相关实验视频
Updated: Jun 19, 2026
Fruit Volatile Analysis Using an Electronic Nose
Published on: March 30, 2012
使用Vis-NIRs与机器学习相结合的快速和自动化方法来检测和量化高质量蜂蜜中的伪造物
José Luis P Calle1, Irene Punta-Sánchez1, Ana Velasco González-de-Peredo1
1Department of Analytical Chemistry, Faculty of Sciences, University of Cadiz, Agrifood Campus of International Excellence (ceiA3), IVAGRO, 11510 Puerto Real, Spain.
这项研究引入了一种使用可见近红外光谱 (Vis-NIRs) 和机器学习 (ML) 来检测和量化蜂蜜改的新方法. 该方法准确地识别了添加的甜味剂或低成本蜂蜜,确保蜂蜜的质量控制.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 蜂蜜伪造,通常是用甜味剂或更便宜的蜂蜜,是全球重大食品欺诈问题.
- 准确的检测方法对于保持蜂蜜的真实性和经济价值至关重要.
研究的目的:
- 开发和验证一种与机器学习相结合的光谱方法,用于识别和量化蜂蜜中的杂物.
- 评估用于蜂蜜质量控制的不同机器学习算法的有效性.
主要方法:
- 使用可见近红外光谱 (Vis-NIRs) 来分析蜂蜜样本.
- 机器学习算法,包括支持矢量机器 (SVM),随机森林 (RF) 和支持矢量回归 (SVR),用于分类和量化.
- 不同植物来源的蜂蜜样本 (花,向日) 被不同百分比的低成本蜂蜜改.
主要成果:
- 探索性分析显示了基于植物来源和改存在的样本分组.
- 支持矢量机 (SVM) 和随机森林 (RF) 在检测改方面实现了100%的准确性.
- 支持向量回归 (SVR) 准确量化了伪造水平,达到0.991的R2和1.894.4的RMSE.
结论:
- 结合Vis-NIR和机器学习,为蜂蜜的自动化质量控制提供了一个强大的工具.
- 这种方法在检测和量化蜂蜜改方面都具有很高的准确性.
- 这些发现支持采用光谱和ML技术,以确保食品行业的蜂蜜真实性.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
