基于近红外光谱技术的海参品质快速检测

目的应用近红外光谱技术建立海参产地区分和胶原蛋白快速检测的方法。方法总计43个海参样品来自大连、福建、连云港、山东4个地区。首先采集样品的近红外光谱图,经过标准正态变量(standard normal variables,SNV)预处理,利用不同定性判别模型对海参产地进行区分。通过分光光度计法测定海参的胶原蛋白含量,利用偏最小二乘法(partial least squares,PLS)、区间偏最小二乘法(interval partial least squares,iPLS)、向后区间偏最小二乘法(backwards interval partial least squares,BiPLS)和联合区间偏最小二乘法(synergy interval partial least squares,Si PLS)建立了海参胶原蛋白含量的预测模型。结果产地区分模型中最小二乘支持向量机(least-squares support vector machine regression,LS-SVM)的识别率最高,校正集识别率为100%,预测集识别率为95.35%;海参胶原蛋白预测模型中BiPLS的预测效果较好,校正集相关系数Rc为0.9002,预测集相关系数Rp为0.8517。结论近红外光谱技术可实现对海参的产地区分和胶原蛋白的快速检测。     

基于近红外光谱技术的白酒原酒中关键成分的定量分析

采用间隔偏最小二乘法(interval partial least squares,i PLS)、组合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)、遗传偏最小二乘法(genetic algorithms partial least squares,GA-PLS)、竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)优选波长,并结合偏最小二乘法(partial least squares,PLS)建立白酒原酒中乙酸乙酯和乳酸乙酯定量分析模型。结果表明,上述4种方法都对模型有一定的优化效果,其中遗传算法结合组合间隔偏最小二乘算法(genetic algorithms-synergy interval partial least squares,GA-SiPLS)优选波长的优化效果最为明显,乙酸乙酯和乳酸乙酯的决定系数(R~2)分别达到了0. 989 7和0. 991 0,预测均方根误差(root mean square error of prediction,RMSEP)分别为0. 085 4、0. 143 4,相对分析误差(relation percent deviation,RPD)分别为8. 5和8. 6,提高了模型的稳定性和精准性。说明近红外光谱分析技术对于白酒原酒中乙酸乙酯和乳酸乙酯含量的检测具有科学的指导意义。     

基于近红外光谱与组合间隔偏最小二乘法的稻米镉含量快速检测

采用近红外光谱(near infrared spectroscopy,NIRS)结合组合间隔偏最小二乘法(synergy interval partial least squares,siPLS)建立稻米镉含量快速检测的方法。收集并分析72个稻米样品的NIRS谱图。对光谱前处理方法进行优化,确定平滑、多元散射校正与均值中心化处理为最优方法。采用siPLS法筛选特征波数,建立稻米镉含量的定量模型。稻米镉siPLS模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)值分别为0.247与0.261,训练集相关系数(Rc)与预测集相关系数(Rp)值分别为0.919与0.895。结果表明:运用siPLS法选择特征波长后,不但可以降低模型的复杂度,同时还能够提高预测精度。NIRS作为一种快速、无损与便捷的初筛方法,可用于检测稻米中镉含量是否超标。     

近红外光谱测定不同鲜肉肉糜中蛋白质含量

采集4 000~10 000cm~(-1)波数范围内210份鲜肉(牛、羊、猪肉各70份)为校正集样品光谱数据,在不同的光谱预处理基础上,用偏最小二乘法(partial least squares,PLS)建立了单独的不同种类肉品,及其混合鲜肉肉糜红外光谱与蛋白质测量值之间的定量分析模型。90份鲜肉(牛、羊、猪肉各30份)为预测集样品,采集光谱数据后用于模型的验证。结果表明:鲜肉建模集及预测集相关系数分别为0.954,0.929;RMSEC及RMSEP分别为0.495,0.669。该模型能够很好地实现鲜肉蛋白质含量的快速测定,提高了模型预测的广适性。     

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,iPLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100 个,并在4 000～12 000 cm－1范围内采集了油样的近红外透射光谱。首先用iPLS法从原始光谱中初步筛选出4 540～5 346 cm－1和6 807～7 004 cm－1组合特征波段,R2和预测均方根误差（rootmean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2 种选择结果中各选取前6 个波长点,以12 个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用iPLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。     

基于近红外光谱快速定量检测面粉中曲酸的方法建立

利用近红外光谱技术快速定量检测面粉中非法添加的褐变抑制剂曲酸。选取市场上常见3?种基本类型的面粉（高、中、低筋面粉）,分别制备曲酸质量分数为0.0%、0.5%、1.0%、3.0%、5.0%、10.0%的面粉样品,并采集其在1?000～2?400?nm波段下的光谱数据。对比不同预处理下高筋面粉样品数据所建偏最小二乘（partial least squares,PLS）回归模型效果,选取Savitzky-Golay一阶导数为最优预处理方法。采用区间偏最小二乘（interval partial least squares,iPLS）法选取1?088.8～1?153.5?nm为最佳光谱区间。结果表明,基于最佳光谱区间所建PLS回归模型预测效果优于基于全波段光谱数据所建模型。进一步,基于所选最优区间对中、低筋面粉和混合样品集分别建立PLS回归模型。高、中、低筋面粉及混合样品集基于最优区间的PLS模型的决定系数为0.949～0.972,标准误差为0.581%～0.830%,验证集标准偏差与预测标准偏差的比值为4.171～4.830。结果表明,基于最优区间的近红外光谱方法对不同类型面粉中曲酸质量分数为1.0%～10.0%的样品具有较好的预测结果,结合具有低检测限的化学检测方法,在对大批量样品的检测中可提高检测效率。     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

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。     

基于化学计量学方法的黄水还原糖预测模型研究

目的 利用预处理对近红外光谱原始数据集进行降噪及非相关信息剔除后, 采用间隔偏最小二乘法(interval partial least squares, iPLS)与连续投影算法(successive projections algorithm, SPA)联用的特征波段筛选算法降低模型复杂度, 建立高精度低冗余度的黄水还原糖预测模型。方法 在最佳的3种预处理方法的基础上, 利用竞争性自适应重加权算法、间隔偏最小二乘回归法、连续投影算法对250个样品的光谱数据进行特征波段筛选, 采用光谱-理化值共生距离算法进行样品集的划分, 划分比例为3:1。结果 黄水还原糖预测模型经iPLS-SPA算法处理后, 得到了更高的精度与稳定性, 且预测可决系数较原始数据集提升7.28%, 为0.962; 预测均方根误差下降85.40%, 为0.220; 光谱变量数下降95.46%, 为100。结论 在预处理后加入iPLS-SPA特征波段筛选算法, 能够提升黄水还原糖预测模型精度, 极大减低冗余度。     

采用正交投影偏最小二乘法快速无损分析乳粉蛋白质含量

应用近红外光谱分析技术,建立了不同品牌不同种类不同批次的乳粉原样和混合样的蛋白质定量分析模型。采用正交投影偏最小二乘法(orthogonal partial least squares,OPLS)建立近红外光谱回归模型,并与其他预处理方法和传统偏最小二乘法(partial least squares,PLS)对比;采用交叉验证法(cross-validation)全局寻优方式获得OPLS和PLS模型的最佳参数;5个主成分建立的OPLS校正模型效果最佳,相关系数R为0.994 0,校正集交叉验证均方根RMSECV为1.09,预测集的化学值与模型预测值的相关系数R达到0.976 7,分析模型的预测误差均方根RMSEP为0.905。结果表明:OPLS回归方法在简化模型的同时提高了模型的预测泛化性能,能够快速无损建立乳粉的蛋白质近红外定量模型。