面粉品质近红外光谱在线检测系统开发与应用

本研究运用近红外光谱无损检测技术,开发了一种适用于面粉品质检测的在线测量系统。本系统在硬件平台基础上,采用C++Builder 6.0对NIR 1.7/S微型光谱仪进行二次开发,编写了具有光谱采集、面粉品质预测、模型更新和数据存储等功能的软件。对市售170种面粉进行试验,以面粉水分含量为代表性指标。通过对比不同光谱预处理方法建模结果,发现不进行任何预处理时的面粉水分偏最小二乘回归(PLS)得到的模型精度最高。建模集和验证集决定系数(R2)分别为0.947,0.841;均方根误差(RMSE)分别为0.146%,0.198%;RPD值为2.53。模型导入软件后对30份新样品进行外部验证,预测值与测量值决定系数(R2)为0.883,均方根误差为0.206%。结果表明,该系统能够初步实现面粉水分的实时预测,为近红外在线检测技术应用提供了一定的技术参考。     

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MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含量进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息,优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型,校正集对羊肉冷藏时间的判别率为99.17%,预测集为100%,模型可较好地判别羊肉的冷藏时间。其次,针对羊肉冷藏过程中水分含量的变化,优选最佳预处理方法并运用偏最小二乘回归（partial leastsquares regression,PLSR）法建立水分含量预测模型;结果表明,经过Savitzky-Golay卷积平滑预处理的PLSR模型对水分含量的建模效果最优,校正集和预测集相关系数分别为0.888和0.784,交互验证均方根误差为0.696。研究表明,采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的判别和冷藏过程中羊肉水分含量的快速预测是可行的。     

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。     

面粉湿面筋近红外定量分析中的光谱预处理方法研究

采用10种不同的预处理方法对面粉湿面筋含量的近红外光谱数据进行预处理,并比较了10种预处理方法对偏最小二乘法（PLS）建立定量模型效果的影响。结果表明,采用近红外光谱（NIRS）分析技术对面粉中的湿面筋含量进行定量分析时,一阶导数+减去一条直线的预处理方法对面粉湿面筋含量的预测效果最好,内部交叉验证相关系数R为0.901 8,内部交叉验证标准差（RMSECV）为0.708;预测相关系数R为0.920 9,预测标准差（RMSEP）为0.083,提高了预测模型的精度和准确性。     

挂面面片水分分布均匀度的快速定量表征

采用高光谱技术结合分布均匀度指数(distributional homogeneity index,DHI)法快速定量表征面片中水分分布均匀度。首先设置不同水分含量梯度的面片,采用不同的光谱预处理方法和模式识别方法建立水分预测模型,然后通过高光谱可视化技术实现对面片中水分含量分布的可视化,最后以不同和面时间的面片为研究对象,利用DHI法对面片中水分分布均匀度进行定量表征。结果表明,采用标准正态变量变换预处理后的光谱所建模型的预测效果最好;最小二乘支持向量机水分定量预测模型的预测效果最佳;和面时间为15 min时取得了最小的DHI值,水分分布最为均匀。高光谱技术结合DHI法通过测定挂面面片水分分布均匀度能够为挂面和面工艺的自动化监控提供理论指导。     

基于高光谱成像的滩羊肉菌落总数和挥发性盐基氮的无损检测

以宁夏滩羊肉为研究对象,利用400~1000 nm可见近红外高光谱对冷鲜羊肉的菌落总数和挥发性盐基氮含量进行新鲜度的检测研究。采集冷鲜滩羊肉表面光谱图像,提取感兴趣区域获取原始光谱数据。剔除由蒙特卡洛检测法所检测出的异常样本,采用理化值共生距离法(SPXY)划分样本的校正集和预测集。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法;后采用主成分回归法(PCR)和支持向量机回归法(SVR)建立模型,优选最佳建模方法。结果表明:光谱数据经过正交信号校正(OSC)预处理后,建立的菌落总数和TVB-N含量预测模型效果较好,其RC分别为0.9067和0.9147,Rp分别为0.8743和0.8802,均高于其他光谱预处理模型。通过不同建模方法的比较,建模效果较好的是PLSR方法。研究表明:利用可见近红外高光谱技术可以实现对滩羊肉新鲜度的无损检测。     

红提葡萄V_C含量的可见/近红外检测模型

为了建立红提葡萄VC含量的可见/近红外漫反射光谱检测模型,并评价其应用价值,应用不同的化学计量学建模方法和光谱预处理方法,在不同特征波长区间内建立定标模型,讨论建模效果,并通过预测集样品验证最优模型的精度。结果显示:在全光谱范围内,应用改进偏最小二乘法(MPLS)结合一阶导数、5点平滑、加权多元离散校正(WMSC)处理得到的定标模型效果最优,交互验证标准差SECV为0.054 3,定标决定系数R2cv为0.920 2,预测决定系数R2p为0.931 8,预测标准差SEP为0.050 0,残差平方和PRESS为0.188 0,预测相对分析误差RPD为3.640 0。故应用可见/近红外漫反射技术对红提葡萄果实VC含量进行快速无损检测是可行的,模型稳定且精度较高。     

近红外光谱结合偏最小二乘法快速测定糖果中水分含量

采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

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。     

拉曼光谱技术快速检测专用煎炸油极性组分

为能够快速、无损检测专用煎炸油的极性组分含量,采集不同煎炸时间下煎炸油样本的拉曼光谱图。为建立稳定性高、误差小、精度高的模型,研究不同预处理方法对模型效果的影响,建立相应的偏最小二乘回归模型以选择最优的光谱预处理方法。结果表明：标准正态变换处理后的偏最小二乘模型最优,预测均方根误差（root mean square error of prediction,RMSEP）为1.18,决定系数R2为0.940?4。其次,将标准正态变换处理后的光谱数据分别建立误差反向传播（error back propagation,BP）算法和径向基函数算法神经网络模型,通过比较稳定性以及误差大小,得出采集到的拉曼光谱经过标准正态变换处理后采用BP神经网络建立的模型效果最好,RMSEP为0.032?6,R2为0.972。该方法可以用作专用煎炸油极性组分的快速分析。     

绿茶茶多酚近红外光谱定量分析模型优化研究

采用NIR Systems6500 和InfraXact Lab 型近红外仪分别对158 份绿茶未粉碎品和粉碎样品进行光谱扫描,利用正交试验设计,分别采用主成分回归、偏最小二乘、改进偏最小二乘3 种校正方法,并对原始光谱分别进行不同的预处理,建立了绿茶茶多酚定标模型,利用目标函数法对模型进行评定,并对评定的最优模型适用性进行验证。试验结果为：利用NIR Systems6500 型近红外仪对绿茶粉碎样品扫描的光谱采用改进偏最小二乘法进行定标,在标准正常化+ 趋势变化散射处理、二阶导数处理(取点间隔为1)、平滑处理取点间隔为4 和二次平滑处理取点间隔为8 组合的光谱预处理下建立的模型最优,其目标函数值为95.74%,验证相对标准差(RSD)为4.52%,相对分析误差(RPD)为2.52%。结果表明：采用正交试验设计能够综合考察不同的校正方法和预处理方法对近红外定标模型的影响,利用近红外光谱分析法能够实现绿茶中茶多酚含量的定量检测,所建立的最优模型具有很好的预测准确性和适用性。     

Development of a predictive model to determine potato flour content in potato-wheat blended powders using near-infrared spectroscopy

Potato is a good source of dietary energy and several micronutrients, and the development of staple foods using potato-wheat blended powder has received much attention recently in China. A rapid and accurate method for determining the potato flour content in potato staple foods would be valuable to market regulation efforts. We developed a predictive model for the potato flour content in potato-wheat blended powders based on near-infrared spectroscopy (NIRS) analysis. The correction of the near-infrared optical path was carried out to eliminate optical path differences using multiplicative scatter correction (MSC) and smoothing of the spectra using the Savitzky-Golay smoothing first-orderderivative (S-G-1^stD).The prediction model was developed based on partial least squares (PLS) combined with cross-validation(CV) within the full spectrum(850–1100 nm). The results showed that the optimal main factors of potato flour content in potato-wheat blended powder were 9, and the coefficient of determination of calibration (R²c) and standard error of cross-validation (SECV) of the prediction model reached 0.9997 and 0.51, respectively, indicating a good correlation. The repeatability standard deviation (SDr) and repeatability coefficient of variation of cross-validation (CVr) in validated samples were 0.246 and 0.967, respectively, which indicated that the prediction model had good repeatability. The bias-corrected standard error of prediction (SEP) and correlation coefficient of validation (R²P) were 0.69 and 0.9995, respectively, demonstrating good accuracy and stability. The results of this study demonstrated that this prediction model based on NIRS could determine the potato flour content in potato-wheat blended powders accurately and quickly.     

近红外光谱法快速检测梨汁中柠檬酸和L-苹果酸含量

利用近红外光谱技术对梨汁中柠檬酸和L-苹果酸含量进行快速定量检测,并通过6种光谱预处理及3种数学校正方法对柠檬酸和L-苹果酸含量预测模型进行优化。本研究采用近红外光谱仪在1 100~1 650 nm光谱范围内共采集70个梨汁样本的近红外光谱图,并利用高效液相色谱法测定柠檬酸和L-苹果酸的含量。首先对样本原始光谱图经过多元散射校正(MSC)、一阶导数、二阶导数等方法进行预处理,然后通过主成分分析(PCR)、修正的最小二乘法(MPLS)及偏最小二乘法(PLS)等分别建立梨汁中柠檬酸和L-苹果酸含量的预测模型,并对该模型进行优化。优化后,柠檬酸的最佳模型为PLS结合MSC;L-苹果酸的最佳模型为MPLS结合SNV且去散射;最佳预测模型的预测相关系数最高可达0.985,预测标准差最低为0.039%,相对分析误差最大为3.46。结果表明,近红外光谱可作为一种可靠、快速、无损、简单的方法用于梨汁中柠檬酸和L-苹果酸含量的测定。该方法为生产企业及监管部门开展梨汁的掺伪鉴别提供了依据。     

高光谱成像技术预测香葱贮藏品质

香葱是一种保质期很短的重要调味食品,水分与叶绿素是评估香葱采后品质的重要指标。本文旨在使用无损检测技术获取香葱在采后不同存储条件下的水分及叶绿素分布情况。实验采用高光谱成像技术获取431~962 nm波段的香葱反射光谱数据,通过卷积平滑（SG）、多元散射校正（MSC）、标准正态变异（SNV）三种预处理方法对原始光谱进行相应转换,并分别建立水分和叶绿素含量预测模型,比较模型预测精度后,选用降噪效果最好的MSC作为光谱预处理方法。随后使用竞争自适应加权采样算法分别选出11个和20个特征波段用于水分与叶绿素含量的预测。基于优选特征波段,利用偏最小二乘回归算法和支持向量机回归算法建立水分和叶绿素含量的预测模型。所建水分与叶绿素含量预测模型的最高预测决定系数分别达到0.9046和0.9143。最后根据所建模型取得不同存储条件下香葱水分及叶绿素含量分布图。综上,高光谱成像技术可用于快速无损检测香葱水分及叶绿素分布情况。本研究为后续便携式果蔬水分及叶绿素分布检测仪器的开发提供了理论依据。     

冬枣水分高光谱快速反演模型研究

冬枣的水分是冬枣分级的重要指标,为了提高检测效率,需要做到快速大批量检测。但是传统的高光谱反演模型研究都在暗箱中进行,并不能做到大批量和快速检测。文章对南疆十一团的冬枣所采取的光谱进行了平场校正,提取5×5感兴趣区域,使用了4种光谱预处理方法和2种波长算法使用偏最小二乘回归(PLSR)建立最优模型。模型的校正标准偏差(RMSEC)为1.0683 (g/100 g),预测标准偏差(RMSEP)1.0805 (g/100 g),校正决定系数(RC2)为0.8013,预测决定系数(Rp2)为0.8053,RPD为2.3346,相关系数(r)为0.9156。将所建立的最优模型应用到冬枣的每一个像素点,利用伪彩色编码技术进行假彩色合成。将冬枣表面的水分差异通过不同的颜色表示出来,能够有效地对南疆冬枣的水分进行快速无损检测。     

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。     

近红外光谱法快速检测饮料中的食用合成色素

以光谱扫描范围为1?100～1?650?nm,分辨率为0.2?nm,通过对不同质量浓度的日落黄、柠檬黄、胭脂红和苋菜红溶液扫描,得到的原始光谱图经过一阶导数、二阶导数等方法进行预处理。然后通过修正的最小二乘（modified partial least square,MPLS）法结合变量标准化且去散射处理的光谱预处理手段建立相关的MPLS模型。最后利用所建模型,对饮料中的食用合成色素含量进行预测。预测相关系数最高可达0.991,预测标准差最低为0.009%,相对分析误差最大为3.51。结果表明,近红外光谱可作为一种简单、快速、无损、可靠的方法用于检测饮料中的食用合成色素。