基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。     

基于便携式近红外光谱仪的食品接触性塑料鉴别

采用便携式近红外光谱仪对聚对苯二甲酸乙二酯(PET)、高密度聚乙烯(HDPE)、低密度聚乙烯(LDPE)、聚氯乙烯(PVC)、聚苯乙烯(PS)和聚碳酸酯(PC)6类食品接触性塑料材质进行鉴别研究。用5点平滑、多元散射校正(MSC)、一阶导数和标准正态变量变换(SNV)4种方法对塑料样品光谱进行预处理;主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)分别用于塑料样品光谱空间分布分析和定性判别模型的建立。结果表明:光谱经SNV和MSC预处理后,6类塑料样品在前3个主成分空间得到了较好的分离;PLS-DA结合SNV预处理方法可得到精简的塑料材质定性判别模型,模型校正集和预测集的正确识别率(CRR)均为100%。该方法可为食品接触性塑料材质的快速鉴别提供参考。     

基于可见-近红外光谱预测灵武长枣脆度及模型优化

利用可见-近红外光谱对在4℃下冷藏24 h的灵武长枣脆度进行检测,并建立了最优模型。通过400~1 000 nm高光谱成像系统采集了112个长枣图像,对原始光谱与经SNV,MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+S-G、MSC+S-G预处理后光谱的偏最小二乘回归(PLSR)模型进行了对比分析;采用主成分分析法(PCA)、连续投影算法(SPA)、竞争性自适应重加权法(CARS)提取特征波长,分别建立偏最小二乘回归(PLSR)和主成分回归(PCR)模型;将经预处理后的简化PLSR模型与全波段PLSR模型进行了对比分析。结果表明,采用标准归一化法(SNV)预处理后的PLSR模型优于原光谱及其他预处理方法;提取特征波长后建立的CARS-PLSR模型优于CARS-PCR模型和全波段PLSR模型,其相关系数(RP)和预测均方根误差(RMSEP)分别为0.919、1.121。这表明,基于可见-近红外光谱检测冷藏灵武长枣脆度是可行的,SNVCARS-PLSR模型最佳。     

近红外光谱法快速检测带鱼肉中的水分和蛋白质含量

应用傅立叶变换近红外光谱分析技术对带鱼肉中水分和蛋白质含量进行了研究。分别建立原始光谱、间隔2点一阶导数(dblg2)、3点平滑(sa3)、标准归一化(SNV)和多元散射校正(MSC)的偏最小二乘回归(PLS)模型,比较定标相关系数(Rc)、预测相关系数(Rv)、定标标准差(SEC)和预测标准差(SEP),建立了MSC预测模型,水分和蛋白质近红外检测模型的相关系数均在0.9以上。SEC分别为0.74和0.68,SEP分别为0.81和0.73。将确定的模型进行了外部验证,水分和蛋白质NIR预测值和化学分析值的配对t检验差异均不显著。说明近红外光谱法应用于带鱼肉中水分和蛋白质含量的快速检测是可行的。     

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。     

苹果可溶性固形物的可见/近红外无损检测

利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400～1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variation,SNV)以及多元散射校正(multi-scatter calibration,MSC) 3种光谱预处理方法对预测模型的检测效果;分别应用连续投影算法(successive proiection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)对光谱数据进行降维,进而建立基于特征光谱的误差反向传播(error back propagation,BP)网络和多元线性回归(multiple linear regression,MLR)预测模型。结果表明,二阶导数预处理后的BP网络模型优于原始光谱及其他预处理方法;通过提取特征波长建立的SPA-BP网络模型的预测性能最优,其预测集相关系数rp和均方根误差(root mean ...     

近红外光谱法快速检测梨汁中柠檬酸和L-苹果酸含量

利用近红外光谱技术对梨汁中柠檬酸和L-苹果酸含量进行快速定量检测,并通过6种光谱预处理及3种数学校正方法对柠檬酸和L-苹果酸含量预测模型进行优化。本研究采用近红外光谱仪在1 100~1 650 nm光谱范围内共采集70个梨汁样本的近红外光谱图,并利用高效液相色谱法测定柠檬酸和L-苹果酸的含量。首先对样本原始光谱图经过多元散射校正(MSC)、一阶导数、二阶导数等方法进行预处理,然后通过主成分分析(PCR)、修正的最小二乘法(MPLS)及偏最小二乘法(PLS)等分别建立梨汁中柠檬酸和L-苹果酸含量的预测模型,并对该模型进行优化。优化后,柠檬酸的最佳模型为PLS结合MSC;L-苹果酸的最佳模型为MPLS结合SNV且去散射;最佳预测模型的预测相关系数最高可达0.985,预测标准差最低为0.039%,相对分析误差最大为3.46。结果表明,近红外光谱可作为一种可靠、快速、无损、简单的方法用于梨汁中柠檬酸和L-苹果酸含量的测定。该方法为生产企业及监管部门开展梨汁的掺伪鉴别提供了依据。     

红外光谱结合偏最小二乘法快速检测油茶籽油脂肪酸组成的模型建立与评价北大核心CSCD

为建立快速检测油茶籽油中脂肪酸组成的方法,利用傅里叶红外光谱仪扫描86个油茶籽油样品,红外光谱数据分别通过Savitzky-Golay平滑(SG)、多元散射校正(MSC)、标准正态变换(SNV)、一阶导数(FD)和二阶导数(SD)等5种方法进行降噪处理,然后以气相色谱测定的脂肪酸组成作为标准值,采用全波长偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别构建油茶籽油中主要脂肪酸(油酸、棕榈酸、亚油酸)的定量回归模型。结果表明:油酸、棕榈酸、亚油酸的红外光谱数据预处理分别以SG、SNV、SD较好;siPLS通过有效波段的选择可去掉更多的噪声,比PLS和iPLS建立的模型精确度高,油酸、棕榈酸、亚油酸的校正集和预测集的相关系数(R)分别为0.9479和0.8539、0.9008和0.9101、0.9793和0.9505。红外光谱结合siPLS更适用于油茶籽油脂肪酸组成的快速测定。     

基于近红外光谱技术的黄桃脆片可溶性固形物和硬度定量检测方法

以多批次黄桃脆片为分析对象,分别采集了可见/短波近红外光谱(400~1000 nm)和长波近红外光谱(1000~2500 nm)原始信息,分别采用标准正态变量变换(SNV)、多元散射校正(MSC)、移动平均平滑(MS),一阶导数(1-Der)预处理后,建立了全波段线性偏最小二乘法(PLS)和非线性支持向量机(SVM)预测模型,并结合外部试验进行可行性验证。结果表明,基于MSC-SVM的可见/短波红外光谱模型对可溶性固形物预测效果最佳,验证集的决定系数(R p)、预测均方根误差(RMSEP)、相对预测偏差(RPD)分别为0.761,1.998%和1.532;而基于MSC-SVM的长波近红外光谱模型对硬度预测效果相对最佳,对应R p、RMSEP和RPD分别为0.862,0.292 kg和1.991。基于近红外光谱系统可以实现对大批量黄桃脆片品质参数的快速无损检测。     

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。     

基于NIRS的食用醋品牌溯源模型的建立与优化

本文主要探讨了近红外光谱(NIRS)结合模式识别技术应用于食用醋品牌溯源研究。采集了四个品牌(四川保宁香醋、山西东湖老陈醋、镇江恒顺香醋、镇江香醋)共160组食醋样品的近红外漫反射光谱,通过主成分分析(PCA)进行光谱变量压缩及剔除8个异常样本数据后,随机选取其中的114组样品组成训练集用于建立溯源模型,剩余38组样品用作测试集进行模型验证。比较了MSC、SD、SNV等几种不同光谱预处理方法以及它们的不同组合对溯源模型的影响,同时考察了PLS-DA与SIMCA两种建模方法对模型的影响。结果表明:选择MSC与SD相结合的方法对光谱数据进行预处理,并采用SIMCA建模方法所建立的醋品牌溯源模型对四大品牌醋的正确识别率分别可达100%、100%、91.7%、90%。由此说明采用近红外光谱技术结合模式识别技术可有效实现食用醋品牌溯源的目的。     

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。     

Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN

A relationship was established between the soluble solid content (SSC) of navel orange fruit determined by destructive measurement and visible-near infrared diffuse reflectance spectra in the wavelength range of 350-1800 nm. Multiplicative scatter correction (MSC) and standard normal variate correction (SNV) were applied to the spectra, partial least squares regression (PLSR) and back propagation neural network (BPNN) based on principal component analysis (PCA) were used to develop the models for predicting the SSC of intact navel orange fruit. Thirty-eight unknown samples were used to evaluate the performance of these models. The principal component analysis-back propagation (PCA-BPNN) method with MSC spectral pretreatment obtain the best predictive results, resulting in correlation coefficient, root mean square error of prediction (RMSEP), average difference between predicted and measured values (Bias) of 0.90, 0.68 °Brix and 0.16 °Brix, respectively. Experimental results indicate that PCA-BPNN is a suitable tool to model the non-linear complex system, with additional advantages over PLSR, and the vis/NIR spectrometric technique can be used for measuring the SSC of intact navel orange fruit, nondestructively.     

Hyperspectral imaging as an effective tool for prediction the moisture content and textural characteristics of roasted pistachio kernels

The objective of this study was to develop calibration models for prediction of moisture content and textural characteristics (fracture force, hardness, apparent modulus of elasticity and compressive energy) of pistachio kernels roasted in different conditions (temperatures 90, 120 and 150 °C; times 20, 35 and 50 min and air velocities 0.5, 1.5 and 2.5 m/s) using Vis/NIR hyperspectral imaging and multivariate analysis. The effects of different pre-processing methods and spectral treatments such as normalization [multiplicative scatter correction (MSC), standard normal variate transformation (SNV)], smoothing (median filter, Savitzky–Golay and Wavelet) and differentiation (first derivative, D¹ and second derivative, D²) on the obtained data were investigated. The prediction models were developed by partial least square regression (PLSR) and artificial neural network (ANN). The results indicated that ANN models have higher potential to predict moisture content and textural characteristics of roasted pistachio kernels comparing to PLSR models. High correlation was observed between reflectance data and fracture force (R²?=?0.957 and RMSEP?=?3.386) using MSC, Savitzky–Golay and D¹, compressive energy (R²?=?0.907 and RMSEP?=?15.757) using the combination of MSC, Wavelet and D¹, moisture content (R²?=?0.907 and RMSEP?=?0.179) and apparent modulus of elasticity (R²?=?0.921 and RMSEP?=?2.366) employing combination of SNV, Wavelet and D¹, respectively. Moreover, Vis–NIR data correlated well with hardness (R²?=?0.876 and RMSEP?=?5.216) using SNV, Wavelet and D². These results showed the capability of Vis/NIR hyperspectral imaging and the central role of multivariate analysis in developing accurate models for prediction of moisture content and textural properties of roasted pistachio kernels.     

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。