近红外光谱法用于掺假羊奶的快速无损鉴别

利用近红外光谱技术结合多种化学计量学方法,研究了快速鉴别掺假羊奶的方法。将淀粉溶液,含尿素的淀粉溶液,含尿素和奶油的淀粉溶液按不同比例掺入纯羊奶中,进行近红外光谱采集。分别采用偏最小二乘差别分析(PLS-DA),fisher线性判别和多层感知器(MLP)神经网络法建立校正模型并进行检验验证。结果表明,MLP神经网络的鉴别效果最好,其校正模型的正判率达到99.4%,验证集的正判率达到100%。说明采用近红外光谱技术结合适当的化学计量学方法可以实现羊奶掺假检测的快速无损鉴别。

基于电子舌的掺假羊奶快速定量预测模型

为实现对掺假羊奶的快速、客观辨别,模仿人体味觉感知机理研制了一套便携式电子舌检测系统,并建立了一种能够快速鉴别掺假羊奶的新方法。系统检测时,首先对样本溶液进行大幅脉冲扫描,用以获取掺假羊奶的"指纹"信息,然后利用离散小波变换(discrete wavelet transform,DWT)对"指纹"数据中的特征信息进行提取,最后在此基础上,采用主成分分析(principal component analysis,PCA)方法对不同掺假比例的羊奶进行定性辨别。采用粒子群优化极限学习机(Particle swarm optimization extreme learning machine,PSO-ELM)对不同掺假比例的羊奶进行了定量预测。通过试验数据得出,PCA对6种不同掺假比例的羊奶区分达到100%,区分效果好。PSO-ELM羊奶纯度预测模型拟合曲线非常接近实测值曲线,因此采用PSO-ELM方法建立掺假羊奶纯度定量预测模型具有较高的预测精度。

基于近红外光谱技术实现掺假山羊奶的定性和定量检测

以近红外光谱(NIRS)技术为基础,实现掺假山羊奶的快速、无损检测。采用主成分分析结合神经网络以及偏最小二乘法(PLS)分别对纯山羊奶和掺有奶油、还原奶的两类掺假山羊奶进行定性和定量研究。结果表明,将主成分分析与多层感知器(Multilayer Perceptron,MLP)神经网络相结合建立的定性判别模型对样品建模集和预测集的正确判别率都达到100%。光谱经预处理、优选波段和主成分维数后,利用PLS分别建立两类掺假奶的定量校正模型。其中掺奶油山羊奶定量校正模型的决定系数(R2)为98.54%,交叉验证均方根差(RMSECV)为0.379;掺还原奶山羊奶定量校正模型的R2为96.38%,RMSECV为6.20。同时运用马氏距离和二审剔除法判断和剔除异常样本后,两类掺假奶模型的R2分别提高到98.85%和97.06%,RM-SECV分别降低到0.333和5.61。外部验证得到预测值与真值的相关系数(R2)分别为0.989和0.982,预测效果满意。所得结论表明,近红外光谱技术结合化学计量学方法可以实现掺假山羊奶的定性和定量检测。