展

掺假问题一直是影响乳品质量安全的重要因素,从最初往乳品中掺入氮素、植物性蛋白、三聚氰胺等物质,再到如今用“低价乳”掺入“高价乳”中进行售卖,各种掺售问题层出不穷。发展快速、高效、高质量的乳品掺假检测技术尤为重要。目前较常见的检测技术基本是基于乳中脂肪、蛋白质和核酸等特性。本文对乳品检测技术中的电泳、近红外光谱、液相色谱、气相色谱、酶联免疫吸附法、低场核磁共振等进行综合概述,以促进乳品掺假检测技术发展,保证乳品质量安全。

基于电子鼻信号处理的牛肉中掺假猪肉判别模型

由于牛肉经济价值较高,一些商贩为了获取更多利益对其进行掺假,危害了消费者的健康。牛肉掺假的常规检测技术具有耗时、费力的特点,而电子鼻因其快速无损的优势在牛肉掺假检测方面具有很大的潜力。本研究对纯牛肉、猪肉及牛肉中掺假猪肉的金属氧化物半导体(Metal Oxide Semiconductor,MOS)型电子鼻传感器数据进行处理,采用主成分分析实现传感器数据的去相关和降维,以累计贡献率大于90%的少数前几个主成分得分作为输入,对比采用Fisher判别分析(Fisher Linear Discriminate Analysis,Fisher LDA)和极限学习机(Extreme Learning Machine,ELM)构建牛肉中掺假猪肉的判别模型。结果显示,ELM模型训练集和测试集的识别准确率分别为99.64%和94.29%,均高于训练集和测试集识别准确率(分别为96.43%和75.71%)的Fisher LDA模型。结果表明,所构建的ELM模型能够用于基于MOS型电子鼻的牛肉中掺假猪肉的快速鉴别,可望为保障肉制品质量安全贡献积极力量。

网红产品肚包肉的真伪及掺假分析

伴随网络直播和带货的兴起,肚包肉成为新晋网红产品,市场中肚包肉良莠不齐。为维护消费者合法权益和保障食品安全,对网红产品肚包肉真伪及掺假情况进行分析。根据现行行业标准SN/T 3731.5—2013《食品及饲料中常见禽类品种的鉴定方法第5部分:鸭成分检测PCR法》、SN/T 2727—2010《饲料中禽源性成分检测方法实时荧光PCR方法》和SN/T 3730.8—2013《食品及饲料中常见畜类品种的鉴定方法第8部分:猪成分检测实时荧光PCR法》以及自主研发的三重实时荧光PCR检测方法,对3个商家9份肚包肉样品中鸭和猪源性成分进行检测。结果表明,检测9份肚包肉样品,其中1份检测到鸭源性,阳性样品溯源检测结果表明所用原料肉含有鸭源性成分,9份均未检测到猪源性。网红产品肚包肉存在鸭肉掺假现象,相关部门应该加强对肚包肉的监管力度并加快制定肚包肉产品标准。

基于光学特性的初榨橄榄油掺假度便携式分析仪设计与试验

针对国内愈来愈严重的橄榄油掺假问题,该研究研发了一种基于光学特性检测技术的特级初榨橄榄油掺假度无损检测仪。以8个产地的玉米油、花生油、菜籽油和大豆油为掺假油制备了339份掺假质量分数分别为0、1%、3%、6%、10%、15%、20%、25%、30%、35%、40%、45%、50%、55%和60%的掺假特级初榨橄榄油样本,采用连续投影算法分析了橄榄油掺假检测特征波长的分布情况,最终选取包含18个波段的多通道光谱传感器,根据特级初榨橄榄油的物理特性,设计了一种便携、低成本的橄榄油掺假检测仪器。利用研发装置采集的掺假油光谱数据分别建立了反向传播(back propagation,BP)神经网络、支持向量回归(support vector regression,SVR)和基于偏最小二乘回归(partial least squares regression,PLSR)的橄榄油掺假率定量分析模型。结果表明,建立的SVR模型结果最优,其校正集和验证集决定系数分别为0.989和0.965,均方根误差分别为0.020和0.037。为进一步评估检测装置的稳定性和准确性,使用平均变异系数分析了特级初榨橄榄油掺假样本的测定结果,并通过预测结果与实际掺假浓度值进行残差分析,结果表明所研制的橄榄油掺假度分析装置对橄榄油掺假分析检测的稳定性与精度均满足现场实时检测需求。

基于高光谱反射和透射融合技术的牛肉糜掺假检测

为了提高牛肉糜中掺鸡、鸭和猪肉糜的检测精度,该研究利用高光谱反射率(reflentance,R)和透射率(transmittance,T)光谱数据融合方法开展了对牛肉中掺假物的定量检测研究。首先在牛肉中分别加入质量分数为2%~50%浓度间隔为2%的三类掺假物(鸡肉、鸭肉和猪肉),采集样本的反射率光谱数据结合支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和长短期记忆网络(long short-term memory,LSTM)算法建立分类模型,将样品分为鸡肉、鸭肉和猪肉掺假牛肉样品和纯牛肉样本(4类)。然后,通过单一的反射和透射率光谱数据建立偏最小二乘模型(partial least squares regression,PLSR)对不同掺假物浓度进行定量分析,通过竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)、无关变量消除(uninformative variable elimination,UVE)、初级数据融合和中级数据融合方法对模型性能进行优化。基于中级数据融合对掺假物为鸡肉、鸭肉和猪肉的模型预测效果提升最大,相比于单一光谱数据建立的最优模型效果分别提升了3.9%、9.3%和4.5%。对掺假物为鸡肉和鸭肉样本预测效果最好的模型为去趋势化(de trending,DT)预处理后的UVE-PLSR,对应的决定系数(r-squared prediction,R_p~2)和均方根误差(root mean square error,RMSEP)分别为0.984 5和1.865 1、0.986 0和1.771 1,对于掺假物为猪肉样本预测效果最好的模型为RAW-CARS-PLSR,对应的R_p~2和RMSEP为0.975 1和2.366 5。结果表明,高光谱成像技术结合数据融合技术可以有效对牛肉中掺假物含量进行快速且高精度的检测,中级数据融合最大化提升了模型的性能。