食品检测中近红外光谱分析技术的应用研究

为了实现对食品成分、品质等方面的准确检测,为食品安全监管和质量控制提供有效的技术支持,引入近红外光谱分析技术,开展了该项技术在食品检测中的应用研究。通过样品制备、选择光谱采集设备、设置采集参数,采集食品近红外光谱,引入标准正态变量变换算法和自适应滤波算法,预处理采集的光谱数据,基于预处理后的数据,结合主成分分析法,构建食品成分特征与近红外光谱数据之间的数学模型,实现近红外光谱分析技术在食品检测的应用设计。实验结果表明,提出的研究应用后,食品成分检测结果与真实值更加接近,检测均方根误差较小,食品检测的准确性得到了显著提升。

基于正交线性判别分析和电子鼻技术的食醋分类

为了实现食醋品种的准确分类,探索应用电子鼻技术和两种特征提取方法进行食醋的检测和分类。先用自制电子鼻系统检测5个品种食醋的电子鼻信号,接着用标准正态变量变换进行数据预处理,然后分别用主成分分析(principal component analysis,PCA)+线性判别分析(linear discriminant analysis,LDA)和正交线性判别分析(orthogonal linear discriminant analysis,OLDA)对食醋电子鼻信号进行降维与特征提取,最后用最近邻分类器进行分类。实验表明,PCA+LDA的分类准确率最高达到90.32%,而OLDA的分类准确率最高达到91.52%。另外,PCA+LDA需要2次特征提取而OLDA只要1次。因此,OLDA在特征提取方面要优于PCA+LDA,基于OLDA和电子鼻技术的食醋品种分类方法是切实可行的。

基于近红外高光谱成像技术的地方鸡品种鉴别

我国拥有丰富的地方鸡遗传资源,不同品种的地方鸡在营养、口感和风味上表现出显著区别。该研究利用近红外高光谱成像技术研究地方鸡品种的鉴别方法。以龙游麻鸡、江山乌骨鸡和丝羽乌骨鸡为研究对象,采集3个品种鸡肉在900~1700 nm波段的高光谱图像并提取光谱数据。对光谱数据进行预处理后选取特征波长,建立PLS和SVM鉴别模型。结果显示,Detrending-SNV为最优预处理方法,ACCc、ACCp和ACCt分别为94.17%、95%和94.59%。基于MCUVE-SPA算法选取的16个特征波长建立的PLS鉴别模型为最优模型,ACCc、ACCp和ACCt分别为95.83%、100%和97.92%,与全光谱模型相比分别提高了1.76%、5.26%和3.52%。研究结果表明,利用近红外高光谱成像技术鉴别地方鸡品种具有一定的可行性。

正交频分复用(OFDM)技术在无线局域网中的应用

本文首先介绍了OFDM的原理、采用基带FFT算法的系统实现及其优缺点,随后着重阐述了OFDM在无线局域网中应用的优势和存在的问题,最后给出了一个实例——IEEE 802.11a标准中的OFDM。

近红外光谱分析中光谱预处理方法的作用及其发展

光谱预处埋方法在近红外(NIR)光谱分析技术中具有非常重要的作用。本文综述了常用的 NIR 光谱预处理方法及最新发展的几种预处理方法的原理及作用,并给出了这些方法的一些应用实例。重点分析平滑处理(smoothing)、多元散射校正(MSC)、标准正态变量校正(SNV)等常用光谱预处理方法的利弊,详细介绍小波变换(WT)、正交信号校正(OSC)等新光谱预处理方法。

近红外光谱法测定烤烟的填充值

为探索用近红外光谱快速检测烤烟填充值的可行性,选取有代表性的94个河南烤烟样品,采用偏最小二乘法(Partial Least Square,PLS)将近红外光谱数据与其填充值的实测值进行拟合,建立填充值预测模型,考察了光谱预处理方法和光谱范围对建模效果的影响,并进行了内部交叉验证、外部验证和模型精度检验。结果表明:1标准正态变量变换(Standard normal variate,SNV)结合一阶导数法的光谱预处理方法和全谱范围适合构建填充值的近红外模型;2模型的决定系数达0.960,均方根校正误差(Root mean square error of calibration,RMSEC)为0.094,内部交叉验证和外部验证均表明模型预测值和实测值呈极显著相关;3模型精密度检验的相对标准偏差<3%。填充值近红外预测模型的重复性好,准确性较高,适于批量烤烟填充值的快速检测。

基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究

针对肉类掺假的定量检测问题,建立了基于高光谱图像技术结合波长选择方法以及偏最小二乘（PLS）法的羊肉掺假无损检测方法.试验搭建了羊肉-猪肉的高光谱图像采集系统,对选取的99个样本进行高光谱图像（390-1040nm）采集并提取感兴趣区域光谱.比较了多种预处理方法对全波长模型的影响,标准正态变量校正（SNV）为最优光谱预处理方法,校正决定系数R2CV达到0.93,预测决定系数R2P达到0.96,校正均方根误差RMSECV为8.33%,预测均方根误差RMSEP为6.18%.采用多种波长选择方法对光谱全波段520个变量进行变量选择,最终确定基于竞争性自适应重加权算法（CARS）的简化模型最优,其R2C=0.96,R2CV=0.94,R2P=0.96,RMSEC=6.55%,RMSECV=7.66%,RMSEP=6.10%.高光谱图像技术结合CARS能够对掺假羊肉进行准确的定量检测,可为羊肉掺假的在线无损检测提供理论依据。

不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响

近红外光谱预处理是胡杨叶片含水量光谱检测的前提,然而样本背景、电噪声和杂散射等会干扰近红外光谱的测量结果。为了避免以上因素对近红外光谱产生的影响,采用连续投影算法(successive ections algorithm,简称SPA)、数据中心化、归一化和标准正态变量变换方法(standard normal variate transformation,简称SNV)对原始光谱数据进行预处理,使用偏最小二乘法(partial least squares,简称PLS)建立胡杨叶片水分含量检测的校正集和预测集模型。结果表明,直接使用原始光谱,利用SPA算法筛选变量数为7个,模型预测精度为0. 971 44,RMSPCV为0. 046 132,相关系数r=0. 674 24,RMSEP=0. 021 434;使用原始光谱+标准正态变量变换方法,利用SPA算法筛选变量数为6个,模型预测精度为0. 976 63,RMSPCV为0. 045 642,相关系数r=0. 774 72,RMSEP=0. 018 24。SNV+SPA预处理方法能够有效地消除噪声和散射,提高模型的预测精度,相关性明显增加,降低数据维数和误差,可用于胡杨叶片水分含量的快速、无损检测,同时对其他作物叶片水分含量光谱预处理检测具有一定的参考意义。

基于高光谱的套袋和不套袋苹果糖度无损预测模型研究

现市场上普遍存在套袋和不套袋两种种植模式的苹果,为了更精确地检测苹果糖度,针对这两种模式,分别探究了其糖度无损检测模型。以烟台栖霞生产基地的红富士苹果为研究对象,以苹果糖度为测试指标,对套袋和不套袋苹果分别建立了全光谱反向传播神经网络模型(FS-BP)、全光谱偏最小二乘模型(FSPLS)、主成分分析反向传播神经网络模型(PCA-BP)、主成分分析偏最小二乘模型(PCA-PLS)、蚁群算法反向传播神经网络模型(ACO-BP)、蚁群算法偏最小二乘模型(ACO-PLS),通过对比这6种模型的糖度预测精度找出分别适用于套袋和不套袋苹果的最优模型。结果表明,ACO-PLS无论在套袋还是不套袋苹果糖度的预测上都取得了最高的预测精度,不套袋苹果样本训练集均方根误差为0. 3489,相关系数为0. 9258,测试集均方根误差为0. 3247,相关系数为0. 9279;套袋苹果样本训练集均方根误差为0. 3833,相关系数为0. 9449,测试集均方根误差为0. 3146,相关系数为0. 9602。本研究结果为建立苹果品质分级系统提供了重要的参考价值。

基于激光诱导击穿光谱法建立预测精炼钢渣中硅、钙、镁、铝含量模型的优化

针对目前冶金领域中尚无激光诱导击穿光谱法(LIBS)进行精炼钢渣成分快速分析的工业成型机现状,采用自主研发LIBS试验系统和分析软件建立了用于预测精炼钢渣中硅、钙、镁和铝含量的模型。试验先采用传统标准曲线法对结果进行预测,得到这4种元素的决定系数(R2)仅为0.8331,0.8294,0.8032,0.6913,预测值的相对误差绝对值为9.3%~26%。为了优化试验结果,试验采用化学计量学法中的标准正态变量变换(SNV)和偏最小二乘法(PLS)建立模型,预测结果的准确度有了明显提升。结果表明:在最优潜变量为15的条件下,铝元素的光谱数据经SNV预处理后,建立的PLS模型的预测效果较好,预测值的平均相对误差绝对值为6.0%,R2为0.9502;硅、钙、镁的PLS模型预测效果较好,不需再进行SNV预处理,其预测值的相对误差绝对值为8.1%,1.5%,8.4%,R2分别为0.9281,0.9103,0.9018,基本满足钢渣快速检测工作需求。

辊压法烟草薄片在线检测模型建立与验证

为建立辊压法烟草薄片化学成分的在线预测模型,采用近红外光谱检测技术(NIRS)对辊压法烟草薄片进行化学成分检测以获得实验室数据,采用标准正态变量变换(SNV)进行数据预处理,采用马氏距离(MD)剔除异常数据,采用留一验证(LOOCV)为内部交叉验证方法,采用偏最小二乘法(PLS)进行建模,得出烟碱预测模型的决定系数(R^(2))达0.930,交叉验证标准偏差(RMSECV)为0.02,总糖预测模型的决定系数(R^(2))达0.977,交叉验证标准偏差(RMSECV)为0.16。分析表明,所建立的预测模型可应用于辊压法薄片关键化学成分的检测,其检测数据可为烟叶薄片的化学成分波动、质量分析等提供可靠的数据支撑。

小麦近红外光谱数据预处理

本文目的是针对光谱数据可能存在的基线漂移、散射、噪声以及数据量纲等问题,可使用数学方法对光谱数据进行校正。方法是在Wheat kernels数据集上,使用导数法和SNV对数据进行预处理,对比预处理前后数据集上构建模型的效果。得出的结论是使用多元线性回归、偏最小二乘回归、岭回归、支持向量回归方法在预处理后的数据集上构建的模型效果明显比原始数据集上构建的模型效果好。

近红外光谱技术应用于中药四类味觉分类辨识的可行性分析

目的 探讨近红外光谱(near infrared spectroscopy,NIRS)技术用于不同味觉中药分类辨识的可行性。方法 以分别具有苦、甜、酸、咸4种味道的35种饮片水煎液和12种常用食品类成分溶液为研究载体,获取其NIRS信息作为自变量(X),以《中国药典》2020年版一部饮片性状项下味觉描述结合口尝结果作为标杆信息(Y),比较5种光谱预处理方法,然后利用主成分分析-判别分析(principal component analysis-discriminant analysis,PCA-DA)、偏最小二乘-判别分析(partial least squares-discriminant analysis,PLS-DA)、K-近邻算法(K-nearest neighbor algorithm,KNN)分别对中药苦、甜、酸、咸4类味觉进行模型辨识探讨,并基于留一法交互验证结果的混淆矩阵(confusionmatrix,CM)和敏感性、特异性、精度等指标对模型的性能进行综合评价。结果 标准正态变量变换(standard normal variable transformation,SNV)是相对更有效的预处理方法,以预处理后的光谱数据建立的PCA-DA模型为最优辨识模型,其对苦与非苦、甜与非甜、酸与非酸、咸与非咸、四分类辨识的留一法交互验证正判率分别为89.4%、93.6%、87.2%、97.9%、87.2%。四分类辨识混淆矩阵也以PCA-DA模型性能较好,对苦、甜、酸、咸的分类正确率分别为87%、94%、73%、100%。PCA-DA模型的敏感性、特异性、精度分别平均为0.89、0.91、0.88,均极显著优于PLS-DA和KNN模型(P<0.01)。结论 基于NIRS技术初步建立了中药苦、甜、酸、咸4类味觉的分类辨识模型,可为中药五味的定性辨识研究提供新的方法参考。

高光谱成像技术鉴别红景天的品种

目的采用高光谱成像技术结合化学计量学方法建立红景天的分类判别模型。方法首先获取935~1720 nm大花红景天、长鞭红景天和狭叶红景天的高光谱图像信息,然后分别提取红景天感兴趣区域的反射光谱值,在采用标准正态变量变换法(SNV)和多元散射校正法(MSC)对原始的高光谱数据进行预处理后,分别建立偏最小二乘判别分析模型(PLS-DA),通过对比两种预处理方法对PLS-DA模型判别结果的影响,得到SNV为较优的预处理方法。采用载荷系数法(x-LW)和竞争自适应重加权算法(CARS)提取经SNV预处理后数据的特征波长,并分别建立基于特征波长的线性判别分析(LDA)、PLS-DA和概率神经网络(PNN)分类模型。结果与x-LW特征提取方法比较,CARS算法提取的特征波长建立的LDA、PLS-DA和PNN模型有更好的分类性能;PNN的分类性能优于PLS-DA;SNV-CARS-LDA为区分不同品种红景天的最优判别模型,对训练集和测试集的识别率均为100%。结论高光谱成像技术与化学计量学相结合的方法具有很大的在线检测潜力,可以快速、无损地鉴别红景天品种。