西式快餐用煎炸油质量近红外快速检测模型的建立

为对西式快餐用煎炸油质量进行快速监测,选用近红外光谱法（NIRS）联合偏最小二乘法（PLS）,分别建立酸价和极性组分两个煎炸油质量指标的定量模型。结果表明,酸价和极性组分的定标模型校正决定系数（R2）均为0.9974,校正标准差均方根（RMSEC）分别为0.111和0.359,预测标准差均方根（RMSEP）分别为0.171和0.562。盲样验证、精密度及准确度分析结果显示,酸价和极性组分的NIR预测值同真实值的相关方程的相关系数分别为0.9944、0.9761,应用所建模型预测同一煎炸油样品的酸价和极性组分的相对标准偏差（RSD）分别为0.934%和1.278%,表明所建模型对煎炸油样品的酸价和极性组分预测能力较好,且有较好的重现性。因此,基于近红外光谱定量模型,可以对西式快餐用煎炸油质量进行快速、准确地监测。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

利用近红外光谱和偏最小二乘回归法预测脂肪酸组成

采集了30种植物油样品在10000~55 00 cm-1范围内的近红外透射光谱,将所有样品作为校正集,随机抽取10种样品作为预测集,以气相色谱方法测得植物油中主要成分油酸、亚油酸、棕榈酸、硬脂酸的含量为参考值,应用偏最小二乘回归法建立了基于近红外光谱的测定植物油主要成分含量的校正模型。四种成分校正模型的交叉验证误差均方根为0.281 1%~1.496 4%,预测误差均方根为1.080 8%~18.063 0%,校正集的预测值与实测值的相关系数均大于0.99,预测集中除了棕榈酸的预测值与实测值的相关系数为0.817 9,其余均大于0.9。     

白酒基酒中己酸、乙酸的近红外快速检测

建立白酒基酒中的己酸、乙酸的快速检测方法,通过分析白酒基酒样品的近红外光谱图,对光谱数据进行不同处理。结果表明：白酒基酒中己酸、乙酸对近红外有特异吸收,最佳预处理方法与最优波段分别为：一阶导数＋减去一条直线、一阶导数＋矢量归一化预处理光谱;谱区选择6 101.7～5 446 cm－1和11 998.9～7 501.7 cm－1,6 101.7～5 449.8 cm－1和11 998.9～7 497.9 cm－1。利用偏最小二乘法与傅里叶变换近红外光谱相结合,采用内部交叉验证法建立模型,通过对模型进行优化,己酸、乙酸校正集样品的化学值与近红外的预测值的决定系数分别为99.73%、97.00%;内部交叉验证均方根差分别为0.90、0.63 mg/100 mL;进一步对己酸、乙酸模型进行验证和评价,己酸和乙酸模型验证集的决定系数分别为99.47%、95.63%,预测标准偏差分别为1.00、1.73 mg/100 mL。结果表明建立的模型效果很好,具有较高的精密度和良好的稳定性,能满足白酒生产中己酸和乙酸的快速检测要求。     

基于有效波长选择的近红外光谱枸杞总糖含量快速检测

为建立枸杞总糖含量快速准确的检测方法,采用近红外光谱为检测手段,以114 个不同产区枸杞样品为研究对象。采用积分球漫反射模式采集样品近红外光谱,利用化学计量学方法确定光谱信息与总糖含量之间的关系,通过载重图法及相关系数法进行有效光谱选择,比较确定枸杞总糖光谱建模有效波段,建立枸杞总糖近红外光谱定量检测模型,并利用国标方法进行验证分析。结果发现：对全样品光谱进行Norris Gap Derivative求导预处理后,采用相关系数法选择8 700～4 000 cm－1波段进行建模。当主成分数为8时,建模效果较好,模型的校正集决定系数与验证集决定系数均高于0.91。结果表明,基于近红外光谱技术的枸杞总糖含量快速检测是可行的。     

近红外光谱法快速分析马铃薯煎炸油的品质

为快速监测马铃薯煎炸油的品质,选择棕榈油、菜籽油和大豆油为研究对象,运用近红外光谱分析方法分别建立了3种煎炸油的定性判别模型,以及酸价、过氧化值与极性组分3个关键质量控制指标的定量模型。基于马氏距离法的定性模型对检测集进行判别,结果表明根据距离阈值判断的正确率达到100%。基于偏最小二乘法建立的定量模型对样品进行预测,结果显示理化指标定量模型基本符合实际应用要求。棕榈油、菜籽油、大豆油煎炸油品质定量模型验证集的结果验证了定量模型的可靠性。研究表明利用近红外光谱法能够实现对马铃薯煎炸油品质的快速鉴定。     

近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量

应用近红外光谱技术结合不同的定量分析方法建立面粉4种组分的快速定量模型。国标法测定68种面粉样品的水分、脂肪、碳水化合物和蛋白质的含量,并采集其近红外漫反射光谱图。选取58个校正集和10个验证集样品,通过马氏距离法剔除异常样品后,对比17种光谱预处理方式所建立的基于全光谱的偏最小二乘法(partial least squares,PLS)定量模型效果,在最佳预处理方法的基础上,采用向后区间偏最小二乘法(Backward interval PLS,BiPLS)筛选特征光谱,进一步得到最佳定量模型。结果表明,所建立的模型校正集相关系数Rcv均大于0.9650,内部交叉验证均方根误差均小于0.328;验证集相关系数均大于0.9926,预测均方根误差均低于0.383。因此,模型具有较好的准确性和稳定性,能应用于面粉的多指标快速检测。     

二组分食用调和油组成的近红外光谱检测定量分析

分别取花生油、大豆油、玉米油和葵花籽油调和成不同比例的二组分食用调和油样品,采集样品在4 000 cm-1～10 000 cm-1范围内的近红外漫反射光谱,光谱经一阶导数等预处理后,采用偏最小二乘法建立二组份调和油中各组分含量的定标模型,并用Leave-one-out内部交叉验证法对模型进行验证.四种食用油定标模型的相关系数R分别为0.999 6,0.993 1,0.998 5和0.998 8,校正均方根RMSEC分别为0.83%,3.81%,1.76%和1.57%.采用不同品牌的玉米油和大豆油配制成二组分调和油样品,建立的PLS定标模型其R和RMSEC分别为0.998 5和1.42%.研究结果表明,采用近红外光谱法可以实现二组分调和食用油中不同成分含量的准确定量检测,检测结果不受食用油生产厂家的影响.     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

一种水溶液中果糖含量的近红外光谱分析法

目的建立一种水溶液中果糖含量的近红外光谱分析仪(near-infraredspectroscopyanalysis,NIRSA)检测方法。方法实验中所用的样品数量为30个,随机选取26个作为校正集样品,用于建立果糖的校正模型;4个作为验证集样品,用于校正模型的验证。将待测样品放入样品杯中,利用GSA201型近红外光谱仪采集样品的光谱。得到样品的化验值,将光谱数据和化验值导入到NIRSA化学计量学软件,经过一阶微分S-G平滑处理,利用成分的含量数据和光谱数据一一对应,创建校正模型。为验证模型的预测能力,选取4个果糖水溶液样品作为验证,调用校正模型对该样品进行预测。结果本研究中样品的含量范围在0.4171%～0.4431%之间,样品的含量比较低且范围较窄,GSA近红外光谱仪测量的绝对偏差为0.000024。结论 GSA近红外光谱仪利用光谱数据和校正模型完全能够有效检测水溶液中果糖的含量,且预测的准确度较高。     

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,iPLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100 个,并在4 000～12 000 cm－1范围内采集了油样的近红外透射光谱。首先用iPLS法从原始光谱中初步筛选出4 540～5 346 cm－1和6 807～7 004 cm－1组合特征波段,R2和预测均方根误差（rootmean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2 种选择结果中各选取前6 个波长点,以12 个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用iPLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。     

近红外光谱技术快速测定鹅肉嫩度

目的：应用近红外光谱技术快速检测鹅肉的嫩度值。方法：采集完整鹅肉的近红外光谱（950～ 1 650 nm）,光谱经多种校正预处理后,再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模 型。结果：采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好,嫩度定量校正数学模型的模 型决定系数为0.908 0,内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测,预测值与实 测值的相关系数达到0.971 1,预测值平均偏差为21.673 g,预测值和实测值之间没有显著性差异（P＞0.05）。结 论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉的嫩度。     

白酒基酒中醛类物质的傅里叶变换近红外光谱检测

乙醛和乙缩醛对白酒的香气起均衡协调的作用,对白酒的风格和品质有重大影响。本实验研究白酒基酒中乙醛、乙缩醛的快速检测方法,经过分析白酒基酒样品的近红外光谱图,并对其进行不同的预处理。结果表明：白酒基酒中的乙醛、乙缩醛对傅里叶变换近红外光谱有特异吸收,最佳预处理方法与最优波段分别为：一阶导数＋矢量归一化、一阶导数＋多元散射校正预处理光谱,谱区选择7 501.7～7 102.0 cm－1和6 101.7～5 446.0 cm－1（乙醛）、6 101.7～5 449.8 cm－1（乙缩醛）。乙醛和乙缩醛校正集样品的化学值与近红外的预测值的决定系数（R2）分别为0.963 4、0.942 9;校正标准偏差分别为0.50、0.83 mg/100 mL;进一步对乙醛、乙缩醛的模型进行验证和评价,乙醛和乙缩醛模型验证集的决定系数（R2）分别为0.975 0、0.918 6,预测标准偏差分别为0.80、1.0 mg/100 mL。结果表明乙醛和乙缩醛的快速检测模型效果很好,精密度较高、稳定性良好,能满足白酒生产中乙醛和乙缩醛的快速检测要求。     

基于特征脂肪酸的掺伪芝麻油快速鉴别模型建立

脂肪酸是植物油中的主要营养成分,不同种类的食用油中所含的脂肪酸含量也不相同,本研究据此对芝麻油掺入大豆油、花生油、棉籽油的油样应用近红外光谱技术建立测定4 种脂肪酸含量的方法。以气相色谱法测定的脂肪酸含量作为化学值,校正集样品数为122,验证集样品数为38,结果表明：掺假芝麻油油样的亚麻酸
（C18∶3）、花生酸（C20∶0）、木焦油酸（C24∶0）和肉豆蔻酸（C14∶0）对近红外有特异吸收。分别建立4 种脂肪酸含量的模型,通过对模型进行优化,校正集样品的化学值与近红外的预测值的相关系数（R2）分别为R2（C18∶3）=0.989、R2（C20∶0）=0.995、R2（C24∶0）=0.993、R2（C14∶0）=0.996。验证集样品的化学值与近红外的预测值的R2分别为0.984、0.949、0.956、0.988。4 种脂肪酸含量的预测平均相对误差依次为6.0%、5.6%、4.4%、4.8%。     

基于LF-NMR弛豫特性的煎炸油总极性化合物含量定量建模方法

将低场核磁共振（low field nuclear magnetic resonance,LF-NMR）分析技术应用于煎炸油脂总极性化合物（total polar compounds,TPC）含量的预测。采用柱层析方法测定油脂样品的TPC含量作为测定值,采集油脂样品的LF-NMR弛豫特性（峰起始时间T21、T22、T23相应的峰面积比例S21、S22、S23、单组分弛豫时间T2W）,分别利用向后筛选多元回归分析、主成分回归分析和偏最小二乘回归分析建立LF-NMR弛豫特性与TPC含量的回归方程,比较3 种模型的校正集和预测集的决定系数与均方根误差,最终确定最优模型为偏最小二乘回归模型。应用此模型预测预测集样品TPC含量,决定系数R2可达0.928,预测集均方根误差为0.568%,模型稳定。     

近红外光谱技术快速测定鹅肉新鲜度

目的：应用近红外光谱技术快速检测鹅肉的新鲜度,评价指标包括总挥发性盐基氮和pH值。方法：采集完整冷鲜鹅肉的近红外光谱（950～1 650 nm）,光谱经多种校正预处理后,采用偏最小二乘法建立鹅肉新鲜度的定量预测数学模型。结果：对于这2 种指标均采用标准常态变量结合偏最小二乘法所建立模型的预测效果最好,总挥发性盐基氮和pH值定量校正数学模型的模型决定系数分别为0.727、0.991,内部交互验证均方根误差分别为3.666、0.028。用此模型对预测集20 个样品进行预测,预测值与实测值的相关系数分别达到0.976、0.705,预测值平均偏差分别为－0.240、－0.024,预测值和实测值之间没有显著性差异（P＞0.05）。结论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉新鲜度。     

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。     

葛粉掺假的近红外漫反射光谱快速检测

研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光 谱,采用主成分回归和偏最小二乘法建立校正模型,并对比光谱预处理方法和光谱建模区间对模型的影响。结果表 明,采用偏最小二乘法建模,光谱采用标准正态变量变换预处理,光谱区间选择在962～1 389 nm时,模型预测效 果最佳,外部验证预测相关系数（RP 2）达0.994 5,均方根误差2.298 7%,相对分析误差13.56,平均回收率99.89% （n=9,RSD=2.96%）,这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。