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。     

近红外光谱法快速预测新闻纸厂脱墨浆中胶黏物含量

本研究旨在采用近红外光谱法快速预测新闻纸厂脱墨浆中胶黏物含量。从新闻纸厂脱墨浆生产线中采集到103个脱墨浆样品,以筛选法测得脱墨浆中胶黏物含量,采用近红外光谱仪漫反射方式在12500～4000 cm-1波数范围内采集相应样品的光谱,利用化学计量学软件建立样品胶黏物含量和光谱数据之间的相关性模型。结果表明:对原始光谱进行矢量归一法预处理后,选择7502.2～5446.3 cm-1和4601.6～4246.8 cm-1波数区间,用偏最小二乘法(PLS)和完全交互验证方式建立的校正模型和外部验证预测模型的相关系数R2分别为0.892和0.914,校正标准差SEC为0.027,预测标准差SEP为0.027,这表明脱墨浆中胶黏物含量和其近红外光谱之间存在较好的相关性,该基于近红外光谱的校正模型可用于快速预测新闻纸厂脱墨浆中的胶黏物含量。     

注胶肉的近红外光谱快速判别分析

为了探讨利用近红外漫透射光谱判别分析技术快速鉴别注胶肉的可行性,共制备了101个样品,其中74个注胶肉样品。利用德国Bruker公司生产的MPA型傅里叶变换近红外光谱仪,采用固体漫透射采样附件获取样本光谱,随机选取62个注胶肉样品和23个正常肉样品作为校正集,用来建立注胶肉和正常肉判别模型。利用独立的验证集对判别分析模型进行了验证,结果表明所有验证样品均被唯一正确判别,采用近红外漫透射光谱能快速无损的判别注胶肉。     

基于近红外光谱技术快速检测小龙虾中的生物胺

目的 建立近红外光谱法快速检测小龙虾中总生物胺含量的方法。方法 利用近红外光谱仪采集154个不同新鲜程度小龙虾样品的近红外光谱, 使用高效液相色谱技术检测对应样品总生物胺含量; 使用KS(Kennard-Stone)算法将103个样品作为训练集, 51个样品作为预测集。采用多元散射校正(multiplicative scatter correction, MSC)、标准正态变换(standard normal variate, SNV)、小波变换(wavelet transform, WT)和1阶导数(1st)分别对样品的光谱进行处理, 利用训练集样品的光谱和生物浓度建立偏最小二乘回归(partial least squares regression, PLSR)模型, 使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)进一步选择波长, 对模型进行优化。结果 经过小波变换处理之后的光谱所建立的PLSR模型具有较好的预测结果, CARS方法可以进一步提高模型的预测和解释能力, 预测集生物胺的预测均方根误差(root mean square error of prediction, RMSEP)值和决定系数(r2)分别可达55.74和0.92。结论 基于近红外光谱分析技术快速检测小龙虾总生物胺含量是可行的, 优化后的PLSR模型可以用于评价小龙虾总生物胺含量。     

近红外光谱分析法预测欧美杨的制浆性能

选取85个欧美杨样品,先进行蒸煮实验,用国家标准方法测定样品的卡伯值和得率,然后用近红外光谱仪采集欧美杨浆样的近红外光谱图。光谱分别进行预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。卡伯值校正模型和预测模型的相关系数分别为0.9445和0.9607,校正标准差和预测标准差分别为1.100和0.936;得率校正模型和预测模型的相关系数分别为0.8792和0.8617,校正标准差和预测标准差分别为0.844和0.831。结果表明,近红外光谱法可以快速分析浆样的卡伯值和得率。     

猪肉中卡拉胶预测模型的开发与验证

为了探讨利用近红外透射光谱分析技术快速鉴别注胶肉的可行性,共制备了95个样品,其中60个注胶肉样品。利用FOSS公司生产的Foodscan型近红外肉类分析仪获取样本光谱,随机选取50个注胶肉样品和25个正常肉样品作为校正集,采用近红外光谱结合偏最小二乘法(PLS),建立注胶肉和正常肉判别模型。利用独立的预测集对预测模型进行了验证,结果表明所有验证样品均被正确判别,采用近红外透射光谱能快速无损的判别。     

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。     

近红外法测定豆浆蛋白质、脂肪和可溶性固形物含量

利用傅里叶变换近红外光谱仪采用积分球漫反射方式对60个豆浆样品进行光谱的采集,结合常规分析结果分别建立了3种成分的近红外校正模型。结果表明:豆浆蛋白质、脂肪及可溶性固形物光谱分别经过消除常数偏移量、一阶导数和矢量归一化(SNV)预处理后建模效果最好。蛋白质、脂肪和可溶性固形物含量的校正模型决定系数(R2)分别为:0.966 4、0.950 0和0.950 7,交叉验证均方根差(RMSECV)依次为0.076 9、0.087 4和0.316;对模型进行外部验证,验证集化学值和模型预测值之间差异不显著,说明模型可以用于豆浆中蛋白质、脂肪和可溶性固形物含量的检测。     

虾样品不同采集状态对近红外光谱PLS模型的影响

研究了不同采集状态的虾样品对近红外光谱PLS模型的影响。利用DA7200近红外光谱仪,采集南美白对虾完整虾和虾糜的近红外光谱曲线。采用Unscrambler10.3软件选择最佳光谱预处理方法和最优波段,建立了完整虾和虾糜与挥发性盐基氮(TVB-N)值、菌落总数(TBC)值关联的偏最小二乘(PLS)模型,并对模型进行评价和验证。结果表明:定标集虾糜模型中的校正相关系数rc,校正决定系数Rc2,交叉验证相关系数rv,交叉验证决定系数Rv2,均高于完整虾模型;校正均方根误差RMSEC,校正标准误差SEC,交叉验证均方根误差RMSECV,交叉验证标准误差SECV均低于完整虾模型。验证模型中虾糜预测模型中相关系数r均大于完整虾预测模型,预测均方根误差RMSEP,预测标准误差SEP均低于完整虾预测模型,且虾糜预测模型对TVB-N、TBC值预测值更为准确,表明以虾糜作为近红外光谱采集状态优于完整虾。     

苹果脆度的近红外无损检测

为了更好的对苹果的脆度进行检测,试验应用波长范围为643.26～985.11nm的Purespect近红外透射光谱仪对60个富士苹果的校正集样品和20个预测集样品进行了光谱扫描,比较了不同的光谱预处理方法和不同建模波段对模型的影响,最终确立的模型相关系数(Rc)为0.941,校正均方根误差(RMSEC)为0.390。对模型预测性能的验证结果表明:建立的苹果脆度模型性能较稳定,能满足实际应用的要求。     

蜂蜜中还原糖组分的近红外光谱应用研究

为探索快速测定还原糖含量的方法,提出了用傅立叶变换近红外光谱技术结合偏最小二乘法(PLS)建立近红外光谱与蜂蜜还原糖含量的数学模型并进行预测。通过光谱扫描还原糖含量在61.3%～75.22%范围的蜂蜜样本,选择11992.1～7494.6cm-1波数范围、二阶导数、及10个因子数进行光谱预处理,偏最小二乘法(PLS)交叉验证。结果表明,模型的校正决定系数(Rcal)、校正均方差(RMSEE)、交叉验证决定系数(RCV)、交叉验证均方差(RMSECV)分别为99.71%、0.27%、98.44%、0.45%。用该模型对验证集样本进行预测并统计分析,表明预测值与测定值无显著差异。因此,用该方法快速准确定量分析大批蜂蜜中的还原糖含量具有重要意义。     

近红外漫反射光谱法快速检测高纤维素、木质素物料水分含量

目的：建立一种快速检测高纤维素、木质素物料水分含量的方法。方法：以槟榔这种含高纤维素、木质素的中药材为原料,用近红外光谱仪采集近红外漫反射光谱,运用NIR Cal建模软件对光谱数据进行预处理,优选特征波长,并运用偏最小二乘法（PLS）分析建立槟榔水分含量定量模型。结果：槟榔水分含量定量模型校正集决定系数为0.994 2,校正误差均方根（RMSEC）为0.50;验证集决定系数为0.986 7,预测误差均方根（RMSEP）为0.68。结论：该方法简便、快速、安全、实用、准确,适用于含高纤维素、木质素物料的水分含量的快速测定。     

PSO-LSSVM用于近红外光谱预测混合制浆材Klason木质素含量

为优化混合制浆材中Klason木质素含量的近红外分析模型，收集了5种常见制浆材的82个原木样品，将样品粉碎预处理后在便捷式近红外光谱仪上采集其近红外光谱信号，对原始光谱数据进行多元散射校正（MSC）预处理，利用粒子群寻优（PSO）算法对最小二乘支持向量机（LSSVM）算法中的参数进行优化，然后利用最优参数建立混合制浆材Klason木质素的LSSVM定量分析模型。将结果与偏最小二乘（PLS）和主成分降维后的BP神经网络（PCA-BPNN）算法进行比较。结果表明，PCA-BPNN和PSO-LSSVM模型均优于PLS模型，且PSO-LSSVM模型预测结果最优，预测结果的相关系数（R _v）最大为0.9857；预测标准差（RMSEP）为0.7498%，比PLS模型和PCA-BPNN模型分别降低了0.2767%和0.1455%；相对标准偏差（RPD）最大为5.6174，比PLS模型和PCA-BPNN模型分别提高了1.5144和0.9138；真实值与预测值间的绝对偏差（AD）范围最小，为0.0065%~1.8449%。     

京郊鲜食杏白利糖度的便携式光谱快速无损检测方法研究

目的 建立京郊鲜食杏白利糖度的定量分析预测模型, 实现对京郊鲜食杏品质的快速无损检测。方法 使用便携式近红外光谱仪采集900~1700 nm下鲜食杏的漫反射光谱信息, 使用多元散射校正(multiplicative scatter correction, MSC)、标准正态变量变换(standard normal variable transformation, SNV)和Savitzky-Golay卷积平滑(Ssavitzky – Ggolay smooth, S-G)对原始光谱数据进行预处理, 使用Kennard-Stone (K-S)算法以3:1比例将样本集划分成校正集和预测集, 利用竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)算法和连续投影算法(successive projections algorithm, SPA)对光谱进行特征波长筛选, 使用偏最小二乘回归(partial least squares regression, PLSR)算法建立京郊鲜食杏白利糖度的预测模型。结果 以MSC+S-G+ CARS+PLSR算法建立的北京鲜食杏的白利糖度预测模型取得较好的预测精度, 模型的校正集均方根误差、校正集相关系数、预测集均方根误差、预测集相关系数分别为0.3502、0.9747、0.4698、0.9616。结论 基于便携式近红外光谱技术所采集数据构建的京郊鲜食杏白利糖度预测模型准确性较高, 可以快速准确检测鲜食杏白利糖度, 从而实现对鲜食杏品质的快速无损检测, 为鲜食杏的品质检测提供了理论依据和方法指导。     

近红外光谱快速测定 Mortierella alpina菌丝体油脂含量

为实现玉米皮渣发酵生产微生物油脂过程中菌丝体油脂含量的实时监测,建立了菌丝体油脂含量测定的近红外定标模型。结果表明,采用偏最小二乘法(PLS)、归一化预处理方法,模型的定标集相关系数(R)及验证集相关系数分别为0.997 4和0.995 8,定标集标准偏差(SEE)为1.266 6,验证集标准偏差(SEP)为1.417 1,定标集标准偏差(SEE)与验证集标准偏差(SEP)的比值为0.893 7,这表明该方法可快速准确地测定菌丝体油脂含量。     

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。     

玉米籽粒直链淀粉含量的近红外透射光谱无损检测

以214份玉米样品为材料,利用近红外谷物分析仪对样品进行光谱扫描,并测定直链淀粉含量的参比数据,借助于WinISI软件,采用多种数学处理方法和不同的回归统计方法进行定标曲线的开发,优化得到了玉米籽粒直链淀粉含量测定的近红外定标方程,其中直链淀粉占总淀粉含量及直链淀粉占样品干重两个定标方程的定标标准偏差(SEC)、定标相关系数(RSQ)、交叉验证标准误差(SECV)和检验工作标准误差(SEP)分别为2.3201和1.2064、0.8860和0.8856、2.5896和1.3769、3.368和2.133。通过内部交叉验证和外部交叉验证及对其它的231份自交系、杂交种和高直链淀粉自交系进行预测,结果表明,近红外分析技术具有较高的准确度,能代替常规化学分析方法应用于玉米育种的早代材料直链淀粉含量的筛选,可作为高直链淀粉玉米育种的一种简便快速的无损筛选技术。     

Chemometric Amylose Modeling and Sample Selection for Global Calibration Using Artificial Neural Networks

Chemometric arnylose modeling for global calibration, using whole grain near infrared transmittance spectra andsample selection, was used in an artificial neural network (ANN), to assess the global and local models generated, based onsamples of newly bred Indica, Japonica and rice. Global sample sets had a wide range of sample variation for amylose content(0 to 25.9%). The local sample set, Japonica sample, had relatively low amylose content and a narrow sample variation(amylose; 12.3% to 21.0%). For sample selection the CENTER algorithm was applied to generate calibration, validation andstop sample sets. Spectral preprocessing was found to reduce the optimum number of partial least squares (PLS) componentsfor amylose content and thus enhance the robustness of the local calibration. The best model was found to be an ANN globalcalibration with spectral preprocessing; the next was a PLS global calibration using standard spectra. These results pose thequestion whether an ANN algorithm with spectral preprocessing could be developed for global and local calibration models orwhether PLS without spectral preprocessing should be developed for global calibration models. We suggest that global calibra-tion models incorporating an ANN may be used as a universal calibration model.     

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。