基于多谱技术与化学测量相结合的粉类型的非破坏性识别和分类

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 粉是主要的能源,使其改成为一个重要的经济和营养问题.
• 商业粉 (小麦,马,玉米,甜) 容易受到欺诈性错误标签和更便宜的替代品的改.
• 精确识别和分类粉类型对于质量控制和消费者保护至关重要.

研究的目的:

• 开发和评估多谱技术与化学测量相结合,用于准确识别和分类常见粉类型.
• 为了比较近红外 (NIR),中红外 (MIR) 和拉曼光谱的粉分辨性能.
• 评估不同化学测量方法,包括波长选择和分类算法,对模型准确性的影响.

主要方法:

• 使用NIR,MIR和拉曼光谱分析了159个商业粉样本 (小麦,马,玉米,甜).
• 采用了化学测量方法,包括数据预处理,特征波长选择 (例如,2D-COS) 和分类算法 (例如CNN).
• 处理了光谱数据,以构建用于粉类型识别的预测模型.

主要成果:

• 三种光谱技术 (NIR,MIR,Raman) 都成功地区分了不同类型的粉.
• 与NIR和MIR光谱相比,拉曼光谱显示出更高的性能.
• 特性波长选择通常会提高模型准确性,而不是全频谱分析,2D-COS特别有效.
• 卷积神经网络 (CNN) 在所有光谱技术中实现了最高的预测准确率 (高达99.74%).

结论:

• 多光谱技术,特别是拉曼光谱,加上化学测量,为精确的粉识别和分类提供了强大的方法.
• 像CNN这样的先进分类算法显著提高了光谱模型的预测性能.
• 开发的方法提供了一个可靠的工具来打击粉改,并确保产品的真实性.