基于便携式近红外光谱仪的食品接触性塑料鉴别

采用便携式近红外光谱仪对聚对苯二甲酸乙二酯(PET)、高密度聚乙烯(HDPE)、低密度聚乙烯(LDPE)、聚氯乙烯(PVC)、聚苯乙烯(PS)和聚碳酸酯(PC)6类食品接触性塑料材质进行鉴别研究。用5点平滑、多元散射校正(MSC)、一阶导数和标准正态变量变换(SNV)4种方法对塑料样品光谱进行预处理;主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)分别用于塑料样品光谱空间分布分析和定性判别模型的建立。结果表明:光谱经SNV和MSC预处理后,6类塑料样品在前3个主成分空间得到了较好的分离;PLS-DA结合SNV预处理方法可得到精简的塑料材质定性判别模型,模型校正集和预测集的正确识别率(CRR)均为100%。该方法可为食品接触性塑料材质的快速鉴别提供参考。     

基于LVF-NIR的樱桃可溶性固形物含量无损速测模型的建立与优化

目的建立基于便携式近红外光谱仪的樱桃可溶性固形物含量无损快速定量检测模型,从而实现樱桃品质的无损快速检测。方法以北京通州产红灯樱桃、黄玉樱桃为研究对象,采用便携式线性渐变分光近红外光谱仪采集光谱数据,并采用折光仪测定其可溶性固形物含量;采用偏最小二乘回归结合全交互验证算法将光谱数据与可溶性固形物含量测定值建立定量校正模型,采用外部验证集对模型的预测性能做进一步测试。结果红灯樱桃可溶性固形物含量模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.9194、0.79、0.8920、0.92、3.54,黄玉樱桃可溶性固形物含量模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.8618、0.76、0.8246、0.86、2.70;两种樱桃可溶性固形物含量合并模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.9125、0.81、0.8946、0.89、3.38。结论基于便携式线性渐变分光近红外光谱仪数据所建校正模型具有较好的准确度,可满足樱桃可溶性固形物含量的无损快速检测需求。     

米糠粗蛋白、粗脂肪以及粗纤维含量的近红外预测模型的建立

近红外光谱技术是一种快速无损检测物质含量和鉴别物质的现代分子光谱分析技术.本研究选用分别来自南北方共200个米糠样品(100个粳米米糠、100个籼米米糠),经过理化数据检测、近红外参数优化、光谱信息采集、光谱数据预处理、模型建立及模型优化等步骤,最终建立粳米米糠、籼米米糠及总米糠的粗蛋白、粗脂肪、粗纤维的预测模型,所建...     

基于2 种原理近红外光谱仪对辐照花生的快速鉴别比较

为比较不同近红外光谱仪在对辐照花生鉴别方面的差异,采用傅里叶变换、线性渐变分光2 种原理的近红外光谱仪针对不同辐照剂量的花生采集了近红外光谱数据,结合一阶导数、标准正态变量变换预处理,对0、1、2 kGy辐照剂量的花生建立偏最小二乘-判别分析模型,采用外部验证集样本对模型正确率进行验证。结果显示,线性渐变分光-近红外光谱仪的模型校正集正确率皆大于92%,交互验证集正确率皆大于85%,外部验证集正确率皆大于83%,普遍高于傅里叶变换-近红外光谱仪模型的正确率。因此,可得出结论：预处理对模型正确率的影响相对较小,不同仪器对模型正确率影响相对较大。     

基于近红外技术的苎麻纤维素及胶质含量快速测定

 苎麻作为我国重要纺织用纤维素纤维资源,其经常进行化学成分定量分析工作,因此需要一种快速高效的定量分析手段。本研究在前期工作的基础上,使用AOTF近红外光谱仪,利用近红外漫反射光谱(NIR)技术,采用偏最小二乘法(PLS),并对比近红外样品厚度对建模的影响,建立了测定苎麻纤维素及胶质含量的NIR校正模型。实验结果表明,所建苎麻化学成分NIR模型预对纤维素含量预测平均相对误差为1.11%,胶质含量预测平均相对误差为4.54%,预测值与化学值误差较小,可以进行苎麻纤维素及胶质含量预测工作。同时发现,样品厚度越大,所扫描得到光谱所建模型预测精确度越高。     

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。     

基于近红外光谱技术的小米产地溯源研究

采用便携式近红外光谱仪结合主成分分析(PCA)、费舍尔线性判别(FLDA)及多层感知器神经网络(MLPNN)模型,探讨近红外光谱技术应用于小米产地溯源的可行性。PCA分析显示,除山西、河南、黑龙江3省的样品差异较小难以区分外,其余8个省份的样品均能清晰区分产地。FLDA和MLP-NN分析均能识别出小米样品产地,但MLP-NN识别效果优于FLDA,两个模型对预测集的识别正确率分别为92.3%,84.6%。以上结果表明,近红外光谱技术可有效应用于小米的产地溯源。     

便捷式智能化大米新鲜度检测系统设计与应用

目的:实现大米新鲜度的快速无损检测。方法:研制一套基于纳米色敏传感器结合近红外光谱分析原理的便携式装置系统。对所采集到的不同掺陈度大米样品所对应色敏传感器的光谱数据，进行多梯度掺陈大米的鉴别与跨批次大米新鲜度的预测。结果:使用Si-CARS-PLS提取光谱特征变量，经LDA算法建模后判别模型的识别率最高，训练集和预测集的识别率分别为97.22%和95.83%。同时，PLSR模型预测跨批次数据具有更强的稳定性，不同批次大米样品数据训练集和预测集的相关系数(R_c、R_p)均稳定在0.95左右，均方根误差(RMSEC、RMSEP)均低于0.2,相对分析误差(RPD)均大于3。结论:该系统具有准确率高、便捷和预测模型鲁棒性好等特点，在大米新鲜度的现场检测中有很好的应用前景。     

基于Android平台微型近红外光谱仪的开发与应用

在Android平台上对C11708MA微型近红外光谱仪进行系统开发,实现光谱仪控制、样品指标测量、调用模型文件并显示样品可溶性固形物的预测结果等功能。利用近红外漫反射无损检测技术对镇江句容果园水蜜桃样品的可溶性固形物含量进行相关研究,运用化学计量学方法建立了水蜜桃可溶性固形物含量的近红外模型,并对模型的性能进行了评价。结果表明,采用偏最小二乘法(PLS)建立模型,光谱预处理的最佳条件为:移动窗口平滑(MAF)和Savitzky-Golay一阶导数。所建模型的校正相关系数(R_c)和预测相关系数(R_p)分别为0.931 1和0.880 2,校正标准偏差(RMSEC)和预测标准偏差(RMSEP)分别为0.441 0和0.531 0。开发的App程序运行稳定,预测结果准确,可应用于水蜜桃内部品质可溶性固形物含量的快速、无损、活体检测。     

微型近红外光谱技术在白芍快速检验方面的应用

目的建立一种微型近红外光谱技术快速判别白芍药材品质合格与否的方法。方法对106批次白芍药材样品采用HPLC法测定芍药苷的含量,同时采用微型近红外光谱仪采集样品光谱,根据药材芍药苷含量大于或小于1.2%,将药材区分为合格与不合格两类,采用偏最小二乘法判别分析(PLSDA)建立合格与不合格药材判别模型,并采用训练集样本对模型预测能力进行外部验证,以识别率和拒绝率为模型评价参数。结果模型验证集、校正集及训练集的识别率和拒绝率均达100%。结论微型近红外光谱技术能准确、快速判别白芍药材的质量。本研究对快速鉴别药材质量具有指导意义。     

Discrimination of Blended Chinese Rice Wine Ages Based on Near-Infrared Spectroscopy

In this study, near-infrared spectroscopy combined with spectral preprocessing methods was used for the discrimination of blended Chinese rice wine ages (3, 5, 8, and 10 years aged). Discriminant models were developed using principal component analysis, linear discriminant analysis, and discriminant partial least squares regression. The correct classifications for young wines (3 and 5 years) and aged wines (8 and 10 years) were 100% using discriminant partial least squares after spectral preprocessing. Moreover, for the classification of rice wines from the four years aged groups, 95.0% classification accuracy was obtained using discriminant partial least squares with orthogonal signal correction pretreatment in a validation sample set.     

Moisture content detection of maize seed based on visible/near-infrared and near-infrared hyperspectral imaging technology

To realise accurate and nondestructive detection on moisture content of maize seed based on visible/near-infrared (Vis/NIR) and near-infrared (NIR) hyperspectral imaging technology, the hyperspectral images on two sides (embryo and endosperm sides) of each maize seed of four varieties were collected. The effects of average spectra extraction regions, that is centroid region and whole seed region, and different spectral preprocessing methods, were investigated. Uninformative variable elimination (UVE) was used to extract the feature wavelengths, and the partial least squares regression (PLSR) prediction models were established. The results showed that extracting the average spectra from the centroid region did better than from the whole seed region, and S-G smoothing was prior to other preprocessing methods. The PLSR models established with NIR spectra had better performance than that with Vis/NIR spectra. The model developed for a single variety was superior to that for all varieties together.     

拉曼光谱结合模式识别方法鉴别大米种类

为实现大米种类准确、快速的鉴别,选购72份大米样品,粉碎,采集粒度为100-140目米粉的拉曼光谱,对谱图数据进行去噪、归一化和特征提取后,综合运用主成分分析（PCA）、层次聚类分析（HCA）和支持向量机（SVM）三种方法对粳米、籼米和糯米进行聚类与模式识别研究。三种大米经PCA分析可直观地归为三簇,籼米和糯米可被区分开,但粳米与糯米、粳米与籼米不能区分。HCA结果表明粳米与籼米较难区分,糯米与其它两种米有较大差异,三种大米经HCA聚类分析准确率为81.94%。而采用SVM判别方法经10次运行后的平均识别率达98.86%。实验证明：拉曼光谱法结合支持向量机用于大米种类的分类与识别简单快速,在分析数据相对复杂的情况下,可快速建立分类模型并实现大米种类间的鉴定与识别。     

Varietal Differentiation of Grape Juice Based on the Analysis of Near- and Mid-infrared Spectral Data

The aim of this study was to evaluate the usefulness of visible (VIS), near-infrared reflectance (NIR) and mid-infrared (MIR) spectroscopy combined with pattern recognition methods as tools to differentiate grape juice samples from commercial Australian Chardonnay (n = 121) and Riesling (n = 91) varieties. Principal component analysis (PCA), partial least squares discriminant analysis and linear discriminant analysis (LDA) were applied to classified grape juice samples according to variety based on both NIR and MIR spectra using full cross-validation (leave-one-out) as a validation method. Overall, LDA models correctly classify 86% and 80% of the grape juice samples according to variety using MIR and VIS-NIR, respectively. The results from this study demonstrated that spectral differences exist between the juice samples from different varietal origins and confirmed that the infrared (IR) spectrum contains information able to discriminate among samples. Furthermore, analysis and interpretation of the eigenvectors from the PCA models developed verified that the IR spectrum of the grape juice has enough information to allow the prediction of the variety. These results also suggested that IR spectroscopy coupled with pattern recognition methods holds the necessary information for a successful classification of juice samples of different varieties.     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

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。     

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。     

基于高光谱成像技术小麦籽粒霉变鉴别方法研究

小麦霉变籽粒是小麦不完善粒一种,鉴别小麦霉变粒是粮食霉变程度的重要参考。为了更精确地鉴别小麦霉变籽粒,本文利用高光谱成像技术采集不同品种小麦霉变籽粒及非霉变籽粒的光谱信息,建立小麦霉变籽粒的鉴别预测模型,实现小麦霉变籽粒快速、无损、有效、稳定的鉴别。首先收集了100粒霉变和100粒正常非霉变籽粒400-1000 nm范围的高光谱图谱,通过不同的光谱预处理方法进行处理,选出最优光谱信息预处理方法。接着,采用连续投影算法(SPA)和竞争性自适应重加权采样(CARS)提取特征波长,分别比较通过全波长范围和特征波长下建立的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型并进行比较。结果表明,淮麦22和宁麦13的最优预测模型分别为全波长-OSC-SVM和SPA-OSC-SVM模型,对应的R分别为0.9963和0.9998,RMSEP分别为0.0309和0.0064,R分别为0.9975和0.9995,RMSECV分别为0.0247和0.0111。     

采用气相色谱-离子迁移谱技术检测黄酒风味物质

为实现黄酒中挥发性风味物质的快速无损检测,本研究采用气相色谱-离子迁移谱(Gas chromatography-ion mobility spectrometry,GC-IMS)联用技术结合化学计量学方法对不同酒龄黄酒中的挥发性风味物质进行了研究。黄酒样本的GC-IMS图片库显示,不同酒龄黄酒的挥发性风味物质浓度存在显著差异。采用差谱法从谱图中筛选出33个特征峰,利用其中13个数据库可查询到对应物质的特征峰进行黄酒的风味成分分析。以33个特征峰峰高作为变量,通过主成分分析(principal component analysis,PCA)进行降维,前6个主成分累计贡献率为95%,可以有效区分各组样本。分别采用线性判别(Linear Discriminant Analysis,LDA)、K-最近邻分类算法(K-Nearest Neighbor,KNN)建立酒龄判别模型。结果显示,LDA方法得到的训练集和预测集识别率分别为95%和90%,KNN的判别效果较好,训练集和预测集的识别率均达到100%。这说明,GC-IMS可以有效应用于黄酒挥发性风味物质的检测,在食品风味物质分析等领域具有广阔的应用前景。