闪光GC e-nose和FT-NIR与深度学习算法相结合的应用,用于防止年龄欺诈和评价 pericarpium citri reticulatae 的质量

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 药理学是指药理学,即药理学是指药理学.

背景情况:

• 佩里卡帕 (Pericarpium citri reticulatae,简称PCR) 或陈皮 (Chenpi) 是因为其药用特性而受到重视,这些药用特性随着年龄的增长而增加.
• PCR的质量和价值受到其储存年份的重大影响.
• 伪造的陈皮,使用年轻的PCR来欺骗消费者,由于外观和香味相似,这是一个普遍的问题.

研究的目的:

• 建立一种快速而非破坏性的方法来确定Pericarpium citri reticulatae (PCR) 的储存年份.
• 为了打击无良商人的陈皮老品牌伪造行为.
• 保护消费者权利并确保高质量的PCR市场的完整性.

主要方法:

• 使用电子眼,闪光气相色谱-电子鼻子 (GC e-nose) 和富里埃变换近红外 (FT-NIR) 光谱.
• 应用机器学习算法,包括支持矢量机器 (SVM),K-最近邻居 (KNN),长短期记忆 (LSTM) 和卷积神经网络-LSTM (CNN-LSTM).
• 使用GC e-nose识别了 (+) - 烯和γ-烯等关键气味成分,并使用FT-NIR和深度学习开发了分类/校准模型.

主要成果:

• 闪光GC电子鼻子模型 (DFA,PLS-DA) 区分了PCR年龄,识别了8个关键的气味成分,特别是 (+) - 烯和γ-烯.
• 该CNN-LSTM模型在分类和校准方面表现出卓越的性能,达到98.21%的准确性.
• 与CNN-LSTM相结合的FT-NIR实现了对年龄, (+) - 烯和γ-烯含量的高预测准确度 (R2P>0.987).

结论:

• 闪光GC e-nose和FT-NIR与深度学习算法的集成提供了一个快速而准确的方法来区分PCR存储年.
• 这种方法为监测市场上Pericarpium citri reticulatae的质量提供了一个有效和可靠的工具.
• 这项研究成功验证了陈的真实性,保护了消费者和传统中医药成分的完整性.