共查询到20条相似文献,搜索用时 0 毫秒
1.
本文采用近红外光谱技术结合化学计量学方法,建立稻谷水分含量测定的快速分析方法。试验选取江苏省不同地区的两年内197份稻谷样品作为建模集样品,对其进行化学分析和图谱扫描处理,通过近红外化学计量学软件初步建立稻谷水分含量的预测模型。建模结果显示运用PLS(偏最小二乘法)建立的分析模型预测效果最优,决定系数(R2)高达0.9689,交互验证标准差(SECV)为0.3434,选取24个未知样品作为验证集样品,验证决定系数(R2)高达0.9806,预测标准差为0.0933。结果表明,近红外光谱技术可以用于稻谷水分含量的快速测定。 相似文献
2.
近红外光谱快速测定稻谷水分含量的研究 总被引:2,自引:0,他引:2
收集我国不同地区、不同品种、不同储藏时间的稻谷样品144份,应用近红外光谱(NIRS)技术研究了稻谷水分含量快速测定方法,在建立定标模型的过程中,探讨了光谱散射处理、数学(导数)处理等优化处理对定标模型的影响。结果表明:修正偏最小二乘法是建立稻谷水分含量测定定标模型的最适合数学方法,所建立的定标模型的相关系数(R)为0.9999,定标标准偏差(SECV)为0.04;55份样品外部检验的相关系数(r)为0.996,检验标准差(SEP)为0.072,标准方法与NIRS方法测定的水分含量之间的T检验值为1.685(P〈0.05),两种方法测定结果无显著性差异,预测值与实测值的平均绝对偏差为0.03,说明所建立的稻谷水分含量测定的NIRS数学模型具有很高的预测准确性,可应用于稻谷品质分析的快速检测。 相似文献
3.
目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(RCAL2)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(RCV2)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。 相似文献
4.
5.
采集150份有代表性的我国南方地区稻谷样品的近红外光谱,用偏最小二回归分析法(PLS),建立了稻谷的水分、直链淀粉、蛋白以及胶稠度的近红外定量分析模型,并对30份预测集样品进行了验证。水分、直链淀粉、蛋白以及胶稠度的校正集模型的决定系数所(R2)分别为0.990 3、0.560 3、0.913 2以及0.678 0,交互验证均方根误差(RMSECV)分别为0.372 8%、1.456 9%、0.305 4%以及5.031 5%;验证集标准预测偏差(RMSEP)分别为0.382 5%、1.465 0%、0.510 0%以及5.052 1%。结果表明,近红外光谱分析法可以满足快速分析的要求。 相似文献
6.
摘 要:目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正(multiplicative signal correction,MSC)、标准正态变量变换(standard normal variate,SNV)等组合预处理方式对原始光谱进行处理,比较多元线性回归(stepwise multiple linear regression,SMLR)、主成分回归(principal component regression,PCR)和偏最小二乘法(partial least squares,PLS)三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差(root mean square error of calibration set,RMSEC)为相关系数0.496,校正集相关系数(calibration set correlation coefficient,RC2)为0.9683,验证集均方根误差(root mean square error of prediction set,RMSEP)为0.430,验证集相关系数(prediction set coefficient of determination,RP2)为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。 相似文献
7.
本文建立了一种基于近红外光谱技术快速测定中药提取物中多糖的方法。通过采集102组中药提取物口服液样品的近红外光谱,结合多糖化学检测结果应用偏最小二乘法,通过考察不同光谱预处理方法,包括一阶导数移动窗口宽度、平滑处理移动窗口宽度、波段选择、变量选择方法对模型预测能力的影响,建立并优化得到近红外光谱技术快速测定口服液中多糖的最佳模型。此模型光谱预处理方法为一阶导数结合平滑,一阶导数移动窗口宽度为5,平滑处理移动窗口宽度为9,所选波段为5079.585152.86、6159.526232.80、6545.216695.63、7470.887544.16以及8705.098778.38 cm-1,共120个变量,模型的交叉验证均方根误差为15.4823,预测均方根误差为16.2807。研究结果表明,通过近红外光谱技术结合化学计量学方法建立口服液中多糖快速测定方法具有一定可行性。 相似文献
8.
近红外测定稻谷水分定标模型验证研究 总被引:1,自引:0,他引:1
通过对近红外测定稻谷水分定标模型进行验证,了解该定标模型用于快速检测稻谷水分的准确性、重复性是否满足日常监测的要求。分别选取有代表性的早籼稻和中晚籼稻样品各50余份,用标准方法和近红外方法进行测定,经对比两种方法测定结果的偏差,剔除其中异常值,然后进行校准标准差(SEP)计算;分别选取早籼稻验证样品集中水分高、中、低的3个验证样品,每种样测定10次,对测定结果进行重复性(sr)计算。结果表明,早籼稻验证样品集定标模型的系统偏差为0.15,校准标准差(SEP)为0.18%,3个验证样品的重复性(sr)分别为0.045%、0.066%、0.031%,中晚籼稻验证样品集定标模型的系统偏差为1.0,校准标准差(SEP)为1.1%。近红外分析仪所带定标模型能够满足大批量早籼稻水分快速检测的需求,对于中晚籼稻,定标模型需更新或重建,在满足标准要求后才能用于中晚籼稻水分快速检测。 相似文献
9.
近红外光谱技术快速测定鹅肉新鲜度 总被引:1,自引:0,他引:1
目的:应用近红外光谱技术快速检测鹅肉的新鲜度,评价指标包括总挥发性盐基氮和pH值。方法:采集完整冷鲜鹅肉的近红外光谱(950~1 650 nm),光谱经多种校正预处理后,采用偏最小二乘法建立鹅肉新鲜度的定量预测数学模型。结果:对于这2 种指标均采用标准常态变量结合偏最小二乘法所建立模型的预测效果最好,总挥发性盐基氮和pH值定量校正数学模型的模型决定系数分别为0.727、0.991,内部交互验证均方根误差分别为3.666、0.028。用此模型对预测集20 个样品进行预测,预测值与实测值的相关系数分别达到0.976、0.705,预测值平均偏差分别为-0.240、-0.024,预测值和实测值之间没有显著性差异(P>0.05)。结论:近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉新鲜度。 相似文献
10.
为了实现小麦籽粒蛋白质含量的快速、准确测定,用近红外分析仪对158份小麦进行光谱扫描,采用主成分分析法剔除异常光谱,对剔除异常值后的图谱进行标准正常化及去散射处理,并分别进行一阶和二阶导数处理.并在光谱预处理基础上,建立了预测小麦籽粒蛋白质含量的BP神经网络和偏最小二乘法校正模型.结果表明:经过标准正常化及去散射处理和二阶导数预处理的图谱,运用BP神经网络建立的模型预测小麦籽粒蛋白质含量效果最优,预测的R2和均方根误差分别为0.983和0.067,小麦蛋白质含量的国标测定值与最优条件下的预测值之间的t检验结果为P =0.82>0.05,两种方法测定结果无显著性差异.将其与近红外仪器自带模型相比,预测效果显著提高.采用非线性BP神经网络法建立的定标模型可提高预测小麦蛋白质含量的准确性. 相似文献
11.
基于近红外光谱分析技术测定小麦淀粉的含量 总被引:1,自引:0,他引:1
《粮食与饲料工业》2021,(6)
利用近红外光谱技术(NIRS)建立一种高效的测定小麦淀粉含量(干基)的检测方法。收集181个小麦样品,随机分成定标集(n=144)和验证集(n=37)。样品分别以颗粒原样、中药粉碎机粉碎及粉碎至0.5mm进行建模比较。结果表明,3种不同制样方式建立的模型R2均大于0.8,RMSECV均低于0.7,RMSEP均低于0.6,RPD均在2以上,说明3个模型预测效果良好,均能满足日常检测需求。其中,中药粉碎机粉碎和粉碎至0.5mm的模型预测效果更好一些。但3个模型的RPD均小于3,在后期的使用中仍需添加代表性样品,以提高模型预测能力和稳定性。 相似文献
12.
根据标准选取糖碱比与钾的乘积作为掺配均匀性评价标志指标,以500个烟丝、500个梗丝、250个再造烟叶丝和30个生产线配方烟丝样品为研究对象,通过采集样品的近红外光谱信息和测定标志指标,利用模式识别和校正模型的建立,系统构建烟丝、梗丝和再造烟丝掺配均匀性评价方法。结果表明:①PLS-DA模式识别分析4种烟丝样品的近红外光谱整体信息存在较大差异性;②烟丝、梗丝和再造烟叶丝掺配均匀性指标的均值分别为20.64%,273.81%,30.40%,梗丝样品掺配均匀性指标值和波动范围均大于烟丝和再造烟丝样品;③掺配均匀性指标值以50为分类阈值时,3种烟丝样品近红外光谱的PCA-MD呈明显的分类现象,并以50为分类阈值建立了3种烟丝的分段校正模型;④将未参与建模的4种烟丝和配方烟丝样品通过PCA-MD模式识别,判定适宜的分段模型验证后,利用分段模型预测其标志指标,含量与实际测定结果无显著性差异。该研究建立了烟丝掺配均匀性的快速评价方法,分析结果稳定性和准确性均较好。 相似文献
13.
14.
近红外光谱技术快速测定鹅肉嫩度 总被引:1,自引:0,他引:1
目的:应用近红外光谱技术快速检测鹅肉的嫩度值。方法:采集完整鹅肉的近红外光谱(950~ 1 650 nm),光谱经多种校正预处理后,再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模 型。结果:采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好,嫩度定量校正数学模型的模 型决定系数为0.908 0,内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测,预测值与实 测值的相关系数达到0.971 1,预测值平均偏差为21.673 g,预测值和实测值之间没有显著性差异(P>0.05)。结 论:近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉的嫩度。 相似文献
15.
近红外光谱技术在线测定白砂糖色值 总被引:1,自引:0,他引:1
采用国产近红外在线分析系统,对广西某糖厂的白砂糖色值进行了在线测定研究。采用SupNIR-4000型近红外在线分析仪,直接对成品传送带上的白砂糖进行扫描获得光谱数据,测定时间仅需90s。光谱预处理方法"标准化+Savitzky-Golay一阶求导+正交信号校正"最佳,人工神经网络(ANN)建模最佳。结果显示,ANN模型的校正集相关系数(Rc)和标准偏差(RMSEC)分别为0.9215和5.1984,预测集相关系数(Rp)和标准偏差(RMSEP)分别为0.6771和9.3042,色值预测偏差基本在±10,满足糖厂需要。此法在制糖行业具有广泛的应用推广前景。 相似文献
16.
17.
18.
粳稻储藏食用品质近红外光谱快速测定技术研究 总被引:1,自引:0,他引:1
采用近红外光谱(NIRS)分析技术和化学计量方法建立了粳稻储藏品尝评分值的近红外分析模型,并对模型进行了预测准确性评价;在建立定标模型的过程中,探讨了不同光谱散射、数学等优化处理对定标模型的影响。结果表明:修正偏最小二乘法(MPLS)是建立粳稻储藏品尝评分值定标模型的最佳回归方法,所建立颗粒状和粉末状样品模型的定标相关系数(RSQ)分别为0.927 4和0.923 0,定标标准偏差(SEC)分别为2.347 9和2.539 1。定标模型具有较好的预测准确性。 相似文献
19.
20.
基于近红外光谱技术的枸杞产地溯源研究 总被引:3,自引:0,他引:3
采用近红外光谱技术对宁夏、甘肃、青海、内蒙、河北的8个不同产地40种枸杞样品进行扫描,在主成分分析基础上利用简易分类法(simple modeling of class analogy,SIMCA)模式识别原理分别建立模型。结果表明:在950~1650nm全光谱波长范围内,光谱经一阶导数(5点平滑)和矢量归一化(standard normal variate,SNV)预处理后,8个产地模型的主成分数均为3时,采用 SIMCA模式识别法可以建立较为稳健的枸杞产地溯源模型;在α=5%的显著水平条件下检验模型的可靠性,8个产地校正集模型的识别率除青海为80%外,其他产地均为100%,拒绝率分别为100%、100%、97%、100%、91%、94%、97%、100%,其验证集模型的识别率均为100%,拒绝率分别为100%、100%、100%、100%、75%、88%、100%、100%。表明该方法在枸杞产地识别中具有可行性。 相似文献