TRƯỜNG ĐẠI HỌC CÔNG NGHỆ SÀI GÒN

KHOA CÔNG NGHỆ THỰC PHẨM

MÔN: PHÂN TÍCH THỰC PHẨM

NHÓM 12:
Dịch bài: Qualitative discrimination of Chinese dianhong black tea grades based
on a handheld spectroscopy system coupled with chemometrics.
Giảng viên bộ môn: Phan Ngọc Hòa

Sinh viên thực hiện:

Họ và tên Lớp MSSV Nhiệm vụ
Dịch từ trang 2 đến
Lê Triều Vỹ D21_TP01 Dh62100803 trang 5(không có trách
nhiệm đóng góp bài)
Dịch từ trang 6 đến
Trương Anh Tuấn D21_TP01 DH6210142
trang 9
Dịch từ trang 10 đến
Lê Thị Phương Linh D21_TP01 DH62100684
trang 13
Lê Thị Diễm My D21_TP01 DH62101491 Dịch từ trang 14 đến 16
Lê Đặng Phương Thảo D21_TP01 DH62105062 Dịch từ trang 17 đến 24

1
 Ngày nhận: 18 Tháng Mười Hai 2019 | Sửa đổi: 11 tháng 1 năm 2020 | Đã
chấp nhận: 4 tháng 2 năm 2020
Doi: 10.1002/fsn3.1489
Nghiên cứu độc đáo
Sự phân biệt về chất lượng đối với cấp trà đen dianhong của
Trung Quốc dựa trên một hệ thống quang phổ cầm tay kết
hợp với hóa học trắc học
Jing Huang | Guangxin Ren | Mặt trời Yemei | Sơn Sơn Tấn | Luqing Li |
Yujie Wang | Cảnh Minh Ninh | Trương Trịnh Chu

Phòng thí nghiệm chính của Trừu tượng

Nhà nước về sinh học và sử
dụng thực vật trà, Đại học
Nông nghiệp An Huy, Hà Phi,
Trung Quốc
Thư từ
Trịnh Châu Trương, Phòng thí
nghiệm quốc gia Sinh học và
sử dụng thực vật trà, ĐH Nông
nghiệp An Huy, Hàfei 230036,
Trung Quốc.
Email: zzz@ahau.edu.cn
Thông tin tài trợ
Chương trình Nghiên cứu và
Phát triển then chốt Quốc gia
của Trung Quốc, Số lượng Trợ
cấp/Giải thưởng:
2017 YFD0400805
1| GIỚI THIỆU
Việc đánh giá các loại trà đen dianhong (CDBT) của Trung Quốc là
một chỉ số quan trọng để đảm bảo chất lượng của nó. Một hệ thống
quang phổ cầm tay kết hợp với hóa học đã được sử dụng để đánh giá
CDBT từ tám lớp. Cả hai phương pháp lựa chọn biến, cụ thể là thuật
toán di truyền (GA) và thuật toán chiếu kế tiếp (SPA), đã được sử
dụng để có được các biến tính năng của mỗi phổ mẫu. Một phân tích
phân biệt đối xử một phần bình phương (PLS-DA) và các thuật toán
máy vectơ hỗ trợ (SVM) đã được áp dụng để thiết lập các mô hình
phân biệt phân loại dựa trên quang phổ cận hồng ngoại (NIRS). So
sánh các hệ thống NIRS di động và để bàn đã được thực hiện để có
được các mô hình phân biệt đối xử tối ưu. Kết quả thí nghiệm cho
thấy các mô hình GA-SVM của các cảm biến cầm tay mang lại hiệu
suất dự đoán tốt nhất với tỷ lệ phân biệt chính xác (CDR) lần lượt là
98,75% và 100% trong bộ đào tạo và bộ dự đoán. Nghiên cứu này đã
chứng minh rằng hệ thống cầm tay kết hợp với phương pháp lựa chọn
thông tin hóa học và tính năng phù hợp có thể được sử dụng thành
công để phân biệt nhanh chóng và hiệu quả bảng xếp hạng CDBT. Nó
hứa hẹn sẽ thiết lập một cảm biến NIRS di động kinh tế cụ thể để đảm
bảo chất lượng tại chỗ của các lớp CDBT. TỪ KHÓA Trà đen
dianhong Trung Quốc, Phân biệt lớp, quang phổ cận hồng ngoại cầm
tay, Phân tích phân biệt đối xử một phần bình phương nhỏ nhất, máy
vector hỗ trợ

2
Trà là một trong những đồ uống lành
mạnh nhất được tiêu thụ trên toàn
thế giới (Ren, Fan, He, Li, &;
Tang, 2020; Zareef và cộng sự,
2019). Truyền trà rất giàu dinh
dưỡng khác nhau cho sức khỏe
con người, chẳng hạn như
polyphenol trong trà, caffeine, axit
amin tự do và vitamin, có tác
dụng chống oxy hóa, hạ huyết áp,
chống ung thư và bảo vệ chống lại
bệnh tim mạch (Jiang, Yu, et al.,
2019; Zhang, Santos, et al., 2019;
Zhou, Zhao, et al., 2019). Trà đen
Trong vài thập kỷ qua, việc đánh giá
dianhong Trung Quốc (CDBT)
được trồng như một sản xuất trà
đen đại diện và có ảnh hưởng từ
Camellia sinensis ở Trung Quốc
và đã trở thành một trong những
thương hiệu trà đen quốc tế nổi
tiếng. CDBT là một giống lá lớn
2| WILEY
(var. assamica) được phân loại thành các
loại khác nhau phù hợp với sự
thay đổi về chất lượng trà đen
được xác định bởi điều kiện trồng
trọt, mùa thu hoạch và công nghệ
chế biến. Nhìn chung, người tiêu
dùng bình thường giữ quan điểm
truyền thống rằng giá cao thể hiện
chất lượng hàng hóa tuyệt vời trên
thị trường (Zhu et al., 2019). Do
đó, giá CDBT gần như là con
đường duy nhất để người tiêu
dùng bình thường đánh giá chất
lượng trà và phân biệt loại của nó.
Bên cạnh đó, việc pha trộn CDBT
và phục vụ các sản phẩm kém
chất lượng như những sản phẩm
cao cấp khá phổ biến trong buôn
bán trà, gây tổn hại đến quyền lợi
người tiêu dùng và văn hóa trà sâu
rộng (Li, Wei, Ning, &; Zhang,
2015; Xu, Wang &; Gu, 2019).
Điều cấp bách là xây dựng một
phương pháp đáng tin cậy và hiệu
quả để phân biệt các loại chất
lượng của CDBT (Pang et al.,
2012).
chất lượng CDBT được đánh giá
quyết định bằng các bài kiểm tra
cảm quan của những người nếm
trà có kinh nghiệm (Pan, Sun, Li,
Deng &; Zhang, 2019). Các
chuyên gia lành nghề phân loại
các mẫu trà theo thang điểm, riêng
biệt về hình thức, hương vị và mùi
thơm, thiếu khả năng tái tạo và vô
tư do các yếu tố vật lý hoặc sinh
lý của người nếm thử (Ren et al.,
2013). Hàm lượng của các thành
phần sinh hóa chính (ví dụ:
catechin, sắc tố trà và axit amin)
từ các bảng xếp hạng trà khác
nhau đồng thời ảnh hưởng đến các
thông số chất lượng của nó. Hiện
nay, việc đánh giá cảm quan kết
hợp với phân tích thành phần hóa
học được đánh giá là chính xác
hơn đối với các cấp CDBT. Các
phương pháp phân tích hóa học
3
thông thường đã được sử dụng để
xác định các thành phần hóa học
chính của trà, chẳng hạn như sắc
ký khí (GC) (Wu et al., 2019), sắc
ký lỏng hiệu suất cao (HPLC)
(Zhang, Jing, et al., 2019; Zhou,
Sun, et al., 2019) và các phép đo
màu (Wang et al., 2019). Tuy
nhiên, tất cả các phương pháp
được đề cập ở trên đều là kỹ thuật
tốn thời gian và chi phí cao. Các
phương tiện truyền thống không
thể đạt được đánh giá nhanh về
xếp hạng chất lượng CDBT. Cho
đến nay, các phương pháp phát
hiện nhanh đối với các cấp chất
lượng trà chủ yếu liên quan đến
công nghệ nano (Zhu et al., 2019),
khứu giác nhân tạo dựa trên mảng
cảm biến màu (Jiang, Xu, &;
Chen, 2019; Li, Xie, et al., 2017),
và quang phổ cận hồng ngoại
(NIRS) kết hợp với các phương
pháp hóa học (Fu, Xu, Yu, Ye, &;
Cui, 2013; Ikeda, Kanaya,
Yonetani, Kobayashi, &;
Fukusaki, 2007). Trong khi, công
nghệ nano và mảng cảm biến đo
màu dựa trên phản ứng của thuốc
thử hóa học độc hại chưa đủ
trưởng thành từ các ứng dụng thực
tế. NIRS đã được chứng minh là
một công cụ phân tích mạnh mẽ
được áp dụng rộng rãi để xác định
định tính trong ngành nông nghiệp
và thực phẩm (Deng et al., 2020).
Kỹ thuật NIRS đánh giá thông tin
đặc trưng thông qua phân tích các
liên kết phân tử trong băng tần
NIRS (VÍ DỤ: C-H, N-H, O-H và
S-H), là thành phần cấu trúc chính
của các phân tử hữu cơ (Ren et
al., 2013). Hiện nay, nghiên cứu
sâu rộng về việc sử dụng kỹ thuật
NIRS trong trà được báo cáo. Chỉ
có hai nghiên cứu đã ghi nhận
việc áp dụng phương pháp NIRS
để phân biệt các loại trà (Fu et al.,
2013; Ikeda và cộng sự, 2007). Cả
hai bài báo được công bố đều
dành riêng cho trà xanh và các
thuật toán sàng lọc biến đổi tính
năng quang phổ không được áp
dụng và thảo luận cũng như so
sánh cả dụng cụ NIRS để bàn và
cầm tay được sử dụng để tiêu hóa
trước các mô hình. Bên cạnh đó,
không có nghiên cứu nào thực
hiện thí nghiệm để phân biệt trà
đen của tám loại bằng cách sử
dụng hệ thống tự phát triển vì thứ
hạng cao hơn biểu thị, sự khác
biệt nhỏ hơn và do đó khó khăn
hơn trong việc xác định trà (Zhu
et al., 2019). Trong công việc này,
mục tiêu chính là thiết kế một mô
hình nhận dạng để phân biệt các
lớp CDBT bằng cách sử dụng cảm
biến cận hồng ngoại cầm tay chi
phí thấp kết hợp với các phương
pháp hóa học (Hình 1). Một so
sánh cho các thiết bị cầm tay và
để bàn đã được thực hiện để xác
minh tính khả thi của việc thiết
4
 lập một mô hình phân biệt đối xử
đáng tin cậy và rẻ tiền. PLS-DA
và máy vector hỗ trợ (SVM) kết
hợp với thuật toán di truyền (GA)
và các phương pháp thuật toán
chiếu kế tiếp (SPA) đã được áp
dụng tương đối để chọn mô hình
nhận dạng tối ưu và cung cấp
phương pháp khuyến khích cho hệ
thống NIRS di động.
2| VẬT LIỆU VÀ PHƯƠNG PHÁP
2.1 | Chuẩn bị mẫu
Tổng cộng có 240 mẫu CDBT được thu
thập từ tỉnh Vân Nam ở phía tây
nam Trung Quốc. Tất cả các mẫu
được xử lý thành tám loại chất
lượng đã được thu hoạch vào năm
2018 trong cơ sở trồng chè của
Yunnan Dianhong Group Co. Ltd.
Số lượng mẫu từ mỗi lớp chứa 30.
Mỗi mẫu được nghiền trong 10
giây bằng máy xay tốc độ cao
(Beijing ever briGht medical
treatment instrument co., Ltd,
model FW100). Trà xay (50 g)
được sàng qua lưới 40 và sau đó
được sử dụng để thu thập quang
phổ, và các mẫu sàng được đóng
gói vào túi giấy kraft và được lưu
trữ trong một nơi kín và tối để
phân tích thêm.
2.2 | Thu được quang phổ
Dữ liệu được thu thập bởi máy quang
phổ cận hồng ngoại biến đổi
Bruker MPA Fourier (FT) (Bruker
Optik GmbH) và một hệ thống
cầm tay bằng cách phát triển độc
lập, tương ứng. Thiết bị NIRS để
bàn với hình cầu tích hợp được sử
dụng để ghi lại phổ phản xạ
khuếch tán của các mẫu giữa các
bước sóng 900 và 1.700 nm ở độ
phân giải 8 cm−1 bằng 32 lần
quét. Dữ liệu được đo bằng
khoảng cách 3,86 cm−1, dẫn đến
1.354 biến trong mỗi phổ. Đối với
mỗi mẫu, 3,0 ± 0,1 g bột trà được
đóng gói vào tế bào thạch anh
(đường kính 35 mm), theo quy
trình tiêu chuẩn cho mật độ khối
lượng lớn của vật liệu. Mỗi mẫu
được đo ba lần sau khi quay cốc
xen kẽ 120 ° (Wang et al., 2013).
Máy quang phổ cận hồng ngoại
cầm tay ghi lại quang phổ ở chế
độ phản xạ khuếch tán trong phạm
vi từ 11.100 cm−1 đến 5.880
cm−1 (900–1.700 nm) với độ
phân giải 5,85 cm−1, bao gồm
chủ yếu là các hệ thống phần cứng
và phần mềm. Phần cứng bao gồm
máy quang phổ, nguồn điện, máy
tính xách tay và cốc mẫu. Phần
mềm bao gồm công nghệ truyền
thông USB. Máy quang phổ với
rước ánh sáng kỹ thuật số và máy
dò Indium Gallium Arsenide
(InGaAs) một pha được sản xuất
bởi Texas Instruments. Khoảng
3,0 ± 0,1 g mỗi mẫu được đưa vào
một tế bào thạch anh. Quang phổ
được đo liên tiếp ba lần với 32
5
 xoay thủ công giữa các phép
đo.Phổ trung bình từ mỗi mẫu
quét, dẫn đến 512 biến. Hiệu suất
được sử dụng trong phân tích tiếp
khác biệt giữamáy quang phổ để
theo. Nhiệt độ được giữ ở khoảng
bàn và cầm tay được mô tả trong
25°C, và độ ẩm làgiữ ở mức ổn
Bảng 1.Cuvette thạch anh được
định trong phòng thí nghiệm.

NIR hệ thống Biến số sự tuyển chọn PLS-DA SVM

HÌNH 1 Biểu diễn sơ đồ của cả hệ thống NIRS để bàn và cầm tay kết hợp với
các thuật toán hóa học. NIRS,quang phổ cận hồng ngoại; PLS-DA, phân tích
phân biệt đối xử bình phương nhỏ nhất một phần; RMSECV, lỗi bình
phương trung bình gốc của xác thực chéo; SVM,máy véc tơ hỗ trợ
2,3 | Tiền xử lý dữ liệu quang phổ cho loại bỏ sự thay đổi độ dốc
và hiệu chỉnh các hiệu ứng tán
tiền xử lý để giảm nhiễu và tăng
xạ (Ren và cộng sự, 2013). Mỗi
cường đóng góp của thuộc tính
phổ được hiệu chỉnh riêng lẻ
tính năng mẫu trước khi xây
theo hai bước: đầu tiên, căn
dựng mô hình.Chuyển đổi bình
giữa các giá trị phổ và sau đó,
thường tiêu chuẩn (SNV) đã
thứ hai, chia tỷ lệ theo độ lệch
được chọn là ưu việt phương
chuẩn được tính trên các giá trị
pháp hiệu chỉnh tán xạ ánh sáng
phổ riêng lẻ (Barnes, Dhanoa,
trong nghiên cứu này, đó là một
& Lister, 1989; Chen, Tan, Lin,
phương tiện biến đổi toán học
& Wu, 2018).
của phổ log (1/R) được sử dụng
Phổ thô thu được từ máy quang phổ mẫu, nền thông tin và nhiễu
NIR có xu hướng bị ảnh hưởng nhiễu (Wang và cộng sự, 2017).
bởi tính chất vật lý của các Kể từ khi bột trà khô bao gồm

6
 các kích cỡ hạt khác nhau, và
tán xạ ánh sáng cao và thay đổi
(Huang, Li, Zhao, Huang,&
Chen, 2015), dữ liệu quang phổ
thô được xử lý bằng quang phổ
2,4 | Phân tích dữ liệu đa biến
Phân tích thành phần chính (PCA)
được sử dụng rộng rãi để xác
định và loại bỏ các ngoại lệ,
giảm kích thước của hiện có.
tập hợp dữ liệu, và trích xuất thông tin
quan trọng (Chen, Tấn, & Lin,
BẢNG 1 Sự khác biệt
về hiệu suất giữa máy
tính để bàn và thiết bị
cầm tay máy quang phổ
cận hồng ngoại
Phân tích phân biệt bình phương
2019; Li, Zhang, Zhao, Huang,
& Wang, 2017). Phân tích này
có thể đơn giản hóa dữ liệu
quang phổ nguyên thủy thành
một số biến số và loại bỏ tính
tương đồng và giảm thời gian
học máy trong khi duy trì thông
tin quang phổ tương quan với
cấp trà đen (Subbuthai,
Periasamy, & Muruganand,
2012)
nhỏ nhất từng phần (PLS-
DA) được sử dụng rộng rãi
được áp dụng như một
hiệu suất đơn giản, nhanh
chóng, tương đối tốt và
tuyến tính phương pháp phân
biệt để phân tích định tính
(Costa, Uchida,Miguel, Duarte,
& Lima, 2017). Phương pháp
này được triển khai để khám
phá các thành phần hoặc biến
tiềm ẩn là gì phân biệt tốt hơn
giữa các loại mẫu khác nhau từ
7
quang phổ NIR của chúng (ma
trận X: 900–1.700 nm) theo
hiệp phương sai tối đa của
chúng với một lớp mục tiêu
được xác định trong một lớp
biến thích hợp (ma trận Y:
điểm) (Bassbasi, De Luca,
Ioele,Oussama, & Ragno, 2014;
Genisheva và cộng sự, 2018).
Hiệu suất của mô hình PLS-DA
được đánh giá dựa trên các hệ
số tương quan của hiệu chuẩn
(Rc) và dự đoán (Rp), gốc lỗi
bình phương trung bình của xác
thực chéo (RMSECV) và gốc
lỗi bình phương trung bình của
dự đoán (RMSEP). Để có được
một tốt hơn hiệu suất, nói
chung, một mô hình xuất sắc
nên được phân bổ với
RMSECV, RMSEP thấp hơn và
R cao hơn (Ren et
al.,2013).Máy vector hỗ trợ
(SVM) đã được chứng minh là
một giải pháp đáng chú ý
phương pháp phân loại mô hình
phi tuyến tính được sử dụng để
thiết lập một mô hình có khả
năng xử lý hiệu quả với chiều
cao vectơ đầu vào (Thissen,
Pepers, Üstün, Melssen, &
Buydens, 2004).SVM dựa trên
lý thuyết kích thước VC và
nguyên tắc giảm thiểu rủi ro
cấu trúc, được dành để cải thiện
khả năng khái quát hóa khả
năng (Wang và cộng sự, 2020).
Hiện nay, SVM đã được sử
dụng rộng rãi được sử dụng
trong ứng dụng thực tế. Nói
chung, thuật toán phụ thuộc vào
sự kết hợp tối ưu của hai tham
số chính (viz.tham số phạt và
chức năng hạt nhân) để thu
được kết quả dự đoán khả quan
(Chen, Zhao, Fang, & Wang,
2007; Smola &
Schölkopf,2004). Tham số hình
phạt (c) được sử dụng để đánh
giá giữa việc bắt chước tối
thiểu lỗi huấn luyện và độ phức
tạp của mô hình. chức năng hạt
nhân tham số (g) xác định ánh
xạ phi tuyến từ không gian đầu
vào sang không gian đặc trưng
nhiều chiều nhất định (Zhang,
Liu, & Wang, 2008).Theo
truyền thống, cả hai tham số
được chọn đều dựa trên bán
kính hàm cơ sở. Các chức năng
hạt nhân có một chức năng
quan trọng đáng kể cả trong lý
thuyết và ứng dụng của SVM
(Xu, Jiang, Liu, He,& Chen,
2019).
2,5 | Phương pháp lựa chọn biến
Hai thuật toán lựa chọn biến khác
nhau đã được sử dụng để trích
xuất thông tin biến đặc trưng và
giảm độ phức tạp của mô hình
8
phân loại trong nghiên cứu này,
cụ thể là GA và SPA. GA bây
giờ là được sử dụng như một
thuật toán tìm kiếm heuristic để
thực hiện tự động quy trình lựa
chọn bước sóng để xây dựng
hiệu chuẩn đa biến các mô hình
dựa trên hồi quy bình phương
nhỏ nhất từng phần với khả
năng tự tổ chức và độ tin cậy
cao. Phương pháp nhằm mục
đích tìm kiếm các tham số tối
ưu từ một quần thể các giải
pháp ứng cử viên bằng cách
chọn biến và chọn biến đặc
trưng đại diện và cải thiện độ
chính xác của các mô hình
trong khi tối ưu hóa kết quả đầu
ra (Ning và cộng sự, 2018; Xu
và cộng sự, 2018). SPA được
đề xuất như một chiến lược lựa
chọn biến linh hoạt để hiệu
chuẩn đa biến (Fan et al.,2019).
Kỹ thuật này là một phương
pháp chọn lọc tiên tiến được
thiết kế để giảm số lượng biến
được sử dụng để lập mô hình,
giảm thiểu tai nghe colin từ mỗi
vị trí số bước sóng (Liu & He,
2009) và cải thiện điều kiện của
hồi quy tuyến tính bội bằng
cách giảm thiểu hiệu ứng cộng
tuyến trong tập dữ liệu hiệu
chuẩn (Sun et al., 2019). Các
các thuật toán tối ưu hóa ở trên
có thể loại bỏ các vùng quang
phổ với độ nhiễu lớn và thông
tin không liên quan, đồng thời
nâng cao khả năng dự đoán của
mô hình hóa (Basati, Jamshidi,
Rasekh, & Abbaspour
Gilandeh, 2018; Li & Su, 2018
2,6 | Phần mềm
Tất cả các thuật toán đã được thực
hiện trong Matlab R2014a
(Mathworks)và phần mềm
SIMCA 14.1 (Umetrics) trong
Windows 8.1 trong dữ liệu xử
lý.
3 | KẾT QUẢ VÀ THẢO LUẬN
3.1 | tính năng quang phổ
Hình 2 cho thấy quang phổ thô của tất
cả các mẫu bằng cách sử dụng
hai thiết bị NIR khác nhau về
độ hấp thụ.
Phổ ban đầu
được thu
thập trên
CDBT chứa
thông tin có
giá trị về
chất lượng
bên trong
9
 của các sản phẩm. Các dao
động kéo dài và uốn cong khác
nhau nhóm chức năng (ví dụ,
C-H, O-H, N-H, và C-O) liên
kết với hàm lượng nước,
protein, ancaloit và các hoạt
chất quang phổ khác.
HÌNH 2 Phổ thô của tất cả Hình 4 sơ đồ phân tích thành phần
các mẫu được ghi lại bằng hệ chính cho trà đen dianhong của Trung
thống cầm tay (a) và máy Quốc có tám lớp dựa trên hệ thống
quang phổ để bàn (b) cầm tay (a) và quang phổ băng ghế
(b)

Hình 3 đường cong

quang phổ của phương
pháp chuyển đổi bình
thường tiêu chuẩn với hệ
thống cầm tay (a) và
quang phổ băng ghế (b)

10
Các thành phần ảnh hưởng đáng kể
đến quang phổ (Li và cộng sự
2019). Các nhóm khác nhau có
cường độ hấp thụ và vị trí khác
nhau trong vùng Nirs. Nhìn từ
hình 2, quang phổ từ các mẫu
trà từ các lớp khác nhau có xu
hướng tương tự nhau, nhưng có
một chút khác biệt về độ phản
xạ, có thể do sự khác biệt về
thành phần hóa học của trà từ
các lớp khác nhau. Các dãi
quang phổ có thể tự liên kết
trực tiếp với các đặc điểm hấp
thụ của các hóa chất quan tâm
(Bian và cộng sự 2013). Hấp
thụ nước là một đỉnh đặc trưng
và thống trị ở khoảng 1.450nm
từ việc uốn cong dao động của
liên kết O-H trong toàn bộ
quang phổ và các dãi hấp thụ
Bảng: CDBT trà đen Dianhong của Trung Quốc; CDR đúng tỉ lệ phân biệt; NIRS;
quang phổ gần hồng ngoại; PLS-DA, phân tích phân biệt một phần bình phương
tối thiểu; SVM; máy vecto hỗ trợ.
O-H yếu khác là 1.200nm. Bên
cạnh đó, cả hai máy dò quang
phổ khác nhau đều dẫn đến sự
khác biệt về độ hấp thụ. Nó rất
khó để phân biệt các mẫu trà có
chất lượng khác nhau với các
đường cong nguyên thủy. Công
nghệ xử lý sơ bộ SNV đã được
sử dụng để điều chỉnh độ dài
đường chỉnh độ dài đường dẫn
và sự thay đổi cường độ quang
phổ để phân tích quang phổ tiếp
theo (hình 3) (xu và cộng sự
2018).
3.2 kết quả I của PCA
Dữ liệu quang phổ đã xử lý của SNV
có thể giảm xuống một số biến
số bằng cách phân tích PCA.
Quy trình phân tích đã điều tra
tỉ lệ đóng góp tích lũy của hai
nguyên tắc hàng đầu
Bảng 2 kết quả phân biệt
đối với CDBT ở các
lớp khác nhau thông
qua hệ thống NIRS.
11
Bảng 3 kết quả thống kê của các phương pháp lựa chọn biến số khác nhau trên
cảm biến NIRS cầm tay.
Bảng: NIRS; quang phổ gần hồng ngoại; PC, thành phần chính; PLS-DA, phân tích
phân biệt bình phương tối thiểu một phần; RMSECV, sai số bình phương
gốc của xác thữ chéo; RMSEP, bình phương sai số dự đoán.
Các thành phần (PC) của dữ liệu quang không gian của các mẫu từ các lớp
phổ (chen và cộng sự 2019). Hình phụ (ví dụ: thứ 2, thứ 4, thứ 6 và
4a cho thấy kết quả phân loại thứ 8) được thể hiện trong hình 4b
PCA đối với CDBT gồm 8 lớp bởi và điểm số của các mẫu còn lại
hệ thống cầm tay. Điểm số cho vẫn chưa hoàn toàn tách biệt. Do
thành phần chính đầu tiên (PC1) đó, phân tích PCA là không phù
là 70,30%, cho thấy một thông tin hợp để phân tách hiệu quả các lớp
quan trọng về quang phổ của các CDBT. Kết quả cần được phân
mẫu từ mỗi lớp. Điểm số của tích và xác định thêm bằng cách
thành phần chính thứ 2 ( PC2) là sử dụng các phương pháp mô hình
22,5%. Tỷ lệ đóng góp tích lũy khác.
của 2 máy PC đầu tiên (PC1 và
3.3 Tối ưu hóa kết quả của các mô
PC2) là 92,8%. Dữ liệu trên có thể
hình phân tích phân biệt thông
đại diện cho thông tin quang phổ
qua hai hệ thống NIRS
chính của các mẫu trà.
Từ hình 4a, các mẫu có bốn mức chất
lượng ( tên, thứ nhất, thứ 2, thứ 4
và thứ 6) xuất hiện sự tách biệt
không gian đáng kể, và sự phân
bố không gian của các mẫu so với
các lớp chồng chéo lên nhau.
Hình 4b thể hiện sơ đồ cụm điểm
PCA cho CDBT gồm 8 lớp dựa
trên quang phổ băng ghế. Hai
thành phần chính đầu tiên tạo
thành 97,39% khác nhau (PC1=
89,70%, PC2= 7,69%). Tổng tỉ lệ
đóng góp có thể trình bày thông
tin phổ chính. Các mẫu vật từ mỗi
lớp có diện tích cụm riêng. Các
ranh giới rõ ràng trong sự phân bố
12
Tất cả 240 mẫu vật thu được từ 8 lớp
được chia thành một tập hợp con
hiệu chuẩn và mỗi tập hợp con dự
đoán. Cái trước dùng để thiết lập
mô hình hiệu chuẩn và mô hình
sau để kiểm tra độ bền của mô
hình. Theo phân vùng dữ liệu 2/1
cho quang phổ chuẩn/ dự đoán,
hai trong số 3 mẫu đã được chọn
vào độ hiệu chuẩn. Do đó, bộ hiệu
chuẩn quang phổ chưa 160 mẫu
(mỗi lớp 20 mẫu) và quang phổ
còn lại từ 80 mẫu (mỗi lớp 10
mẫu) được gán cho bộ dự đoán.
Kết quả phân biệt đối sử đối với
CDBT ở các cấp khác nhau thông
qua hai công cụ Nirs ( trên băng
ghế và hệ thống cầm tay) được
trình bày trên Bảng 2. Từ việc so
sánh cả hai thuật toán trên dữ liệu
Nirs băng ghế bãng, kết quả của
các mô hình SVM là chiến lược
thỏa đáng với tỷ lệ phân biệt
chính xác (CDR) là 100% cho các
bộ đào tạo và kiểm thử. Mô hình
PSL-DA không mang lại hiệu suất
hoàn toàn hiệu quả dựa trên hệ
thống tự phát triển và CDR của
mô hình chỉ vượt quá 80%. Như
có thể thấy trên bảng 2, các mô
hình nhận dạng thu được bằng
cách tiếp cận SVM dẫn đến kết
quả hiệu chuẩn và dự đoán vượt
trội hơn PLS-DA. Lý do khả thi là
phương pháp SVM không tuyến
tính có thể đơn giản hóa tốt sự
tương tác giữa một số biến số. Với
các kết quả trên, các hiệu suất
mẫu suất sắc tương tự được đề
suất từ cả máy tính để bàn và thiết
bị di động. Cảm biến cầm tay rõ
ràng được sử dụng như một công
cụ giá rẻ và dễ dàng để đạt được
tỷ lệ phân biệt cao của điểm
CDBT với tiềm năng ứng dụng
toàn ngành.
3.4
Hình 5: Kết quả của các biến được chọn theo
biến. (a) Thuật toán di truyền; (b) thuật to
Tối ưu hóa kết quả từ các phương
pháp lựa chọn biến số khác
biến bước sóng, là GA và SPA, được sử
dụng để lựa chọn các dải quang
phổ cụ thể và các biến đặc trưng
đại diện để thiết lập các mô hình
phân tích phân biệt phổ giảm đáng
tin cậy, đạt được việc giám sát
nhanh và chính xác CDBT từ tám
lớp. Tuy nhiên, cả hai chiến lược
chọn mẫu thuật toán đều là ngẫu
nhiên. Do đó, cả hai phương pháp
đều được thực hiện 100 lần để
13
 đánh giá khả năng tái tạo và ổn
định theo kết quả thống kê thu
được. Trong mô hình PLS-DA,
RMSECV, RMSEP và R được sử
dụng để thẩm định hiệu suất của
mô hình. Số lượng biến được
chọn và số lượng PC tối ưu đã
được ghi lại. Ngoài ra, số lượng
máy tính tối đa được đặt là 15 và
số lượng máy tính tối ưu đạt được
bằng cách xác thực chéo một lần
(CV) sau đó được sử dụng để lựa
chọn các biến. GA được xác định
là tiêu chuẩn của biến ưu tiên cho
CV xét về mức tối thiểu toàn cầu
của RMSECV. Để chạy GA, xác
suất lặp lại di truyền và đột biến
lần lượt được đặt là 0,5 và 0,01.
Các kết quả thống kê định tính của các
phương pháp lựa chọn biến số
khác nhau (viz). GA và SPA) sử
dụng cảm biến cầm tay 100 lần
thực hiện được trì nh bày trong
Bảng 3. Kết quả cho thấy hai
phương pháp sàng lọc biến số có
hiệu suất mô hình hài lòng cả về
hiệu chuẩn và bộ dự đoán. Điều
tra từ Hình 5. Các bị ến được GA
và SPA lựa chọn khá phân tán
trong khu vực quang phổ đầy đủ
(bao gồm 512 biển số). So với
SPA và quang phố đầy đủ, GA
vượt trội hơn đáng kể với
RMSECV và RMSEP nhỏ hơn và
R lớn hơn. Mặc dù vậy, chiến
lược lấy mẫu biến s ố của thuật
toán SPA thu thập ít biến số hơn
(13 biển số) từ Bảng 3. Lý do
chính | cho hiện tượng này là cách
tiếp cận trích xuất biến số của mỗi
thuật toán là khá c nhau. SPA có
thể bỏ qua một số thông tin quang
phổ tính năng hợp lệ. Do đó, m ô
hình nhận dạng GA-PLS-DA đã
đạt được kết quả tốt hơn với 90
biển số và 7 PC. trong quá trình
hợp thức hóa.
3.5 | So sánh và thảo luận về các kết
quả tối ưu từ các phương pháp mô
hình khác nhau
Bảng 4 cho thấy kết quả dự đoán của các
mô hình PLS-DA và SVM tối ưu
dự a trên trong vòng 100 lần chạy
của cả hai phương pháp lựa chọn
biến thô ng qua cảm biến cầm tay.
Như có thể thấy trong Bảng 4. so
sánh với các m ô hình PLS-DA và
SVM dựa trên phương pháp SPA,
các mô hình khác dựa tr ên phố
đầy đủ và GA đã đạt được kết quả
dự đoán tốt hơn. Bên cạnh đó, so
với các mô hình GA-PLS-DA,
GA-SVM, PLS-DA và SVM, mô
hình GA-SVM đã đ ạt được hiệu
suất tốt nhất trong quá trình hiệu
chuẩn và xác thực, và bao gồm ít
biến bước sóng hơn. CDR tương
ứng của mô hình GA-SVM tối ưu
đ ạt 98,75% và 100% trong bộ
đào tạo và bộ dự đoán, và hai mẫu
trà đơn thuầ n bị đánh giá sai như
các lớp hỗn hợp khác. Về nguyên
14
 nhân từ thiết bị cầ m tay với thuật SVM có những lợi thế tiềm tàng
toán GA-SVM đạt được hiệu suất đối với phân biệt định tính trái
phân biệt tốt nhất, một cuộc thảo ngược với thuật toán tuyến ti nh
luận ngắn gọn được giải thích như (PLS-DA) trong nghiên cứu này.
sau: Phương pháp SVM đã áp dụng
một hàm kernel để ánh xạ dữ liệu
Thứ nhất, đối với các mô hình PLS-DA
vào một không gian cao cấp, nơi
và SVM dựa trên toàn bộ phổ, cá
nó có thể tách các lớp biển (Xu,
c mô hình được phát triển sử dụng
Giang, và cộng sự, 2019). Việc
512 biến quang phổ. Tuy nhiên,
đánh giá xếp hạng chất lượ. ng
trong khu vực quang phổ đầy đủ,
CDBT là một khóa học phức tạp
tồn tại vô số biến số dư thừa
bao gồm sự biến đổi thành phần
không liên quan đến mức độ chất
vật lý nội bộ và sự trao đổi chất
lượng CCDB trong việc phân loại
thành phần, làm cho việc thừa
trà. Do đó, hiệu suất dự đoán của
nhận và phân biệt đối xử trở nên
các mô hình nhận dạng có thể sẽ
khó khăn.
bị suy yếu do thông tin vô ích quá
mức liên quan đến mô hình. Thứ ba, kết quả của các mô hình phân
loại dựa trên thuật toán GA cho
Thứ hai, các mô hình GA-PLS-DA,
thấy CDR cao hơn so với các mô
SPA-PLS-DA, GA-SVM và SPA-
hình sử dụng phương pháp SPA.
SVM lần l ượt được thiết lập bằng
Mặc dù SPA kết hợp với PLS-DA
cách áp dụng hai thuật toán lựa
hoặc SVM giảm tỷ lệ tín hiệu so
chọn biến quang phổ thông tin.
với tiếng ồn có thể giảm thiếu sự
Kết quả của mô hình GA-SVM
chồng chéo và dư thừa thông tin
vượt trội hơn so với các mô h inh
và các biến ưa thích (Diniz,
PLS-DA và SVM sử dụng toàn bộ
Gomes, Pistonesi, Band, & de Ar
quang phổ kể từ khi các biến tính
arajo, 2014). Độ chính xác nhận
nă ng được trích xuất để hiệu
dạng bằng cách áp dụng thuật
chuẩn mô hình. Hơn nữa, so với
toán SPA.. đã bị ảnh hưởng lớn
các mô hình PLS-DA và SVM,
với khả năng áp dụng thấp. Trên
các mô hình SVM tương ứng thu
thực tế, GA phù hợp hơn với
được tốt hơn kết quả với CDR cao
việc , sàng lọc các bước sóng đặc
hơn của bộ hiệu chuẩn và bộ dự
trưng liên quan đến cấp bậc trả
đoán trong quá trình xác thực. Lý
trong bài báo này. Do đó, thuật
do chí nh có thể giải thích sự khác
toán GA-SVM không tuyến tính
biệt rằng cách tiếp cận nhận diện
có thể đạt được kết quả dự đoán
khuôn mẫu phi tuyến tính của

15
 tốt nhất trên i quang phổ thông
qua hệ thống được phát triển,
trong đó các biến số thấp có thể
đạt . được hiệu suất tổng quát hóa
tốt hơn.
4. Kết luận
Trong nghiên cứu này, một hệ thống
NirS cầm tay được phát triển kết
hợp với các công cụ hóa học đã
được trình bày để phân biệt nhanh
chống điểm số CDBT. So sánh
các thiết bị băng ghế di động và 1
được sử dụng để đánh giá hiệu
suất của mô hình định tính. Kết
quả so sánh cho thấy các mô hình
SVM sử dụng hai thiết bị trên đã Sự nhận tội
xác định CDBT từ tám lớp với độ
chính xác lên tới 100% giữa các
bước sống 900 và 1.700 nm trong
bộ dự đoán. Cả hai thuật toán (GA
và SPA) để sàng l ọc các biến
bước sóng thông tin đã được đề
xuất và hai phương pháp học máy Mâu thuẫn về lợi ích
- khác nhau (PLS-DA và SVM) đã
được sử dụng để phát triển các mô
hình phân biệ t để đánh giá điểm
CDBT. Từ kết quả, thuật toán
biến bước sống đã chọn đơn giản
hoá. Người mẫu có tỷ lệ phân biệt
cao về điểm số CDBT, Phương
pháp GA svm SVM đã đạt được
hiệu suất tốt hơn nhờ độ chính xác
dự đoán. Nghiên cứ u này đã
chứng minh rằng hệ thống Nirs
cầm tay được phát triển kết hợp
với phương pháp phân biệt chất
lượng thích hợp có tiềm năng cao
trong việc xác định cấp CDBT và
hứa hẹn sẽ thiết lập một cảm biến
Nirs di động kinh tế cụ thể để đảm
bảo chất lượng hiện trường
CDBT.
Công trình này đã được Chương
trình Nghiên cứu và Phát triển
then chốt Quốc gia Trung Quốc
hỗ trợ về tài chính (Dự án số:
YFD0400805).
Các tác giả đã tuyên bố không có
xung đột lợi ích nào đối với bài
viết này.
16
Sự tán thành về đạo đức Tất cả những người tham gia
nghiên cứu đều đồng ý bằng văn
Nghiên cứu này không bao gồm
bản.
bất kỳ thí nghiệm nào trên người
hay trên động vật. Chất orcid
Sự đồng ý nhanh chống

Quay Dhttps://orcid.org/0000-0003 04 (2014). Dự đoán nguồn gốc địa lý

0450 1454 https://orcid. o/0000- của bơ bằng cách phân tích phân
0003-1564-1428 Trịnh Châu biệt bình phương tối thiểu một
Trương phần (PLS-DA) áp dụng cho dữ
liệu quang phổ hồng ngoại
Barnes, R. Dhanca, M. S., & Lister, S. J.
(FTIR). Tạp chí Thành phần và
(1939). Biến đổi biến đổi bình
Phân tích Thực phẩm, 33 (2), 210-
thường tiêu chuẩn và giả m xu
215
hướng của quang phổ phản xạ
https://doi.org/10.1016/j.jfca.2013
khuếch tán gần hồng ngoại.
.11.010
Applied Spectroscopy, 43 (5).
772-777. Bian, M., Skidmore, A. K., Schlerf, M.,
https://doi.org/10.1366/00037028 Wang, T., Liu, Y., Zeng, R., &
94202201 Fei, T. (2013). Dự đoán hoá sinh
lá cây của trà (Camellia sinensis)
Basati, Z., Jamshidi, B., Rasekh, M., &
sử dụng phổ phản xạ đo được ở
Abbaaspo-Gilandeh, Y. (2018).
bột, lá và tán cây. Tạp chí đo ảnh
Phát hiện các mẫu lúa mì bị thiệt
và cảm biến từ xa của ISPRS, 78,
hại do ánh nắng mặt trời gây ra
148-156.
bằng cách sử dụng quang phổ
https://doi.org/10.1016/j.isprs jprs.
nhìn thấy / gần hồng ngoại dựa
2013.02.002
trên nhận diện khuôn mẫu. Quang
phổ học phần A: Quang phổ phân Chen, H., Tan, C., & Lin, Z., (2019).
tử và phân tử sinh học, 203, 308- Nhận dạng không phá hủy trứng
314. bản địa bằng quang phổ gần hồng
ngoại và mô hình lớp dựa trên dữ
https://doi.org/10.1016/
liệu. Quang phổ học phần A:
j.saa.2018.05.123
Quang phổ phân tử và sinh học,
Bassbashi, M., De Luca, M., Iole, G., 206, 484-490.
Oussama, A., & Ragno, G.

17
 https://doi.org/10.1016/j.sa.2018
08.041
Chen, H., Tan, C., Lin, Z., & Wu, T.
(2018). Phân loại và định lượng
bột sữa bằng quang phổ gần hồng
ngoại và lựa chọn biến số dựa trên
thông tin tương đồng lẫn nhau và
bình phương tối thiểu một phần.
Quang phổ học ACTA Phần A:
Phân tử và Quang phổ phân tử
sinh học, 189, 183-189. Diniz, P. H. G. D., Gomes, A. A.,
https://doi.org/10.1016/j.saa.2017.
08.034
Chen, Q., Zhao, J., Phương, C., &
Wang, D. (2007). Nghiên cứu khả
thi về xác định trà xanh, trà đen và
trà Ô Long sử dụng quang phổ
phản xạ gần hồng ngoại dựa trên
máy vector hỗ trợ (SVM). Quang
phổ A phần A: Phân tử và Quang
phổ phân tử sinh học, 66 (3), 568-
574.
https://doi.org/10.1016/j.saa.2006.
03.038 Costa, R.C., Uchida, V.H.,
Miguel, T.B.V., Duarte, M.M., &
Lima, K.M., (2017). Định lượng
các thông số chất lượng trong trái
cây castanola bằng NirS để phát
triển mô hình dự đoán sử dụng
PLS và các thuật toán lựa chọn
biến số trên quy mô phòng thí
nghiệm. Các phương pháp phân
tích, 9 (2), 352-357.
https://doi.org/10.1039/C6AY0
2404H
Deng, X., Liu, Z., Z., Zhan, Y., Ni, K.,
Zhang, Y., Ma, W., … Rogers, K.
(2020). Xác thực địa lý dự đoán
của trà xanh với việc chỉ định
nguồn gốc được bảo vệ bằng cách
sử dụng mô hình rừng ngẫu nhiên.
Phòng Quản lý Thực phẩm, 107,
106807.
https://doi.org/10.1016/j.foodc
trên.2019106807
Pistonesi, M. F., Band, B.S. F., &
de Arjojo, M.C. U. (2014). Đồng
thời phân loại trà theo chủng loại
và nguồn gốc địa lý của chúng
bằng cách sử dụng phương pháp
quang phổ Nir và SPA-LDA. Các
phương pháp phân tích thực
phẩm, 7 (8), 1712–1718.
https://doi.org/101007/s12161-
014-9809-7
Fan, S., Li, J., Xia, Y., Thiên, X., Guo,
Z., & Huang, W. (2019). Đánh giá
dài hạn hàm lượng chất rắn hòa
tan của táo có tính biến đổi sinh
học bằng cách sử dụng phương
pháp quang phổ gần hồng ngoại
và truyền hiệu chuẩn. Hậu thu
hoạch Sinh học và Công nghệ,
151, 79-87.
http://doi.org/1016/j.postharvio.20
19.201902.001
Fu, X., Xu, L., Yu, X., Ye, Z., & Cui, H.
(2013). Phân loại chất lượng nội
bộ mạnh mẽ và tự động của trà
xanh Trung Quốc (Longjing) bằng
18
 quang phổ và hóa học gần hồng
ngoại. Tạp chí Quang phổ học,
2013-17.
https://doi.org/10.1155/2013/1393
47
Genisheva, Z., Quintelas, C., Mesquita,
D.P., Ferreira, E.C., Oliveira,
J.M., & Amaral, AL. (2018). Jiang, H., Yu, F., Qin, L., Zhang, N.,
Phương pháp tiếp cận phân tích
PLS mới đối với các hợp chất dễ
bay hơi của rượu vang bằng quang
phổ hồng ngoại (NIR). Hóa học
Thực phẩm, 246, 172–180.
https://doi.org/10.1016/j.foodc
hem.201711.015.
Huang, Q., Li, H., Zhao, J., Huang, G.,
& Chen, Q. (2015). Chất lượng
thịt lợn không phá hủy bằng cách
sử dụng kỹ thuật chụp ảnh đa Li, C., Guo, H., Zong, B., He, P., Fan,
quang phổ hồng ngoại. Cấp RSC,
5 (116), 95903-95910.
https://doi.org/10.1039/C5RA188
72E
Ikeda, T., Kanaya, S., Yonetani, T.,
Kobayashi, A., & Fukusaki, E.
(2007). Dự đoán xếp hạng trà
xanh Nhật Bản của Fourier
chuyển đổi phương pháp quang
phổ phản xạ gần hồng ngoại. Tạp Li, J., Zhang, J., Zhao, Y.-L., Huang, H.-
chí Nông nghiệp và Hóa thực
phẩm, 55 (24), 9908-9912.
https://doi.org/10.1021/jf071 7642
Jiang, H., Xu, W., & Chen, Q. (2019).
Đánh giá chất lượng hương của
hồng trà bằng hệ thống hình ảnh
hoá khứu giác: Chọn cảm biến
tính năng bằng cách tối ưu hóa
nhóm hạt. Tổ chức Nghiên cứu
Thực phẩm Quốc tế, 126, 108605-
108611.
https://doi.org/10.1016/j.foodr
es.2019.108605
Cao, Q., Schwab, W., … Song, C.
(2019). Thay đổi động trong
amino acid, catechin, alkaloid, và
galic acid trong sáu loại trà chế
biến từ cùng một mẻ trà tươi
(camelia sinensis l.) lá. Tạp chí
Thành phần và Phân tích Thực
phẩm, 77, 28- 38.
https://doi.org/10.1016/j.jfca.2019
.01.005
F., & Gong, S. (2019). Phân biệt
nhanh chóng và không phá hủy trà
xanh nhạt loại đặc biệt sử dụng
phương pháp quang phổ cận hồng
ngoại. Quang phổ học phần A:
Quang phổ phân tử và sinh học,
206, 254-262.
https://doi.org/10.1016/j.
Saa.20187.085
Y., & Wang, Y.-Z. (2017). Hồ sơ
hóa chất cụ thể dựa trên đánh giá
chất lượng toàn diện về sự thay
đổi mô và địa lý ở Gentiana sử
dụng phương pháp HPLC và
FTIR kết hợp với phân tích thành
phần chính. Biên giới hóa học, 5,
19
 125. phẩm, 115 (4), 1430-1436.
https://doi.org/10.3389/fchem.201 https://doi.org/10.1016/j.foodc
700125 hem.2009.073
Li, L., Wei, L., Ninh, J., & Zhang, Z. Ning, J., Sheng, M., Yi, X., Wang, Y.,
(2015). Phát hiện và định lượng Hou, Z., Zhang, Z., & Gu, X.
đường và siro glucose trong trà (2018). Đánh giá nhanh về khả
xanh rang dùng phương pháp năng sinh sản của đất trồng trà
quang phổ hồng ngoại. Tạp chí dựa trên quang phổ gần hồng
Cận Quang phổ hồng ngoại, ngoại. Spectroscopy Letters, 51
23.317-325. (9), 463-471.
http://doi.org/1080/00387010.201
Li, L., Xie, S., S., Zhu, F., Ning, J.,
81475398
Chen, Q., & Zhang, Z. (2017). Hệ
thống khứu giác nhân tạo dựa trên Pan, S., Sun, Y., Li, M., Deng, W.-W.,
mảng cảm biến màu để cảm biến & Zhang, Z. (2019). Guanine
chất lượng trà xanh Trung Quốc: deaminase cung cấp bằng chứng
Một phương pháp chế tạo. Tạp chí về hàm lượng cà-phê-in tăng lên
Quốc tế về Tài sản Thực phẩm, 20 trong quá trình tích tụ trà Pu'erh.
(up2), 1762–1773. RSC Advance, 9, 36136-36143.
https://doi.org/10.1080/10942912. http://doi.org/10.1039/C9RA0565
17.1354021 5F
Li, T., & Su, C. (2018). Xác định và Pan, X., Qin, Z., Zhao, L., Cheng, H.,
phân loại tính xác thực của các Hu, X., Song, H., & Wu, J.
loài Rhodiola trong y học truyền (2012). Xây dựng mô hình hồi
thống Tây Tạng dựa trên sự biến quy để phân biệt chất lượng chè
đổi của quang phổ gần hồng ngoại đen (Dianhong): Tương quan các
và phân tích hóa học. Quang phổ thuộc tính mùi với dữ liệu dụng cụ
học ACTA Phần A: Phân tử và bằng cách sử dụng phân tích hồi
Quang phổ phân tử sinh học, 204, quy đa tuyến tính. Tạp chí Khoa
131-140 học và Công nghệ Thực phẩm
https://doi.org/10.1016/j.saa.2018. Quốc tế, 47(11), 2372-23799.
06.004 https://doi.org/10111/j.1365-
262.0312.x
Liu, F., & He, Y. (2009). Áp dụng thuật
toán chiếu liên tiếp để lựa chọn Ren, G., Fan, Q., He, X., Li, W., &
biến số để xác định acid hữu cơ Tang, X. (2020). Khả năng áp
của giấm mận. Hóa học Thực dụng thiết bị xử lý trước đa chức

20
 năng để ước tính đồng thời sự lan https://doi.org/10.1016/j. hành lý
truyền của trà xanh, làm khô trà 2019.2019 03.004
đen và lắc trà ô long. Tạp chí
Khoa học Thực phẩm và Nông
nghiệp, 100 (2), 560-569 .
https://doi.org/10.1002/jsfa.10046
Ren, G., Wang, S., Ning, J., Xu, R.,
Wang, Y., Xing, Z., … Zhang, Z.
(2013). Phân tích định lượng và
truy xuất địa lý của hồng trà sử
dụng Fourier chuyển đổi quang
phổ gần hồng ngoại (FT-NIRS).
Tổ chức Nghiên cứu Thực phẩm
Quốc tế, 53 (2), 822-826.
https://doi.org/10.1016/j. Lương
thực. 2012.10.032
Smola, a. j., & Schllkopf, b. (2004) Một
hướng dẫn về hồi quy véc tơ hỗ
trợ. Thống kê và tính toán, 14 (3),
199-2222.
http://doi.og/10.1023/B:STCO.00
00035301.4954988
Subbuthai, P., Periasamy, A., &
Muruganand, S. (2012). Xác định
ký tự bằng cách áp dụng phương
pháp PCA bằng Matlab. Tạp chí
quốc tế về ứng dụng máy tính, 60
(1), 8-11
https://doi.org/10.5120/9655-4074
Sun, J., Zhou, X., Hu, Y., Wu, X.,
Zhang, X., & Wang, P. (2019).
Hình dung sự phân bố độ ẩm
trong lá trà bằng cách sử dụng các
thuật toán tối ưu hóa và chụp siêu
quang Nir. Máy tính và điện tử
trong nông nghiệp, 160, 153-159.
21
 sóng vô tuyến phía sau để dự đoán
chất lượng chồi trà thông qua việc
lựa chọn dữ liệu quang phổ gần
hồng ngoại liên quan thông qua
khoảng thời gian tổng hợp tối
thiểu một phần. Thư phân tích, 46
(1), 184-195.
https://doi.org/10.1080/00032719.
12.706848
Wang, W., Jiang, H., Liu, G., Chen, Q.,
Mei, C., Li, K., & Huang, Y.
(2017). Phân tích định lượng quá
trình phát triển men dựa trên
| quang phổ FT-Nir tích hợp với
Thessen, U., Pepper, M., Ustnn, B., hồi quy hỗn hợp Gauss. RSC
Melsen, W., & Buydens, L. Advance, 7(40), 24988–24994.
(2004) So sánh máy vector hỗ trợ https://doi.org/10.1039/C7RA0
với PLS cho các ứng dụng hồi quy 2774E
quang phổ. Hoá số và Hệ thống Wang, Y., Hu, X., Jin, G., Hou, Z.,
Phòng thí nghiệm Thông minh, 73 Ning, J., & Zhang, Z. (2019). Dự
(2), 169-179. đoán nhanh về chlorophyll và
https://doi.org/10.1016/j.chemo carotenoid chứa trong lá trà ở các
phòng thí nghiệm.01.002 Wang, mức độ khác nhau của nitơ dựa
S., Liu, S., Che, X., Wang, Z., trên hình ảnh siêu quang phổ. Tạp
Zhang, J., & Kong, D. (2020,). chí Khoa học Thực phẩm và Nông
Nhận biết các hydrocarbon thơm nghiệp, 99 (4), 1997-2004.
đa vòng sử dụng phân tích quang https://doi.org/10.1002/jsfa.9399
phổ huỳnh quang kết hợp với
thuật toán tối ưu hóa đàn chim hỗ Wu, H., Huang, W., Chen, Z., Chen, Z.,
trợ máy vector. Quang phổ học Chen, Z., Shi, J., Kong, Q., …
ACTA Phần A: Quang phổ phân Yan, S. (2019). Nghiên cứu trao
tử và phân tử sinh học, 224. đổi chất dựa trên GC-MS cho thấy
117404. những thay đổi động của các
thành phần hóa học trong quá
Wang, S., Zhang, Z., Ning, J., Ren, G., trình chế biến trà đen. Tổ chức
Yan, S., & Wan, X. (2013). Mô Nghiên cứu Thực phẩm Quốc tế,
hình mạng thần kinh nhân tạo - 120, 330-338
22
 https://doi.org/10.1016/j.foodr
es.20190.039
Xu, M., Wang, J., & Gu, S. (2019). Xác
định nhanh chất lượng trà bằng
mũi điện tử và tầm nhìn máy tính
kết hợp với chiến lược tổng hợp
dữ liệu. Tạp chí Kỹ thuật Thực
phẩm, 241, 10-17. Zhang, J., Liu, S., & Wang, Y. (2008).
http://doi.og/10.1016/j.jfoodeng.2
018.2018.07.020
Xu, W., Jiang, H., Liu, T., He, Y., &
Chen, Q. (2019). Sự phân biệt về
chất lượng các giai đoạn lên men
dựa trên hệ thống cảm biến hình
ảnh hóa khứu giác tích hợp với Zhang, L., Santos, J.S., Cruz, T.M.,
thuật toán nhận diện khuôn mẫu.
Các phương pháp phân tích, 11 (26),
3294-3300.
https://doi.org/10.1039/C9AY007
60A
Xu, Y., Kutsanedzie, F.Y., Sun, H.,
Wang, M., Chen, Q., Guo, Z., &
Wu, J. (2018). Các loài
Pseudomonas nhanh chóng xác
định từ thịt gà bằng cách tích hợp
cảm biến màu sắc với quang phổ
gần hồng ngoại. Các Phương pháp
Phân tích Thực phẩm, 11 (4),
Zhang, N., Jing, T., Zhao, M., Jin, J.,
1199-1208.
https://doi.org/10.1007/s12161-
017-1095-8
Zareef, M., Chen, Q., Ouyang, Q.,
Arslan, M., Hassan, M.M.,
Ahmad, W., … Ancheng, W.
(2019). Sàng lọc nhanh các hợp
chất phenol trong trà đen cocou
(Camellia sinensis) trong quá
trình lên men trong ống nghiệm
bằng cách sử dụng hệ thống phân
tích quang phổ di động kết hợp
hóa học. Tạp chí Chế biến và Bảo
tồn Thực phẩm, 43 (7), e13996.
Nghiên cứu về mối liên hệ gen với
SVM, MLP và xác thực chéo để
chẩn đoán bệnh. Tiến bộ trong
khoa học tự nhiên, 18(6) 741-750
https://doi.org/10.1016/j.pnsc.200
7.11.022
Marques, M.B., do Carmo,
M.A.V., Azevedo, L.,… Granato,
D. (2019). Tác động đa biến của
cấp trà đen kemun của Trung
Quốc (Camellia sinensis var.
sinensis) đối với thành phần
phenol, chất chống oxy hóa,
chống tan huyết và độc tế
bào/cyto. Tổ chức Nghiên cứu
Thực phẩm Quốc tế, 125, 108516-
108525.
https://doi.org/10.1016/j.foodres.2
019.10.108516
Xu, M., Chen, Y., … Song, C.
(2019). Quá trình trao đổi chất
không mục tiêu kết hợp với phân
tích hoá học cho thấy các dấu hiệu
không bay hơi tiềm năng trong
quá trình lắc trà ô long. Tổ chức
Nghiên cứu Thực phẩm Quốc tế,
23
 123, 125-134
https://doi.org/10.1016/j.
Thực phẩm 2019.20194.053
Zhu, P., Zhao, F., Chen, M., Ye, N., Lin,
Q., Ouyang, L., … Wang, Y.
(2019). Xác định 21 axit amin tự
do trong 5 loại trà bằng phương
pháp chromatography lỏng hiệu
suất cực cao kết hợp với phương
pháp phân tích khối lượng song
song (UHPLC-MS/MS) bằng
phương pháp 6-aminoquinolyl-N-
hydroxycysinidyl carbamate
(AQC). Tạp chí Thành phần và
Phân tích Thực phẩm, 81, 46-54.
https://doi.org/10.1016/j.jfca.2019
5.007
Zhou, X., Sun, J., J., Wu, X., Lu, B.,
Yang, N., & Dai, C. (2019).
Nghiên cứu về phân loại tính năng
trà mốc dựa trên thuật toán
WKNN và hình ảnh siêu quang
Nir. Quang phổ học phần A:
Quang phổ phân tử và phân tử
sinh học, 206, 378-383
Zhu, J., Zhu, F., Li, L., Cheng, L.,
Zhang, L., Sun, Y., … Zhang, Z.
(2019). Tỷ lệ phân biệt cao của
cấp trà đen Dianhong dựa trên các
thăm dò huỳnh quang kết hợp với
các phương pháp hóa học. Hoá
thực phẩm, 298, 125046 - 125052.
https://doi.org/10.1016/j.foodc
hem.2019125046

Làm thế nào để trích dẫn bài viết 24

này: Hoàng J, Ren G, Sun Y, v.v.
Sự phân biệt về chất lượng đối với
các loại trà đen dianhong của Trung