基于近红外与中红外光谱技术的淀粉回生度检测

淀粉食品在加工、运输及储藏过程中会逐渐出现回生,其回生程度是影响淀粉食品品质的重要因素。利用近红外和中红外光谱技术快速、无损检测淀粉回生度。首先采集了储存不同时间淀粉的近红外和中红外光谱,分别利用近红外、中红外以及两者融合的光谱数据结合化学计量学方法(偏最小二乘法(PLS、iPLS、biPLS、siPLS))建立淀粉回生度检测模型。结果显示,近红外和中红外融合光谱技术的biPLS检测模型最佳,校正集和预测集相关系数分别为0.965 5和0.931 3。研究结果表明,红外光谱技术可以快速、无损检测玉米淀粉回生度,保障了富含淀粉食品的质量与安全。     

电子鼻数据的预处理技术与应用

针对电子鼻的数据特点,提出用一个3维数组保存电子鼻的数据;采用6点平滑方法去除传感器的噪声;在基线校正中,首先通过二阶导数大于零和连续一阶导数大于零的方法找到样本反应起始点,然后减去环境响应值并提取相同长度的数据段,以提高电子鼻的精度和可重复性。对预处理前后的电子鼻数据中提出的特征进行主成分分析发现,预处理后的主成分结果所含的有用信息更多,而且可以很好地区分红富士和姬娜两种不同香味的苹果。     

用传感器阵列和遗传基因块区分两种食醋

近年来,对将传感器阵列技术和模式识别技术用于识别食品挥发气味的研究方兴未艾。模式识别技术的实施主要依赖于对传感器阵列输出信号的参数表达,迄今为止,不论是单个传感器还是传感器阵列均没有通用的参数选择的方法。该文从8个氧化锡气敏传感器与食醋气味反应中提出初始特征值,采用一种基于公式表达树的遗传基因块代码的编码算法的组织特征参数法(OFP)对所提取的特征参数进行融合,从而得到最优的组织特征参数很容易区分不同的气味。它不但解决了怎样得到最优特征参数的问题,而且用这种算法进行遗传运算更直观、更方便。并详细讨论了怎样进行基因编码来融合不同特征参数,同时对这种遗传算法怎样进行选择、交叉、变异进行了研究。将其用于气敏传感器阵列对不同食醋识别的应用实例证明,该方法是一种非常有效的模式识别方法     

基于近红外高光谱图像的黄瓜叶片色素含量快速检测

利用高光谱图像技术和高效液相色谱法(HPLC)快速检测了新鲜黄瓜叶中叶绿素a、叶绿素b、β-胡萝卜素和叶黄素4种色素含量。采集了120片黄瓜叶的近红外高光谱图像数据以及用HPLC精确测定黄瓜叶中色素含量;提取高光谱图像中50×50像素感兴趣区域(ROI)的平均光谱与4种色素含量分别建立偏最小二乘(PLS)预测模型;为了提高模型的稳定性和预测精度,分别采用区间偏最小二乘(iPLS)、向后区间偏最小二乘(BiPLS)和联合区间偏最小二乘(SiPLS)对各种色素对应的特征波段进行优选,同时对光谱划分数进行了优化。结果表明BiPLS和SiPLS对应模型的预测效果较好,对叶绿素a、叶绿素b、β-胡萝卜素和叶黄素4种色素的预测集相关系数RP分别为0.825 7、0.813 4、0.811 6、0.826 2。     

嗅觉可视化技术及其对四种食醋的识别

不同的食醋散发的香味具有一定的相似性,同时又有各自的特征,怎样快速表达这些特征是一大难点.本研究根据Kenneth S.Suslick教授的思路,筛选出23种卟啉类化合物和7种疏水性pH指示剂,制成一个5x6气体可视化传感器阵列.文章详细介绍了嗅觉可视化系统及其操作步骤,并利用气体可视化传感器阵列对4种传统食醋进行了测试.聚类分析表明,当取相似度为12时,样本被区分为镇江香醋、山西老陈醋、四川麸醋、浙江玫瑰米醋.研究表明嗅觉可视化技术可用于食品气味的可视化分析和图像指纹表达.     

基于遗传RBF网络的电子鼻对苹果质量的评定

提出一种根据苹果气味对苹果进行无损检测的方法，研制了一套适合苹果气味检测的电子鼻系统。对好坏苹果各50个进行了检测，在获得传感器阵列数据的基础上，从每个传感器曲线中提取了5个特征参数，作为模式识别的输入向量。用主成分分析法和遗传RBF网络对所测的样本进行分析，主成分分析可较好的把好坏苹果区分开，遗传RBF网络对训练集的回判正确率和对测试集的测试正确率分别为100％和96．4％。     

油炸藕片含油量快速预测及微观结构的三维重建

以油炸藕片为研究对象,首先利用高光谱图像技术(hyperspectral imaging technology,HSIT)结合联合区间偏最小二乘(synergy interval partial least squares,si PLS)和净分析物法(net analyze signal,NAS)提取油炸藕片的光谱信息,建立快速预测模型,并计算每个像素点的油含量值,将其表面油分布可视化;然后利用激光共聚焦显微镜(confocal laser scanning microscopy,CLSM)观察油在细胞中的分布,并扫描藕片Z轴方向序列图片进行微观结构的三维重建。结果显示,优选4个子区间,依据NAS法挖掘同油相关的NAS信号NAsk,建模后其预测集相关系数和均方根误差分别为0.819和0.682 mg/g,表明HSIT可快速预测油炸藕片含油量并可视化表面油分布。经CLSM扫描并图像三维重建后观察,油主要分布在细胞表面、边缘、细胞间隙以及破碎细胞内,且细胞的形状、大小均发生了很大的变化,可观察其内部油分布。结果表明,该研究可为油分布提供有效手段,并依据微观结构的变化为减少含油量提供科学的理论依据。     

苹果糖度近红外光谱小波去噪和iPLS建模

为了提高苹果近红外光谱糖度预测模型的精度,利用多尺度小波去噪法对苹果近红外光谱进行了预处理,并用改进后的间隔偏最小二乘法(iPLS)建立预测模型。应用结果表明,多尺度小波去噪法滤除了原始光谱中的部分噪声,但又保留了原光谱中的主要信息。运用间隔偏最小二乘法对预处理后的光谱建模,其校正时的相关系数rc和校正均方根误差RMSEC分别为0.9635和0.3026,预测时的相关系数rp和预测均方根误差RMSEP分别为0.9214和0.4113,主因子数为5个。结果表明,用多尺度小波去噪和间隔偏最小二乘法所建立的苹果糖度模型不但精度有所提高,而且更加简洁、数据运算量也更少。     

支持向量机在苹果分类的近红外光谱模型中的应用

建立了一套苹果近红外光谱采集装置来减少因苹果的部位差异性而造成的试验误差。采用一种新的机器学习算法——支持向量机(SVM)建立不同产地、不同品种苹果的近红外光谱分类模型。通过选定RBF函数作为核函数，并确定合适的光谱预处理方法和核函数中惩罚系数C、正则化系数γ，使得所建立的不同品种苹果分类模型的回判识别率和预测识别率均达到100%，不同产地苹果分类模型的回判识别率为87%，预测识别率为100%，与传统的判别分析法相比其预测识别精度提高5%左右。结果表明，支持向量机可以建立高精度的苹果近红外光谱分类模型。