1 北京理工大学光电学院, 北京 100081
2 中国人民解放军军事科学院军事医学研究院, 北京 100071
麦卢卡蜂蜜产自新西兰, 具有很强的抗菌及抗氧化作用, 其售价较高, 近年来掺假事件时有发生, 利用激光诱导荧光技术对掺杂糖浆的麦卢卡蜂蜜进行分类识别研究。 选用266, 355, 405和450 nm四种常用激光作为激发源, 选择三种品牌的新西兰进口麦卢卡蜂蜜(编号A, B, C)中掺杂烘焙糖浆作为实验样品, 掺杂比例为0%~90%, 间隔10%; 每个激发波长下每种样本溶液重复测试60次, 共7 200组数据。 光谱数据首先进行荧光波段截取、 平滑及归一化等预处理; 然后随机选取80%的数据做训练集, 20%的数据做测试集; 对训练集数据使用主成分分析(PCA)结合线性判别分析(LDA)做数据降维; 最后对降维后的数据分别建立K最近邻(KNN)和支持向量机(SVM)分类模型, 对测试集数据进行分类识别, 重复进行50次随机分组及分类识别后对得到的分类识别率求平均值及标准差。 实验分析结果表明, 激发光波长对最终识别结果影响较大, 266 nm激发的荧光光谱分类识别正确率最高, 三种麦卢卡蜂蜜掺杂溶液的分类识别率均能达到98.5%以上, 最高能达100%; 355和405 nm激发的分类识别效果次之, 所有样品的分类识别率均大于92%; 而450 nm激发的荧光光谱分类识别率最低, 不同样品的分类识别率均低于66%。 因此, 后续分类算法的比较仅使用266, 355和405 nm激发的荧光光谱数据, 分析结果表明, KNN算法的分类效果要优于SVM算法, 不同激发波长下三种蜂蜜掺杂溶液的分类识别率均是KNN算法更高, 且对266 nm激发的三种蜂蜜掺杂样品, KNN算法的分类识别率比SVM算法要高1%以上。 实验结果表明, 使用激光诱导荧光技术对掺假麦卢卡蜂蜜进行分类识别是可行的, 对于掺杂糖浆的麦卢卡蜂蜜, 在使用的所有组合中, 266 nm激发结合PCA-LDA降维和KNN分类算法的分类识别率最高, 分类效果最好, 可用于掺假麦卢卡蜂蜜的快速准确鉴别。
激光诱导荧光 多波长 麦卢卡蜂蜜 掺假检测 分类识别 Laser-induced fluorescence Multi-wavelength Manuka honey Adulteration detection Classification and identification 光谱学与光谱分析
2022, 42(9): 2807
1 中国农业大学工学院, 现代农业装备优化设计北京市重点实验室, 北京 100083
2 塔里木大学机械电气化工程学院, 新疆 阿拉尔 843300
山茶油素有“东方橄榄油”美誉, 实现掺假山茶油的鉴别具有重要实用价值, 采用近红外光谱技术对掺有葵花油的山茶油进行检测。 分别以1%, 5%, 10%为梯度制备掺假比例不同的山茶油样品, 并根据掺假比例将其分为A组（0%～5%）和B组（6%～10%）共11个样品, C组（15%～40%）6个和D组（50%～100%）6个样品。 将每个掺假样品充分混匀后再分为9份, 依次采集其1 000～2 500 nm范围的吸收光谱, 共获得207条光谱曲线。 每组样品的光谱数据按2∶1随机分为训练集与验证集。 经去除首尾噪声后, 通过主成分分析法（principal component analysis, PCA）降维, 并利用前四个主成分建立了鉴别山茶油不同掺假等级的主成分-支持向量机判别模型, 训练集与验证集的总体判别准确率分别达96.38%和94.20%; 进一步, 通过对前四个主成分的载荷系数的分析, 并结合原始光谱, 提取建模过程中权重较大的波长并解析其化学含义, 最终确定出五个特征波长: 1 212, 1 705, 1 826, 1 905及2 148 nm, 以此波长重新建立近红外特征光谱山茶油掺假等级判别模型, 对训练集与验证集的总体判别准确率也达到了94.20%和92.75%。 研究结果表明, 利用近红外光谱和特征光谱均能够较好实现山茶油掺假等级的鉴别, 同时所建立的近红外特征光谱模型也为设计相应的掺假山茶油实用便携式检测仪器提供了理论基础。
山茶油 掺假检测 近红外光谱技术 特征光谱 支持向量机 Camellia oleifera oil Detection of adulterations NIR spectroscopy Characteristic wavelengths SVM
1 江西农业大学生物光电技术及应用重点实验室, 江西 南昌 330045
2 浙江省检验检疫科学技术研究院, 浙江 杭州 311215
采用可见/近红外光谱技术结合化学计量学方法对油茶籽油三元体系掺假进行定量检测研究。 将菜籽油和花生油按不同比例掺入纯油茶籽油中, 获得掺假样本。 采集纯油茶籽油及掺假样本在350~1 800 nm范围内的可见/近红外光谱数据, 随机分为校正集和预测集, 并从不同建模波段、 预处理方法及建模方法角度对掺假预测模型进行优化。 研究结果表明, 菜籽油、 花生油和总掺伪量的最优建模波段及预处理方法分别为750~1 770, 900~1 770 , 870~1 770 nm和多元散射校正(MSC)、 标准归一化处理(SNV)和二阶微分, 而最优的建模方法均为最小二乘支持向量机(LSSVM)。 对于最优掺假模型, 菜籽油、 花生油和总掺伪量的预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.963, 0.982, 0.993和2.1%, 1.5%, 1.8%。 由此可见, 可见/近红外光谱技术结合化学计量学方法可以用于油茶籽油的三元体系掺假定量检测。
可见/近红外光谱 掺假检测 油茶籽油 三元体系 模型优化 Visible/near infrared spectroscopy Adulteration detection Camellia oil Ternary system Model optimization 光谱学与光谱分析
2016, 36(12): 3881
江西农业大学生物光电技术及应用重点实验室, 江西 南昌 330045
利用近红外光谱在不同光程下对山茶油中掺杂大豆油的掺伪量进行定量检测研究,着重分析光程对掺伪量检测精度的影响.将大豆油按一定质量分数掺入山茶油获取实验样本,掺伪质量分数范围为1%～50%.利用QualitySpec型光谱仪采集样本在不同光程(1,2,4,10 mm)下的透射光谱,通过对比不同建模方法、预处理方法及建模波段范围所建立的掺伪量定量预测模型,分析光程对掺伪量检测精度的影响.研究结果表明,光程由1 mm增加到4 mm时,掺伪量定量预测模型性能随着光程的增加而逐渐变好,检测精度逐步提高;光程由 4 mm增加到10 mm时,掺伪量定量预测模型性能变差,检测精度下降,4 mm为较优的光程.在1,2,4和10 mm下所建立的较优掺伪量定量预测模型的预测集决定系数(R2P)和预测均方根误差(RMSEP)分别为0.923,0.977,0.989,0.962和4.58%,2.54%,1.72%,3.20%。
近红外光谱学 掺假检测 光程 检测精度 山茶油 Near infrared spectroscopy Adulteration detection Optical length Detection accuracy Camellia oil 光谱学与光谱分析
2015, 35(7): 1894
江西农业大学生物光电技术及应用重点实验室, 江西 南昌 330045
为打击山茶油掺假，保障消费者的合法利益，利用近红外光谱和子窗口重排分析(SPA)对山茶油的复杂掺假(掺入大豆油、菜籽油、花生油及混合油)进行检测。采集85 个纯山茶油和315 个掺假山茶油样本的近红外光谱，利用SPA 变量选择方法对样本光谱的波长变量进行筛选，再由偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假检测模型，并与竞争性自适应重加权算法(CARS)和无信息变量消除(UVE)变量选择方法的结果进行比较。研究结果表明，近红外光谱联合SPA 方法可以用于山茶油的复杂掺假检测，预测集样本的分类错误率、灵敏度及特异性分别为0、1和1。SPA 方法优于UVE 方法，与CARS方法相当，是一种有效的变量选择方法，能简化模型并提高模型的预测精度和稳定性。
光谱学 掺假检测 近红外 子窗口重排分析 山茶油
