基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

表面解吸常压化学电离质谱结合人工神经网络鉴别新陈莲子

为实现对新陈莲子的快速鉴别,该文采用自行研制的表面解吸常压化学电离质谱（DAPCI-MS）,在无需样品预处理的前提下,直接对新鲜和陈年莲子切面进行质谱检测,获得其化学指纹图谱,并通过主成分分析（PCA）和反向传输人工神经网络技术（BP-ANN）对所获指纹谱图信息进行分析,获得新鲜和陈年莲子的质谱信息特征。结果表明,在负离子模式下,DAPCI-MS结合化学计量学方法,实现了新鲜和陈年莲子的快速鉴别,其测试样本准确率分别为95.0%和91.7%;对不同年份莲子也能够有效地分类判别,2012、2011、2010和2009年莲子测试样本准确率分别为90%,85%,85%和90%。该方法具有分析速度快,信息提取准确,识别精度高等优点,为其他粮食谷物品质的鉴定提供参考。     

独立分量分析融合小波能量阈值的电子鼻信号去漂移方法

电子鼻在长期使用过程中,由于受到传感器老化和温湿度波动等因素的影响,使得电子鼻信号存在着漂移现象,制约了电子鼻的准确检测。为了提高电子鼻鉴别多组分复杂食品时的长期稳健性,提出了一种独立分量分析（independent component analysis,ICA）融合小波能量阈值的去漂移信号方法。首先,运用ICA分解电子鼻信号以获得各个独立成分;其次,根据各个独立成分的小波能量值选择独立成分,以剔除漂移信号;最后,运用所选择的独立成分重构电子鼻信号。选用6种白酒样品和6种食醋样品进行电子鼻鉴别验证：在分别提取2类样品去漂移前后的电子鼻信号积分值（integral value,INV）特征后,分别对6种白酒样品和6种食醋样品进行了Fisher判别分析（fisher discriminant analysis,FDA）,FDA的鉴别正确率分别由去漂移前的34.3%（白酒样品）、75.7%（食醋样品）提升到去漂移后的100%（白酒样品）、99.7%（食醋样品）。Fisher判别分析结果表明,所提出的电子鼻信号去漂移方法是有效的。与其他独立分量分析方法相比,该方法不受先验信息的影响,更便于实际应用,研究结果不仅适用于白酒、食醋样品的鉴别,也为其他类型的样品鉴别提供参考。     

基于氨基酸组成的黄酒酒龄电子舌鉴别

该研究采用电子舌结合化学计量学方法用于黄酒酒龄的快速鉴别。为确证黄酒样品酒龄,采用氨基酸分析仪分析了1年陈、3年陈和5年陈黄酒中20种氨基酸,并利用主成分分析（principal component analysis,PCA）对氨基酸数据进行了分析。采用电位型电子舌采集了不同酒龄黄酒样品的味觉指纹信息,并采用判别分析（discriminant analysis,DA）方法结合味觉指纹信息建立黄酒酒龄快速鉴别模型。采用偏最小二乘法（partial least squares regression,PLSR）建立电子舌响应信号与氨基酸含量之间的相关关系。氨基酸数据结合PCA分析表明所有样品均标注正确;电子舌结合DA所建黄酒酒龄鉴别模型可将3个年份预测集样品正确区分;异亮氨酸（Ile）、天门冬氨酸（Asp）、酪氨酸（Tyr）和缬氨酸（Val）与电子舌相关性高,模型的相对分析误差（Residual predictive deviation, RPD）高于2。研究表明电位型电子舌结合判别分析是黄酒龄鉴别的稳健方法。     

基于近红外光谱的烤烟烟叶自动分组方法

为了探索烤烟烟叶收购质量的无损检测技术,提出了一种基于近红外光谱技术快速鉴别烟叶分组（部位、颜色）的方法。分析了近红外光谱技术应用于完整烤烟烟叶质量评价的可行性,用不同波段范围、不同光谱预处理方法（多元散射校正MSC、标准正态变量变换SNV、微分光谱）和不同主成分因子数分别对烟叶部位和颜色分类结果的影响进行了对比分析,分别建立了烟叶部位和颜色的定性判别模型。结果表明：用判别分析（discrimant analysis,DA）方法在1?101～2?395?nm范围结合原始光谱建立的DA判别模型最优,该方法对烟叶部位、烟叶颜色的校正集分类正确率均达100%,预测集分类正确率分别达到98.57%和97.14%。说明所提出的方法具有很好的分组作用,近红外光谱技术为烤烟烟叶收购质量等级评价提供了一种新方法。     

基于多种变量分析方法鉴别食醋种类电子鼻信号特征筛选

为了提高6种食醋的电子鼻鉴别能力,该文提出了一种基于多变量分析的食醋电子鼻信号多特征表征策略。初选不同的特征表征电子鼻信号,构建电子鼻信号的初始特征矩阵。采取载荷分析进行电子鼻传感器阵列优化,优选了12个气敏传感器的响应数据进行后续分析。为消除各传感器响应信号之间的相关性,对优选阵列的特征矩阵进行主成分分析(principal component analysis,PCA),并利用WilksΛ统计量选择鉴别能力最优的主成分子阵。在选择最优主成分子阵的基础上,以生成主成分的每一个原始特征变量为对象,计算每一个原始特征变量在主成分子阵中的贡献系数绝对值之和,且根据系数绝对值之和从大到小排序;同时,根据不同和值的指定,形成了不同容量的原始特征变量集。最后,借助于Fisher判别分析(Fisher discriminant analysis,FDA)探索了不同容量原始特征变量集的鉴别结果,确定了最佳的原始特征变量集。结果表明,特征选择前后传感器信号的表征特征发生了明显变化,最终采用48个特征参量实现了对食醋电子鼻信号的有效表征。在48个特征参量表征条件下,同时运用FDA和BP神经网络(back propagation neural network,BPNN)对6种食醋进行了鉴别分析,训练集的鉴别正确率分别在93%和98%以上,测试集的鉴别正确率也分别达到了90%和93%以上。另外,利用巴氏距离进一步揭示了样品间的可分离程度及FDA与BPNN结果的可信性。研究结果可为电子鼻信号多特征表征提供了一种新思路。     

基于WilksΛ准则的KFDA方法研究枸杞分级

为提高枸杞分级正确率,建立一种基于枸杞图像的分级模型,以3个产地共6个等级的枸杞为研究对象,在提取枸杞图像颜色和纹理特征参量的基础上,运用Fisher判别分析(FDA)和核Fisher判别分析(KFDA)方法对6个等级的枸杞进行鉴别分析。在KFDA分析过程中,选取径向基函数(RBF)为核函数,采用基于距离测度的矩阵相似性度量方法,优化确定了RBF核函数的最优参数值为13.2436;选用前150个主成分分析时,基于WilksΛ准则的枸杞分类及验证正确率分别为100.00%和87.80%,而基于传统主成分贡献率的枸杞分类及验证正确率分别100.00%和81.70%。结果表明,运用基于WilksΛ准则的KFDA方法,选用150个最有利于分类的主成分,鉴别结果由FDA的91.7%提高到KFDA的100%。该研究方法不仅有效提高了枸杞图像的鉴别正确率,而且为其他农产品图像分级提供了理论依据。     

近红外漫反射光谱技术快速无损识别灵芝和云芝提取物研究

为了满足食用菌提取物实际生产监管需要,本研究采用近红外漫反射光谱技术对来自不同地区的灵芝和云芝提取物样品进行定性识别研究。在800~2 750nm波段范围,采集灵芝和云芝提取物的漫反射光谱,应用主成分聚类分析和偏最小二乘判别法分别建立识别模型,用146个样品进行建模和48个外部样品集进行验证。结果表明:采用主成分聚类判别分析法,灵芝和云芝提取物的判别界线清晰,正确率达到88.54%;采用偏最小二乘判别法,建立的鉴别分类模型能较好地对灵芝和云芝提取物进行鉴别,校正集和预测集样品的识别正确率均为100%。因此,近红外结合主成分聚类分析和偏最小二乘判别法识别灵芝和云芝提取物是可行的,同时研究结果为灵芝和云芝提取物的快速识别提供了理论依据和使用方法。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

基于主成分分析和判别分析的白酒品牌鉴别方法

白酒的香气物质决定了白酒产品的差异。为了实现不同白酒产品的区分鉴别,提出了基于气相色谱分析技术结合模式识别实现白酒区分的方法。采集了7种产品共70个白酒样本的气相色谱数据,定性定量分析了己酸乙酯、乳酸乙酯等10种基本香气物质的含量,并对测定的物质进行主成分分析,验证区分效果,最后利用线性判别法建立判别函数,对不同白酒进行区分。结果表明,2种分析方法均可用于区分不同白酒,主成分分析结果显示,前3个主成分累计贡献率为86.527%,能有效描述香气物质和产品之间的复杂关系;线性判别分析对所有样本均得到准确的判别,正确率为100%,对预测样本的正确判别率达93.9%,建立的判别函数能准确区分不同白酒。研究表明,利用气相色谱技术结合模式识别的方法可用于不同白酒的区分鉴别。     

采用高光谱图像深度特征检测水稻种子活力等级

为实现水稻种子活力的准确检测,该文研究了一种基于高光谱图像技术结合深度学习的高精度检测方法。采用人工加速老化的方式得到老化0,1,2和3 d的1 200个水稻种子样本,使用高光谱成像设备获取不同老化天数样本的高光谱图像,并从单个样本区域提取其光谱信息。随后对1200个样本进行发芽试验,根据发芽试验结果将所有样本划分为高活力、低活力和无活力3个等级。采用小波阈值去噪(Wavelet Threshold Denoising,WTD)结合一阶导数(First/1~(st) Derivative,FD)的方法(WTD-FD)对原始光谱进行预处理,使用主成分分析(Principal Component Analysis,PCA)和堆叠自动编码器(Stacked Auto-Encoder,SAE)分别从预处理光谱中提取特征变量。分别基于PCA和SAE特征变量构建支持向量机(Support Vector Machine,SVM)模型,并根据模型准确率确定较佳模型,最后使用灰狼优化算法(Grey Wolf Optimizer,GWO)对选择的模型进行参数优化。结果显示WTD-FD对原始光谱的预处理是有效的,使用从预处理光谱中提取的SAE非线性深层特征相比于PCA线性特征更具有代表性,基于其建立的SAE-SVM模型的准确率达到96.47%。SAE-SVM模型经过GWO优化之后,模型准确率提高到98.75%。研究结果表明,高光谱图像技术结合深度学习方法对水稻种子活力等级准确检测具有指导意义。     

电喷雾萃取电离质谱法在土壤分析中的应用

采用电喷雾萃取电离质谱法(EESI-MS),对荒草、马尾松、木荷等3种根际土壤样品溶液进行了直接快速质谱分析,区分了3种土壤中有机物质组成的差异.该方法能够承受土壤样品中复杂基质的影响,根据所得到的一级谱图可以发现3种土壤样品中化学组成的差异;采用串联质谱(IT-MS)法,则鉴定出马尾松根际土壤样品溶液中含有去氢枞酸,而木荷根际土壤样品溶液中含有丁香醛和松脂素.     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一，但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理，得到0~7 d老化时间的水稻种子；再通过调制频率获得8种不同深度的光声光谱信息，用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、反向传播神经网络（Back Propagation Neural Network，BP）、广义回归神经网络（Generalized Regression Neural Network，GRNN）、支持向量回归模型（Support Vector Regression，SVR）、深度卷积神经网络（Convolutional Netural Network，CNN）的稻种活力预测模型，并选择最优调制频率；最后，通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高，相关系数和均方根误差分别优于0.990 9、低于0.967 5；且经过迁移学习，仅需通过对源域数据的训练，即可直接对新品种稻种的活力进行精确预测；通过TCA迁移学习后，新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明，采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。     

基于矿物元素指纹图谱的黑龙江黄豆产地溯源

该研究探讨了矿物元素指纹分析技术对黑龙江黄豆产地溯源的可行性,筛选出判别黑龙江黄豆产地溯源的有效指标。利用电感耦合等离子体质谱仪(inductively coupled plasma mass spectrometry,ICP-MS)测定来自齐齐哈尔和北安2个地域50份黄豆样品中52种矿物元素的含量,并对数据进行了方差分析、主成分分析和判别分析。研究表明,46种矿物元素含量在地域间存在显著差异,通过逐步判别分析筛选出8项元素指标建立黄豆产地判别模型,所建立的模型对黄豆产地整体交叉检验判别率为95.7%。As、Ru、Gd含量在黄豆与土壤间呈显著正相关(P0.05),Tb含量在黄豆与土壤间呈极显著正相关(P0.01),由4种元素建立的判别模型对产地判别准确。因此,上述元素是黄豆矿物元素产地鉴别较可靠的指纹信息指标。     

基于高光谱图像处理的大豆品种识别(英文)

大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。     

极低频高压脉冲电场提高陈年棉种活力的参数优化

为研究极低频脉冲电场对陈年棉种活力的影响,该文利用高压脉冲电源和弧形电极-平板组成的电场系统在极间距离为50 mm条件下,以16 k V、10 Hz为中心点,利用Design-expert软件设计正交试验,高压脉冲电场处理棉种时间为40 s。并利用响应面分析法,对发芽势、发芽率、发芽指数、活力指数等4个指标进行参数优化,得出最优处理电压为16.25 k V,最优频率为10.90 Hz。在此基础上,对优化条件进行了试验验证。结果表明:陈年棉种在脉冲电压16.25 k V、脉冲频率10.90 Hz处理条件下,与对照相比,发芽势提高了44.2%,发芽率提高了56.8%,发芽指数提高了64.3%,活力指数提高了81.8%,各指标都达到极显著差异(P0.01)。陈年棉种的电场生物学效应对电场电压和频率都具有选择性,在电压为16.25 k V、频率为10.90 Hz的脉冲电场作用下,陈年棉种的电场生物学效应最明显,研究结果为后续作物种子高压电场处理的参数优化提供参考。     

用微量元素对东北大米产地识别的技术

为探讨元素指纹分析技术对东北三省大米产地识别的可行性,筛选出可以区分不同产地大米的标志元素,该研究采用电感耦合等离子体质谱（Inductively Coupled Plasma Mass Spectrometry,ICP-MS）测定东北三省主要水稻产区土壤-作物籽实中Li、B、Be等23种微量元素含量,利用相关分析、方差分析、偏最小二乘回归分析等多种分析方法对不同产地大米及土壤中微量元素含量进行分析,建立识别东北三省大米产地的判别模型。结果表明：大米中Mo、Zn含量与土壤中Mo、Zn含量呈显著正相关（P<0.01）;3个省份大米中Ga、Pb、Sr、Zr、Ba元素分布表现出一致性,而另外18种元素表现出显著差异性（P<0.05）。对18种显著差异元素建立产地识别模型,发现正交偏最小二乘回归分析和多层感知器神经网络分析建立的判别模型能较好地对东北三省大米进行有效区分和识别,多层感知器神经网络分析中整体检验组的综合正确判别率为96.3%;在Fisher判别分析中利用逐步判别法筛选出的7种元素建立的判别模型能有效识别东北三省大米产地,判别正确率为93.8%。研究表明基于微量元素含量特征能够对东北三省大米产地进行有效识别,可为保护地区特色产品提供技术参考。     

Stir bar sorptive extraction combined with GC-MS analysis and chemometric methods for the classification of South African Wines according to the volatile composition

A simple method for the analysis of major wine volatiles and semivolatiles by stir bar sorptive extraction in combination with thermal desorption and gas chromatography-mass spectrometry (SBSE-TD-GC-MS) was developed. Significant experimental parameters such as extraction time, temperature, salt addition, pH, and thermal desorption parameters were optimized to provide a sensitive and robust analytical method. The method provided good repeatability (%RSD < 10%) for 38 major wine volatile compounds, including alcohols, acids, esters, phenols, aldehydes, ketones, and lactones. Quantitative data for 62 South African red and white wines were used to study the suitability of major volatile data for the differentiation of wine samples according to grape variety or cultivar. Principal component analysis (PCA) and cluster analysis (CA) showed that most of the variation in volatile composition between wine samples could be ascribed to differences in wine age, wood contact, and fermentation practices. Despite the contribution of these factors, discriminant analysis (DA) was successfully applied to the classification of red and white wine samples according to cultivar.     

花生种子自然老化对品质及发芽的影响

为解析花生种子自然老化过程中品质及发芽特性的变化特征,本研究以6个花生品种(系)为试材,通过测定种子发芽率、发芽势、氯化三苯基四氮唑(TTC)还原量、电导率等指标对老化花生种子的品质和发芽活力进行综合评价。结果表明,随着种子老化程度加深,不同品种(系)花生种子的5个发芽指标(发芽率、发芽势、发芽指数、活力指数和生长量)均表现为显著下降趋势(P<0.05);花生种子的活力指数与TTC还原量呈相同的下降趋势,而电导率则呈上升趋势;除了亚油酸以外,其余4个花生品质指标,包括油酸、油亚比(O/L)含油量和粗蛋白,总体呈下降趋势,自然老化对花生品质及发芽特性均产生负向影响。本研究通过对自然老化种子中多个指标进行评价,为确定和探究不同花生品种的存储条件及代谢途径奠定一定的理论基础。