基于云计算的食品品质实时在线光谱检测系统实现

为解决光谱检测技术中的模型维护成本高、扩展性不足和光谱资源共享性较差等问题,改善专用便携式光谱仪检测分析对象的局限性,将光谱数据采集和分析功能进行解耦,使用Android开发工具和Java语言,开发了以便携式光谱仪、手机终端和云服务器构成的光谱实时在线检测系统,基于云计算服务完成云端光谱模型的建立与分析。以小麦粉面筋定量分析为例,采用多元散射校正、竞争性自适应重加权采样法、偏最小二乘回归算法建立小麦粉面筋定量分析模型,测试25个小麦粉样本并返回分析结果,验证系统可靠性。结果表明,25个小麦粉样本面筋含量误差范围在0~0.7%,分析结果消耗时间平均为7.09 s,误差范围和分析结果耗时均在可接受范围内,验证了基于云计算服务实现光谱实时在线检测分析是可行的。通过部署不同食品主要成分的定量分析模型至云端,系统可实现多种食品品质的实时在线检测分析,希望为多场景下食品品质快速无损检测提供技术参考。

基于高光谱图像与光谱特征融合技术的鸡蛋新鲜度无损判别模型的建立

鸡蛋新鲜度等级评价是鸡蛋品质检测过程中的一项重要技术指标。选取了不同储藏环境的鸡蛋样本并采集其高光谱图像信息与光谱信息,提取图像特征和光谱特征;采用并行式融合方法进行图谱特征融合,基于连续投影法-灰度共生矩阵方法进行特征提取;建立支持向量机鸡蛋新鲜度判别模型。采用粒子群算法优化模型,训练集准确率达到85%,预测集准确率达到76.67%。为了解决单模型可能出现的偶然性误判问题,采用递进式特征融合方法,引入多模型共识策略和深度残差网络ResNet 50分析方法。建立基于连续投影法-方向梯度直方图特征提取方法的多模型共识策略,该模型的训练集准确率提升至89%,预测集准确率提升至88%;同时,建立基于连续投影法-方向梯度直方图特征提取方法的深度残差网络ResNet 50模型,模型的训练集准确率提升至89%,预测集的准确率提升至86.67%。图谱特征融合建模分析表明,并行式融合方法和递进式融合方法对鸡蛋新鲜度等级判别都有一定的可识别性,且递进式融合算法的多模型共识策略判别效果更佳。

基于区块链的粮油食品全供应链可信追溯模型

粮油食品是人类的生活必需品,其供应链安全直接关系着人民健康。粮油食品具有供应链复杂、循环周期长、风险因素多等特点,如何从生产、加工、储运、销售全供应链环节有效保障粮油食品安全,是国内外共同关注的难题。本研究基于区块链技术,构建了粮油食品全供应链可信追溯模型,以解决目前追溯系统的中心化结构严重、数据安全性低、存在信息孤岛等问题,保证全供应链环节数据安全可靠,追溯信息精确可信。在此基础上,设计了粮油食品全供应链可信追溯原型系统,并结合具体的应用场景和案例论证了设计方案的有效性和可行性。

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法(SPXY)进行训练集和测试集的划分,将1000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析(PCA)法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法(SVM)建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。

拉曼光谱技术快速检测专用煎炸油极性组分

为能够快速、无损检测专用煎炸油的极性组分含量,采集不同煎炸时间下煎炸油样本的拉曼光谱图。为建立稳定性高、误差小、精度高的模型,研究不同预处理方法对模型效果的影响,建立相应的偏最小二乘回归模型以选择最优的光谱预处理方法。结果表明:标准正态变换处理后的偏最小二乘模型最优,预测均方根误差(root mean square error of prediction,RMSEP)为1.18,决定系数R2为0.9404。其次,将标准正态变换处理后的光谱数据分别建立误差反向传播(error back propagation,BP)算法和径向基函数算法神经网络模型,通过比较稳定性以及误差大小,得出采集到的拉曼光谱经过标准正态变换处理后采用BP神经网络建立的模型效果最好,RMSEP为0.0326,R2为0.972。该方法可以用作专用煎炸油极性组分的快速分析。

红茶中茶多酚含量的近红外光谱快速检测可行性研究

茶多酚作为茶叶品质检测的重要指标之一,利用近红外光谱分析技术对茶多酚含量进行快速检测具有重要意义。本文以144个红茶样品作为研究对象,采取近红外光谱法结合偏最小二乘法(Partial Least Squares,PLS),分别建立粉末状茶叶样品和完整茶叶样品的茶多酚含量的近红外快速分析模型。结果表明,选用SNV+一阶导数+Savitzky-Golay平滑的预处理方法结合PLS建立的预测模型效果最佳,粉末状茶叶样品所建立模型训练集相关系数(Correlation Coefficient,r)为0.9990,训练集均方根误差(Root Mean Square Error of Calibration,RMSEC)为0.165%,预测集的r为0.9243,预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)为0.972%;完整茶叶样品训练集r为0.9967,RMSEC为0.310%,预测集的r为0.9541,RMSEP为0.870%。结果表明,完整茶叶样品所建立的PLS定量分析模型要优于粉末状茶叶所建立的模型。因此,利用近红外光谱技术可实现对红茶中茶多酚含量的快速、无损检测。

基于便携式近红外光谱仪的樱桃番茄糖分快速分析模型

为实现对樱桃番茄糖分的现场快速无损检测,应用便携式近红外光谱仪器AMBERⅡ对所采集樱桃番茄的近红外光谱数据进行建模分析。实验样本共172个,利用Kennard-Stone(K-S)算法以3∶1比例划分样本集。光谱预处理选用Savitzky-Golay卷积平滑和标准归一化(standard normal variate,SNV),分别使用无信息变量消除法(uniformative variable elimination,UVE)、连续投影算法(successive projections algorithm,SPA)和无信息变量消除结合连续投影算法(UVE-SPA)3种算法进行特征波长提取,用偏最小二乘(partial least squares,PLS)方法建模,最终使用UVE-SPA算法提取得到12个特征波长点进行PLS建模的结果最佳,建模集和预测集的决定系数R^(2)分别为0.9385和0.9347,建模集和预测集的均方根误差分别为0.1305和0.1744,相对分析误差(relative percent deviation,RPD)为2.81。研究表明,利用以上方法提取的特征波长点所建立的模型预测效果较好,说明便携式近红外光谱仪器可以应用于对樱桃番茄糖分的现场快速无损检测。