拉曼光譜技術(shù)結(jié)合簇類(lèi)獨(dú)立軟模式法快速鑒別進(jìn)口鱈魚(yú)真?zhèn)?/h1>
2021-10-26 07:13:46孔維恒徐記各
分析儀器 2021年5期 關(guān)鍵詞：實(shí)驗(yàn)
郝 欣 邱 燁 陳 晏 孔維恒 劉 鑫* 忻 欣 徐記各
(1.中國(guó)海關(guān)科學(xué)技術(shù)研究中心，北京 100026；2.北京工業(yè)設(shè)計(jì)促進(jìn)中心，北京100088；3.西派特(北京)科技有限公司，北京100029)
鱈魚(yú)屬脊椎動(dòng)物門(mén)、脊椎動(dòng)物亞門(mén)、真骨魚(yú)綱、鱈形目。純正鱈魚(yú)主要指大西洋鱈魚(yú)。近年來(lái)，為了滿足我國(guó)國(guó)內(nèi)消費(fèi)需求，鱈魚(yú)產(chǎn)品進(jìn)口量增長(zhǎng)迅速，貿(mào)易規(guī)模不斷擴(kuò)大。目前，隨著水產(chǎn)品進(jìn)口數(shù)量逐漸增加，水產(chǎn)分類(lèi)易混淆不清而出現(xiàn)利用廉價(jià)的油魚(yú)冒充鱈魚(yú)等現(xiàn)象。如何在口岸快速無(wú)損鑒定進(jìn)口魚(yú)類(lèi)物種分類(lèi)成為了海關(guān)各口岸亟待解決的問(wèn)題。
近紅外檢測(cè)技術(shù)在農(nóng)產(chǎn)品領(lǐng)域通常用于食品成分分析等方面[1]。其中，拉曼光譜技術(shù)是近年來(lái)應(yīng)用較廣泛的一種分子光譜分析技術(shù)。其利用拉曼散射效應(yīng)反映分子轉(zhuǎn)動(dòng)和振動(dòng)性質(zhì)?，F(xiàn)階段，拉曼光譜因其信息豐富，可從分子水平上反映物質(zhì)組成和結(jié)構(gòu)信息，同時(shí)又便攜、高效等特點(diǎn)已應(yīng)用于考古、毒品檢測(cè)、化工生產(chǎn)、化學(xué)品檢測(cè)平臺(tái)、材料學(xué)、醫(yī)藥學(xué)和環(huán)境等領(lǐng)域[2-9]。相關(guān)研究表明，拉曼光譜技術(shù)可應(yīng)用于魚(yú)類(lèi)物種鑒別。其中，Alamprese等[10]通過(guò)NIR法分別兩對(duì)魚(yú)類(lèi)品種：鯔魚(yú)和紅鰹、鰈和偏口魚(yú)進(jìn)行了分類(lèi)鑒別。Sivertsen等[11]通過(guò)NIR-VIS聯(lián)用法區(qū)別冷凍鱈魚(yú)片的新鮮度。本實(shí)驗(yàn)利用采集魚(yú)肉蛋白與脂肪組織的拉曼光譜數(shù)據(jù)，通過(guò)波長(zhǎng)標(biāo)定法進(jìn)行采集數(shù)據(jù)降噪處理，結(jié)合多元散射校正和均值中心化方法對(duì)光譜數(shù)據(jù)進(jìn)行前處理，采用簇類(lèi)獨(dú)立軟模式法建立大西洋鱈魚(yú)、銀鱈魚(yú)、黑線鱈魚(yú)、龍利魚(yú)、巴沙魚(yú)和狹鱈魚(yú)6種魚(yú)類(lèi)的動(dòng)物種屬鑒別分析模型。
1 材料與設(shè)備
1.1 實(shí)驗(yàn)材料
本實(shí)驗(yàn)選用的6種不同進(jìn)口魚(yú)類(lèi)樣品來(lái)源于中國(guó)海關(guān)科學(xué)技術(shù)研究中心。6種魚(yú)類(lèi)樣品的種屬鑒定確證實(shí)驗(yàn)已完成，此鑒定由廣西中醫(yī)藥大學(xué)完成。
1.2 實(shí)驗(yàn)儀器設(shè)備
ExR810廣域拉曼光譜儀。
2 實(shí)驗(yàn)方法
2.1 實(shí)驗(yàn)樣品統(tǒng)計(jì)
實(shí)驗(yàn)選取的6種魚(yú)類(lèi)樣品光譜數(shù)據(jù)的采集數(shù)量、校正集及驗(yàn)證集數(shù)據(jù)如表1所示。
表1 6種魚(yú)類(lèi)樣品分類(lèi)信息
每個(gè)魚(yú)肉樣品采取凈魚(yú)肉部分作為采集位置，每個(gè)樣品采集1個(gè)位置點(diǎn)，每個(gè)位置點(diǎn)采集1個(gè)數(shù)據(jù)。
2.2 拉曼光譜數(shù)據(jù)采集和處理
依據(jù)實(shí)驗(yàn)設(shè)計(jì)，將魚(yú)肉樣品置于樣品臺(tái)上，設(shè)定積分時(shí)間10 s，每個(gè)樣品的平均采集次數(shù)為6 次，設(shè)備功率等級(jí)設(shè)定為10 級(jí)，拉曼光譜的掃描范圍設(shè)定為167～3745 cm-1。
本實(shí)驗(yàn)采用多元散射校正法(MSC)和均值中心化法對(duì)6種魚(yú)類(lèi)樣品的光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用MSC法和求導(dǎo)是校正基線漂移現(xiàn)象的有效處理辦法[12]。中心化是從變量中減去它的均值，均值中心化法是從樣品光譜數(shù)據(jù)中去掉校正集的平均光譜數(shù)據(jù)，從而得到符合正態(tài)分布的有力數(shù)據(jù)[13]。本實(shí)驗(yàn)的數(shù)據(jù)處理程序采用MATLAB(R2017b)軟件編寫(xiě)。如圖1所示，6種魚(yú)肉樣品中銀鱈魚(yú)的拉曼信號(hào)最強(qiáng)，其次為黑線鱈魚(yú)，這兩種魚(yú)的強(qiáng)信號(hào)來(lái)自于魚(yú)肉中的脂肪成分，判斷此兩種魚(yú)可能為高脂肪魚(yú)；其他4種魚(yú)肉的拉曼信號(hào)較弱，這些弱信號(hào)來(lái)自于魚(yú)肉中的蛋白質(zhì)成分，判斷此4種魚(yú)可能為高蛋白魚(yú)。
圖1 6種魚(yú)肉樣品的拉曼光譜圖
3 結(jié)果與分析
3.1 數(shù)據(jù)庫(kù)建立
本實(shí)驗(yàn)利用簇類(lèi)獨(dú)立軟模式分類(lèi)法(Soft Independent Modeling Class Analog,SIMCA)先驗(yàn)分類(lèi)知識(shí)，對(duì)每一種類(lèi)別的魚(yú)類(lèi)樣品建立一個(gè)主成分分析(principle component analysis，PCA)模型，再利用這些建立的模型判斷未選入建模集的魚(yú)類(lèi)樣本進(jìn)行歸屬[14]。本實(shí)驗(yàn)光譜數(shù)據(jù)定性識(shí)別準(zhǔn)確率按公式(1)計(jì)算。
(1)
本實(shí)驗(yàn)先對(duì)樣品進(jìn)行主成分分解，建立已知類(lèi)別的SIMCA主成分分析模型，建模樣品類(lèi)別與樣品的對(duì)應(yīng)關(guān)系見(jiàn)表2。
表2 樣品名稱及類(lèi)別號(hào)對(duì)應(yīng)關(guān)系表
圖2～圖7為建立的6種魚(yú)類(lèi)樣品的SIMCA主成分分析模型，模型以Q與T22個(gè)參數(shù)衡量樣本與PCA模型的擬合程度。Q為樣本與PCA模型中主成分投影之間的殘差，用于評(píng)價(jià)樣本與模型擬合程度的好壞。而T2用于描述樣本在PCA模型內(nèi)部的遠(yuǎn)離程度[15]。再將未知樣本與各類(lèi)SIMCA主成分分析模型進(jìn)行擬合，綜合Q與T2的值判斷未知樣本屬于哪一類(lèi)。
圖2 巴沙魚(yú)(0號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖3 大西洋鱈(1號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖4 黑線鱈(2號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖5 龍利魚(yú)(3號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖6 狹鱈魚(yú)(4號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖7 銀鱈魚(yú)(5號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
本實(shí)驗(yàn)利用SIMCA定性分析首先從6種魚(yú)類(lèi)樣品430個(gè)樣本中選擇297個(gè)建立訓(xùn)練集。將光譜數(shù)據(jù)進(jìn)行前處理后，選出適當(dāng)?shù)闹饕蜃訑?shù)以便防止光譜中的有效信息過(guò)度擬合，從而利用SIMCA法分別建立6種不同魚(yú)類(lèi)樣品的主成分定性分析模型數(shù)據(jù)庫(kù)。其中，巴沙魚(yú)、大西洋鱈魚(yú)、黑線鱈魚(yú)、龍利魚(yú)、狹鱈魚(yú)和銀鱈魚(yú)6種進(jìn)口魚(yú)類(lèi)樣品的主因子數(shù)分別選取6、6、5、5、3、6。
由圖2～圖7可見(jiàn)，6個(gè)魚(yú)類(lèi)樣品之間可顯著區(qū)分。由此可見(jiàn)，利用拉曼光譜法和有效的數(shù)據(jù)處理方法能較高效的提取出不同種屬進(jìn)口魚(yú)類(lèi)樣品的脂肪、蛋白質(zhì)組成以及其肉質(zhì)結(jié)構(gòu)等方面的光譜數(shù)據(jù)內(nèi)容，完成鑒別進(jìn)口魚(yú)類(lèi)樣品的種屬分類(lèi)。
3.2 6種魚(yú)類(lèi)分類(lèi)數(shù)據(jù)庫(kù)內(nèi)外部驗(yàn)證效果
6種魚(yú)類(lèi)樣品數(shù)據(jù)通過(guò)SIMCA模型分析后，內(nèi)部驗(yàn)證數(shù)據(jù)見(jiàn)表3，外部驗(yàn)證數(shù)據(jù)見(jiàn)表4，其中外部樣品選擇經(jīng)鑒定的非建模用魚(yú)類(lèi)樣本，可視為盲樣。
對(duì)巴沙魚(yú)、大西洋鱈魚(yú).等6類(lèi)魚(yú)進(jìn)行63個(gè)樣品的內(nèi)部驗(yàn)證(如表3所示)，正確率均為100%。
表3 內(nèi)部樣品驗(yàn)證正確率
如表4所示，對(duì)巴沙魚(yú)、大西洋鱈魚(yú).等6類(lèi)魚(yú)進(jìn)行70個(gè)樣品的樣品外部驗(yàn)證正確率亦為100%，表明本實(shí)驗(yàn)建立起來(lái)的SIMCA主成分定性識(shí)別模型對(duì)6種不同進(jìn)口魚(yú)類(lèi)樣品的種屬具備良好的鑒別能力。
表4 外部樣品驗(yàn)證正確率
4 結(jié)論
本實(shí)驗(yàn)利用拉曼光譜技術(shù)結(jié)合簇類(lèi)獨(dú)立軟模式方法建立快速鑒別進(jìn)口鱈魚(yú)真?zhèn)螜z測(cè)方法。采集數(shù)據(jù)處理結(jié)合多元散射校正和波長(zhǎng)標(biāo)定降噪技術(shù)，建立起6種魚(yú)的SIMCA主成分定性分類(lèi)模型，并對(duì)70個(gè)不同種類(lèi)的魚(yú)類(lèi)樣品種屬進(jìn)行盲樣定性鑒別，識(shí)別正確率達(dá)100%。單個(gè)樣品檢測(cè)可實(shí)現(xiàn)在瞬時(shí)內(nèi)完成實(shí)驗(yàn)檢測(cè)，操作簡(jiǎn)便，無(wú)破壞性。因此，采用拉曼光譜技術(shù)和可行的光譜數(shù)據(jù)處理法并利用SIMCA方法建立主成分分析模型，可快速鑒別進(jìn)口鱈魚(yú)樣品真?zhèn)吻闆r，從而解決在口岸快速無(wú)損鑒定進(jìn)口魚(yú)類(lèi)物種分類(lèi)的問(wèn)題。
猜你喜歡
我做了一項(xiàng)小實(shí)驗(yàn)作文·小學(xué)低年級(jí)(2025年2期)2025-02-13 00:00:00 記住“三個(gè)字”，寫(xiě)好小實(shí)驗(yàn)小雪花·小學(xué)生快樂(lè)作文(2024年11期)2024-12-31 00:00:00 我做了一項(xiàng)小實(shí)驗(yàn)作文·小學(xué)低年級(jí)(2024年2期)2024-04-29 00:00:00 我做了一項(xiàng)小實(shí)驗(yàn)作文·小學(xué)低年級(jí)(2023年3期)2023-04-29 00:00:00 記一次有趣的實(shí)驗(yàn)小獼猴智力畫(huà)刊(2022年9期)2022-11-04 02:31:42 有趣的實(shí)驗(yàn)小主人報(bào)(2022年4期)2022-08-09 08:52:06 微型實(shí)驗(yàn)里看“燃燒”中學(xué)生數(shù)理化·中考版(2022年11期)2022-02-16 07:01:20 做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)小哥白尼(趣味科學(xué))(2019年6期)2019-10-10 01:01:50 NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)發(fā)明與創(chuàng)新(2016年38期)2016-08-22 03:02:52 實(shí)踐十號(hào)上的19項(xiàng)實(shí)驗(yàn)太空探索(2016年5期)2016-07-12 15:17:55
郝 欣 邱 燁 陳 晏 孔維恒 劉 鑫* 忻 欣 徐記各
(1.中國(guó)海關(guān)科學(xué)技術(shù)研究中心，北京 100026；2.北京工業(yè)設(shè)計(jì)促進(jìn)中心，北京100088；3.西派特(北京)科技有限公司，北京100029)
鱈魚(yú)屬脊椎動(dòng)物門(mén)、脊椎動(dòng)物亞門(mén)、真骨魚(yú)綱、鱈形目。純正鱈魚(yú)主要指大西洋鱈魚(yú)。近年來(lái)，為了滿足我國(guó)國(guó)內(nèi)消費(fèi)需求，鱈魚(yú)產(chǎn)品進(jìn)口量增長(zhǎng)迅速，貿(mào)易規(guī)模不斷擴(kuò)大。目前，隨著水產(chǎn)品進(jìn)口數(shù)量逐漸增加，水產(chǎn)分類(lèi)易混淆不清而出現(xiàn)利用廉價(jià)的油魚(yú)冒充鱈魚(yú)等現(xiàn)象。如何在口岸快速無(wú)損鑒定進(jìn)口魚(yú)類(lèi)物種分類(lèi)成為了海關(guān)各口岸亟待解決的問(wèn)題。
近紅外檢測(cè)技術(shù)在農(nóng)產(chǎn)品領(lǐng)域通常用于食品成分分析等方面[1]。其中，拉曼光譜技術(shù)是近年來(lái)應(yīng)用較廣泛的一種分子光譜分析技術(shù)。其利用拉曼散射效應(yīng)反映分子轉(zhuǎn)動(dòng)和振動(dòng)性質(zhì)?，F(xiàn)階段，拉曼光譜因其信息豐富，可從分子水平上反映物質(zhì)組成和結(jié)構(gòu)信息，同時(shí)又便攜、高效等特點(diǎn)已應(yīng)用于考古、毒品檢測(cè)、化工生產(chǎn)、化學(xué)品檢測(cè)平臺(tái)、材料學(xué)、醫(yī)藥學(xué)和環(huán)境等領(lǐng)域[2-9]。相關(guān)研究表明，拉曼光譜技術(shù)可應(yīng)用于魚(yú)類(lèi)物種鑒別。其中，Alamprese等[10]通過(guò)NIR法分別兩對(duì)魚(yú)類(lèi)品種：鯔魚(yú)和紅鰹、鰈和偏口魚(yú)進(jìn)行了分類(lèi)鑒別。Sivertsen等[11]通過(guò)NIR-VIS聯(lián)用法區(qū)別冷凍鱈魚(yú)片的新鮮度。本實(shí)驗(yàn)利用采集魚(yú)肉蛋白與脂肪組織的拉曼光譜數(shù)據(jù)，通過(guò)波長(zhǎng)標(biāo)定法進(jìn)行采集數(shù)據(jù)降噪處理，結(jié)合多元散射校正和均值中心化方法對(duì)光譜數(shù)據(jù)進(jìn)行前處理，采用簇類(lèi)獨(dú)立軟模式法建立大西洋鱈魚(yú)、銀鱈魚(yú)、黑線鱈魚(yú)、龍利魚(yú)、巴沙魚(yú)和狹鱈魚(yú)6種魚(yú)類(lèi)的動(dòng)物種屬鑒別分析模型。
1 材料與設(shè)備
1.1 實(shí)驗(yàn)材料
本實(shí)驗(yàn)選用的6種不同進(jìn)口魚(yú)類(lèi)樣品來(lái)源于中國(guó)海關(guān)科學(xué)技術(shù)研究中心。6種魚(yú)類(lèi)樣品的種屬鑒定確證實(shí)驗(yàn)已完成，此鑒定由廣西中醫(yī)藥大學(xué)完成。
1.2 實(shí)驗(yàn)儀器設(shè)備
ExR810廣域拉曼光譜儀。
2 實(shí)驗(yàn)方法
2.1 實(shí)驗(yàn)樣品統(tǒng)計(jì)
實(shí)驗(yàn)選取的6種魚(yú)類(lèi)樣品光譜數(shù)據(jù)的采集數(shù)量、校正集及驗(yàn)證集數(shù)據(jù)如表1所示。
表1 6種魚(yú)類(lèi)樣品分類(lèi)信息
每個(gè)魚(yú)肉樣品采取凈魚(yú)肉部分作為采集位置，每個(gè)樣品采集1個(gè)位置點(diǎn)，每個(gè)位置點(diǎn)采集1個(gè)數(shù)據(jù)。
2.2 拉曼光譜數(shù)據(jù)采集和處理
依據(jù)實(shí)驗(yàn)設(shè)計(jì)，將魚(yú)肉樣品置于樣品臺(tái)上，設(shè)定積分時(shí)間10 s，每個(gè)樣品的平均采集次數(shù)為6 次，設(shè)備功率等級(jí)設(shè)定為10 級(jí)，拉曼光譜的掃描范圍設(shè)定為167～3745 cm-1。
本實(shí)驗(yàn)采用多元散射校正法(MSC)和均值中心化法對(duì)6種魚(yú)類(lèi)樣品的光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用MSC法和求導(dǎo)是校正基線漂移現(xiàn)象的有效處理辦法[12]。中心化是從變量中減去它的均值，均值中心化法是從樣品光譜數(shù)據(jù)中去掉校正集的平均光譜數(shù)據(jù)，從而得到符合正態(tài)分布的有力數(shù)據(jù)[13]。本實(shí)驗(yàn)的數(shù)據(jù)處理程序采用MATLAB(R2017b)軟件編寫(xiě)。如圖1所示，6種魚(yú)肉樣品中銀鱈魚(yú)的拉曼信號(hào)最強(qiáng)，其次為黑線鱈魚(yú)，這兩種魚(yú)的強(qiáng)信號(hào)來(lái)自于魚(yú)肉中的脂肪成分，判斷此兩種魚(yú)可能為高脂肪魚(yú)；其他4種魚(yú)肉的拉曼信號(hào)較弱，這些弱信號(hào)來(lái)自于魚(yú)肉中的蛋白質(zhì)成分，判斷此4種魚(yú)可能為高蛋白魚(yú)。
圖1 6種魚(yú)肉樣品的拉曼光譜圖
3 結(jié)果與分析
3.1 數(shù)據(jù)庫(kù)建立
本實(shí)驗(yàn)利用簇類(lèi)獨(dú)立軟模式分類(lèi)法(Soft Independent Modeling Class Analog,SIMCA)先驗(yàn)分類(lèi)知識(shí)，對(duì)每一種類(lèi)別的魚(yú)類(lèi)樣品建立一個(gè)主成分分析(principle component analysis，PCA)模型，再利用這些建立的模型判斷未選入建模集的魚(yú)類(lèi)樣本進(jìn)行歸屬[14]。本實(shí)驗(yàn)光譜數(shù)據(jù)定性識(shí)別準(zhǔn)確率按公式(1)計(jì)算。
(1)
本實(shí)驗(yàn)先對(duì)樣品進(jìn)行主成分分解，建立已知類(lèi)別的SIMCA主成分分析模型，建模樣品類(lèi)別與樣品的對(duì)應(yīng)關(guān)系見(jiàn)表2。
表2 樣品名稱及類(lèi)別號(hào)對(duì)應(yīng)關(guān)系表
圖2～圖7為建立的6種魚(yú)類(lèi)樣品的SIMCA主成分分析模型，模型以Q與T22個(gè)參數(shù)衡量樣本與PCA模型的擬合程度。Q為樣本與PCA模型中主成分投影之間的殘差，用于評(píng)價(jià)樣本與模型擬合程度的好壞。而T2用于描述樣本在PCA模型內(nèi)部的遠(yuǎn)離程度[15]。再將未知樣本與各類(lèi)SIMCA主成分分析模型進(jìn)行擬合，綜合Q與T2的值判斷未知樣本屬于哪一類(lèi)。
圖2 巴沙魚(yú)(0號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖3 大西洋鱈(1號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖4 黑線鱈(2號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖5 龍利魚(yú)(3號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖6 狹鱈魚(yú)(4號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
圖7 銀鱈魚(yú)(5號(hào))與其他魚(yú)類(lèi)之間的區(qū)分
本實(shí)驗(yàn)利用SIMCA定性分析首先從6種魚(yú)類(lèi)樣品430個(gè)樣本中選擇297個(gè)建立訓(xùn)練集。將光譜數(shù)據(jù)進(jìn)行前處理后，選出適當(dāng)?shù)闹饕蜃訑?shù)以便防止光譜中的有效信息過(guò)度擬合，從而利用SIMCA法分別建立6種不同魚(yú)類(lèi)樣品的主成分定性分析模型數(shù)據(jù)庫(kù)。其中，巴沙魚(yú)、大西洋鱈魚(yú)、黑線鱈魚(yú)、龍利魚(yú)、狹鱈魚(yú)和銀鱈魚(yú)6種進(jìn)口魚(yú)類(lèi)樣品的主因子數(shù)分別選取6、6、5、5、3、6。
由圖2～圖7可見(jiàn)，6個(gè)魚(yú)類(lèi)樣品之間可顯著區(qū)分。由此可見(jiàn)，利用拉曼光譜法和有效的數(shù)據(jù)處理方法能較高效的提取出不同種屬進(jìn)口魚(yú)類(lèi)樣品的脂肪、蛋白質(zhì)組成以及其肉質(zhì)結(jié)構(gòu)等方面的光譜數(shù)據(jù)內(nèi)容，完成鑒別進(jìn)口魚(yú)類(lèi)樣品的種屬分類(lèi)。
3.2 6種魚(yú)類(lèi)分類(lèi)數(shù)據(jù)庫(kù)內(nèi)外部驗(yàn)證效果
6種魚(yú)類(lèi)樣品數(shù)據(jù)通過(guò)SIMCA模型分析后，內(nèi)部驗(yàn)證數(shù)據(jù)見(jiàn)表3，外部驗(yàn)證數(shù)據(jù)見(jiàn)表4，其中外部樣品選擇經(jīng)鑒定的非建模用魚(yú)類(lèi)樣本，可視為盲樣。
對(duì)巴沙魚(yú)、大西洋鱈魚(yú).等6類(lèi)魚(yú)進(jìn)行63個(gè)樣品的內(nèi)部驗(yàn)證(如表3所示)，正確率均為100%。
表3 內(nèi)部樣品驗(yàn)證正確率
如表4所示，對(duì)巴沙魚(yú)、大西洋鱈魚(yú).等6類(lèi)魚(yú)進(jìn)行70個(gè)樣品的樣品外部驗(yàn)證正確率亦為100%，表明本實(shí)驗(yàn)建立起來(lái)的SIMCA主成分定性識(shí)別模型對(duì)6種不同進(jìn)口魚(yú)類(lèi)樣品的種屬具備良好的鑒別能力。
表4 外部樣品驗(yàn)證正確率
4 結(jié)論
本實(shí)驗(yàn)利用拉曼光譜技術(shù)結(jié)合簇類(lèi)獨(dú)立軟模式方法建立快速鑒別進(jìn)口鱈魚(yú)真?zhèn)螜z測(cè)方法。采集數(shù)據(jù)處理結(jié)合多元散射校正和波長(zhǎng)標(biāo)定降噪技術(shù)，建立起6種魚(yú)的SIMCA主成分定性分類(lèi)模型，并對(duì)70個(gè)不同種類(lèi)的魚(yú)類(lèi)樣品種屬進(jìn)行盲樣定性鑒別，識(shí)別正確率達(dá)100%。單個(gè)樣品檢測(cè)可實(shí)現(xiàn)在瞬時(shí)內(nèi)完成實(shí)驗(yàn)檢測(cè)，操作簡(jiǎn)便，無(wú)破壞性。因此，采用拉曼光譜技術(shù)和可行的光譜數(shù)據(jù)處理法并利用SIMCA方法建立主成分分析模型，可快速鑒別進(jìn)口鱈魚(yú)樣品真?zhèn)吻闆r，從而解決在口岸快速無(wú)損鑒定進(jìn)口魚(yú)類(lèi)物種分類(lèi)的問(wèn)題。
猜你喜歡
作文·小學(xué)低年級(jí)(2025年2期)2025-02-13 00:00:00
小雪花·小學(xué)生快樂(lè)作文(2024年11期)2024-12-31 00:00:00
作文·小學(xué)低年級(jí)(2024年2期)2024-04-29 00:00:00
作文·小學(xué)低年級(jí)(2023年3期)2023-04-29 00:00:00
小獼猴智力畫(huà)刊(2022年9期)2022-11-04 02:31:42
小主人報(bào)(2022年4期)2022-08-09 08:52:06
中學(xué)生數(shù)理化·中考版(2022年11期)2022-02-16 07:01:20
小哥白尼(趣味科學(xué))(2019年6期)2019-10-10 01:01:50
發(fā)明與創(chuàng)新(2016年38期)2016-08-22 03:02:52
太空探索(2016年5期)2016-07-12 15:17:55
