基于变量筛选的温州蜜桔品质的光谱快速检测

目的利用可见/近红外光谱技术结合变量筛选算法建立预测模型。方法采集7个不同批次蜜桔样本的漫透射光谱,预处理优化后,以无信息变量消除法(uninformative variable elimination,UVE)、竞争性自适应重加权法(competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共3种策略来进行光谱有效波段的筛选,建立蜜桔可溶性固形物含量(soluble solid content,SSC)的偏最小二乘预测模型(partial least square,PLS)。结果比较全变量模型和3个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果,相比全变量模型,建模变量数减少了96.5%,其预测集相关系数R_P提升至0.732,预测集均方根误差(root-mean-square error,RMSEP)下降至0.873~0Brix。结论结合多重变量选择算法,可以进一步压缩建模变量数,简化模型,提高模型预测精度,实现区域蜜桔品质的光谱快速检测。     

基于温控近红外光谱快速检测泥蚶重金属污染

目的:探索一种基于蛋白酶解、温控近红外光谱表征技术的贝类重金属污染快速检测方法。方法:以人工饲养的贝类泥蚶为研究对象,以铜（Cu）、镉（Cd）、铅（Pb）三种重金属分别胁迫感染泥蚶;利用酶解和离心等预处理分别提取健康泥蚶和各重金属污染泥蚶的全蛋白上清液样品;控制样品处于一个25~60 ℃的升温过程中,以傅里叶变换近红外光谱,每间隔5 ℃采集各样品光谱,并构建判别模型对泥蚶污染样本进行区分。结果:通过偏最小二乘-判别模型识别不同温度下的泥蚶重金属污染类别,其准确率随温度先升高后降低;当样品升温至40 ℃时,判别模型的准确率达到92%;通过变量筛选优化,能够将判别模型的准确率提高至98%。结论:借助化学计量学、近红外光谱技术和酶解技术,可以快速鉴别泥蚶中的重金属污染问题,丰富贝类重金属污染的检测手段。