苹果中糖酸度的CCD近红外光谱分析

应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度。通过Y型光纤采集120个红富士苹果的漫反射光谱,采用偏最小二乘回归(PLSR)建立苹果糖度、酸度的定量预测模型。针对CCD光谱噪声较大的特点,采用S-G平滑、一阶导数、二阶导数对光谱进行预处理。结果表明,S-G平滑后所建模型的效果最好,糖度、酸度的相关系数(r)分别为0.9240、0.8151,标准校正误差(SEC)分别为0.9254、0.0120,标准预测误差(SEP)分别为0.9407、0.0204。本研究说明应用CCD近红外光谱仪,在630～1030nm波段实现对苹果糖度、酸度的无损检测具有可行性。     

近红外光谱预处理方法对毛/涤织物定量分析的影响

为对比分析毛/涤混纺面料纤维含量的近红外光谱预处理方法,通过实验,对毛/涤混纺样品近红外光谱的采集、光谱预处理,特征值提取进行研究分析。光谱数据预处理方法包括标准化、导数、平滑和信号校正等。实验得出:选用均值中心化处理来提取谱图有用信息,Savitzky-Golay卷积平滑法消除噪声的影响;S-G一阶导来降低基线的漂移,在多种信号校正方法里选取多元散射校正方法,用该方法建模得出模型的预测平均绝对偏差(毛含量2.046 6,涤含量2.224 5)。近红外光谱预处理方法分析从光谱承载的众多信息中提取出了最有用信息,消除了样品表面的散射对近红外光谱的影响,降低了系统随机误差,进而提高了后续所建模型的稳健性和预测能力。     

应用便携式近红外仪检测生鲜羊通脊肉的嫩度

在北京市内收集生鲜羊通脊肉样品98个,研究应用便携式近红外仪快速无损检测生鲜羊通脊肉嫩度,结合化学计量学的方法建立可以快速无损检测生鲜羊通脊肉嫩度的近红外光谱检测模型。在建模过程中,研究了平滑、求导和信号校正等不同光谱预处理方法对模型的影响。结果表明:最佳的光谱预处理方法为均值中心化、Savitzky-Golay(SG)一阶导数、SG平滑和正交信号校正。应用偏最小二乘法建模所得模型的校正集标准偏差0.90、验证集标准偏差2.39、校正集相关系数(R c)=0.94、验证集相关系数(R p)=0.64、主因子数为4,说明模型具备较好的预测准确性,可应用于生鲜羊通脊肉嫩度的快速无损检测中。     

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。     

近红外光谱法快速检测毛/涤混纺面料中的毛含量

为提高纺织面料成分的检测速度和分析精度,文章以80个纯羊毛、80个纯涤纶、150个毛/涤混纺样品为研究对象,建立近红外光谱图库,选用均值中心化、Savitzky-Golay导数、Savitzky-Golay平滑、多元散射校正光谱预处理方法,然后结合偏最小二乘法建立PLS定量校正模型。为验证模型的实用性,对50个毛/涤样品进行了预测。检测结果显示:毛含量的预测平均绝对误差(MAE)为1.036 4%,预测标准差(RMSE/SEP)为0.695 4%,该研究为近红外光谱分析快速检测混纺织物纤维含量及纺织应用领域提供了重要依据。     

基于不同波段的枸杞多糖及总糖高光谱成像检测

采用高光谱图像技术对枸杞多糖和总糖含量进行检测,并探寻其最适宜的光谱波段。首先采用多元散射校正、Savitzky-Golay平滑(S-G平滑)和标准正态变量变换3种常用光谱预处理方法对原始光谱进行预处理,并对结果进行对比,选择多元散射校正预处理方法,以消除散射的影响;然后分别基于相关系数的数值及不同范围波长的特性,选择有效波段、可见光波段、近红外波段及全波段图像的平均光谱反射值作为特征参量;最后建立基于不同特征参量的枸杞多糖和总糖含量的BP神经网络预测模型。结果表明:基于全波段条件下光谱信息所建立的预测模型最佳,枸杞多糖含量预测正确率为97.59%,相关系数为0.997 4,均方根误差为0.077 7,枸杞总糖含量预测正确率为100%,相关系数为0.996 8,均方根误差为0.250 6。因此高光谱无损检测枸杞多糖和总糖含量具有可行性。     

南疆鲜羊肉水分含量的近红外光谱法无损检测

本文在近红外反射光谱780~1700 nm的波长范围内采集新宰杀的同一品种的羊的后腿肉134个样本的光谱数据,来实现快速无损的南疆生鲜羊肉含水量的检测。这些光谱数据经中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等预处理方法对原始光谱进行降噪处理;然后以13:1的比例将样本分为训练集和测试集,并采用PLSR建立预测模型,使用所建模型对生鲜羊肉水分含量进行预测。结果为:训练集的预测相关系数Rc为0.94、标准差MSEC为0.04,预测成功率为97.6%,测试集的预测相关系数Rv为0.89、标准差MSEV为0.07,预测成功率为96.4%。实验结果证实结合中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等多种预处理方法建立的基于近红外光谱PLSR模型,可以对南疆鲜羊肉的水分含量进行精确的快速无损评价,并且能为南疆生鲜羊肉水分含量的快速无损检测技术的应用提供理论上的指导。     

便携式近红外谷物分析仪快速测定小麦蛋白质的研究

收集中国小麦各个主产区不同品种样品104份,研究采用国产便携式近红外谷物分析仪快速测定小麦蛋白质含量,用化学计量方法建立了小麦蛋白质含量的近红外分析模型,并对模型进行了预测准确性评价。在建模过程中,分别探讨光谱散射和数学导数处理等优化对定标模型的影响。结果表明:采用偏最小二乘法(PLS)建立模型,光谱预处理最佳条件为:Savitzky-Golay平滑、Savitzky-Golay一阶导数、基线校正、均值中心化、主因子数为12。所建模型的定标标准偏差(SEC)和定标相关系数(RC)分别为0.177和0.988;外部验证的标准偏差(SEP)和相关系数(RP)分别为0.188和0.961。标准方法测定值与NIRS方法预测值之间的T检验结果为T=0.304(P<0.05),表明两种测定方法测定值之间无显著性差异,说明定标模型具有很好的预测准确性,可应用于优质小麦收购中蛋白质含量的快速测定。     

乳粉中蛋白质和脂肪的近红外定量模型优化研究

对乳粉中蛋白质和脂肪近红外定量模型的优化进行了研究。结果表明:利用全波段光谱建立的模型,蛋白质和脂肪的模型预测评价参数分别为:校正集预测偏差(RMSECV)为2.837、2.984,内部交互验证标准偏差(RMSEP)为3.406、3.751,交互检验相对偏差(RPD)为2.6、2.5。经过波长优选后,蛋白质和脂肪优选的波数范围分别为(9403.5~7498.1)cm-1、(9403.5~6098)cm-1,蛋白质和脂肪的模型预测评价参数有一定的提高,分别为RMSECV 1.963、2.317,RMSEP 2.396、3.035,RPD 2.9、2.6。通过正交试验对定标方法和光谱预处理方法进行了优化:蛋白质的最佳参数组合为:定标方法为改进偏最小二乘法,多元离散校正,一阶导数处理,导数处理间隔点为8,平滑处理间隔点数为4,二次平滑处理间隔点数为1,目标函数达到98.25%;脂肪的最佳参数组合为:定标方法为偏最小二乘法,散射校正为多元离散校正,导数处理为二阶,导数处理间隔点为1,平滑处理间隔点数为4,二次平滑处理间隔点数为4,目标函数达到95.26%。     

基于高光谱成像技术的长枣表面农药残留无损检测

利用近红外高光谱成像技术对灵武长枣的表面农药残留进行无损检测研究。采用Kubelka-Munk校正和SavitzkyGolay卷积平滑对900~1 700nm波段范围内的原始光谱进行预处理,选取最优的预处理方法;运用偏最小二乘回归系数选择特征波长,建立全波段和特征波长下的偏最小二乘农药残留预测模型。结果表明,经过Kubelka-Munk+Savitzky-Golay卷积平滑处理后的光谱建模效果最好,且利用特征波长建立的长枣表面农药残留校正和验证模型的相关系数和均方根误差分别为0.86,0.85和0.000 32,0.000 33,优于全波段建立的模型。研究表明,采用高光谱成像技术对灵武长枣表面农药残留的无损检测是可行的。     

基于近红外透射光谱及多种数据降维方法的红富士苹果产地溯源

为了探寻苹果产地溯源新方法,本文以新疆阿克苏、陕西洛川、山东烟台三个不同产地600个红富士苹果样本为试材分别采集其590～1250nm的近红外透射光谱图,将经过光谱校正后的光谱数据做归一化(Normalization)、多元散射校正(Multivariate Scattering Correction,MSC)等8种光谱预处理,对经过预处理后的光谱数据建立全波长分类模型发现二阶求导为最优预处理方法;然后再将经过二阶求导预处理的光谱数据结合以欧几里得距离(Euclidean)、相关距离(correlation)、余弦相似度(cosine)、城市街区距离(cityblock)作为距离度量的K最近邻法建模,发现K最近邻法(correlation)为最优分类识别方法;随后再分别用高斯过程隐变量模型(Gaussian Process Latent Variable Model,GPLVM)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等12种数据降维方法对经二阶求导预处理后的光谱做降维处理,并结合K最近邻法(correlation)鉴别苹果产地。结果表明,提取前9个主成分,采用二阶求导-扩散映射-K最近邻法(correlation)模型识别效果最优,建模集和预测集的分类识别率分别为97.30%与92.30%。故,深度学习数据降维方法结合近红外透射光谱技术可成功、有效地实现苹果产地溯源。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

Development of a predictive model to determine potato flour content in potato-wheat blended powders using near-infrared spectroscopy

Potato is a good source of dietary energy and several micronutrients, and the development of staple foods using potato-wheat blended powder has received much attention recently in China. A rapid and accurate method for determining the potato flour content in potato staple foods would be valuable to market regulation efforts. We developed a predictive model for the potato flour content in potato-wheat blended powders based on near-infrared spectroscopy (NIRS) analysis. The correction of the near-infrared optical path was carried out to eliminate optical path differences using multiplicative scatter correction (MSC) and smoothing of the spectra using the Savitzky-Golay smoothing first-orderderivative (S-G-1^stD).The prediction model was developed based on partial least squares (PLS) combined with cross-validation(CV) within the full spectrum(850–1100 nm). The results showed that the optimal main factors of potato flour content in potato-wheat blended powder were 9, and the coefficient of determination of calibration (R²c) and standard error of cross-validation (SECV) of the prediction model reached 0.9997 and 0.51, respectively, indicating a good correlation. The repeatability standard deviation (SDr) and repeatability coefficient of variation of cross-validation (CVr) in validated samples were 0.246 and 0.967, respectively, which indicated that the prediction model had good repeatability. The bias-corrected standard error of prediction (SEP) and correlation coefficient of validation (R²P) were 0.69 and 0.9995, respectively, demonstrating good accuracy and stability. The results of this study demonstrated that this prediction model based on NIRS could determine the potato flour content in potato-wheat blended powders accurately and quickly.     

生鲜紫薯花青素等多品质参数的可见-近红外快速无损检测

基于实验室自行搭建的可见-近红外光谱系统,以市售生鲜紫薯为研究对象,探讨其花青素、可溶性固形物（soluble solid contents,SSC）以及总糖（total sugars,TS）的同时快速无损检测方法。对紫薯原始光谱进行SG（Savitzky-Golay）平滑、标准正态变量变换以及一阶求导预处理,然后用偏最小二乘回归法进行建模分析。对于花青素和TS,经SG平滑结合一阶求导预处理的模型预测效果最佳;对于SSC,经SNV预处理的模型预测效果最好。针对紫薯各参数最佳预处理光谱采用竞争性自适应加权算法进行波长筛选,再次建立模型。花青素模型预测集的相关系数为0.942 1,预测均方根误差（root mean square error of prediction,RMSEP）为0.225?9?mg/g;SSC模型预测集相关系数为0.943?1,RMSEP为0.878?7?°Brix;TS模型预测集的相关系数为0.925?3,RMSEP为0.244?3%。结果显示,利用可见-近红外光谱可以实现对生鲜紫薯的花青素、SSC以及TS的同时快速无损检测,对生鲜紫薯品质的快速无损检测分选有着重要的实用意义。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

傅立叶近红外光谱法测定桃果中果胶含量

目的 基于傅里叶近红外光谱(Fourier transform near infrared)检测桃果中果胶含量的研究。方法 近红外光谱采集样品利用两个品种的桃,探究光谱预处理对建模的影响,建模采用偏最小二乘法(PLS)以及主成分回归(PCR)方法,模型的评价标准采用建模相关系数(R_C)、建模均方偏差(RMSE_C)、预测相关系数(R_P)、预测均方偏差(RMSE_P)。结果 两个品种的近红外光谱图和果胶含量无明显差异(P＞0.05),采用标准正态变量变换(SNV)和多元散射校正(MSC)对原始光谱的光程进行选择,所得建模结果影响基本一致,合适光谱数据格式以及平滑处理,能提高PLS和PCR模型的预测精度和稳定性。综合得出模型最佳是利用PLS方法建模并采用MSC/SNV结合一阶导数和 Savitzky-Golay (S-G)平滑对近红外光谱图进行预处理,评价参数分别为R_C=0.7795、R_P=0.7545、RMSE_C=0.0933、RMSE_P=0.0534和R_C=0.7800、R_P=0.7530、RMSE_C=0.0932、RMSE_P=0.0534。结论 该方法为利用近红外建模快速检测桃果中果胶含量提供重要依据。     

红外光谱预处理对粘纤/氨纶交织织物定量分析模型的影响

在红外光谱仪上采集粘纤/氨纶交织织物红外光谱数据,利用偏最小二乘法(PLS)进行定量建模。建模时分别使用24种不同的预处理及其组合方法对光谱数据进行处理,比较和分析不同预处理后建模的RMSEP值。结果表明:除S-G平滑预处理外,其他预处理方法均对模型的预测能力有一定程度的提高。MSC&Norris导数平滑&一阶导数的预处理组合方法为该次粘纤/氨纶交织织物红外光谱定量分析模型的最优预处理方法。     

基于近红外光谱技术快速检测苦荞面条中荞粉含量

以苦荞面条为研究对象,采用近红外漫反射光谱(NIR)技术结合偏最小二乘法(PLS)建立预测苦荞面条中荞粉含量的定量模型,实现荞粉含量的在线快速检测。根据参考值,制作230份苦荞面条样品,分别以移动平均平滑、一阶导数、归一化处理、标准正态化、多元散射校正等方法预处理光谱。结果表明,选择波数9 403.6～7 498.2,6 101.9～5 446.2 cm~(-1)+一阶导数+多元散射校正(MSC)所建的模型效果最好,预处理后模型相关系数为0.983 9,其交叉验证均方根误差(RMSECV)、预测标准误差(RMSEP)、预测相对分析偏差(RPD)、最低检出限(LOD)和定量检出限(LOQ)分别为1.14、0.894、7.89、2%、5%。外部验证预测相关系数为0.985 2,RMSEP、RPD分别为0.881、5.41,相对标准偏差(RSD)均小于1,不同产地苦荞粉对比验证集的R~2、RMSEP、RPD分别为0.963 7、0.926、5.22,RSD较小,模型具有较高的精密度,符合实际生产的需求。该方法快速、低成本、准确、简便、无污染,可以实现苦荞面条中荞粉含量的快速检测。