稻米储藏品质近红外光谱快速判定技术及仪器研发

采用近红外光谱(NIRS)分析技术和化学计量方法建立稻米脂肪酸值、品尝评分值和水分含量的近红外分析模型并对模型进行了预测准确性评价;在建立定标模型的过程中,分别探讨光谱散射和数学导数处理等优化对定标模型的影响。结果表明:偏最小二乘法是建立稻米脂肪酸值、品尝评分值和水分含量测定定标模型的最佳回归方法,所建立脂肪酸值、品尝评分值和水分含量模型的定标相关系数(RSQ)分别为0.961、0.9230和0.9999,定标标准偏差(SEC)分别为1.9205、2.5391和0.04。标准方法测定值与NIRS方法预测值之间的T检验结果显示两种方法无显著性差异,表明所建立的稻米脂肪酸值、品尝评分值和水分含量的NIRS数学模型有较好预测准确性。本试验研制了便携式粮食储藏品质测定仪。     

小麦脂肪酸值的近红外光谱快速测定研究

采用近红外光谱(NIRS)分析技术和化学计量方法建立小麦脂肪酸值的近红外分析模型,并对模型进行预测准确性评价。结果表明:所建立模型的定标相关系数(RSQ)为0.9026,交叉验证相关系数(1-VR)为0.6278,定标标准偏差(SEC)为3.8735,交叉验证标准偏差(SECV)为7.0908。外部验证的相关系数(r)为0.948,外部验证标准偏差(SEP)为3.8709。标准方法与NIRS测定方法测定的小麦脂肪酸值含量之间的t检验值为1.345,显示两种方法测定结果无显著性差异(P<0.05),预测值与实测值的平均绝对偏差为0.25,说明所建立的稻谷脂肪酸值的NIRS数学模型预测准确性较好,可用于小麦脂肪酸值的快速预测。     

基于近红外光谱技术测定小麦蛋白质模型的建立

为了实现小麦籽粒蛋白质含量的快速、准确测定,用近红外分析仪对158份小麦进行光谱扫描,采用主成分分析法剔除异常光谱,对剔除异常值后的图谱进行标准正常化及去散射处理,并分别进行一阶和二阶导数处理.并在光谱预处理基础上,建立了预测小麦籽粒蛋白质含量的BP神经网络和偏最小二乘法校正模型.结果表明:经过标准正常化及去散射处理和二阶导数预处理的图谱,运用BP神经网络建立的模型预测小麦籽粒蛋白质含量效果最优,预测的R2和均方根误差分别为0.983和0.067,小麦蛋白质含量的国标测定值与最优条件下的预测值之间的t检验结果为P =0.82＞0.05,两种方法测定结果无显著性差异.将其与近红外仪器自带模型相比,预测效果显著提高.采用非线性BP神经网络法建立的定标模型可提高预测小麦蛋白质含量的准确性.     

基于近红外漫反射光谱技术的小麦蛋白质含量检测

收集来自国内3个主要小麦生产省份的小麦样品共73份,应用近红外光谱漫反射技术结合化学计量学方法建立小麦蛋白质含量的近红外光谱定量模型,并对模型的稳定性和可靠性进行评价。结果表明,光谱预处理的最佳条件为:Savitzky-Golay平滑+一阶导数处理,使用偏最小二乘法(Partial least square,PLS)建立模型,校正集(Rc)和预测集相关系数(Rp)为0.936和0.925,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.23和0.28,表明模型准确可靠,可应用于小麦蛋白质含量的快速无损检测。     

近红外光谱法检测小麦粉中的水分含量

以化学法测定67个小麦粉样品的水分含量,利用波通DA7200型近红外光谱分析仪采集样品近红外光谱,选择合适的光谱区间及光谱预处理方法,采用偏最小二乘法(PLS)和留一法内部交叉验证方式建立定标模型.50个定标样品的近红外光谱经一阶导数预处理,由PLS法获得的定标模型决定系数(R2)为0.984 3.利用17个验证集样品进行外部检验,预测值与真实值之间的相关系数(R2)为0.984 8,预测集标准偏差(SEP)为0.092 9.近红外光谱法具有方便、快速、准确、无损、无污染的特点,应用于小麦粉水分的测定是可行的.     

近红外光谱法快速检测带鱼肉中的水分和蛋白质含量

应用傅立叶变换近红外光谱分析技术对带鱼肉中水分和蛋白质含量进行了研究。分别建立原始光谱、间隔2点一阶导数(dblg2)、3点平滑(sa3)、标准归一化(SNV)和多元散射校正(MSC)的偏最小二乘回归(PLS)模型,比较定标相关系数(Rc)、预测相关系数(Rv)、定标标准差(SEC)和预测标准差(SEP),建立了MSC预测模型,水分和蛋白质近红外检测模型的相关系数均在0.9以上。SEC分别为0.74和0.68,SEP分别为0.81和0.73。将确定的模型进行了外部验证,水分和蛋白质NIR预测值和化学分析值的配对t检验差异均不显著。说明近红外光谱法应用于带鱼肉中水分和蛋白质含量的快速检测是可行的。     

粳稻储藏食用品质近红外光谱快速测定技术研究

采用近红外光谱(NIRS)分析技术和化学计量方法建立了粳稻储藏品尝评分值的近红外分析模型,并对模型进行了预测准确性评价;在建立定标模型的过程中,探讨了不同光谱散射、数学等优化处理对定标模型的影响。结果表明:修正偏最小二乘法(MPLS)是建立粳稻储藏品尝评分值定标模型的最佳回归方法,所建立颗粒状和粉末状样品模型的定标相关系数(RSQ)分别为0.927 4和0.923 0,定标标准偏差(SEC)分别为2.347 9和2.539 1。定标模型具有较好的预测准确性。     

近红外光谱技术快速无损测定狭鳕鱼糜水分和蛋白质含量

通过拟合狭鳕鱼糜的近红外漫反射光谱与其水分和蛋白质含量,建立近红外定量模型,用于狭鳕鱼糜水分和蛋白质的快速无损检测。模型采用偏最小二乘法(PLS)拟合,水分和蛋白质的定标模型相关系数分别达0.98 和0.96以上,优于近红外透射光谱建立模型的预测结果。模型的相对标准偏差(RSD)＜ 10%,相对分析误差(RPD)＞ 3,表明该模型能准确快速地测定狭鳕鱼糜中的水分和蛋白质含量,且可用于实际生产中。     

近红外光谱快速测定稻谷水分含量的研究

收集我国不同地区、不同品种、不同储藏时间的稻谷样品144份,应用近红外光谱（NIRS）技术研究了稻谷水分含量快速测定方法,在建立定标模型的过程中,探讨了光谱散射处理、数学（导数）处理等优化处理对定标模型的影响。结果表明：修正偏最小二乘法是建立稻谷水分含量测定定标模型的最适合数学方法,所建立的定标模型的相关系数（R）为0．9999,定标标准偏差（SECV）为0．04;55份样品外部检验的相关系数（r）为0．996,检验标准差（SEP）为0．072,标准方法与NIRS方法测定的水分含量之间的T检验值为1．685（P〈0．05）,两种方法测定结果无显著性差异,预测值与实测值的平均绝对偏差为0．03,说明所建立的稻谷水分含量测定的NIRS数学模型具有很高的预测准确性,可应用于稻谷品质分析的快速检测。     

傅里叶变换近红外光谱快速检测方便面油脂含量

利用傅里叶变换近红外光谱技术测定方便面油脂含量。光谱通过多元散射校正算法(MSC)处理后,采用偏最小二乘法(PLS)建立模型,用定标集预测误差(SEC)、验证集预测误差(SEP)及其相关系数(Rc,Rv)评判模型好坏。结果发现,该法定标集预测误差和验证集预测误差分别为0.4456和0.4447,定标集和验证集相关系数分别为0.9798、0.9755;研究表明,利用近红外光谱技术能快速、准确测定油炸方便面油脂含量。     

近红外光谱法检测婴幼儿营养米粉蛋白质含量

以160个婴幼儿营养米粉为样品,应用近红外光谱技术和偏最小二乘法建立了婴幼儿营养米粉中蛋白质含量的近红外模型。比较了2、3、4、5、6、7、8 mm不同装样厚度(即光程)下样品近红外光谱的稳定性,通过样品光谱在不同波数下的标准差选定了5 mm为最佳的装样厚度;比较了变量标准化、导数、多元散射校正和9点平滑预处理方法对模型建立的影响,根据模型的相关系数和均方根误差确定了最佳的预处理方法,为变量标准化、一阶导数和9点平滑,预处理后的光谱数据结合国标方法测定的蛋白质含量建立了婴幼儿营养米粉中蛋白质含量的近红外定量分析模型,定标集和验证集相关系数分别为0.9856、0.9841,均方根误差分别为0.2431%、0.2456%,对已建立的近红外光谱定量分析模型进行了外部样品验证,预测准确度达到96%,验证结果证明了近红外检测技术与国标方法一致性较好,速度快且不需要样品前处理,在婴幼儿营养米粉蛋白质含量分析中具有广泛的应用价值。     

近红外光谱技术检测燕麦中蛋白质含量

以93份燕麦样品为研究对象,比较了不同光谱预处理方法和不同回归方法对定标模型的影响,建立了定量分析燕麦中蛋白质含量的合理模型。结果表明,最佳的预处理方法:光谱散射处理为标准化处理(SNV),数学处理为2441;最佳的回归方法为改进偏最小二乘法(MPLS)。在此条件下模型对验证集的测定值与预测值的决定系数为0.954 3,均方根误差为0.160 7,模型的预测准确性良好。建立的近红外模型对燕麦中蛋白质快速测定有一定参考价值。     

Non-destructive evaluation of maturity and quality parameters of pomegranate fruit by visible/near infrared spectroscopy

In this study, the potential of visible and near infrared spectroscopy was investigated to classify the maturity stage and to predict the quality attributes of pomegranate variety “Ashraf” such as total soluble solids content, pH, and titratable acidity during four distinct maturity stages between 88 and 143 days after full bloom. Principal component analysis was used to distinguish among different maturities. The prediction models of internal quality attributes of the pomegranate were developed by partial least squares regression. The transmission spectra of pomegranate were obtained in the wavelength range from 400 to 1100 nm. In this research several preprocessing methods were utilized including centering, smoothing (Savitzky–Golay algorithm, median filter), normalization (multiplicative scatter correction and standard normal variate) and differentiation (first derivative and second derivative). It concluded that different preprocessing techniques had effects on the classification performance of the model using the principal component analysis method. In general, standard normal variate and multiplicative scatter correction gave better results than the other pretreatments. The correlation coefficients (r), root mean square error of calibration and ratio performance deviation for the calibration models were calculated: r = 0.93, root mean square error of calibration = 0.22 °Brix and ratio performance deviation = 6.4 °Brix for total soluble solids; r = 0.84, root mean square error of calibration = 0.064 and ratio performance deviation = 4.95 for pH; r = 0.94, root mean square error of calibration = 0.25 and ratio performance deviation = 5.35 for titratable acidity.     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

近红外技术快速检测冷鲜羊肉品质的研究

目的建立近红外反射光谱法,结合偏最小二乘回归法对冷鲜羊肉进行快速无损检测。方法从农贸市场购买新冷鲜羊肉100批,通过分析一阶导和二阶导,S-G平滑(savitzky-golay,S-G)和Norris平滑方式建立羊肉的近红外光谱参数与样品的蛋白质、脂肪、水分含量之间的对应关系模型。结果蛋白质含量最优模型选择5981.72～5961.74 cm~(-1)波段,二阶导,S-G平滑方式,相关系数为0.9312,建模方差为0.803;脂肪含量最优模型选择5207-7362 cm~(-1)波段,一阶导,Norris平滑方式,其相关系数0.9157,建模方差为4.703;水分含量最优模型选择6800-9000 cm~(-1)波段,一阶导,Norris平滑方式,相关系数为0.9200,建模方差为0.039。结论所建立模型的精确度符合检测要求,为羊肉品质的分析测定提供了一种快速方便的检测方法 。     

基于高光谱技术的羊肉含水率无损检测

利用高光谱成像系统(1000~2500 nm)对羊肉含水率进行无损检测研究。对108个羊肉样本进行光谱信息采集,通过标准正态变换法、归一化法、去趋势校正法、S-G卷积平滑法、导数法、多元散射校正法对原始光谱进行预处理,对全波段下的原始光谱和预处理后的光谱建立偏最小二乘回归(PLSR)模型,优选出的最佳预处理算法为去趋势校正法。原始数据经去趋势校正法预处理后,采用相关系数法选取特征波长,建立特征波长下羊肉含水率的 PLSR模型和逐步多元线性回归(SMLR)模型。结果表明,SMLR模型对含水率预测效果最好,校正集相关系数R_c为0.8597,标准误差SEC为0.0521;预测集相关系数R_p为0.8654,标准误差SEP为0.0387。研究表明,利用高光谱成像技术检测羊肉含水率是可行的。     

近红外光谱技术在南极磷虾粉水分、脂肪和蛋白质含量快速检测中的应用

利用傅里叶近红外光谱分析技术,以磷虾粉样品的实测值与模型预测值为基础,研究了采用最小二乘法建立磷虾粉原始样品与磷虾粉混合样品中水分、脂肪和蛋白含量近红外定标模型的可行性和准确性。结果表明,磷虾粉近红外图谱最佳预处理方式为:标准正态变换预处理+一阶导数+Norris导数滤波;以磷虾粉混合样品构建的近红外模型较磷虾粉原始样品构建的模型在交互验证均方根误差、外部验证残差均方根（root mean square error of external prediction, RMSEP）(root mean square error of external prediction, RMSEP)和外部验证用样品真实值的标准差与RMSEP的比值(the ratio of the RMSEP to standard deviation of reference data in the prediction, RPD_EV)等参数有所提升;经预处理后,定标模型的建模相关系数、交互验证相关系数和外部验证相关系数(correlation coefficient in external va...     

基于气流-激光检测技术的面包老化表征

目的 探索应用气流-激光检测技术实现面包老化快速定量检测方法。方法 使用基于气流-激光检测技术的检测装置进行蠕变测试对面包黏弹性参数进行采集,分别使用采集到的蠕变阶段全参数和基于伯格斯模型提取的力学特性参数,结合不同预处理方法建立基于水分含量的水分损失速率和基于硬度的老化率的多元线性回归分析和偏最小二乘回归分析模型。结果 使用蠕变阶段全参数建立的预测模型取得最佳预测效果,对于老化率模型,使用S-G卷积平滑结合偏最小二乘回归最佳建模结果为校正集和验证集相关系数分别为0.971和0.959,校正集均方根误差和验证集均方根误差分别为9.723和10.721;对于水分损失速率模型,使用1阶导加S-G卷积平滑结合偏最小二乘回归最佳建模结果为校正集和验证集相关系数分别为0.984和0.968,校正集均方根误差和验证集均方根误差分别为0.002和0.002。结论 使用气流-激光检测技术可以对面包老化进行快速、简单、可靠的表征,本研究为面包老化的定量检测提供了新思路。     

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。