領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國(guó)食品雜志社
本研究提出一種基于近紅外光譜（near-infrared spectroscopy，NIR）和一維卷積神經(jīng)網(wǎng)絡(luò)（one-dimension convolutional neural network，1D-CNN）的甘薯淀粉摻假鑒別與定量的分析方法。為實(shí)現(xiàn)甘薯淀粉在不同種類和摻假比例下的定性定量分析，分別采集甘薯、玉米、土豆、木薯等純薯類淀粉和以10%為梯度制備的不同比例摻假甘薯淀粉的原始光譜。分別運(yùn)用一階導(dǎo)數(shù)（first-order derivative，1st）、連續(xù)小波變換（continuous wavelet transform，CWT）、多元散射校正（multiplicative scatter correction，MSC）和標(biāo)準(zhǔn)正態(tài)變換（standard normal variate transformation，SNV）進(jìn)行光譜預(yù)處理，利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）算法將預(yù)處理前后的光譜作為1D-CNN的輸入信號(hào)構(gòu)建薯類淀粉分類模型和甘薯淀粉含量預(yù)測(cè)模型，并將光譜預(yù)處理前后的1D-CNN建模效果與傳統(tǒng)的偏最小二乘（partial least squares，PLS）建模結(jié)果進(jìn)行比較。結(jié)果表明，不同的光譜預(yù)處理方法可以不同程度地提高分類模型和定量模型的準(zhǔn)確度，其中1st和CWT方法的效果要優(yōu)于MSC和SNV方法。分類模型中，1D-CNN方法的預(yù)測(cè)精度較PLS方法更高；預(yù)測(cè)集中，樣品光譜預(yù)處理后使用1D-CNN對(duì)不同薯類淀粉預(yù)測(cè)正確率達(dá)到100%；定量模型中，PLS方法和1D-CNN方法均可實(shí)現(xiàn)單一混合淀粉摻假情況下甘薯淀粉含量的精準(zhǔn)預(yù)測(cè)，而且PLS和1D-CNN模型的預(yù)測(cè)集決定系數(shù)和預(yù)測(cè)集均方根誤差相近。與PLS方法相比，1D-CNN方法在分類上的效果要優(yōu)于定量效果。本研究表明NIR、1D-CNN和PLS相結(jié)合可以實(shí)現(xiàn)摻假薯類淀粉的鑒別和其中甘薯淀粉含量的量化，對(duì)市場(chǎng)中薯類淀粉摻假的質(zhì)量安全篩查具有現(xiàn)實(shí)意義。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話: 010-87293157
地址: 北京市豐臺(tái)區(qū)洋橋70號(hào)
版權(quán)所有 @ 2023 中國(guó)食品雜志社 京公網(wǎng)安備11010602060050號(hào) 京ICP備14033398號(hào)-2
