鸡蛋脂肪含量近红外光谱无损检测技术研究

为建立近红外光谱无损检测鸡蛋脂肪含量的方法,在近红外光谱全波段内采集鸡蛋样品的漫反射光谱图,用酸水解法测定鸡蛋样品中的脂肪含量。对采集的光谱进行最小-最大归一化(Min-max Normalization,MMN)、矢量归一化(Vector Normalization,SNV)、平滑、一阶导数(First Derivative,FD)及多元散射校正(Multiplicative Scatter Correction,MSC)处理,用偏最小二乘法(Partial Least Squares,PLS)对鸡蛋脂肪含量建模验证。结果表明,经多元散射校正(MSC)法预处理,偏最小二乘法(PLS)建模以及杠杆校正(Leverage Correction)检验,鸡蛋的脂肪含量与其近红外光谱信号之间存在线性关系,校正集和验证集相关系数R2分别0.947 5,0.906 3,校正均方差RMSEE为0.173 2,预测均方差RMSEP为0.231 4,模型效果最好,可用于鸡蛋中脂肪含量的无损检测。     

近红外光谱无损测定纸张施胶度的研究

采集不同施胶度(Cobb值)纸张的近红外光谱,通过不同方式对所采集的近红外光谱进行预处理。选择最佳预处理方式,利用偏最小二乘法(PLS)建立测定纸张施胶度的校正模型。结果表明,最佳预处理方式为减去一条直线(SLS),最佳波数区间为5446.3～12493.4 cm~(-1)和4246.8～4424.2 cm~(-1),得到校正模型的内部验证数据集以及外部验证数据集的相关系数R~2分别为0.9186和0.9085,内部交叉验证均方差R_(MSECV)和外部验证均方差R_(MSEP)分别为0.640和0.439,外部验证的预测结果与标准值之间的最大相对偏差为4.81%。校正模型有较高的测定精度和较好的推广性,为纸张施胶度无损伤、无预处理的快速、简便、准确检测提供新的途径,并且可望实现纸机的在线检测。     

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。     

基于多元散射校正和偏最小二乘(MSC/PLS)的傅里叶变换近红外光谱检测蜂蜜中还原糖

为快速无损测定蜂蜜的还原糖,提出一种用近红外光谱技术进行检测的新方法.选用SN/T0852-2000铁氰化钾滴定法作为光谱还原糖测定的标定方法,用不同光谱预处理方法对模型的影响进行比较.首先用MSC对光谱数据进行校正,在经过Norris导数平滑法对原始光谱进行预处理消除噪声.利用光谱专用分析软件TQ Analyst7.2,建立偏最小二乘(PLS)校正模型.最优光谱模型校正相关系数(R)、校正相关均方差(RMSEC)、预测相关均方差(RMSEP)、交互验证相关系数(Rcv)、交叉验证均方差(REMSECV)分别为0.970 56,1.21,1.54,0.962 67,1.36.结果表明,应用多元散射校正(MSC)处理,并经过Norris二阶导数平滑后的PLS模型优于经典PLS算法所建立的模型. 用MSC对光谱数据进行校正,在经过Norris导数平滑法对原始光谱进行预处理消除噪声.利用光谱专用分析软件TQ Analyst7.2,建立偏最小二乘(PLS)校正模型.最优光谱模型校正相关系数(R)、校正相关均方差(RMSEC)、预测相关均方差(RMSEP)、交互验证相关系数(Rcv)、交叉验证均方差(REMSECV) 别为0.970 56,1.21,1.54,0.962 67,1.36.结果表明,应用多元散射校正(MSC)处理,     

应用近红外光谱对老陈醋进行定性定量的检测研究

利用近红外光谱结合DA和PLS算法在不同光谱预处理方法下,对山西老陈醋醋龄进行定性判别分析,并建立陈醋可溶性固形物(SSC)及pH值的定量模型.结果表明:原始光谱、5点平滑以及SNV校正建立的DA模型性能良好,校正集判别正确率为100％,预测集判别正确率为88.89％;原始光谱建立的可溶性固形物的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99988和0.99960,RMSEC,RMSEP和RMSECV分别为0.0421,0.0911和0.0777;5点平滑建立的pH值的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99733和0.97411,RMSEC,RMSEP和RMSECV分别为0.0151,0.0386和0.0468.     

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。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

近红外光谱的煎炸油羰基值检测及监控研究

为实现煎炸油煎炸过程中羰基值的快速检测和实时监控,采集不同混合比例、不同氧化程度的混合油及不同煎炸时间的煎炸油共108个样品的近红外光谱,分别采用一阶求导、二阶求导、Norris平滑、标准正交变换(SNV)及多元散射校正(MSC)对光谱进行预处理,偏最小二乘法(PLS)建立模型,对模型进行验证及利用模型对煎炸油煎炸过程中的羰基值进行监控。结果表明:在9 739~6 274 cm-1波数范围内采用SNV和二阶求导进行光谱预处理后PLS建模,其模型校正集和验证集的相关系数分别为0.984 4和0.979 0,模型可用;利用模型与传统方法同时测定煎炸油煎炸过程的羰基值,2种方法测定结果线性相关性良好(R2=0.995 2),模型可用于煎炸过程中羰基值的监控分析。     

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。     

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。     

近红外透射光谱分析油茶籽油掺入豆油的研究

采用傅里叶近红外透射光谱技术,应用于不同比例(0%～50%)的豆油和油茶籽油的二元体系样品,通过各种光谱预处理方法和回归方法的优化,建立了检测油茶籽油中掺杂豆油含量的近红外光谱的定量模型。以"二阶导数+Norris derivative filter"的最佳预处理方法和PLS的回归方法所建模型最佳,其校正相关系数(Rc)和校正标准误差(RMSEC)分别为0.999 99、0.057 70;交叉检验相关系数(Rcv)和交叉检验校准误差(RMSECV)分别为0.999 99、0.071 9;最优波段为5 037.16～4 728.60 cm-1、7 852.72～7 089.04 cm-1、8 577.82～8 323.26 cm-1;最佳主因子数为6。另外,经外部验证15份随机样品的化学值和NITS预测值的相关系数(R2)为0.998。表明近红外透射光谱法能够快速、准确地定量分析掺假油茶籽油中豆油的含量(范围为0%～50%)。     

基于可见-近红外光谱技术对市售紫薯粉的品质评价

目的建立可见-近红外光谱法结合偏最小二乘回归法对市售紫薯粉的品质进行评价。方法以市售紫薯粉为研究对象,对其原始光谱进行S-G 9点卷积平滑(savitzky-golay smoothing,S-G)、标准正态变量变换(standard normal variable transform,SNV)预处理,建立碘蓝值、花青素以及水分含量的偏最小二乘模型。结果花青素模型校正集和预测集的相关系数分别为0.9750和0.9461,均方根误差分别为0.1052 mg/g和0.1918 mg/g;碘蓝值模型校正集和预测集的相关系数分别为0.9687和0.9673,均方根误差分别为7.0256和7.1848;水分含量校正集和预测集的相关系数分别为0.9397和0.9219,均方根误差分别为0.5589%和0.5965%。结论基于可见-近红外光谱技术可以实现对市售紫薯粉的花青素、碘蓝值以及水分含量的快速无损检测,对市售紫薯粉的品质评价提供理论参考。     

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...     

烟草水溶性糖近红外定量模型中光谱范围选择方法的研究

运用四种不同的光谱范围选择方法来建立烟草中水溶性糖的近红外定量模型, 发现模型的交互验证系数、交互验证均方差和预测均方差有明显的差异。通过对烟草中水溶性糖的分子结构分析, 结合傅里叶变换近红外漫反射光谱的特性, 初步确定烟草水溶性糖近红外定量模型的建模光谱范围, 以交互验证系数和交互验证均方差为评价指标进一步优化光谱范围, 可以得到烟草水溶性糖在近红外定量模型中的最佳光谱范围为3850~5010 cm-1、5720~7010 cm-1和7760~7980 cm-1, 总糖和还原糖定量模型的交互验证系数、交互验证均方差和预测均方差分别为0.989、0.787、0.565和0.982、0.801、0.693。      

红外光谱快速测定油茶籽油中主要功能活性成分含量的模型建立与评价

以从企业采集的50个油茶籽油样品为试验材料,通过扫描获取红外光谱并筛选特征波段,利用偏最小二乘法(PLS)建立油茶籽油中甾醇、维生素E和类胡萝卜素含量的预测模型,并通过系列参数对模型进行评价。结果表明:在400~1 850 cm~(-1)波数范围内,甾醇、维生素E和类胡萝卜素校正集相关系数(R_C)分别为0.978 9、0.980 1和0.949 9,交叉验证均方根误差(RMSECV)分别为42.38、25.64、0.84 mg/kg,经对模型进行验证,上述3种成分预测集相关系数(R_P)分别为0.993 4、0.997 4和0.959 0,预测均方根误差(RMSEP)分别为13.31、6.24、0.18 mg/kg,RPD分别为7.742、12.696和2.889。可见,模型的预测效果较好,说明红外光谱法可应用于油茶籽油中甾醇、维生素E和类胡萝卜素等功能活性成分含量的快速检测。     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

Prediction of Cadmium content in brown rice using near‐infrared spectroscopy and regression modelling techniques

The feasibility of prediction of cadmium (Cd) content in brown rice was investigated by near‐infrared spectroscopy (NIRS) and chemometrics techniques. Spectral pretreatment methods were discussed in detail. Synergy interval partial least squares (siPLS) algorithm was used to select the efficient combinations of spectral subintervals and wavenumbers during constructing the quantitative calibration model. The performance of the final model was evaluated by the use of root mean square error of cross‐validation (RMSECV), root mean square error of prediction (RMSEP) and correlation coefficients for calibration set and prediction set (R_c and R_p), respectively. The results showed that the optimum siPLS model was achieved when two spectral subinterval and fifty‐two variables were selected. The predicted result of the best model obtained was as follows: RMSECV = 0.232, R_c = 0.930, RMSEP = 0.250 and R_p = 0.915. Compared with PLS and interval PLS models, siPLS model was slightly better than those methods. These results indicate that it is feasible to predict and screen Cd content in brown rice using NIRS.