可见/近红外漫反射光谱无损检测甜柿果实硬度

该研究的目的是建立可见/近红外漫反射光谱无损检测甜柿果实硬度的数学模型,评价可见/近红外漫反射光谱无损检测甜柿果实硬度的应用价值。果实硬度采用果皮脆性、果皮强度和果肉平均硬度作为评价指标。在可见/近红外光谱区域(400～2 500 nm),采用改进偏最小二乘法,对比分析了不同导数处理、不同散射及标准化处理的甜柿果实硬度定标模型。结果表明,对于果皮强度和果皮脆性,采用最小偏二乘法、一阶导数处理和标准多元离散校正处理建立的定标模型预测效果较好,RP2分别为0.858和0.862,SEP分别为0.094和0.157,RPD分别为2.47和2.63。对于果肉平均硬度,采用改进偏最小二乘法、一阶导数处理和标准正常化和去散射处理建立的定标模型预测效果较好,RP2为0.82,SEP为0.063,RPD为2.35。因此,可见/近红外漫反射光谱无损检测技术可用于甜柿果实硬度的无损检测。     

莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

软枣猕猴桃总酚的可见-近红外漫反射光谱无损检测

应用可见-近红外漫反射光谱在570～1848nm光谱区域内,建立了软枣猕猴桃总酚定量数学模型。实验将贮藏分三个阶段(采收阶段,贮藏12d,贮藏24d)进行,通过对比分析不同建模方法得到软枣猕猴桃总酚定标模型。结果表明,应用偏最小二乘回归算法、一阶导数处理和反相多元离散校正处理所建软枣猕猴桃总酚定标模型的预测性能较好。定标集样本的交互验证相关系数(RCV)为0.8939,交互验证均方根误差(RMSECV)为11.6734mg/100g;预测集样本的相关系数(RP)为0.8627,预测均方根误差(RMSEP)为16.7690mg/100g。研究表明：可见/近红外漫反射光谱对软枣猕猴桃总酚的快速无损检测具有一定的可行性, 但模型精度有待提高。     

基于可见/近红外高光谱成像技术的鸡蛋新鲜度无损检测

以400~1 000nm高光谱系统获得鸡蛋样本的高光谱图像,利用蒙特卡洛法检测异常样本,采用不同预处理方法处理原始光谱;应用竞争性正自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)、遗传偏最小二乘法(Genetic Algorithms PLS,GAPLS)和间隔蛙跳法(Interval Random Frog,IRF)对预处理后光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)和最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)鸡蛋新鲜度预测模型。结果表明:标准正态变量变换(Standardized Normal Variate,SNV)法为最优预处理方法;利用CARS、GAPLS和IRF分别选出8,35,74个特征波长;基于GAPLS提取的特征波长的LS-SVM模型最优,其校正相关系数(Rc)为0.899,预测相关系数(Rp)为0.832。表明基于高光谱成像技术的鸡蛋新鲜度无损检测是可行的。     

基于可见-近红外光谱的生鲜紫薯食味品质快速无损检测

目的建立可见-近红外光谱法快速无损检测生鲜紫薯的熟化黏度和甜度,并对其食味品质进行评价。方法以生鲜紫薯为研究对象,用竞争性自适应加权算法(competitive adaptibe reweighted sampling,CARS)筛选出生鲜紫薯预处理后的光谱数据的特征波长,再用偏最小二乘法(partial least square,regression,PLS)建立了生鲜紫薯熟化峰值扭矩和可溶性糖含量的定量预测模型。另外,选取12个生鲜紫薯根据划分分值区间法对紫薯食味品质进行评价。结果生鲜紫薯峰值扭矩模型预测集的相关系数r为0.9195,均方根误差(root mean square error of prediction,RMSEP)为0.0526 Nm;可溶性糖含量模型的预测集的相关系数r为0.9515,RMSEP为0.3100 mg/g。结论基于可见-近红外光谱技术可以对生鲜紫薯食味品质进行初步快速无损评价,为鲜食性紫薯品质评价提供理论参考。     

利用可见/近红外反射光谱无损检测小米的粘度

目的建立适用于小米粘度无损检测的可见/近红外反射光谱法。方法使用光谱仪获取小米在367～1020 nm波段范围内的漫反射光谱,采用多元散射校正法(multiple scattering correction,MSC)和一阶导数法(first derivation,1~(st)-D)对原始反射光谱进行处理,并且使用主成分分析确定最佳主成分数,建立小米粘度判别模型,使用全交叉验证法进行模型验证。结果使用原始反射光谱、MSC处理光谱和1~(st)-D处理光谱,分别提取了6、12和12个主成分,建立的峰值粘度模型RCV在0.86以上,对验证集的预测结果 Rp在0.82～0.86之间;而使用1~(st)-D处理光谱提取12个最优主成分,建立的模型可较好地预测小米粘度的破损值,RCV为0.8573,对验证集的预测结果 Rp为0.8309。结论该方法适用于小米粘度的无损检测,为小米加工品质的快速检测提供一定的理论支持。     

梨果实近红外光谱无损检测技术研究进展

梨果实容易发生果肉褐变,即使外观完好,也有可能内部发生劣变。近红外光谱(NIRS)分析技术以其快速、无损、多组分同时测定等优势,近年来在梨果实无损检测应用的研究中取得重要进展。本文介绍了NIRS检测技术的原理与方法,综述了国内外应用NIRS无损检测技术在梨糖度、酸度、硬度等内部品质、褐变和损伤等内部缺陷方面及便携式检测的研究进展,并对其存在的问题及应用前景进行了展望。     

基于MCCV-CARS-RF建立红提糖度和酸度的可见-近红外光谱无损检测方法

利用USB2000＋微型光谱仪采集红提400～1?000?nm透过率光谱数据,并通过理化分析测得糖度和酸度值;利用SavitZky-Golay卷积平滑法对原始光谱进行预处理,结合蒙特卡罗交叉验证法剔除奇异点,再利用竞争自适应重加权采样法降维,最终建立随机森林预测模型。糖度预测模型的校正集相关系数和均方根误差分别为0.955?8和0.315?8;验证集相关系数和均方根误差为0.956?8和0.318?5。酸度预测模型的校正集相关系数和均方根误差分别是0.945?6和0.300?1;验证集相关系数和均方根误差为0.940?5和0.311?2。结果表明,该方法适用于红提糖度和酸度的快速无损检测,且具有较高的准确度。     

可见/近红外光谱技术无损检测新鲜鸡蛋pH及蛋白质的研究

本文利用可见/近红外光谱技术检测新鲜鸡蛋p H和蛋白质。分别采集新鲜鸡蛋在400~1000 nm和900~1700 nm波长范围的漫反射光谱,使用多元散射矫正(MSC)、标准正态变量变换(SNV)等光谱预处理技术,选择最佳的预处理方法,使用偏最小二乘法(PLS)建立p H和蛋白质模型并对其进行评价。结果表明,基于900~1700 nm波长范围的光谱获得的p H模型较好,其校正集相关系数为0.948,预测集相关系数为0.855;基于400~1000 nm波长范围的光谱获得的蛋白质模型较好,其校正集相关系数为0.927,预测集相关系数为0.906。研究表明,可见/近红外光谱技术可以较好的预测新鲜鸡蛋的p H和蛋白质,为鸡蛋营养成分的快速无损检测提供新的思路和方法。      

南果梨糖度近红外光谱无损检测模型的建立

利用近红外透射光谱仪,对产自辽宁省鞍山地区的具有代表性的南果梨样品建立了近红外透射光谱与南果梨糖度的数学模型,并对模型进行了预测。结果表明:南果梨中可溶性固形物含量、还原糖含量的近红外光谱预测值与化学实测值之间的相关系数分别为0.9364、0.8586,预测均方根偏差(RMSEP)分别为0.2285、0.07929,其中以可溶性固形物含量作为定标参数建立模型的预测能力较强,证实利用近红外透射光谱建立的定标模型来测定南果梨的糖度是可行的。      

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。     

玉米完整籽粒近红外品质分析模型的比较及改进

本文对国家玉米改良中心品质分析实验室采用普通玉米和高油玉米建立的完整籽粒近红外品质（蛋白质、油分、淀粉）分析模型（简称模型Ⅰ和模型Ⅱ）进行了比较分析，并对它们进行了进一步地改进。比较分析发现模型Ⅰ蛋白质预测的决定系数（R^2），定标均方根差（RMSEE），外部验证决定系数（RP^2）和外部验证均方根差（RMSEP）与模型Ⅱ相差不大，模型Ⅰ蛋白含量范围8．15％-16．06％，比模型Ⅱ8．55％-14．7％稍宽；改进以后的模型Ⅲ蛋白质含量8．15％-16．06％，分布比模型Ⅰ和2要广，浓度梯度更均匀；模型Ⅰ油份含量范围2．85％-10．26％，适合测低油分籽粒，模型Ⅱ油份含量范围4．16％-10．12％，适合测高油分籽粒，这与其建模时分别使用普通玉米和高油玉米材料相吻合。模型Ⅲ油分（2．85％-10．26％）涵盖了模型Ⅰ的普通玉米和模型Ⅱ的高油玉米，适应性更广。模型Ⅰ高淀粉含量籽粒分布多，模型Ⅱ低淀粉含量籽粒分布多；模型Ⅲ综合了模型Ⅰ的高淀粉含量玉米和模型Ⅱ的低淀粉含量玉米，适应范围也得到加强。     

A New Germinative Classification Model of Barley for Prediction of Malt Quality Amplified by a Near Infrared Transmission Spectroscopy Calibration for Vigour “On Line” Both Implemented by Multivariate Data Analysis

A new germinative two‐dimensional classification plot fully compatible to the current EBC analyses (EBC methods 3.5–3.7) is proposed for malting barley based on separate estimates for “vigour” (24 h germination) as abscissa with limits at 70% and 30% and for “viability” (72 h germination) as ordinate with limits at 98% and 92%. Early detection of germination by image analysis was improved by utilising the auto fluorescence of the root cap. The seven hierarchical germinative classes visualise the quality differences in a consistent way, ordering classes according to falling extract % and increasing wort β‐glucan (mg/L). It was surprising to discover that significant barley Near Infrared Transmission (NIT) spectroscopy based Partial Least Squares Regression prediction models for “vigour” and “viability” were obtained after removing the PLSR outliers. The majority of these were found to be low in vigour. It was concluded after experimental validation that the physical‐chemical structure of the seed, reflected by the correlation of the barley NIT spectral fingerprints to germination speed, is connected to the availability of substrate for germ growth. This is another aspect of the speed of malt modification. An automated combination instrument for measuring physical‐chemical and seed germination parameters is suggested for quality control and to establish an on‐line NIT calibration network for integrated germinative and malting quality classification.     

苹果有效酸度的近红外无损检测研究

为了更好的对苹果的有效酸度进行检测,实验应用波长范围为643.26～985.11nm的Purespect近红外透射光谱仪对100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0.925,校正均方根误差(RMSEC)为0.0395。对模型预测性能的验证结果表明:建立的苹果有效酸度模型性能较稳定,能满足实际应用的要求。      

利用近红外光谱技术进行羊毛、羊绒鉴别

文章从样品和谱图的采集、原始谱图的处理和校正模型的建立等方面介绍了近红外光谱技术的原理,并根据化学计量统计学理论,介绍了利用近红外光谱技术进行定性定量分析的方法.并由羊毛、羊绒样品初步建立了羊毛、羊绒定性分析模型,对该模型的验证结果表明,该模型可以用来进行羊毛、羊绒的初步鉴别.由于羊毛、羊绒样品采集数量和代表性有限,在将近红外光谱技术用于羊毛、羊绒产品的商品检验之前,还需进一步大量收集样品,建立更为稳定和具有代表性的数据库和数学模型.     

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。     

近红外光谱分析技术测定芝麻水分含量的研究

建立了基于FOSS近红外谷物分析仪快速测定芝麻水分含量的模型,探讨了光学处理和数学处理等因素对模型的影响进行,并对模型进行了内部验证和外部检验.实验结果表明最佳的建模参数为:光学处理采用标准正常化处理(SNV only),数学处理技术采用"2,4,4,1".得到的定标方程的定标标准偏差(SEC)为0.0430,定标相关...     

NITS定量分析单粒稻谷蛋白质含量研究

应用近红外透射光谱（NITS）技术,采用改进的偏最小二乘法（MPLS）建立单粒稻谷蛋白质含量（PC）的定量分析回归方程.单粒稻谷所得回归方程的校正标准误差（SEC）、交叉检验标准误差（SECV）分别为0.85和1.89;校正相关系数（RSQ）和交叉验证相关系数（1-VR）分别为0.90和0.89.内部交叉验证和外部验证结果表明近红外定量分析有很高的准确度,近红外光谱法完全可以替代单粒稻谷常规化学方法分析进行水稻品质育种.     

动物源性农产品产地溯源技术研究

食品产地溯源技术是国家有效推广实施食品原产地追溯、保护名优特产品的重要技术手段,为保护食品在市场上的独特性和真实性,维护市场秩序、保护生产者和消费者的合法利益,亟需对食品产地溯源提供快速无损检测。相比较其它检测技术,光谱技术作为极具有工业化应用前景的检测技术之一因其应用范围广、分析速度快、操作简单、非破坏性、无污染和可进行在线分析,而被广泛应用于产地溯源。本文介绍了近红外光谱技术（Near infrared spectroscopy,NIR）、中红外光谱技术（Mid Infrared Spectroscopy,MIR）和拉曼光谱技术（Raman spectroscopy,RS）这三种常见光谱技术的原理及其在植物源和动物源食品产地溯源中的应用现状,并对三种光谱技术相比较,同时系统论述了多光谱数据融合在食品产地鉴别中的应用,并对未来的发展趋势进行了展望,以期为光谱技术在食品产地溯源中的应用提供一定技术的参考。     

近红外光谱技术在酶法转化制备L-鸟氨酸过程中的应用

旨在建立酶法转化过程中快速准确测定产物L-鸟氨酸含量的方法,以满足该酶促反应转化率实时监测的需求。本文采集不同时间酶促反应液获取近红外透射光谱图,结合偏最小二乘法建立L-鸟氨酸含量定果通过一阶导数预处理近红外光谱的模型具有良好的精确度和稳定性,在波数10000.0～5500.0cm-1光谱范围内,采用检验集检验建立模型,最佳主因子数为4,其中检验集的决定系数R2为0.9846,检验均方差（RMSEP）为3.41,校正集决定系数R2为0.9550,校正均方差（RMSEE）为4.47。结果表明,该模型可用于L-鸟氨酸酶法制备的常规检测,为酶法转化制备L-鸟氨酸的在线控制提供了简便有效的监控方法。