近红外光谱技术快速鉴别查哈阳大米

查哈阳大米为黑龙江特色品牌大米,为保护查哈阳大米品牌,实现查哈阳大米原产地快速真伪鉴别。通过构建不同地域和品种水稻试验田,收获期内对试验田大米的近红外光谱进行全波长扫描,筛选与产地相关特征波段。在特征波段处对来自查哈阳地区及非查哈阳地区的233份大米进行定性分析及定量分析。结果表明,与产地因素主要相关的波长为5 136~5 501 cm~(-1),利用此波段采用因子化法建立定性分析模型对查哈阳大米正确鉴别率为100%,采用偏最小二乘法建立的定量分析模型对查哈阳大米正确判别率为95.83%。     

近红外光谱技术结合化学计量学用于畜禽肉制品品质分析的研究进展

肉类作为人体摄入蛋白质的主要来源,随着人们生活水平的提高和对营养健康的追求,肉制品的需求量不断增大,与此同时,肉制品新鲜度、掺杂掺假等肉制品品质领域的质量问题较为多发。为改善传统肉类检测方法耗时费力的现状,肉品质量的检测方法也逐渐趋于多样化。近红外光谱技术目前已广泛应用于包括生物、医药、食品在内的诸多领域。近红外光谱技术与化学计量法结合可对样品进行定性和定量分析,具有快速、无损、高效的优势,适用于肉品及肉制品现场实时监测。在前期研究的基础上,本文综述了近年来近红外光谱技术在畜禽肉制品新鲜度、品种鉴别与掺假分析、产地溯源等方面的研究进展,以期为肉制品品质分析及质量控制提供理论指导。     

基于近红外光谱技术对建三江大米快速检测分析研究

为实现建三江大米的真假快速鉴别,应用近红外光谱仪测定来自建三江及非建三江地区的150份大米样品,对原始光谱进行预处理后,采用因子化法进行鉴别分析,最大合格性索引法进行合格性检测分析,偏最小二乘法(partial least squares,PLS)法进行定量分析。结果表明,3种模式识别方法对建三江地区的大米正确判别率均在90.00%以上。因此,应用近红外光谱技术在建三江大米真假鉴别研究中具有可行性。     

近红外光谱结合化学计量法快速无损鉴别燕麦

提出了一种基于近红外光谱技术与化学计量学的燕麦无损鉴别方法。通过近红外光谱仪测定了5个品牌与劣质燕麦的光谱曲线,利用连续小波变换方法对光谱进行预处理,然后基于标准偏差与相对标准偏差的变量筛选方法筛选出具有代表的15个波数点,最后结合主成分分析法对不同燕麦样品快速鉴别。结果表明:连续小波变换可以有效地消除光谱中的背景干扰,提取光谱有效信息,波长筛选方法可以大大提高主成分分析结果的鉴别能力。通过结合近红外光谱分析技术与化学计量学方法,可对中国国产品牌、进口品牌和劣质燕麦进行准确鉴别。     

大米蛋白粉多组分含量近红外光谱快速检测

大米蛋白粉中蛋白质、脂肪和水分的含量是其品质评定的重要指标,应用近红外光谱方法检测大米蛋白粉多组分含量.采集244份大米蛋白粉样品光谱数据,经小波变换处理后建立极限学习机模型(ELM),并采用自适应算法对极限学习机的参数进行优化,提高了模型的精度和稳定性.结果 显示,大米蛋白粉中蛋白质、脂肪和水分的预测集决定系数(R2...     

基于近红外光谱的大米蛋白质含量快速检测

针对国标化学检测方法耗时耗力、成本昂贵的问题,分析了近红外光谱（NIRS）结合化学计量学进行大米蛋白质含量检测的可行性。基于变量选择、特征提取和非线性建模的策略,将反向区间偏最小二乘（BiPLS）与主成分分析（PCA）和支持向量机（SVM）相结合,构建了BiPLS-PCA-SVM模型,用于提高蛋白质回归模型的性能。在BiPLS-PCA-SVM模型中,将蒙特卡罗交叉验证与预测残差平方和相结合进行最佳主成分个数的选择,通过遗传模拟退火算法对模型参数进行优化。为了评估BiPLS-PCA-SVM模型的性能,建立了Full-PLS、BiPLS和BiPLS-SVM 3种模型,并系统分析了上述模型的预测精度和鲁棒性。BiPLS-PCA-SVM模型在预测蛋白质含量方面显示的性能高于其他模型,使用最佳主成分和优化后的SVM参数建立的模型具有更高的鲁棒性和准确性。对于BiPLS-PCA-SVM模型,验证集的决定系数、均方根误差和剩余预测偏差分别为0.928 9、0.196 7%和4.024 6。结果表明,NIRS与BIPLS-PCA-SVM模型相结合,可作为替代策略实现大米中蛋白质含量的快速检测。     

近红外光谱结合模式识别技术快速鉴别煎炸油质量

采用近红外透反射光谱结合模式识别技术建立煎炸油质量的快速鉴别方法。采用国标方法测定79个煎炸油样本的酸价与羰基值,通过羰基价确定样本真实属性。利用Kennard-stone算法选取训练集和预测集。探讨样本NIR光谱预处理方法,以平滑、一阶导数和均值中心化处理的全光谱作为数据输入,采用偏最小二乘识别分析(PLS-DA)方法建立煎炸油质量的定性分类模型,并对模型进行验证。模型训练集与预测集的正确识别率分别达94.5%与100%。比较主成分识别分析(PCA-DA)、K最近邻法(KNN)与分类回归树(CART)3种建模方法。结果表明PLS-DA预测能力优于其它方法,NIR光谱结合PLS-DA可作为快速鉴别煎炸油质量的一种新方法。     

近红外光谱结合化学计量学技术快速测定面条中马铃薯全粉的含量

马铃薯干物质的主要成分为淀粉,将其与面粉混合后采用传统工艺制作成的马铃薯面条,使用化学检测方法很难测定马铃薯面条中马铃薯全粉的含量和面粉的含量。本研究旨在建立一种快速检测面条中马铃薯全粉含量的方法,为市场监督部门提供技术支撑。以不同马铃薯全粉含量的面条样品236份为实验材料,采集样品近红外漫反射光谱,结合化学计量学软件建立并优化预测模型。结果表明:近红外光谱图范围为9403.6～5446.2 cm-1时,采用最小-最大归一化预处理光谱,建立的预测模型稳定性强预测精度高,预测模型的外部验证决定系数(R2val)为0.9775、预测均方根误差(RMSEP)为1.28%,斜率为0.95,模型的相对分析误差(relative prediction deviation,RPD)为4.74。采用近红外漫反射光谱技术可以快速预测面条中马铃薯全粉的含量,可以为市场监督部门提供技术支持。     

基于近红外光谱的大米加工精度等级快速判定

将30个粳稻3、6个籼稻品种糙米碾削20～95 s,得到不同糙出白率的白米。分别采用称重法和染色法测出每个样本的糙出白率和加工精度等级,用FT-NIR近红外光谱仪采集每个样本的近红外光谱,以偏最小二乘法建立稻谷糙出白率的定标模型并对模型进行验证,得到最小预测误差(RMSEP)为0.032 4%,相应的决定系数(R2)为0.999 5;对稻米加工精度等级与糙出白率关系进行统计分析,发现随着稻米加工精度等级的提高,糙出白率呈对数关系降低。基于预测得到的糙出白率,建立稻米加工精度等级判定模型,结果显示,对数模型的预测精度为82.5%,采用马氏距离判别法建立的模型预测精度可达98.33%。     

近红外光谱技术无损检测大米中蛋白质

为建立一种无损的大米蛋白质近红外检测方法,以138份大米作为样本,分别对蛋白质和蛋白质(干基)进行近红外建模。经优化得到相应的最佳模型,两模型的内部校正决定系数R_内~2分别为0.950 6和0.965 2,内部相对分析误差RPD_内分别为4.50和5.36,内部交叉验证标准差RMSECV分别为0.197和0.231,外部校正决定系数R_外~2分别为0.956 5和0.974 1,外部相对分析误差RPD_外分别为4.79和6.21,外部交叉验证标准差RMSEP分别为0.147和0.215。对比两模型,蛋白质(干基)的近红外模型具有更好的线性和预测能力,但RMSECV较蛋白质大,精密度不如蛋白质近红外模型。     

近红外光谱技术结合遗传算法用于苹果醋总酸定量分析

利用近红外光谱法对苹果醋中的总酸含量进行定量分析,通过PLS法建立苹果醋总酸定量分析模型,同时采用间隔偏最小二乘法(i PLS)、后向间隔偏最小二乘法(Bi PLS)和组合间隔偏最小二乘法(Si PLS)以及遗传偏最小二乘法(GA-PLS)对整个谱区进行光谱特征波段筛选。用决定系数(R2)、校正标准偏差(RMSEC)、预测标准偏差(RMSEP)以及最佳主因子数对模型进行评价,确定最佳建模方法。结果表明:进行特征波段筛选能够对模型起到优化作用,并提高模型运算速度,其中GA-Bi PLS及GA-Si PLS优化效果最为明显,在极大减少苹果醋总酸建模变量的同时,模型的R2分别达到0.989和0.986,RMSEP分别为0.042和0.044,有效地提高了模型的稳定性与准确度,表明了遗传算法在果醋品质分析方面的巨大潜力。     

基于近红外光谱技术的大米品质分析与种类鉴别

应用近红外光谱(NIRS)技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱,采用偏最小二乘法(PLS)建立了大米水分、蛋白质和直链淀粉定量分析模型,对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数(R2)分别为:0.992、0.9792和0.9736;内部交叉验证标准差(RMSECV)分别为:0.141、0.201和0.209;模型外部验证决定系数(R2)分别为0.9861、0.912和0.9373;外部验证标准差(RMSEP)分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异,对不同属性和不同产地的大米进行了定性聚类分析,种类识别准确率达到100%。结果表明,NIRS分析技术可以用于对大米品质和种类的快速无损检测。      

近红外光谱结合化学计量学技术在食品掺假分析中的应用

近红外光谱结合化学计量学技术由其独特的技术优势在食品掺假分析领域已得到广泛应用。本文对近红外光谱结合化学计量学技术的原理及特点进行论述, 并综述了近10年来应用较为广泛、实用性较强的化学计量学方法, 偏最小二乘法、人工神经网络及支持向量机结合近红外光谱技术在食品掺假分析中应用, 展望了该技术的发展前景。     

基于近红外光谱技术的大米品质分析与种类鉴别

应用近红外光谱(NIRS)技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱,采用偏最小二乘法(PLS)建立了大米水分、蛋白质和直链淀粉定量分析模型,对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数(R2)分别为:0.992、0.9792和0.9736;内部交叉验证标准差(RMSECV)分别为:0.141、0.201和0.209;模型外部验证决定系数(R2)分别为0.9861、0.912和0.9373;外部验证标准差(RMSEP)分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异,对不同属性和不同产地的大米进行了定性聚类分析,种类识别准确率达到100%。结果表明,NIRS分析技术可以用于对大米品质和种类的快速无损检测。     

近红外光谱分析技术快速检测藕粉品质

目的 基于近红外光谱技术鉴别不同产地的藕粉样品与检测藕粉的掺假问题。方法 采集不同产地的藕粉样品的近红外光谱,在光谱预处理后采用相关系数法提取特征波长,以提取的特征波长变量构建偏最小二乘法-判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)以及支持向量机(support vector machine,SVM)模型,实现对不同产地藕粉的鉴别分析。同时,采集掺假地瓜粉、玉米粉、木薯粉的藕粉样品的近红外光谱,在样品类别已知情况下,运用K-Means聚类分析鉴别3种掺假类型的藕粉样品,在掺假类别未知下,运用基于局部密度判别的聚类算法进行判别。结果 以相关系数法提取的特征波长变量构建的PLS-DA、LDA和SVM三种模型对于不同产地藕粉样品的判别准确率均为100%。对于不同掺假类型的藕粉检测,在样品类别已知情况下,K-Means聚类分析能有效识别出掺假藕粉,识别精度为98.33%。在样品类别未知的情况下,基于局部密度判别的聚类算法可以有效识别出2%掺假率的藕粉样品。结论 近红外光谱技术能实现不同产地莲藕粉的快速鉴别,同时为隐蔽的藕粉掺假鉴别提供一种快速、高效、无损检测的分析方法,为藕粉的质量控制提供一定的理论基础。     

中/近红外光谱技术结合化学计量学在蜂蜜快速检测中的应用研究进展

综述近10年来国内外中/近红外光谱技术结合化学计量学方法在蜂蜜品质、品种、掺假、产地和品牌快速检测中的应用研究进展,指出蜂蜜中/近红外光谱快速检测中存在的问题,并提出今后的研究方向.     

基于近红外光谱分析技术结合化学计量学方法的初烤烟叶霉变预测研究

为建立基于烟叶麦角甾醇含量结合近红外光谱分析技术的初烤烟叶霉变预警模型,以2015年和2016年云南5个地区2个等级（B2F和C3F）初烤烟叶为研究对象,调节烟叶含水率为18%,在28℃,RH 80%条件下以30天为实验周期,进行烟叶霉变实验。每3天取一次样,采集近红外光谱数据并检测样品麦角甾醇含量。建立第0d初烤烟叶样品近红外光谱主成分监测模型并提取Hotelling T2统计量,预测第3天至30天初烤烟叶样品近红外光谱数据的Hotelling T2统计量,对比分析肉眼观察和近红外类模型对烟叶霉变的预警效果。结果表明:1）烟叶霉变过程中,麦角甾醇含量逐渐增加后逐渐降低,当肉眼可见时,麦角甾醇含量较初始值增加4.66~23.38倍;2）基于上述监测模型,13个霉变烟叶样品中,提前预警天数为6天的样品2个,提前预警天数3天的样品7个,当天预警的样品4个,7个未发生霉变烟叶在30天的监测周期内均未出现预警,预测准确率100%。以上结果表明该方法能方便快速地实现对初烤烟叶霉变的预警,具有较好的实用价值。      

近红外光谱结合化学计量学方法在油脂检测中的应用

近红外光谱结合化学计量学技术由其独特的技术优势在油脂掺假分析领域已取得广泛应用。本文主要对近红外光谱结合化学计量学技术的原理及特点进行论述,并综述了近年来在油脂定性及定量分析方法中应用较为广泛、实用性较强的化学计量学方法,即聚类分析、主成分分析、支持向量机、人工神经网络、主成分回归以及偏最小二乘法结合近红外光谱在油脂掺假分析中的应用,并展望了该技术的发展前景。     

基于近红外光谱技术的鲢鱼营养成分的快速分析

目的通过采集鲢鱼的近红外光谱数据和测定鱼肉营养成分含量探索鲢鱼营养成分的快速分析方法。方法采集254个鲢鱼鱼肉样品的近红外光谱数据,经过多元散射校正、正交信号校正、数据标准化等20种方法预处理,在1000~1799 nm光谱范围内,结合化学实测值分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立鲢鱼营养成分近红外定量模型。结果鲢鱼鱼肉粗蛋白含量为12.05%~19.05%,粗脂肪含量为0.24%~5.27%,水分含量为72.62%~80.58%,灰分含量为0.46%~1.50%,数据范围较大,可满足建模要求。在3种建模方法中,近红外光谱数据结合偏最小二乘法建立的鲢鱼营养成分模型最优,所得的粗蛋白、粗脂肪、水分和灰分的近红外定量模型的相关系数分别为0.9969、0.9925、0.9831和0.9976。结论采用近红外光谱数据和偏最小二乘法建立的模型具有较好的预测能力,能较为准确、快速地分析出鲢鱼鱼肉粗蛋白、粗脂肪、水分和灰分的含量。     

近红外光谱技术快速检测小龙虾新鲜度

应用近红外光谱技术实现对小龙虾新鲜度的快速检测。利用化学计量学方法,通过对近红外品质分析仪采集的虾肉绞碎前后光谱（850～1 050 nm）调整不同预处理方法、偏最小二乘法和组合算法,建立一种基于总挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的小龙虾新鲜度定量预测模型。结果表明：采用标准正态变量变换与一阶导数结合的预处理方法模型预测效果最好,且绞碎后的虾肉光谱比绞碎前建模效果更好;为满足实际应用需要,对绞碎前的虾肉TVB-N含量预测模型进行分析,其交叉验证误差为3.123,交叉验证相关系数为0.947,用此模型对预测集24 个样品进行预测,预测值与实测值的交叉验证相关系数为0.951 4,在TVB-N含量超过20 mg/100 g（不新鲜）的检测准确率为100%。近红外光谱技术可应用于快速检测小龙虾新鲜度,所建模型具有较好的预测能力。