基于拉曼光谱技术的不同贮藏条件下明虾品质变化预测模型的研究

针对明虾品质劣变过程中的鲜度特征,该研究以颜色(L^*,a^*,b^*)、挥发性盐基氮(TVB-N)、pH等品质指标为研究对象,利用拉曼无损检测技术采集4℃和-20℃下生鲜明虾光谱信息,运用岭回归、偏最小二乘法和前向逐步回归对明虾进行了快速定量检测,建立了品质指标定量模型。其中光谱数据预处理包括SG平滑、背景扣除、二阶微分、标准正态变量变换,按一定方式组合4种预处理和PCA降维技术进行数据处理,筛选出最优模型。结果表明:利用岭回归建立颜色(a^*,b^*)定量模型时,在组合预处理方式下建模集中R分别为0.983和0.973,RMSE分别为0.114和0.179,预测集中R分别为0.513和0.564;RMSE分别为0.615和0.918,建模集精度远超预测集表明出现过拟合,经PCA降维后过拟合降低、但预测集预测效果不理想;偏最小二乘法在各指标建模集上精度和岭回归差不多,在预测集上预测精度偏低,PCA降维后部分指标建模集相关系数下降、均方根误差上升,预测精度降低。最终结果显示:经过4种预处理后的前向逐步回归模型最优,建模集中L^*,a^*,b^*,pH和TVB-N指标R分别为0.904,0.885,0.864,0.934和0.940,RMSE分别为1.141,0.280,0.535,0.131和2.345;预测集中R分别为0.863,0.850,0.859,0.900和0.916,RMSE分别为1.394,0.406,0.605,0.194和2.734,建模效果好。因此,利用拉曼光谱技术结合前向逐步回归模型快速检测明虾中L^*,a^*,b^*,pH和挥发性盐基氮含量可行,对拉曼技术应用明虾品质检测具有一定指导意义。

拉曼光谱结合LSTM长短期记忆网络的樱桃产地鉴别研究

现在樱桃市场上存在着大量以次充好的不良现象,严重损害了名牌樱桃的品牌经济效益,所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术。拉曼光谱溯源技术作为光谱溯源技术的一种,由于具有快速、高效、无污染、无损分析等优点,逐渐得到相关研究者的重视。长短期记忆(LSTM)网络是一种具有记忆性的反馈神经网络,它是循环神经网络的一种变体。LSTM网络克服了循环神经网络中梯度消失的缺点,适合处理序列敏感的问题和任务,目前被广泛应用在语音识别、图像识别和手写识别等领域,但LSTM网络在产地溯源方面的应用还有待研究。基于此,提出了一种LSTM网络与拉曼光谱技术结合的能对不同产地樱桃实现快速无损鉴别的技术。将来自美国、山东和四川的369个樱桃作为研究样本,用拉曼光谱仪在785 nm激光下获得了不同产地樱桃的光谱数据。并且以每条经过基线校正后的拉曼光谱数据作为网络输入数据,基于LSTM网络构建了能对不同产地樱桃实现快速鉴别的判别模型,并且以样本判别准确率A、样本精确率P、样本召回率R和样本F值作为评价指标,探究了不同预处理方法对LSTM网络判别模型性能的影响。结果表明:当样本训练集和测试集的比例为85∶38时,直接采用原始拉曼光谱数据的LSTM网络模型的产地鉴别能力不高,鉴别准确率为79.87%。但当使用预处理过后的拉曼光谱数据,模型的鉴别准确率维持在92%以上。并且光谱经过SG+MSC预处理后模型的鉴别准确度最好,鉴别准确率达99.12%。同时在采用SG+MSC预处理的方法下,LSTM网络鉴别模型的精确率、召回率、F值均较高,表明了所提出的LSTM网络模型有较好的性能可实现对不同产地樱桃的鉴别,为樱桃的产地溯源提供了一种新的思路。