近红外光谱法快速测定甘蔗渣水分和糖分含量

探讨了近红外光谱法快速测定甘蔗渣水分和糖分含量的可行性。基于实验室自制的20个水分和糖分不同含量的甘蔗渣样品,用近红外光谱仪积分球旋转方式在12500～4000cm^-1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水分和糖分含量与光谱数据之间的相关性模型。结果表明,对原始光谱进行多元散射校正的预处理后,选择9295．8～6098．2cm^-1和5450．2-4597．8cm^-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的相关系数R^2分别为0．9886和0．9793,交互验证均方差RMSECV分别为2．18和0．463。该方法操作简单、准确性好,适用于生产过程中对甘蔗渣水分和糖分含量的快速测定。     

基于近红外光谱的猪肉蛋白质及脂肪含量检测

蛋白质及脂肪是猪肉的重要营养成分。随着人们对饮食健康的要求越来越高,对猪肉蛋白质及脂肪含量快速检测也成为必然。通过近红外光谱技术对猪肉进行光谱数据采集,将光谱数据分为校正集样本和预测集样本,然后,在MATLAB中利用多元散射校正(MSC)与均值中心化相结合的方法进行光谱预处理并采用联合区间偏最小二乘方法(SiPLS)获得猪肉蛋白质及脂肪含量与光谱数据特征之间的对应关系,从而定量分析猪肉蛋白质及脂肪含量。实验结果表明,建立的SiPLS检测脂肪及蛋白质含量预测模型的最优组合分别为划分为20个光谱区间并联合4个子区间和9个主成分因子,和划分19个光谱区间并联合4个子区间和10个主成分因子。其预测集的相关系数分别为0.9798、0.9788,交互验证均方根误差分别为0.228,0.241。研究结果表明,利用近红外光谱结合SiPLS算法可以快速准确检测猪肉蛋白质与脂肪含量。     

奇亚籽水分、脂肪、蛋白质和灰分的近红外 光谱快速检测模型优化

水分、脂肪、蛋白质、灰分是重要的奇亚籽品质指标,目前主要依赖于化学法测定,过程烦琐,耗时费力,且不能多指标同时监测。以103份不同产地的奇亚籽为建模样本,通过19种光谱预处理方法和最佳谱区范围的筛选分别建立了奇亚籽中水分、脂肪、蛋白质、灰分的偏最小二乘模型。结果表明:对于水分采用Savitzky-Golay滤波平滑(SG)对光谱进行预处理,脂肪采用一阶导数(1st)和多元散射校正(MSC),蛋白质采用1st、标准正态变化(SNV)和SG,对于灰分采用1st、SNV和Norris微分平滑(ND)组合光谱进行预处理,针对各参数最佳预处理光谱采用人工法进行谱区筛选建立模型,得到水分、脂肪、蛋白质和灰分的验证集相关系数分别为0. 993、0. 972、0. 925和0. 923。结果显示,利用近红外光谱可以实现对奇亚籽的水分、脂肪、蛋白质以及灰分的同时快速无损检测,在大规模奇亚籽原料的分选中提高检测效率。     

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.     

基于近红外光谱无损快速检测面粉品质的研究

提出一种基于近红外光谱技术结合偏最小二乘法对面粉品质进行无损快速检测的方法．配制含滑石粉的面粉样品30个,采集样品在12500～4000cm^-1范围内的近红外漫反射光谱,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法（PLS）建立定量分析模型．结果表明所建定量分析模型的相关性能比较高,预测相关系数和预测均方根误...     

近红外光谱法旁线测定甘蔗糖厂混合汁糖度的应用研究

采用MPLS、PLS、PCR三种回归方法以及导数、平滑处理原始光谱,采用定标样品集以外的20个独立样品验证,得出最佳定标模型为经过MPL(S 1,4,4,1)处理所建立方程,其外部验证决定系数(R2)为0.968,预测标准差(SEP)为0.143,在广东华海糖业有限公司进行了实验应用,结果理想。近红外技术用于测试甘蔗混合汁糖分是可行的。     

基于近红外光谱法快速测定许氏平鲉脂肪和 水分含量的方法研究

目的建立近红外光谱法结合偏最小二乘法测定许氏平鲉鱼肉中的脂肪和水分含量,以期简便、快速地对许氏平鲉进行品质分析与评价。方法采用常规分析手段测定70个样品的脂肪和水分含量,同时采集其近红外光谱数据,结合偏最小二乘法(partial least square,PLS)建立许氏平鲉鱼肉中脂肪和水分的定量预测模型,并对比不同光谱预处理方法、光谱范围和因子数对定量预测模型的影响。结果光谱经Savitzky-Golay(S-G)和标准正态变量变换(standardized normal variate,SNV)预处理后,在5341.85~4007.36 cm~(-1)、6556.79~5345.71cm~(-1)和8651.10~7162.33 cm~(-1)光谱范围内,选取主因子数10,建立脂肪的校正模型性能最优;光谱经过SNV预处理后,在8886.38~4061.35cm~(-1)光谱范围内,分别选取主因子数为9时,建立的水分的校正模型性能最优。脂肪和水分含量相对最优PLS模型的校正集相关系数分别为0.9918和0.9912,校正标准偏差分别为0.2680和0.3300,交叉验证相关系数分别为0.9820和0.9810,交叉验证均方差分别为0.3980和0.4850,验证集相关系数分别为0.9804和0.9798,验证集均方差分别为0.3260和0.3070。结论本方法可较为准确地预测许氏平鲉鱼肉中的脂肪和水分含量,能够满足快速分析评价许氏平鲉品质的要求。     

基于近红外漫反射技术的大米脂肪含量的研究

利用大米脂肪含量化学分析值及其近红外漫反射光谱建立分析大米中脂肪含量的数学模型.运用OPUS5.0定量分析软件优化,采用偏最小二乘法(PLS)算法,得到最佳光谱预处理方法为乘法散射校正法(MSC),选取11 998.9～4 246.5cm-1为最佳谱区,最佳主成分维数为8.由此参数进行内部交叉检验,建立校正模型,交叉验证决定系数(R2)为0.998 1,交叉验证误差(RMSECV)为0.0191;外部验证决定系数(R2)为0.988 9,预测误差(RMSEP)为0.024 1,证明了利用近红外光谱技术测定稻米脂肪含量的可行性.     

近红外光谱法快速测定香菇总糖含量

为弥补国标检测方法测定香菇总糖含量耗时长、步骤繁琐的缺陷,创建近红外(near infrared,NIR)光谱技术在测定香菇总糖含量方面应用,采用NIR分析技术与偏最小二乘算法(partial least square,PLS)建立香菇总糖的NIR分析模型,并对模型进行参数优化.实验共收集了106批样品,从中随机抽取1...     

近红外光谱法对茶叶中的咖啡碱含量的快速测定

以贵州省各地茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,将茶叶制成粉末进行光谱扫描并用化学法测定其咖啡碱含量,将偏最小二乘法与傅立叶变换近红外光谱法相结合,建立茶叶中咖啡碱含量的模型.通过多元散射校正(MSC)处理光谱,光谱范围选择4493.33cm-1～4354.48cm-1,5800.83cm-1～5696.69cm-1,主因子数为10,得到模型的内部交互验证相关系数(P)为0.991,交互验证均方差(RMSECV)为0.205;模型的预测值与化学测定值的相关系数为0.999,预测标准偏差(RMSEP)为0.242.通过稳定性试验得到的RSD都在0.30％以下.结果表明,模型的预测效果很好,具有较高的精密度和较好的稳定性,且方法简捷,能满足茶叶中咖啡碱的快速检测要求.     

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。     

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。     

近红外光谱法快速测定液态奶中蛋白质和脂肪含量

采用近红外光谱法结合化学计量学方法测定液态奶中蛋白质和脂肪的含量,比较分析随机法(randomsampling,RS)、kennard-stone(KS)、Duplex、基于x-y距离结合的样本划分方法(sample set partitioning based onjoint x-y distance,SPXY)4种训练集和预测集样本划分方法,使用Haaland法对异常值进行剔除,并对光谱预处理方法进行讨论。所建立的脂肪模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)分别为2.434和2.099,预测集的决定系数Rp2为0.964;蛋白质模型的RMSECV与RMSEP分别为2.270和2.564,Rp2为0.940。结果表明,该方法快速、准确,可为液态奶的现场质量控制提供了有效途径。     

近红外光谱对特征部位牛肉的分析

通过采集牛霖、牛柳、牛腩3个部位牛肉样品的近红外光谱并对其蛋白质、脂肪、水分和灰分等化学指标进行测定,应用偏最小二乘法分别建立蛋白质、脂肪、水分和灰分的校正模型。牛霖样品的灰分和水分校正模型相关系数分别为0.9843、0.9740,预测相关系数分别为0.9502、0.9342;牛柳样品的蛋白质和水分校正模型相关系数分别是0.9540、0.7752,预测相关系数分别为0.9500、0.9060;牛腩样品的灰分和脂肪校正模型相关系数分别是0.9746、0.9218,预测相关系数分别是0.9560、0.9233;牛霖和牛柳样品的水分总校正模型相关系数为0.7504,预测相关系数是0.9737;牛腩和牛霖样品的灰分总校正模型相关系数是0.8770,预测相关系数为0.9777。结果表明：近红外光谱分析法预测准确度较高,可以用于评价牛肉品质。     

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。     

近红外光谱法快速测定藜麦籽粒粗蛋白含量

目的:为了满足高蛋白质藜麦的选育、栽培和农业实践所需,实现藜麦籽粒粗蛋白含量快速、无损检测。方法:本研究应用近红外光谱技术对藜麦籽粒粗蛋白含量的快速检测进行系统研究,选用具有代表性的122份藜麦品种为试材,以其中94份为建模集,28份为验证集,扫描得到藜麦建模集的近红外原始光谱,用Unscrambler 10.4软件进行光谱预处理并使用偏最小二乘法(PLS)建立藜麦籽粒粗蛋白含量的定量预测模型。结果:经滤波拟合法(Savitzky-Golay,SG)+标准正态变量(Standard Normal Variate,SNV)预处理建立的模型预测值决定系数(R²)为0.9380,被测组分浓度分析误差(RMSE)为0.4823,表现最佳。用此模型对验证集28份样品进行预测,相关分析表明,预测值与国标法实测值决定系数为0.9416;单因素方差分析表明,国标法实测值和模型预测值之间无显著差异(P>0.05),建立的模型具有很高的准确性,预测效果良好。结论:近红外光谱法作为一种简单快速无损的检测手段,能够用于藜麦籽粒粗蛋白含量的检测,可以为优质藜麦育种、栽培和农业实践提供技术支持。     

光谱预处理结合模拟退火算法的小麦粉面筋含量检测

为得到可靠的小麦粉中面筋含量定量分析模型,基于光谱预处理及模拟退火算法（simulated annealing algorithm,SAA）对近红外光谱（near infrared spectroscopy,NIR）进行优化处理。偏最小二乘（partial least squares,PLS）回归用于建立预测模型,以决定系数R2、校正均方根误差（root mean square error of calibration,RMSEC）、预测均方根误差（root mean square error of prediction,RMSEP）为指标,对比在不同光谱预处理条件下建立的回归模型与光谱预处理结合模拟退火算法优化处理条件下的回归模型。结果表明光谱预处理结合SAA-PLS模型能够有效提高模型的稳定性和预测能力,将R2从0.763?7提高到0.949?1、RMSEC从1.371?2降低到0.589?8、RMSEP从1.450?2降低到0.534?1。结果说明,光谱预处理结合模拟退火算法对光谱进行优化处理是可行的,模型预测能力和稳定性均优于未处理模型和仅进行光谱预处理的模型。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R~2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root mean square error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模型,实验结果为R~2从0.955 2提高到0.977 7、RMSEC从0.375 8降低到0.245 3、RMSEP从0.268降低到0.264。结果表明基于光谱预处理结合GA优化波长来定量分析面粉中水分含量是可行的,且准确性和误差度皆优于无优化模型。     

基于拉曼光谱技术的面粉品质快速检测

由于目前国标法检测面粉水分、灰分以及湿面筋等品质参数的方法费时、费力,研究提出基于拉曼光谱分析技术建立面粉中水分、灰分和湿面筋的定量分析研究。实验随机采集100 份不同种类的古船面粉样本,采集样本的拉曼光谱,运用光谱预处理方法结合偏最小二乘法建立分析模型,所建立的水分（含量取值范围为
13.3%～15.4%）、灰分（含量取值范围为0.46%～0.85%）和湿面筋（含量取值范围为28%～36.8%）定量模型的相关系数分别达到0.945 66、0.993 39、0.981 65,校正均方根误差分别为0.145、0.012 6、0.456。结果表明,通过拉曼光谱技术实现面粉品质快速、无损、高效的检测可行且具有较大的发展空间。实验还通过新旧面粉的拉曼光谱,建立2013年与2014年生产面粉的距离匹配分析模型,实现过期面粉的快速鉴别,实验准确率达100%。     

应用红外光谱结合化学计量学方法检测阿拉伯胶产地和蛋白质含量

研究利用傅里叶红外光谱结合化学计量学方法来实现对苏丹阿拉伯胶的产地和蛋白质含量的快速无损检测的可行性。采集自6?个不同的产地,每个产地12?个,总计72?个阿拉伯胶样本,作为研究对象,运用线性判别分析（linear discriminant analysis,LDA）和反向区间偏最小二乘（backward interval partial least squares,Bi-PLS）法分别实现对苏丹阿拉伯胶的产地区分和蛋白质含量检测。结果表明,当主成分数为6时,LDA对样本的训练集（48?个样本）和预测集（24?个样本）的识别率都为100%。Bi-PLS法回归联合20?个光谱子区间中的4?个子区间得到最佳的蛋白质预测模型,其预测集相关系数为0.937?3,均方根误差为0.173%。因此,利用傅里叶红外光谱结合化学计量学方法可实现对苏丹阿拉伯胶的产地以及蛋白质的含量的快速无损检测。