傅里叶变换红外光谱结合化学计量法对香附水分、灰分和浸出物的快速测定

建立基于傅里叶变换红外光谱的香附水分、灰分和浸出物的快速测定模型。运用ANTARIS II FT-NIR Analyzer对60个香附样品进行近红外光谱采集。依照2015版药典中的方法测得60个香附样品的水分、灰分以及浸出物含量数据。运用TQ Analyst软件对所得香附的近红外光谱与试验所得的香附样品的水分、灰分以及浸出物含量数据建立快速测定的模型。所建立的香附水分、灰分、浸出物含量快速测定模型能较准确地对香附水分、灰分、浸出物含量进行识别与验证。其中香附水分含量模型R2为0.902 7,校正集预测均方差（root mean square error of calibration,RMSEC）为0.774,预测集的预测均方差（root mean square error of prediction,RMSEP）为0.521;香附灰分含量模型R2为0.988 4,RMSEC为0.061 9,RMSEP为0.058 5;香附浸出物含量模型R2为0.890 3,RMSEC为1.25,RMSEP为2.33。所建立的模型能够较准确地实现香附水分、灰分、浸出物含量的快速测定。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R~2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root mean square error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模型,实验结果为R~2从0.955 2提高到0.977 7、RMSEC从0.375 8降低到0.245 3、RMSEP从0.268降低到0.264。结果表明基于光谱预处理结合GA优化波长来定量分析面粉中水分含量是可行的,且准确性和误差度皆优于无优化模型。     

基于近红外光谱定量分析花生牛奶可行性

模拟花生牛奶生产工艺制备不同含量的花生牛奶,使用近红外光谱仪扫描建立定量分析模型,探索近红外光谱应用于花生奶定量分析的可行性。结果表明,花生牛奶使用PLS建模方法可以有效地对光散射、花生与奶粉之间的干扰做出补偿,适合用于花生牛奶复杂成分体系的分析;花生定量分析模型校正均方差(root-mean-square error of calibration,RMSEC)、预测均方差(root-mean-square error of predication,RMSEP)、相关系数R分别为0.573%、3.73%、0.999 7;奶粉定量分析模型RMSEC、RMSEP、R分别为0.066、0.183 g/L、0.955 7。近红外光谱可以应用于花生牛奶的定量分析,可以为花生牛奶提供产品质量控制和快速定量检测,为植物蛋白饮料提供一种新的检测思路。模型优化改进有待进一步研究。     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

基于可见-近红外光谱的生鲜紫薯食味品质快速无损检测

目的建立可见-近红外光谱法快速无损检测生鲜紫薯的熟化黏度和甜度,并对其食味品质进行评价。方法以生鲜紫薯为研究对象,用竞争性自适应加权算法(competitive adaptibe reweighted sampling,CARS)筛选出生鲜紫薯预处理后的光谱数据的特征波长,再用偏最小二乘法(partial least square,regression,PLS)建立了生鲜紫薯熟化峰值扭矩和可溶性糖含量的定量预测模型。另外,选取12个生鲜紫薯根据划分分值区间法对紫薯食味品质进行评价。结果生鲜紫薯峰值扭矩模型预测集的相关系数r为0.9195,均方根误差(root mean square error of prediction,RMSEP)为0.0526 Nm;可溶性糖含量模型的预测集的相关系数r为0.9515,RMSEP为0.3100 mg/g。结论基于可见-近红外光谱技术可以对生鲜紫薯食味品质进行初步快速无损评价,为鲜食性紫薯品质评价提供理论参考。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

正基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root meansquare error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

基于近红外光谱仪分析中式爆炒猪肉的水分含量

应用傅里叶变换近红外光谱技术建立中式传统爆炒猪肉片水分含量预测模型,达到快速无损检测的目的。通过直接干燥法测定100 组爆炒猪肉片样品的水分含量,并扫描得到其近红外光谱图。采用偏最小二乘法并通过二阶微分结合卷积平滑算法对光谱进行预处理,通过拐点法、马氏距离法、杠杆值、学生残差法与内部交互验证均方根法进一步剔除异常样本,优化光谱模型。结果表明：所构建的中式爆炒肉片水分含量近红外光谱预测模型的校正均方差值为0.089 1,相关系数为0.972 1;且将预测值与真实值进行比较发现,预测结果正确率大于98.7%（P＜0.05）,表明本研究建立的用于检测中式爆炒肉片水分含量的近红外光谱预测模型效果良好,能够快速检测并准确预测中式爆炒肉片的水分含量,具有一定的应用价值。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

基于近红外光谱技术的小麦粉灰分含量检测方法研究

采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。     

基于近红外漫反射光谱的面包老化过程中非冻结水含量无损检测

目的 建立一种基于近红外光谱技术快速无损测定面包老化过程中的非冻结水含量的方法。方法 应用近红外漫反射光谱技术采集新鲜面包在放置2h、2d、3d、4d、5d、6d、7d时的光谱，对比导数、S-G平滑(Savitzky Golay smooth)、标准正态变量变换(Standard normal variable transformation，SNV)及多元散射校正(Multiplicative scatter correction，MSC)预处理方法，利用偏最小二乘回归法(Partial least square regression，PLSR)和多元线性回归法（Multiple Linear Regression，MLR）建立面包老化过程中的非冻结水含量的预测模型，并对比两种模型预测结果。结果 利用PLSR建模相较MLR建模结果较好，建立的模型预测结果较好，模型的校正集相关系数（Rc）和均方根误差（RMSEC）分别为0.9386和0.0236 , 验证集相关系数（Rv）和均方根误差（RMSEP）分别为0.9271和0.0245。结论 通过近红外光谱技术结合偏最小二乘法建立面包老化过程中的非冻结水含量模型可作为面包老化过程中的非冻结水含量无损快速测定的可行性方法，其含量变化可以有效预测面包老化，为面包老化的无损检测提供了新的可行方案。     

近红外光谱变量选择及其在苹果可溶性固形物含量无损速测中的应用

目的采用近红外光谱技术,筛选有效变量对苹果可溶性固形物含量进行无损快速检测。方法以改进无变量信息消除算法为变量筛选方法,采用多元线性回归算法建立校正模型,采用外部盲样对模型进行预测准确度评价。结果基于改进无信息变量消除算法,筛选1391、1435、1521、1589nm4个关键波长作为变量,其所建校正模型的测定系数为0.6823,校正误差均方根为1.06,交互验证测定系数为0.6780,交互验证误差均方根为1.06。外部验证测定系数为0.6585,预测误差均方根为1.07。经F检验,预测模型的预测值与测定值之间具有显著相关性。结论该方法基本能够满足苹果可溶性固形物含量无损快速检测的需求,并可为水果可溶性固形物含量无损快速检测仪器的研制提供一定的技术参考。     

近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量

应用近红外光谱技术结合不同的定量分析方法建立面粉4种组分的快速定量模型。国标法测定68种面粉样品的水分、脂肪、碳水化合物和蛋白质的含量,并采集其近红外漫反射光谱图。选取58个校正集和10个验证集样品,通过马氏距离法剔除异常样品后,对比17种光谱预处理方式所建立的基于全光谱的偏最小二乘法(partial least squares,PLS)定量模型效果,在最佳预处理方法的基础上,采用向后区间偏最小二乘法(Backward interval PLS,BiPLS)筛选特征光谱,进一步得到最佳定量模型。结果表明,所建立的模型校正集相关系数Rcv均大于0.9650,内部交叉验证均方根误差均小于0.328;验证集相关系数均大于0.9926,预测均方根误差均低于0.383。因此,模型具有较好的准确性和稳定性,能应用于面粉的多指标快速检测。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

长波近红外光谱-偏最小二乘法快速分析白酒中乙醇含量

研究近红外光谱结合偏最小二乘法(NIRS-PLS)快速测定白酒中的乙醇含量的可行性,应用NIRS-PLS所建的模型相关系数达到0.99991,校正均方根误差(RMSEC)为0.00181,通过交互验证得出交互验证均方根误差(RMSECV)为0.00296,预测参差平方和(PRESS)为0.00016.用模型对预测集和白酒样品进行预测,预测均方根误差(RMSEP)为0.00258,结果表明NIRS-PLS可用于白酒生产中的在线质量监控和白酒市场的快速质量检测.