咖啡是世界三大饮料之一,严格把控咖啡品质具有重大意义。以三个不同品种的咖啡豆为对象,利用太赫兹时域光谱技术结合化学计量学实现咖啡豆品种的快速鉴别。采用多种预处理方法减小实验误差,利用主成分分析(PCA)对光谱矩阵进行降维。建立偏最小二乘判别分析(PLS-DA)二分类模型和支持向量机(SVM)、反向传播神经网络(BPNN)、随机森林(RF)多分类判别模型。PLS-DA二分类模型的定性判别效果较为理想,总正确率可达98%;在多分类模型中,基于基线校正建立的SVM模型的效果最佳,总正确率达到98%。本研究表明利用太赫兹光谱技术快速鉴别咖啡豆品种是可行的,建立了较优的基于基线校正后的支持向量机模型,以为太赫兹时域光谱技术在定性检测其他农产品时提供经验参考。

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。 将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本, 应用原子吸收分光光度计测量每个样本中咖啡因的含量。 应用基线校正, 小波变换和归一化等数据预处理方法； 针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合, 分别应用回归系数和主成分分析(PCA)选择特征变量, 并建立了基于特征变量的PLS和BP神经网络模型。 结果表明: 基于回归系数所选特征变量的PLS模型中, 建模集相关系数Rc=096, 预测集Rp=091； 基于PCA提取特征变量的PLS模型中, Rc=094, Rp=090； 基于PCA所选特征变量的BP神经网络模型中, Rc=096, Rp=096。 两种方法所提取特征变量均对应C, H, O, N, Na, Mn, Mg, Ca和Fe, 且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果, 说明上述元素与咖啡因含量存在联系, 应用回归系数和PCA选择的特征变量是有效的, 但是咖啡豆内C, H, O, N, Na, Mn, Mg, Ca, Fe与咖啡因含量的确切关系需要进一步研究。 基于PCA所选特征变量的BP神经网络模型有更优的预测结果, 说明所选特征变量适用于不同的建模方法。 研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。