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。

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。