基于近红外光谱的猪肉新鲜度无损检测 方法的改进

目的采用可见/近红外光谱技术,结合岭回归偏最小二乘对猪肉新鲜度进行定量分析。方法利用自行搭建的可见/近红外光谱检测系统,采集62个猪肉样品表面380~900 nm范围内的反射光谱数据,进行标准正态变量变换(standard normal variable transform,SNVT)预处理后,建立偏最小二乘(partial least square regression,PLSR)模型。利用模拟退火算法(simulated annealing,SA)和粒子群算法(particle swarm optimization,PSO)进行岭参数寻优,建立猪肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)的岭回归模型。结果所建模型的相关系数和误差分别为0.9819、1.2785 mg/100 g和0.9781、1.4628 mg/100 g。结论所建立的模型取得了较好的结果,利用岭回归偏最小二乘实现了对最小二乘估计的改良,更加验证了可见近红外光谱技术对猪肉新鲜度进行定量分析的巨大应用潜力。     

近红外光谱技术快速测定鹅肉新鲜度

目的：应用近红外光谱技术快速检测鹅肉的新鲜度,评价指标包括总挥发性盐基氮和pH值。方法：采集完整冷鲜鹅肉的近红外光谱（950～1 650 nm）,光谱经多种校正预处理后,采用偏最小二乘法建立鹅肉新鲜度的定量预测数学模型。结果：对于这2 种指标均采用标准常态变量结合偏最小二乘法所建立模型的预测效果最好,总挥发性盐基氮和pH值定量校正数学模型的模型决定系数分别为0.727、0.991,内部交互验证均方根误差分别为3.666、0.028。用此模型对预测集20 个样品进行预测,预测值与实测值的相关系数分别达到0.976、0.705,预测值平均偏差分别为－0.240、－0.024,预测值和实测值之间没有显著性差异（P＞0.05）。结论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉新鲜度。     

基于近红外光谱的大黄鱼新鲜度评价模型

目的 探索定量评价大黄鱼新鲜度的方法。方法 在整鱼背部采集近红外光谱, 将原始光谱预处理后分别与挥发性盐基氮(TVB-N)、菌落总数建立偏最小二乘(PLS)模型、区间偏最小二乘(iPLS)模型、向后区间偏最小二乘(biPLS)模型和联合区间偏最小二乘(siPLS)模型。结果 biPLS模型的精度最高、预测性能最佳。TVB-N的biPLS模型的校正集和预测集相关系数分别为0.8371和0.7652; 菌落总数的biPLS模型的校正集和预测集相关系数分别为0.878和0.7009。结论 大黄鱼的近红外光谱信息与其TVB-N、菌落总数间都存在较高的相关性, 所建模型可以快速、无损地定量评价大黄鱼的新鲜度。     

短波近红外光谱快速无损检测生鲜鸡肉胆固醇含量

采用短波近红外光谱对生鲜鸡肉中的胆固醇含量进行检测,使用便携式近红外光谱仪在近红外光谱短波区域采集236份生鲜鸡肉的光谱信息,采用化学计量学法建立鸡肉胆固醇的偏最小二乘法定量预测模型。结果表明:最佳光谱预处理方法为标准化和基线校正,并通过剔除两次异常值对模型进行校正,所建定标模型的校正集相关系数Rc=0.801 1,校正标准差(s_(EC))=6.699 8,验证集相关系数R_p=0.803 4,预测标准差(s_(EP))=7.529 6,主因子数MF=4,s_(EP)/s_(EC)=1.12,说明模型可靠性、稳健性和预测效果较好。     

生鲜猪肉水分含量的快速无损检测

目的 研究生鲜猪肉水分含量与1000~1680 nm范围内近红外吸收光谱之间的关系, 对生鲜肉的水分含量进行快速无损检测。方法 将原始光谱经中值平滑、多元散射校正和一阶导数复合预处理, 结合多元线性回归和偏最小二乘回归两种建模方法建立生鲜肉水分含量的预测模型。结果 应用所建立的模型对111个实际生鲜猪肉样品的水分含量进行预测, 得到较为满意的预测结果, 两种模型的预测相关系数分别为0.839和0.810。结论 所建模型适合于生鲜猪肉水分的无损快速检测。     

近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假

利用近红外光谱技术结合化学计量学方法,对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别建模,并建立猪肉掺假比例的定量检测模型。结果表明：对不同掺假比例样品的判别,应用偏最小二乘判别分析方法效果优于主成分分析-支持向量机方法,最优模型校正集和验证集判别正确率均为100%。应用偏最小二乘方回归法定量检测不同肥瘦比解冻牛肉汉堡饼中的猪肉掺假比例,模型校正集和验证集的相关系数Rc和Rp、验证集均方根误差分别为0.968 9、0.861 1、7.221%。因此,应用近红外光谱技术可以实现对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别和定量检测。     

应用便携式近红外仪检测生鲜羊通脊肉的嫩度

在北京市内收集生鲜羊通脊肉样品98个,研究应用便携式近红外仪快速无损检测生鲜羊通脊肉嫩度,结合化学计量学的方法建立可以快速无损检测生鲜羊通脊肉嫩度的近红外光谱检测模型。在建模过程中,研究了平滑、求导和信号校正等不同光谱预处理方法对模型的影响。结果表明:最佳的光谱预处理方法为均值中心化、Savitzky-Golay(SG)一阶导数、SG平滑和正交信号校正。应用偏最小二乘法建模所得模型的校正集标准偏差0.90、验证集标准偏差2.39、校正集相关系数(R c)=0.94、验证集相关系数(R p)=0.64、主因子数为4,说明模型具备较好的预测准确性,可应用于生鲜羊通脊肉嫩度的快速无损检测中。     

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。     

近红外光谱技术快速检测小龙虾新鲜度

应用近红外光谱技术实现对小龙虾新鲜度的快速检测。利用化学计量学方法,通过对近红外品质分析仪采集的虾肉绞碎前后光谱（850～1 050 nm）调整不同预处理方法、偏最小二乘法和组合算法,建立一种基于总挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的小龙虾新鲜度定量预测模型。结果表明：采用标准正态变量变换与一阶导数结合的预处理方法模型预测效果最好,且绞碎后的虾肉光谱比绞碎前建模效果更好;为满足实际应用需要,对绞碎前的虾肉TVB-N含量预测模型进行分析,其交叉验证误差为3.123,交叉验证相关系数为0.947,用此模型对预测集24 个样品进行预测,预测值与实测值的交叉验证相关系数为0.951 4,在TVB-N含量超过20 mg/100 g（不新鲜）的检测准确率为100%。近红外光谱技术可应用于快速检测小龙虾新鲜度,所建模型具有较好的预测能力。     

近红外光谱采集方式与样品形态对带鱼新鲜度检测结果的影响

研究了近红外漫反射和漫透射两种方式以及鱼糜和整鱼两种形态对带鱼新鲜度检测结果的影响。利用积分球漫反射系统采集4000~10000cm-1范围内的带鱼鱼糜漫反射、漫透射和整鱼漫反射光谱,根据训练集交叉验证均方差(RMSECV)及相关系数r对建模参数进行优化,分别建立了挥发性盐基氮(TVBN)、pH和菌落总数的偏最小二乘(PLS)定量检测模型。根据模型对预测集样品的预测均方差(RMSEP)及其相关系数r以及配对t-检验验证模型的预测能力。结果表明,所建模型对带鱼新鲜度的预测性能均良好。但近红外漫反射与漫透射两种光谱采集方式相比,前者所建模型的预测能力高于后者。采用漫反射光谱时,鱼糜模型的预测能力高于整鱼。因此,检测带鱼新鲜度时宜采用鱼糜的漫反射光谱。     

基于CUVE-PLS-DA的鸡蛋新鲜度在线检测分级

针对目前鸡蛋新鲜度检测技术方法存在劳动强度大、检测精度低、分级效率不足等缺陷,本研究在4 800 枚/h的禽蛋传输机上搭建了可见-近红外透射光谱（501～1 000 nm）在线检测装置,动态采集鸡蛋透射光谱数据,并建立光谱信息与鸡蛋哈夫值等级的偏最小二乘判别模型。采用3∶1原则对鸡蛋样本进行随机划分,其中校正集169 个,验证集57 个,通过比较多种光谱预处理方法以及两种特征波长选择方法,得出标准正态变换预处理方法和多模式共识方法能够有效地提高模型的正确率、运算效率和预测能力,优化模型后的校正集和验证集准确率分别为92.31%、91.23%。结果表明本实验建立的可见-近红外光谱透射光谱检测方法能够对鸡蛋的新鲜度进行无损、智能、在线检测分级。     

二维相关光谱的鲜核桃青皮含水率检测

青皮含水率是衡量鲜食核桃新鲜度的重要指标,研究基于可见/近红外光谱技术进行鲜核桃的二维相关光谱分析,以实现青皮含水率的检测。利用4种预处理方法进行光谱数据预处理,经MSC预处理后所建模型的预测结果最好,预测集的决定系数(Rp2)和均方根误差(RMSEP)分别为0.9244和1.23%。在此基础上,进行不同时间下鲜核桃的二维相关光谱分析,优选出7个自相关峰对应的波长(732、560、680、1471、1958、2315、1068 nm)为特征波长。然后,利用最小二乘支持向量机(LS-SVM)建立鲜核桃青皮含水率的预测模型,结果表明所建LS-SVM模型得到了较优的预测结果(Rp2=0.9146,RMSEP=1.32%)。二维相关的可见/近红外光谱分析可实现鲜核桃青皮含水率预测,为鲜核桃品质无损检测方法的研究提供了基础。     

近红外特征光谱定量检测羊肉卷中猪肉掺假比例

利用近红外漫反射光谱技术结合化学计量学方法对解冻掺假羊肉卷,进行猪肉掺假比例的定量检测研究。按照不同肥肉占比和不同猪肉掺假比例,制备324?个样品,并利用近红外光谱仪采集其光谱数据。对原始数据进行SG（Savitzky-Golay）平滑、SG一阶导、SG二阶导、多元散射校正、中心化、标准正态变量校正等预处理,并利用偏最小二乘回归（partial least square regression,PLSR）进行建模分析,其中SG平滑结合一阶求导预处理的模型预测效果最优。针对最佳预处理光谱采用竞争性自适应加权采样（competitive adaptive reweighted sampling,CARS）算法进行波长筛选,并建立特征波长PLSR模型,模型预测效果得到提高。其中,校正集和验证集决定系数分别为0.983?6和0.972?5,校正集和验证集的均方根误差分别为0.043?7和0.057?7,范围误差比为7.62。应用该CARS-PLSR模型对检验集进行预测,真实值与预测值的相关系数为0.913?8,结果表明采用近红外光谱分析技术可以实现不同肥肉占比羊肉卷中猪肉掺假比例的定量检测。     

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。     

近红外光谱法快速分析甲糖蜜的应用

研究应用近红外光谱法快速分析甘蔗制糖生产中甲糖蜜的锤度和蔗糖分。采用NIRSystems 6500型近红外多功能分析仪,对采自生产线的甲糖蜜进行光谱扫描和测定,用时小于2 min。锤度模型的光谱预处理方法"SNV+Detrend、一次求导和一次平滑联合处理"效果最佳,改进型偏最小二乘法建立的模型效果最佳,SEC为1.08,SEP为1.211;蔗糖分模型的光谱预处理方法"SNV+Detrend、二次求导和一次平滑联合处理"效果最佳,改进型偏最小二乘法建立的模型效果最佳,SEC为1.370,SEP为0.75。锤度和蔗糖分的偏差都小于允许误差,并满足糖厂要求,说明近红外光谱法应用在甲糖蜜锤度和蔗糖分的快速测定是可行的。     

基于可见/近红外光谱技术的橘小实蝇侵染柑橘检测研究

目的 使用可见/近红外光谱技术实施橘小实蝇侵染柑橘不同时期的无损检测。方法 研究选取人工制备的不同侵染时期的柑橘样本作为研究对象,利用搭建的可见/近红外光谱系统测量的光谱信息结合人工标定的侵染时期,对原始光谱进行了5种预处理,采用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projection salgorithm,SPA）两类方法提取反映侵染柑橘时期变化的光谱特征波长,应用偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)建立基于特征波长光谱的柑橘侵染时期分类模型,对比分析不同光谱预处理方法的模型分类效果。结果 原始光谱经多元散射校正（multiplicative scatter correction,MSC）预处理的模型分类效果最佳,分别经CARS方法和SPA方法优选出了34和16个光谱特征波长。采用MSC-CARS-PLS-DA方法构建的模型分类效果最好,总准确率假阳率分别达到了96.8%和100.0%,模型对健康柑橘和侵染柑橘有较强的分类能力。结论 通过可见/近红外光谱结合PLS-DA判别方法,可以实现橘小实蝇侵染柑橘的无损检测,为今后继续开展橘小实蝇侵染柑橘光谱检测研究提供参考依据。     

基于近红外光谱的藏区酥油脂肪和蛋白质含量快速检测分析

为了建立藏区酥油中脂肪和蛋白质含量快速检测方法,以藏区不同产地酥油为研究对象,采用组合区间偏最小二乘法优选出脂肪和蛋白质的红外光谱特征波段,在此基础上分别对几种光谱预处理方法进行比较挑选出最佳预处理方法,最后建立脂肪和蛋白质的定量分析模型并对模型进行外部验证。结果表明:在脂肪和蛋白质的特征波段内采用SNV+数据归一化+二阶导数+S-G滤波法对光谱预处理后建立脂肪和蛋白质定量模型,模型相关系数(R)分别为0.994和0.997,交叉验证均方差(RMSECV)分别为4.09%和0.286%。对验证样本的预测值和实测值进行配对t检验,两种测量值之间没有显著性差异(P0.05),表明建立的脂肪和蛋白质的近红外定量模型具有良好的预测能力,基于近红外光谱快速测定藏区酥油中脂肪和蛋白质的含量是可行的。     

Glucose Adulteration in Saudi Honey with Visible and Near Infrared Spectroscopy

This article reports on the implementation of visible and near infrared spectroscopy for the detection of glucose concentration in a mixture of Saudi and imported honey samples adulterated by glucose syrup of five concentrations: 0, 5, 12, 19, and 33 g/100 g. Honey samples were scanned in trans-reflectance mode with an AgroSpec mobile, fibre type, visible and near infrared spectrophotometer (tec5 Technology for Spectroscopy, Germany), with a measurement range of 305–2200 nm. The entire data set of 345 spectra was randomly divided into calibration (70%) and prediction (30%) sets. The first group was subjected to a partial least squares regression analysis with a leave-one-out cross-validation to establish a calibration model for the prediction of glucose concentration, whereas the second group was used to validate the partial least squares model. For the cross-validation, the values for root mean square error of prediction, coefficient of determination, and ratio of prediction deviation, which is the standard deviation divided by root mean square error of prediction were 4.52 g/100 g, 0.85, and 2.53, respectively. A slightly lower range of accuracy was obtained in the prediction set, with root mean square error of prediction, coefficient of determination, and ratio of prediction deviation values of 5.56 g/100 g, 0.78 and 2.06, respectively. The results achieved suggest that the visible and near infrared spectroscopy is a powerful technique for the quantification of glucose adulteration in Saudi honey.