基于支持向量机的近红外光谱技术鉴别掺假牛肉

【目的】利用近红外光谱技术对掺入鸭肉的掺假牛肉进行判别研究,为实现掺假牛肉的快速、准确检测提供参考。【方法】市购冷冻储存的牛里脊肉和鸭肉,在牛里脊肉糜中掺入质量分数为0,5%,10%,15%,20%,25%的鸭肉糜(对应m(鸭肉糜)∶m(牛肉糜)分别为0∶20,1∶19,2∶18,3∶17,4∶16和5∶15),制备供试牛肉和掺假牛肉,采用近红外漫反射方式在波数为10 000~4 000cm-1时采集牛里脊肉、掺假牛里脊肉和鸭肉的近红外光谱,对原始光谱经多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate transformation,SNV)、面积归一化(Area normalization)、15点平滑处理和一阶导数处理等方法预处理后,对所建支持向量机(nu-SVM)判别模型的预测效果进行比较。【结果】经MSC预处理后所建的牛里脊肉、掺假牛里脊肉和鸭肉的nu-SVM判别模型判别性能稳定,对建模集的正确判别率为97.09%,对检验集的正确判别率为94.00%。【结论】近红外光谱技术结合MSC预处理后所建的nu-SVM模型可用于掺杂鸭肉的牛里脊肉的鉴别。     

应用近红外光谱检测滇南小耳猪肉化学组分含量

应用近红外漫反射光谱技术(near infrared reflectance spectroscopy,NIRS),对滇南小耳猪整块热鲜肉和热鲜均质肉糜的水分、脂肪、蛋白质含量进行建模研究,并筛选出最优的光谱预处理方法。采集11 000~4 300 cm~(-1)波数范围内111份猪肉样品光谱数据,在多元散射校正(multiplicative scattering correction,MSC)、二阶导数(second derivative)、变量标准化校正(standard normalized variate,SNV)不同组合方式的光谱预处理基础上,用偏最小二乘法(partial least squares,PLS),采用交互验证(cross validation)方法,对83份猪肉样品进行建模,28份猪肉样品用于模型的验证,建立滇南小耳猪猪肉的水分、粗脂肪、粗蛋白质3个化学组分的近红外预测模型,筛选最佳的光谱预处理方法和主成分数。结果表明:水分采用整块肉光谱进行MSC预处理的建模效果较好,R~2为0.975,RMSEC为0.304,RMSEP为1.640;脂肪直接采用肉糜光谱SNV预处理建模效果较好,R~2为0.911,且RMSEC为0.409,RMSEP为0.923;光谱对蛋白质的预测肉糜的原始光谱效果较好,R~2为0.946,且RMSEC为0.273,RMSEP为1.101。由此可见,近红外光谱分析方法能够很好地检测滇南小耳猪猪肉中的粗脂肪和水分,粗蛋白的检测结果较差。     

基于近红外光谱的金鲳鱼新鲜度快速检测技术

挥发性盐基氮(Total volatile basic nitrogen,TVB-N)是动物性食品的新鲜度指标.传统的TVB-N检测技术工序繁杂,对鱼肉具有不可逆的破坏性.本研究拟用近红外光谱技术进行金鲳鱼肉质新鲜度的检测,采用一阶微分(1st Der)、二阶微分(2nd Der)、多元散射校正(Multiplicative scatter correction,MSC)、标准正态变换(Standard normal variate transform,SNV)对金鲳鱼鱼肉的近红外光谱数据进行预处理,通过比较预测结果,确定多元散射校正为最优预处理方法.分别采用偏最小二乘法(PLS)和主成分回归法(PCR)建立金鲳鱼鱼肉TVB-N的预测模型,最终确立了基于MSC和PLS的最佳模型,其中预测集均方根误差(RMSEP)为1.8454,决定系数(R2)为0.8841.由研究结果看出,基于近红外光谱建立的金鲳鱼肉质预测模型具有较高的精度,可为快速检测金鲳鱼的肉质新鲜度提供理论依据.     

不同预处理模式识别下的近红外绿豆产地溯源研究

采用傅里叶变换近红外漫反射光谱仪测定来自吉林省白城市、黑龙江泰来县、黑龙江杜尔伯特蒙古自治县、山东省泗水县绿豆共120份样品的近红外光谱,分别采用一阶导数+9点平滑、标准正态变换（SNV）、多元散射矫正（MSC）、矢量归一化+MSC四种光谱预处理方法,建立偏最小二乘判别模型（PLS-DA）,分析不同预处理方法对模型稳定性的影响,结果得出：原始光谱模型判别率为62.5%,一阶导数+9点平滑预处理模型判别率为65%,SNV预处理模型判别率为65%,MSC预处理模型判别率为82.5%,矢量归一化+MSC预处理模型判别率为90%。因此,采用矢量归一化+MSC预处理方法对绿豆产地判别的准确率最高。     

近红外结合极限学习机快速识别牛肉中掺假猪肉

[目的]建立牛肉中掺假猪肉的快速鉴定方法。[方法]采用傅立叶变换近红外结合极限学习机(extreme learning machine,ELM)构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型,考察标准正态变换、多元散射校正(multiplicative scatter correction,MSC)、一阶导数及二阶导数结合核主成分分析(kernel principal component analysis,KPCA)等光谱预处理方法对ELM模型预测性能的影响。[结果]MSC+KPCA预处理下,ELM模型的预测效果最优,训练集及测试集的正确识别率分别为86.67%和83.33%。[结论]近红外光谱技术结合ELM在牛肉中掺假猪肉的快速鉴定方面具有较大的潜力。     

冰鲜肉中腐败菌的研究现状

综述了冰鲜肉中腐败菌的组成特点及生长代谢特点,分析了不同种类冰鲜肉（猪肉、羊肉、牛肉、鸭肉及鸡肉）的初始菌相构成及其冷藏过程中的消长规律,旨在为我国冰鲜肉防腐保鲜研究提供指导。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

滑皮金桔糖度的近红外光谱无损检测技术

[目的]采用近红外光谱技术对滑皮金桔的糖度开展无损检测技术研究,为今后实现滑皮金桔在线糖度品质分级分选提供参考依据.[方法]以NIR Magic 1100型便携式果品近红外光谱分析仪为主要研究设备,对采集的滑皮金桔光谱分别进行S-G卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)处理,结合偏最小二乘法建立滑皮金桔糖度预测模型并进行验证.[结果]建模的最佳光谱波段为720~920 nm;光谱采用SG-smooth处理后建立模型的校正集相关系数为0.9531,校正集均方根误差为0.6436,相对分析误差为3.55,均优于采用SNV和MSC处理建立的模型效果.对预测模型进行验证显示,糖度预测值与实际值的相关系数为0.9582,均方根误差为0.5187,相对分析误差为3.24.[结论]采用近红外光谱快速检测滑皮金桔糖度可行,建立的预测模型稳定性好、精度较高,可为滑皮金桔在线分选及无损检测设备的开发提供技术参考.     

鹅身全是宝养殖效益高

一、鹅全身都是宝 1．鹅肉营养丰富：鹅肉的营养丰富，其蛋白质含量为22.3%，鸭肉为21.4%，鸡肉20.6%，牛肉为18.7%,羊肉为16.7%，猪肉仅有14.8%；鹅肉中的氨其酸含量也高于鸡肉，     

火炬松针叶儿茶素含量近红外预测模型的建立

【目的】建立火炬松针叶儿茶素含量近红外预测模型,为选育高生物活性成分火炬松良种奠定基础。【方法】以102个火炬松单株的针叶为试验材料,利用液相色谱 质谱联用技术（LC-MS）测定其儿茶素含量。使用近红外成分分析仪采集样品的近红外光谱信息,对采集的光谱信息采用不同的方式（一阶导数（FD）、标准正态变量转换法(SNV)、平滑算法、乘积分散校正法（MSC）和标准化预处理以及FD+SNV、MSC+FD）进行预处理,结合偏最小二乘法建立回归模型,比较不同预处理方法建立的回归模型参数,选择最佳光谱预处理方法,建立火炬松针叶儿茶素含量近红外预测模型,并对模型的预测准确性进行验证。【结果】FD+SNV为最佳的近红外光谱信息预处理方法;建立了火炬松针叶儿茶素含量的近红外预测模型,该模型的主成分数为14,校正集相关系数（R_C）为0.969 6,校正集均方根误差（RMSE_C）为1.308 4,交互验证集相关系数（R_V）为0.817 1,交互验证集均方根误差（RMSE_V）为3.105 2。经过外部验证,验证集火炬松针叶样品的儿茶素含量实测值与预测值有显著相关性（R=0.880 7）。【结论】建立了火炬松针叶儿茶素含量近红外预测模型,该模型可以准确、高效地预测火炬松针叶的儿茶素含量。     

基于近红外光谱与 KPCA-SVM鉴别淡水鱼肉

为实现淡水鱼品种的快速鉴别,采用近红外光谱分析技术建立7种淡水鱼鲜肉的快速鉴别模型。试验采集了鲢、草鱼、乌鳢、鲫、鲤、青鱼、鳙7种淡水鱼共772个鲜鱼肉样品的近红外光谱数据,分别考察标准正态变换(standard normalized variate,SNV)、多元散射校正(multiplicative signal correction,MSC)的预处理方法及核主成分分析(kernel principal component analysis,KPCA)和主成分分析(principal component analysis,PCA)的特征提取方法对支持向量机(support vector machine,SVM)判别模型的影响。结果显示,经SNV预处理和KPCA提取特征变量后,对未知样品的整体正确判别率达到92.68%。因此,采用近红外光谱技术结合化学计量学方法所建SVM模型可以实现淡水鱼品种的快速鉴别。     

柑橘园紫色土Fe/Mn/Zn含量近红外光谱监测模型研究

 【目的】探索建立基于近红外光谱技术的土壤微量元素监测技术。【方法】采集三峡库区（重庆）主要加工甜橙基地果园背景土壤样品168个,随机选取100个作为建模样本,其余为检验样本;测定所有样本的近红外反射光谱和土壤Fe、Mn、Zn全含量;运用最佳光谱预处理方法和偏最小二乘法（partial least square method, PLS）及内部交叉验证方法建立校正模型,并进行模型精度检验。【结果】变量标准化（standard normal variables,SNV）为土壤Fe、Mn、Zn含量近红外光谱预测的最佳光谱预处理方法;运用SNV光谱预处理和偏最小二乘法（PLS）及内部交叉验证法建立的土壤Fe、Mn、Zn含量校正模型,95%置信区间内的预测精度分别为92.65%、95.59%和95.59%。【结论】利用近红外反射光谱技术进行土壤Fe、Mn、Zn含量检测可行且精度较高。     

基于近红外光谱技术的杏叶含水率反演研究

为实现杏树叶片含水率数据的准确获取，对新疆南疆杏树的节水灌溉提供科学指导，本研究使用近红外光谱技术对杏树叶片含水率进行预测。采集1 000～1 800 nm范围内‘小白杏’叶片的光谱数据，使用多元散射校正（MSC）、标准正态变量变换（SNV）、均值中心化（MC）、归一化处理（Nor）4种方法对原始光谱进行预处理，采用竞争性自适应重加权算法（CARS）及随机蛙跳算法（RF）获取特征波段，分别建立基于不同预处理方法的全波段及特征波段的偏最小二乘回归（PLSR）和BP神经网络预测模型。结果表明MSC为最佳预处理方法，最佳预测模型为MSC-CARS-BP神经网络模型，所建模型预测相关系数Rp为0.986，预测均方根误差RMSEP为0.404，剩余预测偏差RPD为6.09，模型具有较好的预测能力，因此近红外光谱技术可以用于杏树叶片含水率的快速检测。     

基于近红外光谱法对羊肉嫩度测定

南疆小尾寒羊肉的嫩度为研究对象,首先使用近红外光谱仪采集羊肉的近红外光谱数据,使用C-LM4型数显式肌肉嫩度仪进行肌肉嫩度测量;之后分别对原始近红外光谱数据和采用多元散射校正预处理后的光谱数据使用连续投影法选取特征波长,选取的波长数目均为5,最后均采用偏最小二乘法(Partial least squares,PLS)建立嫩度和近红外光谱数据的嫩度预测模型,模型的评价指标使用交叉验证均方差(Cross validation mean square error,RMSPCV)、预测均方差(Mean square error of prediction,RMSEP)、预测精度(precision)和相关系数(correlation coefficient)来衡量,通过比较发现:采用多元散射校正(Multiple scattering correction,MSC)预处理后的光谱数据获得的特征波长来建立的模型的预测精度为0.963 29,相关系数的数值为0.877 5,用原始光谱数据获得的特征波长来建立的模型的预测精度为0.958 47,相关系数的数值是0.859 41,前者明显优于后者,这对以后相关学科的研究起到很好的指导作用。     

猪肉价格变动对其他畜禽肉类价格的影响

探讨猪肉价格变动对鸡肉、羊肉和牛肉价格的影响,结果发现,猪肉价格变动会影响其他3种肉类价格的变化,鸡肉和羊肉反之也一样,但牛肉价格变化不会对猪肉价格产生影响;猪肉价格对其他肉类价格的连续正向冲击会使其他肉类价格呈阶梯式上涨趋势;猪肉价格变化对鸡肉、羊肉和牛肉价格冲击持续时间分别在10个月、24个月和14个月左右,对3者价格变动的贡献度分别在18.20%、6.40%和4.15%左右;受猪肉价格变动影响,畜禽肉类价格之间会呈现"肉-肉价格螺旋"上涨趋势。     

青花菜中矿质元素的近红外光谱快速测定

青花菜矿质元素含量丰富,传统的青花菜矿质养分评价方法步骤繁琐、耗时费力。通过电感耦合等离子体原子发射光谱法(Inductively Coupled Plasma Optical Emission Spectrometer,ICP-OES)测定青花菜中钾(K)、硫(S)、磷(P)、钙(Ca)、铁(Fe)、镁(Mg)等矿质元素含量,同时使用近红外光谱仪扫描样品,获取样品光谱文件,拟建立青花菜矿质元素的近红外光谱快速测定的方法。对化学分析结果与光谱文件在偏最小二乘法(partial least square,PLS)分析的基础上,通过Savitzky-Golay卷积平滑处理,采用不同的散射处理方式[多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)],以及不同导数处理方式[一阶导数(first derivative, FD)和二阶导数(second derivative,SD)]对光谱进行预处理,从而获得定标方程。结果表明:(1)K、Mg、Ca经过MSC+FD处理的结果最好,校正相关系数(coefficient of determination in calibration, RSQ)分别为0.884、0.944、0.651,验证决定系数(coefficient of determination in valibration, R²)分别为0.893、0.928、0.604,相对分析误差(residual predictive deviation, RPD)分别为2.491、2.710、1.344;(2)P经过SNV+FD处理的效果最好,RSQ、R²和RPD分别为0.733、0.703和1.117;(3)S、Fe经过MSC+SD处理的结果最好,RSQ分别为0.523、0.581,R²分别为0.537和0.416,RPD分别为1.133、1.100。建立的K和Mg的近红外光谱快速检测模型,可以用于实际应用;P可以近似定量预测,但还需要通过增加样品种类提高模型的准确度与稳定度;Ca、S和Fe的近红外模型可以通过建立高浓度和低浓度2个模型来提高模型预测度。     

基于透射光谱技术的温州蜜柑含水率检测

利用可见/近红外光谱透射技术检测温州蜜柑含水率。采用微分处理(differential processing,SD)、多元散射校正(multivariate scattering correction,MSC)、标准正态变换(standard normal variate,SNV)、SG卷积平滑以及标准化等预处理方法比较建立的偏最小二乘回归模型(partial least squares regression,PLS)的拟合准确度,并确定最佳预处理方法,同时采用竞争性自适应重加权采样算法(competitive adaptive reweighted sampling algorithm,CARS)提取特征波长,以此建立基于柑橘含水率的PLS模型、BP神经网络模型和最小二乘支持向量机模型(least squares support vector machine,LSSVM)。结果显示,使用经过SNV预处理后的光谱进行CARS筛选得到的359个波长建立的LSSVM模型预测效果最佳,校正集的相关系数和均方根误差分别为0.937 5和0.008 6,验证集相关系数和均方根误差分别为0.831 6和0.012 0,表明可见/近红外光谱技术用于温州蜜柑的含水率检测是可行的。     

青花菜中硫代葡萄糖苷RAA和GBC的近红外光谱快速测定

【目的】 青花菜是硫代葡萄糖苷含量非常高的十字花科蔬菜,大量医学和营养学研究表明,青花菜具有防癌抗癌的显著功效,其防癌抗癌特性主要与硫代葡萄糖苷的多种降解产物有关,尤其是4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）的降解产物。本研究拟建立青花菜抗癌硫代葡萄糖苷的近红外光谱快速测定方法。【方法】 采用高效液相色谱法（HPLC）测定青花菜中硫代葡萄糖苷RAA和GBC的含量,将近红外光谱仪扫描样品所获得的光谱文件与化学分析结果在偏最小二乘回归法（partial least squares,PLS）分析的基础上,采用不同的散射处理方式（SNV、Detrend、SNV+Detrend）和导数处理方式（FD、SD）对光谱数据进行预处理,从而得到定标方程,再进一步对模型进行验证。【结果】 4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）是青花菜中存在的主要硫苷,占总含量的60%以上。90份青花菜的硫苷组分含量结果表明RAA平均含量最高,含量变化范围最大,平均含量为6.20 μmol?g^-1,变化范围为0.66—14.54 μmol?g^-1;GBC平均含量为4.43 μmol?g^-1,变化范围为0.25—10.79 μmol?g^-1。经过筛选,采用SNV+SD处理后RAA预测模型的校正集和预测集相关系数分别为0.867和0.912;采用SNV+SD处理后的GBC预测模型的校正集和预测集相关系数分别为0.918和0.960。【结论】 建立了RAA和GBC的近红外光谱快速检测模型,为青花菜营养品质的快速检测、优异抗癌青花菜种质资源的快速筛选与利用奠定了基础。     

基于可见/近红外光谱西葫芦硬度的无损检测模型的建立

利用近红外光谱(350～2 500 nm)系统采集180个西葫芦样本的光谱数据,运用多种预处理方法对原始光谱数据进行处理,建立西葫芦果肉硬度的PCR、SMLR和PLSR预测模型;并通过对不同的建模模型进行分析,对西葫芦硬度进行快速检测,实现可见/近红外光谱技术对西葫芦的硬度品质在线无损检测。结果表明,经过卷积平滑法和标准正态变换(S-G+SNV)处理建立的PLSR硬度预测模型效果最好,校正集相关系数为0.979,预测集相关系数为0.976;验证模型结果预测相关系数为0.886,预测均方根误差为0.126。运用可见/近红外光谱技术对西葫芦硬度指标的预测研究具有可行性,研究结果可为今后在线快速无损检测果蔬硬度提供理论依据。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。