关键词:
多糖
近红外光谱
表面增强拉曼光谱
卷积神经网络
主成分分析
农残
支持向量机
摘要:
我国食品品质安全问题一直是社会关注的重点问题,其中食品原料是保证食品品质安全的源头。在食品市场的监督管理工作中,亟待一种快速准确的食品品质安全分析的方法。近红外光谱与表面增强拉曼光谱作为快速、无污染且无损的检测方法,已经被广泛应用于各种物质的定量及定性检测,但其与深度学习相结合在食品品质安全方面的应用还有待开发。由此本文以近红外(Near Infrared Spectroscopy,NIR)及表面增强拉曼(Surface-Enhanced Raman Spectroscopy,SERS)光谱技术结合深度学习分别对于香菇品质和水果中农药残留进行检测及分析。香菇在中国已有上千年的种植历史,每年出口干香菇达3万多吨,故而对其品质进行严格把关具有重要意义。香菇多糖作为评价香菇品质的重要指标之一,其传统检测方法为苯酚硫酸法,耗时且存在环境污染。由此本研究建立了基于近红外光谱技术与深度学习相结合的香菇粗多糖定量分析及品质判别方法。研究在4797~3995 cm-1与6401~5600 cm-1波段下建立了组合偏最小二乘模型,并以中红外-近红外相关分析验证了所选波段与粗多糖结构间的相关性。同时,研究利用一维卷积神经网络(One-dimensional Convolutional neural network,1D-CNN)中的卷积和池化运算捕捉经数据增强后的近红外光谱的特征信息,通过网格寻优获得合适的超参数,建立了决定系数为95.50%,均方根预测误差为0.1875 g/100 g的高精度1D-CNN香菇粗多糖定量模型。此外,通过近红外光谱技术结合主成分分析(Principal components analysis,PCA)与多通道卷积循环神经网络(Multi-channel Convolutional neural network-Gated recurrent unit,MC-CNN-GRU)构建了依据香菇粗多糖含量的品质判别分析模型。由t分布随机近邻嵌入(t-distributed stochasticneighborembedding,t-SNE)对提取到的特征进行数据可视化,可以发现MC-CNN-GRU可以准确提取近红外光谱中的空间及序列信息,在判别准确率为95.62%下实现香菇品质的判别。此外,近红外光谱技术与卷积神经网络相结合还可以用于食品安全分析。食品安全关乎每个人的生命健康,更关系到市场与社会有序运转。长期食用农药残留超标的食品会对人体健康造成潜在威胁。由此研究建立了基于表面增强拉曼光谱技术与卷积神经网络相结合的快速、灵敏且经济的水果表皮混合农药残留检测的方法。在保证检测灵敏度的前提下,极大的简化了样品预处理过程,减少了检测时间与成本。通过与PCA及支持向量机(Support vector machines,SVM)传统化学计量学分析方法的结果相比较,证实了 MC-CNN-GRU具有更好的识别效果,可在高精度下(Accuracy=99%)实现对于水果果皮中混合农残的定性分析。综上所述,本论文基于近红外与表面增强拉曼光谱技术与卷积神经网络相结合,对于香菇品质及水果果皮农残进行定性及定量分析,为光谱技术与深度学习在食品品质安全分析的应用提供技术支持。