一、食用油优劣巧鉴别(论文文献综述)
孙磊[1](2021)在《基于波段筛选的食用油品激光光谱快速无损检测》文中提出中华美食享誉全球,食用油是其中不可缺少的烹饪材料。但现阶段市场上充斥着大量的掺假和劣质食用油,将劣质油掺到高品质油中,严重危害着大众的合法利益。由于传统的食用油检测方法受到实验条件和材料的限制,需要进行大量的实验以及复杂的分析且耗时较长。鉴于此,本课题提出一种基于波段筛选和分类器结合的食用油荧光光谱快速识别模型。利用激光诱导荧光技术的快速响应并结合基于波段筛选的分类器算法来进行食用油的识别分类,此手段可以达到快速检测和识别。本课题在分析了市场上食用油掺假手段之后,分别选取鲁花牌花生油、福临门大豆油、福临门玉米油和鲁花牌菜籽油做为实验的样本材料,实验过程依次采集了单一食用油种的荧光光谱、花生油等比例掺大豆油的荧光光谱、等比例掺杂玉米油的荧光光谱、等比例掺杂菜籽油的荧光光谱,总共7组实验样本,以此来验证模型对不同种类食用油光谱识别的准确性。每组样品进行100组荧光光谱的收集,总计700组样本数据。然后运用降维算法对采集到的荧光光谱进行特征选择和数据降维,这样可以有限减少光谱中的冗余信息,以此来提高识别的准确率和识别速度。使用多种不同的分类识别算法对经过处理以后的数据进行模型训练,通过对这几种分类算法进行横向对比研究,发现降维之后的数据结合不同的分类算法具有各自的优势,且识别率高达100%,同时具有良好的泛化性能。本文首次将降维操作结合分类器算法引入到食用油的检测中,并运用了激光诱导荧光技术,通过对模型的仿真可以发现油样模型的建立是值得深入研究的。本课题构建了一个快速、准确的识别食用油模型,可以实现对食用油的快速检测,也为后面创建更加完善的食用植物油激光诱导荧光光谱数据库模型提供了一定的借鉴。图[40]表[5]参[69]
麦小漫[2](2021)在《色谱技术结合化学计量学用于食用植物油品质鉴定及掺伪筛查的研究》文中指出食用植物油是由植物果实、种子或其他部分提取而来,是人类饮食中不可或缺的组成部分,其品质安全是大众关注热点问题。近年来,我国食用油掺杂掺假事件频发,虽然相关法律法规、国家标准、检测方法都在逐步完善,但仍有部分低品质假阴性油混入市场,因此开发快速、准确、高灵敏的植物油品质评价方法仍然是目前食用植物油品质控制的关键工作。本文利用色谱技术这一分析手段,以食用植物油的主要成分脂肪酸、甾醇、挥发性成分及其它不皂化物为研究对象,建立了一系列的食用植物油品质评价方法,包括对常见的食用植物油(花生油、玉米油、菜籽油、大豆油、葵花籽油等)中的脂肪酸、甾醇、挥发性成分及其它不皂化物的测定,同时对其组成、含量差异及进行分析,并采用脂肪酸组成与化学计量学方法相结合对掺伪食用植物油进行定性、定量的分析。主要研究内容与结果如下:(1)采用顶空-固相微萃取(HS-SPME)结合全二维气相色谱-高分辨四级杆飞行时间质谱技术(GC×GC-Q-TOF/MS)建立了常见食用植物油挥发性成分的分析方法。为获得更多的挥发性成分,对全二维色谱柱系统及固相微萃取条件进行优化,最终确定了色谱柱系统为以HP-5MS为第一维色谱柱、DB-17MS为第二维色谱柱、固相微萃取纤维头涂层为50/30μm DVB/CAR/PDMS、取样量为3.0 m L、萃取时间为30 min、萃取温度为85℃、解析时间为5 min时分析效果最好。(2)五种食用植物油中共检测到115种、11类成分,其在5种食用植物油中的分布有明显差异,其中花生油共检测出65种成分,玉米油33种成分,菜籽油57种成分,大豆油53种成分,葵花籽油50种;花生油中的挥发性成分主要为醛、吡嗪、呋喃类化合物,其中吡嗪类化合物含量明显高于其它四种植物油,占总检出物的34.800%;玉米油、大豆油和葵花籽油中所鉴定出的挥发性成分均以醛类居多,其中己醛在各食用植物油中相对含量均较高,分别为:葵花子油15.528%、大豆油14.282%、玉米油12.873%;菜籽油中鉴定出的挥发性成分主要为醛类、腈类和吡嗪类,其中腈类化合物是菜籽油中特殊的挥发性成分,可作为菜籽油区别于其它食用植物油的特征成分。(3)采用气相色谱法对衍生后的脂肪酸和甾醇进行分析,发现五种食用植物油中脂肪酸和甾醇组成和含量具有较大差异,花生油中的油酸含量最高,为39.472~62.454%,玉米油、大豆油与葵花子油中则是亚油酸含量最高,分别为56.083~57.187%、51.547~54.563%、53.041~63.444%,除油酸、亚油酸之外,传统菜籽油中芥酸含量较高,达7%以上,这可明显区分于其它四种食用植物油。五种食用植物油甾醇主要由菜油甾醇、豆甾醇、β-谷甾醇组成,菜籽油中还含有少量的菜籽甾醇;五种油中玉米油和菜籽油的总甾醇含量最高,分别为648.663~778.821 mg/100 g、610.656~731.272 mg/100 g,花生油次之,为132.528~315.504 mg/100 g,大豆油和葵花籽油的总甾醇含量最低,分别为215.301~271.687 mg/100 g和243.558~281.831 mg/100 g。采用系统聚类分析(HCA)分别对五种食用植物油的脂肪酸及甾醇组成的数据进行分析,结果表明花生油与玉米油、大豆油和葵花籽油的脂肪酸组成差异显着,与菜籽油、玉米油的甾醇组成差异显着,因此基于脂肪酸或甾醇组成的分析可以作为鉴别花生油掺假的有效手段之一。(4)通过气相色谱法检测掺伪不同比例大豆油的花生油样品,结合线性判别分析(LDA)对掺伪比例为6-80%(w/w)的掺伪油进行判别分类时,判别准确率达100%,说明建立的线性判别分析函数有效,可以用于未知掺伪花生油的定性鉴别;采用多元线性回归(MLR)、偏最小二程回归(PLSR)和人工神经网络(ANN)分别构建了掺伪定量分析模型,并通过比较模型掺伪判定限与均方根误差(RMSE)来评价模型的性能,结果表明所建立的ANN模型具有更低掺伪判定限与更小RMSE,更适合用于定量筛查与鉴别掺伪花生油。(5)采用超声辅助皂化—液-液萃取结合高效液相色谱法对花生油、菜籽油等5种食用植物油的不皂化物进行分析,发现当检测波长分别为280 nm、443 nm时,菜籽油中的2-(1-羟基-4,6-二甲基-4,6,8-癸三烯基)-去氢敦酌拉辛(HDDD)、叶黄素的分布与其在花生油中的分布有着显着性差异,且HDDD为菜籽油的特征成分。对纯植物油样品分析发现,花生油中叶黄素含量小于或等于6.186μg/g,菜籽油中叶黄素含量为33.664~342.689μg/g,而HDDD在菜籽油中含量为71.922~97.010μg/g,但其在所有花生油样品中均未有检出。以菜籽油中HDDD为掺伪判定指标、叶黄素为辅证构建了掺伪判定方法,其掺伪判定限低至0.4%(w/w)。使用该方法对掺伪花生油进行筛查,结果显示该掺伪判定方法不仅可以成功筛查掺伪花生油,同时也可预测掺伪花生油中菜籽油的最低掺伪比例,其预测准确度达86.7%以上。
祖述冲[3](2020)在《红松(Pinus koraiensis Sieb. et Zucc.)籽资源评价与精深加工技术研究》文中研究说明本论文针对我国东北黑龙江省、吉林省、辽宁省林区6个不同产地采集的红松籽开展了红松籽资源评价研究和精深加工技术研究,现将研究结果摘要如下:1、在红松籽的资源属性特征评价方面:其资源形态特征,红松籽的平均籽长、籽宽、籽厚、长宽比、长厚比、籽壳厚是确定红松籽筛分、脱壳的技术参数,平均千粒重干重、平均含水率是确定红松籽运输和储存的技术参数,平均出仁率可评估红松籽原料的优劣和预期产量;其资源化学特征,红松籽仁的平均含油率为63.71%,是目前已知含油量较高的油料之一;红松籽仁不饱和脂肪酸的平均含量为91.94%,皮诺敛酸的平均含量为14.98%;其资源禀赋特征,营造25年结籽的人工红松林,不仅比需80年结籽的天然红松林结籽周期短,而且单产产量高、千粒重重,嫁接苗植苗培育人工红松林6年结实,超过野生红松籽千粒重,皮诺敛酸含量优于野生红松籽;说明人工红松籽的资源禀赋优势可充分满足红松籽油精深加工对工艺原料可持续利用的需求。2、在红松籽油精深加工技术研究方面:干式酶解法提取工艺提取率最高,过氧化值最低。与野生红松籽仁相比,人工红松籽仁出油率升高、皮诺敛酸含量增加,饱和脂肪酸含量降低、油渣中的残油率降低。工艺放大实验,出油率为60.80%,是目前出油率最高的红松籽油提取工艺;不同抗氧化剂对红松籽油过氧化值和丙二醛含量的影响结果表明,迷迭香提取物能够有效提高红松籽油的氧化稳定性;抗氧化性结果显示,清除DPPH自由基、ABTS自由基、-OH自由基能力以及Fe2+还原力,酶解红松籽油均比传统加工红松籽油具有更强的抗氧化能力;单因素法优化得到红松籽油包合物的最优制备工艺,红松籽油固化率为70.95%,含油率为26.88%,激光粒度仪、FTIR、1H-NMR、DSC、TGA、XRD、SEM检测结果表明:与β-环糊精晶体结构相比包合物呈低结晶态,热稳定性与β-环糊精相似;工艺放大实验,所得红松籽油固化率为69%、含油率为27%;生物利用度及药代动力学检测结果显示,包合物组与红松籽油相比,包合物的生物利用度明显提高;皮诺敛酸脂肪酶浓缩法和尿素包合的最优纯化工艺结果显示,皮诺敛酸的纯度为93.51%,得率为13.56%。3本论文研究的创新点有:(1)应用资源属性特征理论和方法对人工红松籽和野生红松籽进行资源评价研究,说明人工红松籽在数量和质量上均可满足红松籽精深加工对工艺原料可持续利用的需求;(2)应用α-淀粉酶干式酶解法提取红松籽油并工艺放大实验,人工红松籽仁与野生红松籽仁相比,出油率高,饱和脂肪酸含量低、皮诺敛酸含量高,油渣残油率低,证明α-淀粉酶干式酶解法提取红松籽油是先进的制油工艺;(3)应用β-环糊精法固体包合红松籽油并进行工艺放大实验,固化率和含油率均为最高,包合物的生物利用度也明显提高;(4)应用脂肪酶浓缩和尿素络合纯化综合法纯化红松籽油中的皮诺敛酸,与同类研究成果相比,皮诺敛酸的纯度和得率均为最高。本论文研究开展的红松籽资源属性特征方面的资源评价为红松籽精深加工工艺原料可持续利用提供了理论指导和技术支撑;研制出红松籽油干式酶解法提取工艺、固体包合物制备工艺、红松籽油中高纯度皮诺敛酸纯化工艺,为我国红松籽精深加工提供了先进技术。
徐强[4](2020)在《橄榄油掺伪识别与橄榄调和油检测多光谱融合技术研究》文中认为橄榄油是由新鲜油橄榄果实经冷榨而成,制取过程中没有经过加热和其他化学处理,在保留了天然营养成分的同时,具有极其丰富的单不饱和脂肪酸。橄榄油消费在中国存在巨大的消费前景,研究调查经常食用橄榄油能够降解人体内油脂和降血压的作用,有效预防心脑血管疾病,因而有着“液体黄金”的美称。目前存在一些不法商贩将低价值食用油掺入橄榄油中,售卖掺假橄榄油以牟取高额利润,对于调和橄榄油的销售同样存在不符合标签调和比的虚假调和油。所以分析研究一种橄榄油掺伪问题和虚假橄榄调和油快速检测方法十分有必要。本论文运用近红外、拉曼和中红外光谱融合技术结合化学计量法与机器学习等理论分析研究橄榄油掺伪识别和虚假橄榄调和油检测问题,分别建立橄榄油二元掺伪定性定量鉴别检测模型、橄榄油三元定性定量掺伪和橄榄调和油定量检测模型,主要研究内容和结果如下:(1)分析建立了基于近红外和中红外光谱技术的二元以及三元掺伪橄榄油支持向量机定性识别和定量检测模型,研究分析最优的建模方法与技术路线,建立的近红外二元掺伪定性识别baseline-CARS-PLS-SVC模型和中红外二元掺伪MSC-CARS-PLS-SVC模型中对样本库中预测集准确性均为100%,近红外和中红外的橄榄油二元掺伪定量检测模型的预测集相关系数均高于98%,均方误差MSEP低于0.05,拥有良好的定量预测效果。近红外三元橄榄油掺伪MSC-PCA模型具有良好的定性识别和定量检测效果。(2)分析建立了基于近红外-中红外光谱数据融合、近红外-拉曼光谱数据融合以及中红外-拉曼光谱数据融合的橄榄油二元掺伪定性识别和定量检测模型,近红外-中红外、近红外-拉曼特征层融合和中红外-拉曼光谱数据融合的模型定性识别准确率高,定量检测模型预测偏差小,研究表明其特征层融合模型优于数据层融合模型;相比单光谱模型,融合模型具有更佳的稳定性和准确性。(3)分析建立了基于近红外光谱技术的调和橄榄油支持向量机检测模型,其中DOSC-CARS-PLS-GC-SVR模型相关系数高达99.74%,均方误差MSEP为0.08,模型具有良好的定量检测准确性。同时针对SG-CARS-PLS-SVR模型预测性能不佳的情况,采用近红外特征层数据融合方法能够有效提升模型预测准确性。
蒋豪辉[5](2020)在《粮油种类无损检测中的特征处理方法研究》文中指出粮油作物是国家的立足之本。人类的营养健康和生命安全都与粮油的品质安全密切相关,粮油种类的无损检测具有重要的意义。传统的粮油种类检测方法是依靠人工分拣、传统成像的定性分析以及化学测定的定量分析。这些方法存在耗时长,成本高,检测易受干扰,检测结果不准确等缺点。而且对检测环境和检测人员要求很高。所使用的化学试剂有毒有害,不但会破坏检测样品,还会污染环境。因此,寻找一种可以实时在线、高效、准确、绿色无损的粮油种类检测技术具有重要的意义。本文主要是研究粮油种类无损检测中的特征处理方法。对于食用油的种类鉴别问题,主要是基于拉曼和近红外光谱技术并运用模式识别的方法对食用油进行种类鉴别。用八种预处理方法分别对采集得到的花生油、玉米油、菜籽油、葵花籽油、大豆油五种食用油的拉曼和近红外光谱数据进行预处理。首先采用典型相关分析、CARS、SPA等特征处理方法获取经过预处理后的食用油拉曼和近红外光谱数据的特征波长。然后用支持向量机分类和K最近邻方法对获取的特征波长建立食用油拉曼和近红外光谱融合种类鉴别模型。建立的种类鉴别模型在当前食采集得到的食用油样本下品种鉴别准确率均可以达到100%,可以准确地识别出五种食用油种类。其中基于典型相关分析的模型效果要优于另外两种方法,因为典型相关分析所建模型在同样的种类识别效果下模型的输入特征波长变量最少。提高了模型的效率和准确率,节省了数据的存储空间,降低了计算成本。实现了粮油种类快速无损准确检测的目标。对于谷物的品种识别问题,主要解决方法是高光谱成像技术结合光谱特征波长选择的方法。采用稀疏主成分分析算法选取采集的四类水稻种子的高光谱图像的特征波长,然后用K均值聚类对选取得到的特征波长建立谷物品种快速检测模型。并用主成分分析提取谷物种子高光谱图像的特征信息,用来对比验证稀疏主成分分析选取的特征波长是否具有可解释性。建立的稀疏主成分分析(SPCA)全波段的K均值聚类模型效果最好,识别率最高为90%,此时选取了30个特征波长。而对全波段直接建立K均值聚类的模型最高识别率仅为40%。而将高光谱的光谱特征波段进行分组时,建立的稀疏主成分分析的K均值聚类模型效果最好的识别率为81.25%,此时选取了18个特征波长。建立的主成分分析的K均值聚类模型的最高识别率分别为55%和67.5%。从实验结果可知,采用SPCA提取的谷物高光谱图像的特征波长更具有解释性,可以更高效快速地识别谷物种子的品种,提高谷物品种的识别率。
马月[6](2020)在《近红外、拉曼光谱快速无损检测技术在蚕桑产品中的应用》文中提出蚕桑业是我国的特色优势产业,推动蚕桑产业的大力发展,对于提高农村劳动力就业率,增加国家财政收入,扩大出口外汇以及国家经济建设具有重要意义。近年来,近红外和拉曼光谱无损检测技术飞速发展,由于其具有样品无需预处理、检测速度快、绿色无污染、实时在线分析等优势,已在多个领域用于研究分析。本论文基于近红外光谱技术,提出了快速高效的蚕蛹雌雄判别分选方法、蚕蛹含油量测定方法以及桑叶营养物质检测方法,采用便携式近红外和拉曼光谱仪测定蚕蛹油的过氧化值,并且利用拉曼光谱技术鉴别蚕蛹油掺假。试验结果如下:(1)基于近红外光谱技术建立雌雄蚕蛹判别分选模型。采用自制的雌雄蚕蛹自动分选系统,采集8个蚕蛹品种的近红外光谱,分别建立主成分分析(Principal Component Analysis,PCA)、线性判别式分析(Linear Discriminant Analysis,LDA)和偏最小二乘法判别分析(Partial least squares discrimination analysis,PLSDA)模型,其中,PLSDA模型鉴别效果最优,鉴别准确率在97.5%以上。(2)利用近红外光谱分析技术进行蚕蛹含油量测定。蚕蛹粉近红外光谱由两种便携式光谱仪DLP NIRscan Nano和Micro NIR 1700采集,组合间隔偏最小二乘法(Synergy interval partial least squares,Si PLS)和随机蛙跳算法(Random Frog,RF)用于波长优选,基于偏最小二乘算法(Partial Least Square Method,PLS)建立蚕蛹含油量模型。对于DLP NIRscan Nano光谱仪,采集的蚕蛹粉近红外光谱利用Si PLS进行波长变量筛选的建模结果最优,校正集均方根误差(Root mean square error of calibration set,RMSEC)和决定系数(Coefficient of determination for calibration,RC2)分别为1.535%和0.843,交叉验证均方根误差(Root mean square error of cross-validation set,RMSECV)和决定系数(Coefficient of determination for cross-validation,R2CV)分别为1.775%和0.791,预测集均方根误差(Root mean square error of prediction set,RMSEP)和决定系数(Coefficient of determination for calibration validation,RP2)分别为1.682%和0.779,相对分析误差(Ratio of performance to standard deviate,RPD)和预测相对范围(Ratio of the range to the RMSEP,RER)分别为2.164和9.281。对于Micro NIR 1700光谱仪采集的蚕蛹粉近红外光谱,采用RF进行波长优选,所建立的模型校正集,交叉验证和预测集的均方根误差分别为1.512%,1.700%和1.697%,决定系数分别为0.846,0.808和0.780,RPD为2.144,RER为9.199。试验结果表明,采用DLP NIRscan Nano光谱仪采集的蚕蛹粉近红外光谱建立的蚕蛹含油量的回归模型预测精度高于Micro NIR 1700光谱仪。(3)基于近红外和拉曼光谱技术建立蚕蛹油过氧化值测定模型。采集蚕蛹油近红外和拉曼光谱,建立过氧化值PLS回归模型,比较了竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)、遗传算法(Genetic Algorithms,GA)和Random Frog三种算法提取的特征波长的建模效果。其中,CARS算法优化的蚕蛹油近红外光谱建模效果最优,模型的RMSEC和RC2分别为0.759 mmol/kg和0.923,RMSECV和R2CV分别为0.984 mmol/kg和0.875,RMSEP和RP2分别为0.950mmol/kg和0.867。GA算法优选的蚕蛹油拉曼光谱建模效果最优,模型的RMSEC、RMSECV和RMSEP分别为0.931 mmol/kg、0.983 mmol/kg、0.965 mmol/kg,RC2、R2CV和RP2分别为0.879、0.868、0.869。(4)基于拉曼光谱技术建立蚕蛹油掺假判别模型。采用PCA、LDA和簇类独立软模式(Soft Independent Modeling of Class Analogy,SIMCA)对蚕蛹油掺假进行定性分析。其中,PCA分析校正集和预测集蚕蛹油掺假的鉴别正确率分别为96.43%和92.86%;LDA模型校正集和预测集的鉴别正确率分别为100%和96.43%;SIMCA模型中校正集样本全部分类正确,预测集中蚕蛹油和食用油的识别率均为100%,拒绝率分别为100%和94.74%。采用PLS对蚕蛹油掺假进行定量分析,模型校正集、交叉验证和预测集的均方根误差分别为3.360%,4.525%和4.023%,决定系数分别为0.994,0.989和0.992。(5)基于近红外光谱技术建立桑叶含水量、粗蛋白和可溶性糖检测模型。从原始近红外光谱中提取特征波长变量,建立的桑叶含水量、粗蛋白和可溶性糖含量预测模型的RMSEP分别为1.185%、0.608%和2.361%,RP2分别为0.914,0.924和0.714,其中,含水量和粗蛋白含量模型预测性能较高,可溶性糖含量的预测能力略低。综上所述,采用近红外光谱技术可以建立蚕蛹雌雄判别、蚕蛹含油量、蚕蛹油过氧化值以及桑叶含水量、粗蛋白和可溶性糖检测模型,采用拉曼光谱技术可以建立高精度的蚕蛹油过氧化值和蚕蛹油掺假鉴别模型,表明了近红外和拉曼光谱技术在蚕桑行业实际生产中应用的可行性。
苑媛媛[7](2020)在《基于荧光光谱机理和化学计量学的复杂混合溶液检测研究》文中认为复杂混合溶液的检测涉及医药、农业、环境、食品等众多领域。近年来,随着经济的发展,日益加剧的水环境污染和频繁发生的食品安全事件对人们的健康和生命造成巨大威胁,成为全球关注的两大热点问题。然而,水环境污染和食品安全作为复杂溶液检测领域,分析体系复杂,往往包含多种成分相似的混合物,甚至体系中也存在一些未知干扰物,测定难度大。荧光光谱作为一种重要的光电检测技术,能够提供更完整的光谱信息,获得物质丰富的物理化学信息,且具有简单快速、无损、灵敏度高等独特优势。但目前的荧光光谱分析方法,对水环境和食品类复杂溶液中未知背景干扰物的抗干扰能力较差,对于荧光光谱重叠严重的物质辨别能力较弱,且由于所记录的数据高维且复杂,难以定性识别掺假食品。为此,本论文用化学计量学中三维校正算法来解析荧光光谱数据,以“数学分离”手段对水环境和食品中的多种农药残留进行定性与定量分析;建立化学高维模式识别算法来解析食品掺假类样品获得的三维数据阵列,并进行有意义的化学成分表征与掺假样品分类识别。本文主要研究工作如下:(1)研究基于量子化学计算方法对多菌灵、百菌清、西维因和速灭威农药分子进行荧光机理分析与理论值计算。分析各分子键长、键角及二面角等几何结构参数,研究分子荧光与前线分子轨道中最高占据轨道与最低非占据轨道的关系,计算各分子从激发态跃迁到基态的荧光波长理论值。(2)研究将激发-发射矩阵荧光光谱与平行因子和展开偏最小二乘耦合残差双线性相结合的策略,对实际复杂水环境中多菌灵、百菌清、西维因和速灭威等多种农药残留进行同时定性与定量分析。利用新Delaunay三角剖分方法消除拉曼和瑞利散射,实现光谱预处理。针对四种农药荧光光谱高度重叠,同时水环境中存在未知荧光干扰物,该研究策略使用“数学分离”实现对复杂混合溶液中多种农药残留的同时定量分析。计算评估各算法的预测均方根误差、灵敏度、检测限、定量限等分析品质因子参数。该研究为水环境中痕量有机污染物的在线监测提供了新思路。(3)研究将激发-发射矩阵荧光光谱与多种迭代类三维校正算法相结合,对花生油中存在光谱重叠的杀菌类农药残留进行同时定性与定量分析。从实际应用角度出发,研究比较平行因子、交替三线性分解、自加权交替三线性分解和交替惩罚三线性分解这几种迭代类三维校正算法在组分数选取、收敛速度、定量分析方面的性能。计算评估各算法的灵敏度、检测限、定量限等分析品质因子参数。该策略对食品中多种有害物质残留检测具有非常重要的意义。(4)研究将三维校正中交替三线性分解算法与化学模式识别类算法相结合,建立交替三线性分解-线性判别分析、交替三线性分解-偏最小二乘判别分析、交替三线性分解-支持向量机和展开偏最小二乘判别分析等化学高维模式识别方法,用于解析芝麻油掺假的三维荧光数据阵列,并对食用油中有意义化学成分进行表征分析以及对掺假样品分类识别。评估各方法的分类准确率、灵敏度、特异性和精度等参数。该研究有望成为一种防止食品潜在掺假的强大工具。
胡追[8](2020)在《食用油种类多特征值鉴别与黄曲霉毒素检测近红外光谱法研究》文中认为食用油是人们日常使用的调味品之一,同时食用油可以给人体提供诸如不饱和脂肪酸以及各种维生素等人体必需营养元素。食用油安全一直是引人高度关注的一个问题,购买劣质食用油不仅会使消费者受到经济损失,同样也会对人体造成危害,所以食用油的品质检测显得尤为重要。食用油中的碘值、酸值、皂化值、饱和脂肪酸以及不饱和脂肪酸可作为油脂品质分析的特征成分,是评价食用油品质的重要参数指标。在常规检测中,所采用的方法往往存在着费时、昂贵和繁琐等缺点,不利于食用油实时快速检测。因此,探索一种可以快速并且有效检测的检测方法是极其重要的。随着光谱技术的发展,近红外(NIR)光谱技术已在各种行业广泛应用。近红外光谱分析技术具有快速、有效和高效等优点,在油脂以及各类食品检测中得到了广泛重视。论文以近红外光谱分析技术为基础,对油脂品质检测展开了研究,主要研究内容与结论包括:(1)五种品质特征成分定量检测。基于近红外光谱技术,采集8类40份油样的光谱数据,应用四种预处理方法,两种特征波长提取算法以及两种参数寻优方法建立碘值、酸值、皂化值、饱和脂肪酸以及不饱和脂肪酸定量预测模型。分析比较不同算法路径建立的模型预测效果,结果表明,建立的大部分模型预测集和校正集相关系数R均在0.98以上。(2)黄曲霉毒素定量检测与定性鉴别。在测定花生油样中黄曲霉毒素B1的真实值含量后,采集其近红外光谱数据。应用三种预处理方法,两种特征波长提取算法以及三种参数寻优方法建立花生油黄曲霉毒素B1定量预测模型。结果显示,移动平均平滑法(MAS)结合粒子群算法(PSO)以及网格搜索法(GS)可以建立最优的定量预测模型,其建立的模型预测集相关系数R接近1,校正集相关系数R均在0.998以上。经过对比几种最优的定量预测模型的各项参数,选择平均相对误差(MRE)最小的MAS-SPA-GS定量模型校正集以及预测集的预测值作为定性鉴别模型的输入值Y,配合三种不同参数寻优方法建立定性鉴别模型,所建的三个定型鉴别模型的校正集以及预测集准确率均在96.6%以上,GA-SVC和GS-SVC模型的准确率均达到了100%。(3)基于碘值、酸值、皂化值、饱和脂肪酸以及不饱和脂肪酸等五种特征值,建立油脂种类鉴别模型。将各个特征值最优的定量预测模型的预测值作为定性分类模型的输入函数X,油脂种类作为输出函数Y,运用两种参数寻优方法建立油脂种类鉴别模型。结果表明,GA-SVC模型校正集以及预测集的准确率均在93%以上,在训练中出现了一次错判,预测中也仅出现了两次错判。研究结果表明,使用多种特征值快速鉴别油脂种类的方法是可行的。
陈通[9](2020)在《基于GC-IMS技术的植物油品质分析方法研究》文中研究指明我国是食用植物油消费大国,其中大豆油、菜籽油、花生油等3种食用油占国内消费总量的90%左右。由于受培育品种、气候环境、土壤成分以及制取、加工工艺等多种因素的影响,使得市面上流通的食用植物油不仅种类繁多、来源广泛,而且其质量品质和营养价值也参差不齐。不法商贩或者小型植物油加工厂易受利益驱使以劣质低价植物油掺入或伪造包装替代高价植物油,导致食用植物油安全问题仍时有发生,该类事件严重侵害了消费者的身心健康和合法权益,同时阻碍了食用植物油市场经济的健康有序发展。本研究基于气相离子迁移谱(Gas Chromatography-Ion Mobility Spectrometry,GC-IMS)联用技术,从风味化学角度对植物油品质的分析方法进行了深入研究,具体研究内容如下:(1)为使GC-IMS设备工作在最佳条件下,研究以植物油风味物质中存在的4种典型标准挥发性有机物质为检测对象,通过单因素试验分析标准物质产生的离子峰强度变化,确定了GC-IMS的最佳检测条件,具体参数为:孵化温度60℃、孵化时间10 min、顶空进样量200μL,载气流量选用程序控制方式。(2)为建立一种基于风味物质组成的不同种类食用植物油的快速识别方法,采用GC-IMS设备对芝麻油、菜籽油和山茶油3种类型共187个食用植物油样品进行了检测,分别使用基于人工特征提取与Otsu阈值分割提取的2种方法对GC-IMS二维谱图进行特征选取,并结合主成分分析和k-最邻近(k-Nearest Neighbors,kNN)模式识别算法分析对比2种特征选取方法的优劣,构建了3种不同种类植物油的风味指纹识别模型。结果表明:相对于依靠人工选取特征峰的主观选取方法,Otsu阈值分割算法结合谱图差异可视化方法能够更有效地定位不同种类植物油样之间的差异区域,实现风味物质对应特征峰的自动选取,达到成功区分不同种类植物油的目的,预测集正确识别率可达98.24%。(3)采用多维主成分方法对芥花籽油中掺入不同比例掺假油样产生的GC-IMS二维矩阵数据直接进行分析处理,并结合典型判别分析方法对不同种类掺假油样进行有监督识别。结果表明:除了芥花籽油中掺入花生油比例为20%的样品存在误判现象外,其他掺假样品均能够得到很好的区分。分别采用多元线性回归、主成分回归和偏最小二乘回归(Partial Least Squares Regression,PLS)建立芥花籽掺假油样的定量预测模型,结果表明:3种方法所建立模型中校正集和预测集相关系数均≤0.85,对应均方根误差在4.789.73%之间;预处理方法的引入可消除部分GC-IMS二维谱图中的无关信息,降低真实值与预测值之间的误差,提高预测准确度;PLS回归算法结合Savitzky-Golay滤波以及归一化预处理方法可得到最佳预测模型,其预测集相关系数为0.833,预测集均方根误差为5.16%。(4)为构建能够表征菜籽油精炼程度的风味指纹图谱,实现菜籽油精炼等级的判别区分,使用GC-IMS设备对4种不同精炼等级共124个菜籽油样进行了检测。采用傅里叶变换红外光谱仪并结合二阶导数算法对不同等级菜籽油样进行分析,结果发现:一级菜籽油样在2 854 cm-1、2 924 cm-1以及2 933 cm-1等3处产生特征吸收峰,该类吸收峰对应含有甲基、亚甲基等官能团的烷烃类物质;除一级菜籽油样外,其他等级菜籽油样在912 cm-1处产生吸收峰,对应物质可能为含有羰基官能团的化合物,也是后期菜籽油形成风味物质的重要来源之一。顶空固相微萃取技术结合GC-MS的分析结果表明,菜籽油样的风味物质数量随着精炼等级的提高而显着减少;菜籽油中的风味物质主要为醛类、醇类、烷烃类、酯类、呋喃、吡嗪类等物质;一级菜籽油样主要成分为小分子烷烃类物质,二级菜籽油样主要为醛类和醇类物质,三级油样主要以醛类和腈类物质为主,还包括少量的吡嗪、呋喃类物质,四级菜籽油油样含有的风味成分物质最多。应用GC-IMS对不同精炼等级菜籽油样进行了检测,采用彩色差分可视化方法结合Otsu算法进行特征提取,并进一步采用主成分分析和3种模式识别方法建立不同等级菜籽油样的判别模型。结果表明:3种模式识别方法中均能够成功区分不同精炼等级菜籽油样,kNN的判别结果较其他2种方法略好,3种模式识别方法的预测集正确率均大于94%,成功实现菜籽油精炼等级的准确判别,研究表明GC-IMS技术可用于菜籽油精炼等级的快速判别。
高锦红[10](2019)在《现代分析技术在调味品鉴别中的应用》文中研究说明介绍理化分析法(包括常规化学分析法、色谱法和光谱法、电导法)、热分析法等现代分析技术在调味品鉴别中的应用,旨在为调味品的掺假鉴别研究提供综合性的参考。色谱法具有分离效能高、化验速度快和样品用量少等特点,适用于组分定性鉴别和定量分析;光谱法有较低的检出限、灵敏度高和操作简单等特点应用范围较广;热分析技术具有试样微量化、高效和低成本等优点,在食品研究中具有较好的实用性,如脱水脱酸、热稳定性、组分分析。了解调味品的鉴别方法对于调味品的惨假、鉴别以及更合理的进行调味品鉴别研究具有一定的参考意义。
二、食用油优劣巧鉴别(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、食用油优劣巧鉴别(论文提纲范文)
(1)基于波段筛选的食用油品激光光谱快速无损检测(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现况 |
1.2.1 常见食用油检测方法 |
1.2.2 常见数据预处理和分类识别算法 |
1.3 本论文的主要内容及结构框架 |
1.3.1 研究内容 |
1.3.2 研究过程 |
1.3.3 创新点 |
1.4 本章小结 |
2 利用激光诱导荧光技术对食用油的检测 |
2.1 激光诱导荧光基本原理 |
2.1.1 原子荧光光谱 |
2.1.2 荧光速率方程 |
2.1.3 分子荧光光谱 |
2.2 油样介绍 |
2.2.1 油样种类介绍 |
2.2.2 常见的几种食用油检测技术 |
2.3 基于激光诱导荧光技术的食用油识别系统介绍 |
2.3.1 硬件部分 |
2.3.2 软件部分 |
2.4 本章小结 |
3 降维和识别算法介绍 |
3.1 降维算法 |
3.1.1 间隔偏最小二乘法(iPLS) |
3.1.2 主成分分析(PCA) |
3.1.3 连续投影法(SPA) |
3.1.4 线性判别分析(LDA) |
3.2 分类识别算法 |
3.2.1 支持向量机(SVM) |
3.2.2 随机森林(RF) |
3.2.3 极限学习机(ELM) |
3.3 本章小结 |
4 食用油荧光光谱的获取和预处理 |
4.1 食用油荧光光谱的采集 |
4.1.1 原始食用油光谱的采集 |
4.1.2 油样光谱的存储 |
4.2 油样光谱预处理 |
4.2.1 基于iPLS油样原始光谱图处理 |
4.2.2 基于PCA油样原始光谱图处理 |
4.2.3 基于SPA油样原始光谱图处理 |
4.3 本章小结 |
5 基于优化算法食用油识别模型的搭建 |
5.1 基于SVM的油样荧光光谱的识别 |
5.2 基于RF的油样荧光光谱的识别 |
5.3 基于ELM的油样荧光光谱的识别 |
5.4 本章小结 |
6 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
研究生期间科研成果 |
(2)色谱技术结合化学计量学用于食用植物油品质鉴定及掺伪筛查的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 文献综述 |
1.1 引言 |
1.2 食用植物油主要成分 |
1.2.1 脂肪酸 |
1.2.2 植物甾醇 |
1.2.3 生育酚 |
1.2.4 挥发性风味成分 |
1.2.5 植物多酚 |
1.2.6 角鲨烯 |
1.2.7 类胡萝卜素 |
1.3 食用植物油检测技术研究进展 |
1.3.1 理化检测法 |
1.3.2 光谱法 |
1.3.3 色谱法 |
1.3.4 联用技术 |
1.3.5 核磁共振法 |
1.3.6 电鼻子技术 |
1.3.7 分子生物学方法 |
1.4 化学计量学 |
1.4.1 主成分分析 |
1.4.2 聚类分析 |
1.4.3 判别分析 |
1.4.4 偏最小二乘回归 |
1.5 本课题的主要研究内容与意义 |
第二章 顶空-固相微萃取-全二维气相色谱-高分辨四级杆飞行时间质谱法分析食用植物油中挥发性成分 |
2.1 前言 |
2.2 实验材料与仪器 |
2.2.1 材料与试剂 |
2.2.2 实验仪器 |
2.3 实验方法 |
2.3.1 顶空-固相微萃取方法 |
2.3.2 GC×GC-Q-TOF/MS条件 |
2.3.3 数据处理 |
2.4 结果与讨论 |
2.4.1 色谱柱的选择 |
2.4.2 SPME条件优化 |
2.4.3 重复性试验 |
2.4.4 食用植物油挥发性成分鉴定分析 |
2.5 小结 |
第三章 常见食用植物油中的脂肪酸和甾醇组成及含量分析 |
3.1 前言 |
3.2 实验材料与仪器 |
3.2.1 材料与试剂 |
3.2.2 实验仪器 |
3.3 实验方法 |
3.3.1 脂肪酸的测定 |
3.3.2 甾醇的测定 |
3.3.3 数据处理 |
3.3.4 聚类分析 |
3.4 结果与讨论 |
3.4.1 甾醇皂化条件的选择 |
3.4.2 甾醇衍生条件与内标物的选择 |
3.4.3 方法学考察 |
3.4.4 食用植物油脂肪酸与甾醇组成及含量分析 |
3.4.5 聚类分析 |
3.5 小结 |
第四章 气相色谱法结合化学计量学筛查掺伪食用植物油 |
4.1 前言 |
4.2 实验材料与仪器 |
4.2.1 材料与试剂 |
4.2.2 实验仪器 |
4.3 实验方法 |
4.3.1 掺伪样品的制备 |
4.3.2 脂肪酸甲酯化 |
4.3.3 气相色谱分析条件 |
4.3.4 数据处理 |
4.4 化学计量学方法 |
4.4.1 线性判别分析 |
4.4.2 多元线性回归 |
4.4.3 偏最小二乘法回归 |
4.4.4 人工神经网络 |
4.5 结果与讨论 |
4.5.1 掺伪花生油脂肪酸组成及含量分析 |
4.5.2 定性分析 |
4.5.3 定量分析 |
4.6 小结 |
第五章 超声辅助皂化—液-液萃取结合高效液相色谱法测定食用植物油不皂化物及其在掺伪花生油中的应用 |
5.1 前言 |
5.2 实验材料与仪器 |
5.2.1 材料与试剂 |
5.2.2 实验仪器 |
5.3 实验方法 |
5.3.1 掺伪油样的制备 |
5.3.2 超声辅助皂化—液-液萃取 |
5.3.3 标准溶液配制 |
5.3.4 色谱-质谱分析条件 |
5.4 结果与讨论 |
5.4.1 检测波长的选择 |
5.4.2 色谱柱柱温的选择 |
5.4.3 色谱-质谱定性分析 |
5.4.4 单因素考察 |
5.4.5 方法学考察 |
5.4.6 纯植物油样品的分析 |
5.4.7 掺伪花生油的定量分析 |
5.5 小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
附录1 5 种食用植物油样品来源信息 |
附录2 5 种食用植物油不皂化物液相色谱图 |
附录3 不同流动相对化合物X紫外吸收光谱影响 |
攻读硕士学位期间发表的论文 |
(3)红松(Pinus koraiensis Sieb. et Zucc.)籽资源评价与精深加工技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 红松籽资源评价与红松籽精深加工对我国红松资源可持续利用的重要意义 |
1.1.1 我国红松籽资源的加工利用正在向由以原料粗加工为主向以原料精深加工为主的的战略方向转变 |
1.1.2 红松籽精深加工将有利促进我国红松籽资源的可持续利用 |
1.2 红松籽的资源属性特征 |
1.2.1 红松籽的资源形态特征 |
1.2.2 红松籽的资源化学特征 |
1.2.3 红松籽的资源禀赋特征 |
1.3 红松籽油是我国食用植物油中的一个新油种 |
1.3.1 食用植物油概述 |
1.3.2 红松籽油概述 |
1.4 干式酶解法提取红松籽油工艺研究 |
1.5 红松籽油包合物工艺研究 |
1.5.1 喷雾干燥法 |
1.5.2 物理吸附法 |
1.5.3 复合凝聚法 |
1.5.4 乳液聚合法 |
1.5.5 分子包埋法 |
1.6 皮诺敛酸的纯化工艺研究 |
1.6.1 低温结晶法 |
1.6.2 分子蒸馏法 |
1.6.3 精馏分离法 |
1.6.4 吸附分离法 |
1.6.5 超临界二氧化碳萃取法 |
1.6.6 脂肪酶浓缩法 |
1.6.7 尿素络合法 |
1.7 课题解决的问题及研究意义 |
1.7.1 解决的问题 |
1.7.2 研究意义 |
1.8 研究内容与技术路线 |
1.8.1 研究内容 |
1.8.2 技术路线 |
2 红松籽资源属性特征的资源评价 |
2.1 引言 |
2.2 实验材料和仪器 |
2.2.1 实验材料 |
2.2.2 实验仪器 |
2.3 实验方法 |
2.3.1 红松籽的采集 |
2.3.2 红松籽资源形态特征测定 |
2.3.3 红松籽资源化学特征测定 |
2.3.4 红松籽资源禀赋特征分析 |
2.4 结果和分析 |
2.4.1 红松籽的资源形态特征 |
2.4.2 红松籽的资源化学特征 |
2.4.3 红松籽的资源禀赋特征 |
2.5 本章小结 |
3 红松籽油干式酶解法提取工艺与理化分析 |
3.1 引言 |
3.2 实验材料和仪器 |
3.2.1 实验材料 |
3.2.2 实验仪器 |
3.3 实验方法 |
3.3.1 红松籽的预处理 |
3.3.2 红松籽仁含油量计算 |
3.3.3 红松籽油提取率计算 |
3.3.4 红松籽粕残油率计算 |
3.3.5 不同工艺对红松籽油提取率影响 |
3.3.6 固体酶制剂的筛选 |
3.3.7 红松籽油提工艺单因素优化 |
3.3.8 红松籽油的理化性质检测 |
3.3.9 红松籽油脂肪酸成分检测 |
3.4 实验结果与讨论 |
3.4.1 红松籽仁的含油量 |
3.4.2 不同红松籽油提取工艺的出油率、提取率及籽粕残油率 |
3.4.3 提取酶的选择结果 |
3.4.4 松籽油的α-淀粉酶干式酶解法提取工艺单因素优化 |
3.4.5 松籽油提取最优工艺验证 |
3.4.6 红松籽油的理化性质检测(脂肪酸成分分析) |
3.4.7 红松籽油的脂肪酸成分检测 |
3.5 红松籽油干式酶解法制备工艺放大实验技术方案 |
3.5.1 红松籽油干式酶解法制备工艺放大实验 |
3.5.2 红松籽油干式酶解法制备工艺放大流程图 |
3.6 本章小结 |
4 红松籽油的氧化稳定性评价 |
4.1 引言 |
4.2 实验材料和仪器 |
4.2.1 实验材料 |
4.2.2 实验仪器 |
4.3 实验方法 |
4.3.1 过氧化值及丙二醛检测方法 |
4.3.2 不同种类抗氧化剂对红松籽油的氧化稳定性影响 |
4.3.3 红松籽油贮藏实验 |
4.4 实验结果与讨论 |
4.4.1 不同种类抗氧化剂对红松籽油氧化稳定性影响结果 |
4.4.2 温度对红松籽油过氧化值影响 |
4.4.3 光照对红松籽油过氧化值影响 |
4.4.4 空气对红松籽油过氧化值影响 |
4.5 本章小结 |
5 红松籽油的体外抗氧化评价 |
5.1 引言 |
5.2 实验材料和仪器 |
5.2.1 实验材料 |
5.2.2 实验仪器 |
5.3 实验方法 |
5.3.1 清除DPPH自由基 |
5.3.2 清除ABTS自由基 |
5.3.3 Fe~(2+)还原能力 |
5.3.4 清除羟(~-OH)自由基 |
5.4 实验结果与讨论 |
5.4.1 清除DPPH自由基能力 |
5.4.2 清除ABTS自由基能力 |
5.4.3 Fe~(2+)还原力分析 |
5.4.4 清除羟自由基能力 |
5.5 本章小结 |
6 红松籽油固体包合物的制备工艺与表征 |
6.1 引言 |
6.2 材料和仪器 |
6.2.1 实验材料 |
6.2.2 实验仪器 |
6.3 实验方法 |
6.3.1 制备及检测方法 |
6.3.2 单因素优化实验方法 |
6.3.3 红松籽油包合物表征 |
6.3.4 红松籽油包合物生物利用度及药代动力学 |
6.4 实验结果与讨论 |
6.4.1 单因素优化实验结果 |
6.4.2 红松籽油包合物最优工艺验证 |
6.4.3 红松籽油包合物表征结果 |
6.4.4 生物利用度检测结果 |
6.5 红松籽油固体包合物制备工艺放大技术方案 |
6.5.1 红松籽油固体包合物制备工艺放大实验 |
6.5.2 红松籽油固体包合物制备工艺放大流程图 |
6.6 本章小结 |
7 红松籽油中皮诺敛酸(PLA)纯化制备工艺与结果验证 |
7.1 引言 |
7.2 实验材料和仪器 |
7.2.1 实验材料 |
7.2.2 实验仪器 |
7.3 实验方法 |
7.3.1 红松籽油游脂肪酸的制备 |
7.3.2 PLA脂肪酶浓缩法制备 |
7.3.3 PLA含量测定 |
7.3.4 PLA尿素络合纯化法制备 |
7.3.5 PLA脂肪酶浓缩法单因素优化 |
7.3.6 PLA尿素络合纯化法单因素优化 |
7.4 实验结果与讨论 |
7.4.1 PLA标准曲线 |
7.4.2 PLA脂肪酶浓缩法单因素优化结果 |
7.4.3 PLA脂肪酶浓缩法结果验证 |
7.4.4 PLA尿素络合纯化法单因素优化结果 |
7.4.5 PLA尿素络合纯化法结果验证 |
7.5 本章小结 |
结论 |
参考文献 |
附录 |
攻读学位期间发表的学术论文 |
致谢 |
东北林业大学博士学位论文修改情况确认表 |
(4)橄榄油掺伪识别与橄榄调和油检测多光谱融合技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题的研究目的和意义 |
1.2 橄榄油光谱技术检测现状 |
1.2.1 基于拉曼光谱法的橄榄油检测研究 |
1.2.2 基于近红外光谱法的橄榄油检测研究 |
1.2.3 基于中红外光谱法的橄榄油检测研究 |
1.2.4 基于光谱数据融合的检测研究 |
1.2.5 总结分析 |
1.3 论文研究内容及技术路线 |
1.3.1 主要研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
第2章 试验材料和方法 |
2.1 试验材料 |
2.1.1 橄榄油纯样和掺伪样本配制 |
2.1.2 调和橄榄油样本的配制 |
2.2 试验仪器与设备 |
2.2.1 激光近红外光谱仪 |
2.2.2 傅里叶中红外光谱仪 |
2.2.3 拉曼光谱仪 |
2.3 光谱数据预处理 |
2.3.1 标准正态变量变换和去趋势算法 |
2.3.2 平滑算法 |
2.3.3 多元散射校正 |
2.3.4 归一化 |
2.3.5 数据求导处理 |
2.3.6 基线校正 |
2.3.7 直接正交信号校正 |
2.4 光谱数据特征波长提取 |
2.4.1 连续投影算法 |
2.4.2 竞争性自适应加权采样 |
2.4.3 间隔偏最小二乘法 |
2.4.4 主成分分析 |
2.5 数据融合方法 |
2.6 建模方法 |
2.6.1 支持向量机 |
2.6.2 随机森林 |
2.7 参数寻优方法 |
2.7.1 遗传算法寻优 |
2.7.2 网格寻优 |
2.7.3 粒子群寻优 |
2.8 模型评价指标 |
2.9 本章小结 |
第3章 近红外和中红外光谱法检测橄榄油掺伪 |
3.1 橄榄油二元掺伪定性鉴别 |
3.1.1 样本光谱采集及分析 |
3.1.2 光谱数据预处理 |
3.1.3 光谱数据特征波长提取 |
3.1.4 橄榄油二元掺伪定性鉴别模型 |
3.1.5 橄榄油二元掺伪含量定量检测模型 |
3.2 橄榄油三元掺伪近红外光谱法检测 |
3.2.1 橄榄油三元掺伪定性鉴别模型 |
3.2.2 橄榄油三元掺伪含量定量预测模型 |
3.3 本章小结 |
第4章 多光谱融合法检测橄榄油二元掺伪 |
4.1 样本光谱采集 |
4.2 光谱预处理及特征波长提取 |
4.2.1 光谱数据预处理 |
4.2.2 光谱特征波长提取 |
4.3 近红外-中红外光谱融合橄榄油二元掺伪鉴别检测模型 |
4.3.1 光谱数据层融合SVC鉴别模型 |
4.3.2 光谱特征层融合SVC鉴别模型 |
4.3.3 光谱特征层融合SVR预测模型 |
4.4 近红外-拉曼光谱融合橄榄油二元掺伪鉴别检测模型 |
4.4.1 光谱特征融合SVC定性鉴别模型 |
4.4.2 光谱特征融合SVR定量检测模型 |
4.5 中红外-拉曼光谱融合橄榄油二元掺伪鉴别检测模型 |
4.5.1 光谱特征融合SVC定性鉴别模型 |
4.5.2 光谱特征融合SVR定量预测模型 |
4.6 本章小结 |
第5章 近红外光谱法检测橄榄调和油 |
5.1 样本光谱采集 |
5.2 光谱预处理及特征提取 |
5.3 含量检测SVR模型 |
5.4 含量检测SVR融合模型 |
5.5 本章小结 |
第6章 结论和展望 |
6.1 主要研究结论 |
6.2 论文主要创新点 |
6.3 展望 |
参考文献 |
致谢 |
(5)粮油种类无损检测中的特征处理方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于拉曼和近红外光谱技术的食用油检测研究现状 |
1.2.2 基于高光谱图像技术的谷物检测研究现状 |
1.3 课题研究路线 |
1.4 课题研究的主要内容和结论 |
2 拉曼和近红外光谱相关技术 |
2.1 食用油样品来源 |
2.2 采集近红外和拉曼光谱设备 |
2.3 光谱预处理算法 |
2.3.1 平滑算法 |
2.3.2 自适应迭代重加权惩罚最小二乘 |
2.3.3 非对称最小二乘 |
2.3.4 归一化 |
2.3.5 多元散射校正 |
2.3.6 标准正态变量变换和去趋势技术 |
2.3.7 一阶导微分和二阶导微分 |
2.4 SPXY |
2.5 特征波长提取方法 |
2.5.1 连续投影算法 |
2.5.2 竞争性自适应重加权采样 |
2.5.3 无信息变量消除法 |
2.5.4 典型相关分析 |
2.6 建模方法 |
2.6.1 支持向量机分类 |
2.6.2 K最近邻分类 |
2.7 定性模型评价指标 |
3 粮油种类食用油拉曼和近红外光谱品种鉴别模型 |
3.1 拉曼和近红外光谱采集与分析 |
3.2 拉曼和近红外光谱预处理 |
3.3 食用油品种鉴别模型研究 |
3.3.1 拉曼和近红外光谱数据层融合支持向量机分类 |
3.3.2 拉曼和近红外光谱典型相关分析特征层融合支持向量机分类 |
3.3.3 K最近邻分类 |
3.4 拉曼和近红外光谱特征波长提取 |
3.4.1 CARS和 SPA提取单变量光谱特征波长食用油种类鉴别模型 |
3.4.2 CARS和 SPA提取光谱特征波长特征层融合食用油种类鉴别模型 |
4 粮油种类水稻种子高光谱图像品种鉴别模型 |
4.1 水稻种子样品和高光谱图像采集设备 |
4.1.1 水稻种子样品 |
4.1.2 高光谱图像采集设备 |
4.2 高光谱图像采集、预处理与光谱分析 |
4.3 高光谱成像技术水稻种子品种鉴别模型建立方法 |
4.3.1 主成分分析算法 |
4.3.2 稀疏主成分分析算法 |
4.3.3 K均值聚类算法 |
4.4 稀疏主成分分析选取的特征波长的结果 |
4.5 主成分分析提取的特征波段的结果 |
4.6 结果讨论 |
5 结论与展望 |
5.1 主要研究与结论 |
5.2 论文主要创新点 |
5.3 问题与展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(6)近红外、拉曼光谱快速无损检测技术在蚕桑产品中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题的背景 |
1.2 近红外和拉曼光谱分析技术 |
1.2.1 近红外和拉曼光谱的基本原理 |
1.2.2 近红外和拉曼光谱的比较 |
1.3 蚕茧蛹雌雄鉴别分选研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 基于光谱技术的油脂品质检测研究现状 |
1.4.1 国外研究现状 |
1.4.2 国内研究现状 |
1.5 研究目的与意义 |
1.6 主要研究内容 |
第2章 基于近红外光谱技术的蚕蛹性别判别 |
2.1 引言 |
2.2 材料和方法 |
2.2.1 供试蚕蛹 |
2.2.2 雌雄蚕蛹自动分选系统 |
2.2.3 近红外光谱采集 |
2.2.4 校正分析 |
2.2.5 软件 |
2.3 结果与讨论 |
2.3.1 蚕蛹原始近红外光谱 |
2.3.2 PCA分析 |
2.3.3 LDA校正 |
2.3.4 PLSDA校正 |
2.4 本章小结 |
第3章 基于近红外光谱技术的蚕蛹含油量分析 |
3.1 引言 |
3.2 试验材料与方法 |
3.2.1 试验材料与仪器 |
3.2.2 蚕蛹粉近红外光谱采集 |
3.2.3 蚕蛹含油量测定 |
3.2.4 校正集和预测集的定义 |
3.2.5 光谱预处理 |
3.2.6 模型的建立 |
3.2.7 特征波长提取 |
3.3 结果与分析 |
3.3.1 原始光谱特征 |
3.3.2 含油量测定结果 |
3.3.3 光谱预处理结果 |
3.3.4 建模结果分析 |
3.3.5 波长优选建模结果 |
3.4 本章小结 |
第4章 基于近红外和拉曼光谱技术的蚕蛹油过氧化值分析 |
4.1 引言 |
4.2 试验材料与方法 |
4.2.1 试验材料与仪器 |
4.2.2 蚕蛹油提取 |
4.2.3 过氧化值测定 |
4.2.4 原始光谱采集 |
4.2.5 校正集和预测集的定义 |
4.2.6 PLS模型的建立 |
4.2.7 波长优选 |
4.3 结果与分析 |
4.3.1 原始光谱特征 |
4.3.2 过氧化值测定结果 |
4.3.3 模型的建立与评价 |
4.3.4 波长优选建模分析 |
4.4 本章小结 |
第5章 基于拉曼光谱技术的蚕蛹油掺假鉴别分析 |
5.1 引言 |
5.2 试验材料与方法 |
5.2.1 试验材料与仪器 |
5.2.2 蚕蛹油提取 |
5.2.3 蚕蛹油掺假样品配比 |
5.2.4 蚕蛹油拉曼光谱采集 |
5.2.5 校正集和预测集的定义 |
5.2.6 光谱预处理 |
5.2.7 模型的建立 |
5.3 结果与分析 |
5.3.1 原始光谱特征 |
5.3.2 定性分析模型的评价 |
5.3.3 定量分析模型的评价 |
5.4 本章小结 |
第6章 基于手持式近红外光谱仪定量分析桑叶营养物质 |
6.1 引言 |
6.2 材料和方法 |
6.2.1 供试桑叶 |
6.2.2 近红外光谱采集 |
6.2.3 化学指标测定 |
6.2.4 光谱预处理 |
6.2.5 波长优选 |
6.2.6 PLS校正 |
6.2.7 未知样品验证 |
6.2.8 软件 |
6.3 结果和分析 |
6.3.1 光谱特性 |
6.3.2 化学指标测定结果 |
6.3.3 光谱预处理 |
6.3.4 波长优选 |
6.3.5 未知样品的验证 |
6.4 本章小结 |
结论与展望 |
参考文献 |
攻读硕士学位期间取得的科研成果 |
致谢 |
(7)基于荧光光谱机理和化学计量学的复杂混合溶液检测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 水环境污染和食品安全检测技术研究现状 |
1.2.1 荧光光谱技术在水环境污染检测的研究现状 |
1.2.2 荧光光谱技术在食品安全检测的研究现状 |
1.3 化学计量学结合荧光光谱技术的研究 |
1.3.1 化学计量学理论 |
1.3.2 基于化学计量学和荧光光谱技术的研究现状 |
1.4 本文的主要研究内容 |
第2章 基于量子化学的农药分子荧光光谱机理研究 |
2.1 引言 |
2.2 基本原理 |
2.2.1 荧光基本原理 |
2.2.2 量子化学计算方法 |
2.3 实验研究 |
2.3.1 农药配制 |
2.3.2 实验仪器 |
2.3.3 实验结果 |
2.4 农药分子荧光光谱的量子化学计算分析 |
2.4.1 几何构型的优化 |
2.4.2 振动分析 |
2.4.3 前线分子轨道分析 |
2.4.4 荧光光谱计算 |
2.5 本章小结 |
第3章 荧光光谱结合三维校正方法定量分析水环境中农药残留 |
3.1 引言 |
3.2 三维校正算法 |
3.2.1 三线性成分模型 |
3.2.2 平行因子算法 |
3.2.3 组分数估计 |
3.2.4 展开偏最小二乘耦合残差双线性算法 |
3.2.5 品质因子参数 |
3.3 实验研究与设计 |
3.3.1 仪器参数 |
3.3.2 实验设计 |
3.3.3 实验数据预处理 |
3.4 结果与讨论 |
3.4.1 农药荧光光谱分析 |
3.4.2 验证集结果分析 |
3.4.3 测试集结果分析 |
3.4.4 实际水样结果分析 |
3.5 本章小结 |
第4章 荧光光谱结合迭代类三维校正方法定量分析花生油中农药残留 |
4.1 引言 |
4.2 迭代类三维校正算法 |
4.2.1 交替三线性分解算法 |
4.2.2 自加权交替三线性分解算法 |
4.2.3 交替惩罚三线性分解算法 |
4.3 实验研究与设计 |
4.3.1 仪器参数 |
4.3.2 实验设计 |
4.3.3 实验数据预处理 |
4.4 结果与讨论 |
4.4.1 分析物的荧光光谱特性 |
4.4.2 组分数影响及算法收敛速度分析 |
4.4.3 花生油中杀菌类农药定量分析 |
4.4.4 分析品质因子 |
4.5 本章小结 |
第5章 荧光光谱结合化学高维模式识别对掺假芝麻油的表征和分类 |
5.1 引言 |
5.2 化学模式识别算法 |
5.2.1 线性判别分析 |
5.2.2 偏最小二乘判别分析 |
5.2.3 支持向量机 |
5.2.4 参数评估 |
5.3 实验研究与设计 |
5.3.1 实验设计 |
5.3.2 仪器参数 |
5.4 结果与讨论 |
5.4.1 EEM荧光光谱分析 |
5.4.2 ATLD算法分解结果分析 |
5.4.3 不同类型食用油的分类结果分析 |
5.4.4 掺假芝麻油的分类结果分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间承担的科研任务与主要成果 |
致谢 |
(8)食用油种类多特征值鉴别与黄曲霉毒素检测近红外光谱法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 食用油碘值、酸值、皂化值、脂肪酸检测方法 |
1.3 黄曲霉毒素B1的检测方法 |
1.4 油脂检测近红外光谱技术研究现状 |
1.4.1 国内研究现状 |
1.4.2 国外研究现状 |
1.5 研究内容与技术路线 |
1.5.1 研究内容 |
1.5.2 技术路线 |
1.6 本章小结 |
第2章 实验材料与方法 |
2.1 实验样本制备 |
2.1.1 五种特征成分检测实验样本制备 |
2.1.2 黄曲霉毒素B1检测实验样本制备 |
2.2 实验仪器与设备 |
2.3 样本特征成分真实值测定 |
2.3.1 碘值测定 |
2.3.2 酸值测定 |
2.3.3 皂化值测定 |
2.3.4 脂肪酸组成测定 |
2.3.5 黄曲霉毒素B1测定 |
2.4 光谱处理算法 |
2.4.1 预处理方法 |
2.4.2 特征波长提取方法 |
2.4.3 参数寻优方法 |
2.4.4 建模方法 |
2.5 模型效果评价 |
2.5.1 特征成分定量模型评价指标 |
2.5.2 种类鉴别定性模型评价指标 |
2.6 本章小结 |
第3章 近红外光谱食用油特征值定量预测模型 |
3.1 油样样品及光谱采集 |
3.2 碘值定量预测模型 |
3.2.1 光谱预处理 |
3.2.2 特征波长提取 |
3.2.3 碘值定量预测模型 |
3.3 四种征值成分值定量预测模型 |
3.3.1 光谱预处理 |
3.3.2 特征波长提取 |
3.3.3 定量预测模型 |
3.4 本章小结 |
第4章 近红外光谱黄曲霉毒素B1定量预测及定性鉴别 |
4.1 油样样品及光谱采集 |
4.2 光谱预处理 |
4.3 光谱特征波长提取 |
4.4 黄曲霉毒素B1含量预测模型 |
4.5 黄曲霉毒素B1定性鉴别模型 |
4.6 本章小结 |
第5章 近红外光谱五种特征值定性鉴别油脂种类 |
5.1 数据整理 |
5.2 分类模型建立 |
5.3 本章小结 |
第6章 结论和展望 |
6.1 研究总结 |
6.2 创新点 |
6.3 后续展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(9)基于GC-IMS技术的植物油品质分析方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 植物油品质评价研究现状 |
1.2.1 感官评定 |
1.2.2 理化指标评定 |
1.2.3 色谱分析鉴别法 |
1.2.4 无损检测鉴定法 |
1.3 植物油风味成分研究 |
1.3.1 植物油风味物质产生途径 |
1.3.2 植物油特征风味的影响因素 |
1.4 气相离子迁移谱联用分析检测技术 |
1.4.1 IMS技术基本原理 |
1.4.2 离子在IMS中的反应过程 |
1.4.3 气相离子迁移谱 |
1.5 GC-IMS技术的国内外研究现状 |
1.5.1 GC-IMS在食品行业中的应用研究 |
1.5.2 GC-IMS在军事、化工和环境监测方面的应用 |
1.5.3 GC-IMS在生物与医药中的应用 |
1.6 其他IMS技术研究现状 |
1.6.1 IMS在军事、化工和环境监测方面的应用 |
1.6.2 IMS在食品、生物和医药中的应用 |
1.7 现有研究存在的问题与不足 |
1.8 论文的主要研究内容 |
1.9 本章小结 |
第二章 试验材料与数据分析方法 |
2.1 试验材料的收集与贮藏 |
2.1.1 试验材料收集 |
2.1.2 试验材料贮藏 |
2.1.3 试验安排 |
2.2 理化指标检测 |
2.2.1 碘值 |
2.2.2 相对密度 |
2.2.3 不皂化物 |
2.2.4 色度检测 |
2.2.5 折射率 |
2.2.6 透明度 |
2.2.7 酸价 |
2.2.8 过氧化值 |
2.3 试验仪器与设备 |
2.3.1 GC-IMS分析仪 |
2.3.2 顶空固相微萃取-气质联用分析系统 |
2.4 数据分析方法 |
2.4.1 二维数据可视化方法 |
2.4.2 谱图预处理方法 |
2.4.3 二维特征提取与数据降维 |
2.4.4 模式识别与定量分析方法 |
2.5 本章小结 |
第三章 基于特征风味指纹谱不同种类植物油的区分 |
3.1 前言 |
3.1.1 指纹图谱概述 |
3.1.2 挥发性风味指纹图谱构建的意义 |
3.2 试验样品与试剂 |
3.2.1 试验样品 |
3.2.2 试剂 |
3.3 试验方法 |
3.3.1 GC-IMS稳定性检测 |
3.3.2 GC-IMS检测条件优化 |
3.3.3 风味指纹图谱的构建方法 |
3.3.4 数据分析 |
3.4 结果与讨论 |
3.4.1 GC-IMS稳定性分析 |
3.4.2 GC-IMS参数优化 |
3.4.3 不同种类植物油特征性风味成分的筛选 |
3.4.4 基于GC-IMS风味指纹谱的不同种类植物油判别 |
3.5 本章小结 |
第四章 GC-IMS在芥花籽油掺假检测中的应用 |
4.1 前言 |
4.2 材料与方法 |
4.2.1 掺假植物油样的制备 |
4.2.2 掺假植物油理化指标的检测 |
4.2.3 掺假植物油的GC-IMS检测 |
4.2.4 数据分析处理 |
4.3 掺假植物油理化指标的检测 |
4.3.1 不同种类植物油的理化指标差异分析 |
4.3.2 芥花籽油掺入葵花籽油的理化指标分析 |
4.3.3 芥花籽油掺入大豆油的理化指标分析 |
4.3.4 芥花籽油掺入花生油的理化指标分析 |
4.4 基于GC-IMS的芥花籽掺假油分析 |
4.4.1 GC-IMS谱图分析 |
4.4.2 GC-IMS谱图预处理 |
4.4.3 多维主成分分析与掺假植物油的鉴别 |
4.4.4 掺假油含量的定量分析 |
4.5 本章小结 |
第五章 菜籽油等级差异对其风味成分影响的研究 |
5.1 前言 |
5.2 材料与方法 |
5.2.1 样品采集 |
5.2.2 理化参数的检测 |
5.2.3 FTIR菜籽油光谱采集 |
5.2.4 基于SPME-GC-MS的挥发性风味成分的检测 |
5.2.5 基于GC-IMS的挥发性风味成分的检测 |
5.2.6 数据分析处理 |
5.3 不同等级的菜籽油理化参数分析 |
5.3.1 色度值 |
5.3.2 其他理化参数 |
5.4 基于FTIR不同等级菜籽油的检测分析 |
5.4.1 不同等级菜籽油红外光谱分析 |
5.4.2 二阶导数红外光谱分析 |
5.5 基于SPME-GC-MS不同等级菜籽油的检测分析 |
5.5.1 菜籽油GC-MS总离子流图分析 |
5.5.2 菜籽油挥发性成分组成与分析 |
5.6 基于GC-IMS不同等级菜籽油的检测分析 |
5.6.1 GC-IMS谱图分析 |
5.6.2 基于风味成分的特征提取 |
5.6.3 主成分分析 |
5.6.4 不同精炼等级菜籽油的判别分析 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 论文主要创新点 |
6.3 展望 |
参考文献 |
致谢 |
攻读博士学位期间主要学术成果 |
附录 A |
(10)现代分析技术在调味品鉴别中的应用(论文提纲范文)
1 感观形态鉴别 |
2 理化分析鉴别 |
2.1 常规化学分析法 |
2.2 色谱法 |
2.2.1 高效液相色谱法 |
2.2.2 气相色谱法 |
2.3 光谱分析法 |
2.3.1 原子吸收光谱法 |
2.3.2 紫外可见分光光度法 |
2.3.3 荧光分析法 |
2.3.4 红外光谱法 |
2.3.5 拉曼光谱法 |
2.4 其它技术 |
2.4.1 电导法 |
2.4.2 稳定同位素质谱技术 |
2.4.3 质谱联用法 |
3 热分析鉴别 |
3.1 差热分析法 |
3.2 差示扫描量热法 |
3.3 热重法 |
4 展望 |
四、食用油优劣巧鉴别(论文参考文献)
- [1]基于波段筛选的食用油品激光光谱快速无损检测[D]. 孙磊. 安徽理工大学, 2021(02)
- [2]色谱技术结合化学计量学用于食用植物油品质鉴定及掺伪筛查的研究[D]. 麦小漫. 广东药科大学, 2021(02)
- [3]红松(Pinus koraiensis Sieb. et Zucc.)籽资源评价与精深加工技术研究[D]. 祖述冲. 东北林业大学, 2020
- [4]橄榄油掺伪识别与橄榄调和油检测多光谱融合技术研究[D]. 徐强. 武汉轻工大学, 2020(06)
- [5]粮油种类无损检测中的特征处理方法研究[D]. 蒋豪辉. 武汉轻工大学, 2020(06)
- [6]近红外、拉曼光谱快速无损检测技术在蚕桑产品中的应用[D]. 马月. 江苏科技大学, 2020(03)
- [7]基于荧光光谱机理和化学计量学的复杂混合溶液检测研究[D]. 苑媛媛. 燕山大学, 2020(01)
- [8]食用油种类多特征值鉴别与黄曲霉毒素检测近红外光谱法研究[D]. 胡追. 武汉轻工大学, 2020(06)
- [9]基于GC-IMS技术的植物油品质分析方法研究[D]. 陈通. 江苏大学, 2020(01)
- [10]现代分析技术在调味品鉴别中的应用[J]. 高锦红. 食品研究与开发, 2019(20)