领学术科研之先，创食品科技之新
—— 中国食品杂志社
本研究提出一种基于近红外光谱（near-infrared spectroscopy，NIR）和一维卷积神经网络（one-dimension convolutional neural network，1D-CNN）的甘薯淀粉掺假鉴别与定量的分析方法。为实现甘薯淀粉在不同种类和掺假比例下的定性定量分析，分别采集甘薯、玉米、土豆、木薯等纯薯类淀粉和以10%为梯度制备的不同比例掺假甘薯淀粉的原始光谱。分别运用一阶导数（first-order derivative，1st）、连续小波变换（continuous wavelet transform，CWT）、多元散射校正（multiplicative scatter correction，MSC）和标准正态变换（standard normal variate transformation，SNV）进行光谱预处理，利用卷积神经网络（convolutional neural network，CNN）算法将预处理前后的光谱作为1D-CNN的输入信号构建薯类淀粉分类模型和甘薯淀粉含量预测模型，并将光谱预处理前后的1D-CNN建模效果与传统的偏最小二乘（partial least squares，PLS）建模结果进行比较。结果表明，不同的光谱预处理方法可以不同程度地提高分类模型和定量模型的准确度，其中1st和CWT方法的效果要优于MSC和SNV方法。分类模型中，1D-CNN方法的预测精度较PLS方法更高；预测集中，样品光谱预处理后使用1D-CNN对不同薯类淀粉预测正确率达到100%；定量模型中，PLS方法和1D-CNN方法均可实现单一混合淀粉掺假情况下甘薯淀粉含量的精准预测，而且PLS和1D-CNN模型的预测集决定系数和预测集均方根误差相近。与PLS方法相比，1D-CNN方法在分类上的效果要优于定量效果。本研究表明NIR、1D-CNN和PLS相结合可以实现掺假薯类淀粉的鉴别和其中甘薯淀粉含量的量化，对市场中薯类淀粉掺假的质量安全筛查具有现实意义。
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
电话: 010-87293157
地址: 北京市丰台区洋桥70号
版权所有 @ 2023 中国食品杂志社 京公网安备11010602060050号 京ICP备14033398号-2
