近红外光谱法快速测定晒青毛茶三种儿茶素组分含量

为了实现晒青毛茶儿茶素含量的快速检测,该研究利用高效液相色谱技术(High Performance Liquid Chromatography,HPLC)测定了50份晒青毛茶样品中的表没食子茶素没食子酸酯(Epigallocatechin Gallate,EGCG)、表没食子儿茶素(Epigallocatechin,EGC)、没食子酸(Gallic Acid,GA)三种儿茶素单体含量,结合样品的近红外光谱,分别建立了晒青毛茶三种儿茶素单体含量的偏最小二乘法(Partial Least Squares,PLS)模型,并对模型进行验证。实验结果表明,基于EGCG、EGC、GA含量所建立近红外模型的决定系数(Coefficient of Determination,R²)分别为99.99%、99.99%、99.92%;校正标准差(Root Mean Square Error of Calibration,RMSEC)分别为0.17、0.15、0.10;相对标准差(Relative Standard Deviation,RSD)分别为0.19%、0.27%、0.56%;外...     

近红外光谱法测定烤烟的填充值

为探索用近红外光谱快速检测烤烟填充值的可行性,选取有代表性的94个河南烤烟样品,采用偏最小二乘法(Partial Least Square,PLS)将近红外光谱数据与其填充值的实测值进行拟合,建立填充值预测模型,考察了光谱预处理方法和光谱范围对建模效果的影响,并进行了内部交叉验证、外部验证和模型精度检验。结果表明:1标准正态变量变换(Standard normal variate,SNV)结合一阶导数法的光谱预处理方法和全谱范围适合构建填充值的近红外模型;2模型的决定系数达0.960,均方根校正误差(Root mean square error of calibration,RMSEC)为0.094,内部交叉验证和外部验证均表明模型预测值和实测值呈极显著相关;3模型精密度检验的相对标准偏差3%。填充值近红外预测模型的重复性好,准确性较高,适于批量烤烟填充值的快速检测。     

基于近红外漫反射光谱技术的小麦蛋白质含量检测

收集来自国内3个主要小麦生产省份的小麦样品共73份,应用近红外光谱漫反射技术结合化学计量学方法建立小麦蛋白质含量的近红外光谱定量模型,并对模型的稳定性和可靠性进行评价。结果表明,光谱预处理的最佳条件为:Savitzky-Golay平滑+一阶导数处理,使用偏最小二乘法(Partial least square,PLS)建立模型,校正集(Rc)和预测集相关系数(Rp)为0.936和0.925,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.23和0.28,表明模型准确可靠,可应用于小麦蛋白质含量的快速无损检测。     

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,r_C为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,r_P为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。     

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。     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

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。     

近红外光谱法高通量检测罗布麻纤维胶质含量

研究了近红外光谱法高通量测定罗布麻纤维中的胶质含量。采用近红外光谱漫反射模式采集罗布麻纤维的近红外光谱,结合常规化学法所测参考值,运用偏最小二乘法(PLS)建立罗布麻纤维胶质含量的定量模型,并用未知样品对模型进行验证。结果表明,所建定量模型校正集相关系数(Rc)和校正集均方根误差(RMSEC)分别为0.994 0和1.676 1;经外部验证的验证集相关系数(Rp)和验证集均方根误差(RMSEP)分别为0.956 1和4.843 7。该方法操作简单,快速,可用于罗布麻纤维胶质含量的高通量检测。     

茶皂素提取过程的原位实时监测技术

采用近红外光谱技术结合化学计量学方法,实时原位监测茶皂素提取过程中的茶皂素质量浓度、蛋白质质量浓度和多糖质量浓度的变化。研究结果表明,一阶求导(1^stDer)为最优的光谱预处理方法,3个指标的校正集决定系数(R_C)和预测集决定系数(RP)皆最高,交叉校验残差均方根误差(RMSECV)和预测残差均方根误差(RMSEP)最小。相较于偏最小二乘法(PLS)和区间偏最小二乘法(iPLS)算法对回归模型进行校正,以R_P和RMSEP为评价指标,联合区间偏最小二乘法(SiPLS)算法下所建模型稳健性最佳。茶皂素浓度模型中的R_P=0.9889,RMSEP=1.36;蛋白质浓度的R_P=0.9859,RMSEP=0.354;多糖浓度的_RP=0.9919,RMSEP=0.359。结论：近红外光谱技术联合Si-PLS模型可较好的实时监测茶皂素提取过程。     

Elman网络近红外光谱技术同时测定鲜乳中三种主成分含量

采用Elman神经网络(反馈神经网络,Recurrent Network)结合近红外光谱技术建立鲜乳中的脂肪、蛋白质、乳糖定量分析模型.用偏最小二乘法(Partial Least SqHales.PUS)将原始数据压缩主成分,取前3个主成分的14个吸收峰值输入Elman网络,网络中间层神经元个数为53.Elman网络模型对样品中3个组分含量的预测决定系数(R2)分别为:0.985、0.951、0.967,表明所建Elman网络预测模型能够较准确预测鲜乳中脂肪、蛋白质和乳糖的含量,从而为近红外光谱的多组分定量分析提供了新思路.     

基于近红外光谱技术快速测定甘薯多糖含量

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。     

基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。     

基于近红外光谱技术的小麦粉灰分含量检测方法研究

采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。     

短波近红外光谱-偏最小二乘法测定白酒中乙醇含量

应用近红外光谱技术结合偏最小二乘法(NIRS-PLS)建立白酒中乙醇含量定量分析数学模型。所建校正模型相关系数(Corr.Coeff.)达到0.99986,校正集均方根误差(RMSEC)为0.00225,预测均方根误差(RMSEP)为0.00137,模型通过交互验证检验,得出PLS因子数为4时预测残差平方和(PRESS)和交互验证均方根误差(RMSECV)最小。用所建模型测定样品与气相色谱分析结果相对误差不大于0.81%。实验结果表明该方法准确性、稳定性好、精密度高。     

基于近红外光谱技术的腐竹脂肪定量分析

采用近红外光谱技术结合化学计量学方法,建立腐竹脂肪含量的快速分析方法。收集不同生产线、不同时间的腐竹样本180 份,利用积分球附件采集漫反射光谱（4 000～10 000 cm－1）。为消除颗粒散射影响和光谱基线漂移,二阶导数和卷积平滑用于光谱预处理。采用反向区间偏最小二乘法、组合区间偏最小二乘法、搜索组合移动窗口偏最小二乘法和遗传偏最小二乘法优化建模变量,最终构建了定量预测模型。结果显示,4 种方法均可有效地提取信息变量、降低模型维度、提高预测性能;遗传偏最小二乘法一次优选获得143 个变量,构建的模型性能最佳,其校正相关系数、校正均方根误差、预测相关系数、预测均方根误差分别为0.96、0.95、0.92和1.17。研究表明,经过信息变量提取后所构建的近红外模型简单、预测精度高,可用于腐竹脂肪含量的日常监测。     

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。     

高光谱图像感兴趣区域对苹果糖度模型的影响

高光谱图像技术作为一种强有力的新兴技术,已应用于食品农产品品质与安全检测研究,然而高光谱图像中感兴趣区域形状大小的选择直接影响着检测的精度和稳定性。首先采集苹果330~1100 nm的高光谱图像,分别提取不同大小的圆形感兴趣区域和方形感兴趣区域的平均光谱,经光谱预处理以消除噪声及无关信息的影响,然后采用偏最小二乘法分别建立苹果的糖度定量分析模型,并以独立样本的预测集进行验证,分析感兴趣区域形状大小对高光谱图像建模精度的影响。结果表明,提取直径为150像素的圆形感兴趣区域建立的苹果糖度模型精度最高,预测能力最强,校正集相关系数Rc为0.9305,校正均方根误差RMSEC为0.4331,预测集相关系数Rp为0.9232,预测均方根误差RMSEP为0.4568。研究表明,针对研究对象选择合适形状和大小的感兴趣区域,对提高模型精度、发挥高光谱图像的技术优势具有重要意义。     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

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13 批作为验证集,用于验证该模型的可靠性,剩余的93 批样品为校正集。在校正集中,通过杠杆值法和学生化残差法筛选出65 批能够较理想地代表一般香菇特征的样品,用于确定NIR光谱检测范围、PLS主因子数等参数,基于NIR光谱数据的香菇总糖含量建立定量分析模型。校正集的建模结果表明,使用多元散射校正（multiplicative scatter correction,MSC）及二阶导数（second derivatives,SD）对原始光谱进行预处理,光谱范围为4 000～10 000 cm－1,PLS主因子数为10时,基于NIR的香菇总糖检测模型的建模效果最优,即均方根误差比值满足检验条件,校正集R2（决定系数）最高为0.940 04,校正均方根误差为1.393,预测集均方根误差为1.557,相对分析误差最优为4.08。验证集对模型的检验结果显示,样品的预测值和实测值具有良好的线性关系,且二者没有显著差异（P=0.993）。由此表明,本实验建立的NIR分析模型可用于准确预测香菇样品的总糖含量。     

基于近红外光谱技术检测红曲米中的红曲色素

采用近红外光谱技术结合化学计量学方法构建红曲米中红曲橙色素、红曲红色素、红曲黄色素的预测模型。分别采用多元线性回归(SMLR)、偏最小二乘回归(PLS)、主成分回归(PCR)构建所有色素组分的数学模型,以相关系数(R)、校正均方根误差(RMSEC)、预测均方根误差(RMSEP)、预测相对分析偏差(RPD)值来评价模型的综合性能。结果显示,MSC、SNV方法能够消除红曲米粉颗粒不均对光谱的散射影响;导数处理消除了基线漂移;对于红曲橙色素、红曲黄色素、红曲红色素三种模型均具有良好的稳定性;利用三种模型对未知红曲样品预测时,预测结果具有较高的线性,预测性能较好(RPD=2.86~5.39),可用于准确定量预测。结果表明近红外光谱技术可用于红曲色素的快速无损测定,为红曲米质量的智能化控制提供了新的途径。