奇亚籽水分、脂肪、蛋白质和灰分的近红外 光谱快速检测模型优化

水分、脂肪、蛋白质、灰分是重要的奇亚籽品质指标,目前主要依赖于化学法测定,过程烦琐,耗时费力,且不能多指标同时监测。以103份不同产地的奇亚籽为建模样本,通过19种光谱预处理方法和最佳谱区范围的筛选分别建立了奇亚籽中水分、脂肪、蛋白质、灰分的偏最小二乘模型。结果表明:对于水分采用Savitzky-Golay滤波平滑(SG)对光谱进行预处理,脂肪采用一阶导数(1st)和多元散射校正(MSC),蛋白质采用1st、标准正态变化(SNV)和SG,对于灰分采用1st、SNV和Norris微分平滑(ND)组合光谱进行预处理,针对各参数最佳预处理光谱采用人工法进行谱区筛选建立模型,得到水分、脂肪、蛋白质和灰分的验证集相关系数分别为0. 993、0. 972、0. 925和0. 923。结果显示,利用近红外光谱可以实现对奇亚籽的水分、脂肪、蛋白质以及灰分的同时快速无损检测,在大规模奇亚籽原料的分选中提高检测效率。     

近红外定量模型快速测定大米的营养成分

大米中的蛋白质、脂肪、碳水化合物和水分是大米的重要营养成分,这些组分的检测需要依赖国标法,检测过程繁琐冗长,污染大,实现近红外快速检测具有重要的现实意义。本实验以75个大米样品为研究对象,用国标法测定其蛋白质、脂肪、碳水化合物和水分的含量,用Antares Ⅱ型近红外光谱仪采集光谱信息。将样品分为校正集和验证集,其中校正集63个,验证集12个,通过6种光谱预处理方法和3种建模方法分别建立大米的蛋白质、脂肪、碳水化合物和水分的定量模型,用Workflow调用模型来实现四种组分的快速检测。结果表明,蛋白质、碳水化合物通过一阶导数与Savitzky-Golay滤波对光谱进行处理;脂肪、水分通过二阶导数和Savitzky-Golay滤波对光谱进行处理;再通过PLS回归与国标法的测定值相关联建立的大米中蛋白质、脂肪、碳水化合物及水分的定量模型具有较高的预测精度。蛋白质、脂肪、碳水化合物和水分的预测模型的内部交叉验证的相关系数R分别为0.9266、0.9333、0.9198、0.9175,RMSECV分别为0.280、0.133、0.362、0.270,内部交叉验证的相关系数R均在0.91以上,RMSECV均小于0.37,可实现对大米中蛋白质、脂肪、碳水化合物和水分的快速检测。     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

近红外光谱技术在南极磷虾粉水分、脂肪和蛋白质含量快速检测中的应用

利用傅里叶近红外光谱分析技术,以磷虾粉样品的实测值与模型预测值为基础,研究了采用最小二乘法建立磷虾粉原始样品与磷虾粉混合样品中水分、脂肪和蛋白含量近红外定标模型的可行性和准确性.结果表明,磷虾粉近红外图谱最佳预处理方式为:标准正态变换预处理+一阶导数+Norris导数滤波;以磷虾粉混合样品构建的近红外模型较磷虾粉原始样...     

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。     

近红外光谱技术在食用油快速检测领域中的研究进展

近红外光谱作为一种无损、快速的新型检测技术,在食品品质检测方面的研究已相当广泛。就近红外光谱技术在食用油种类鉴别、掺伪掺假鉴别、理化指标定量分析及产地溯源等方面的应用进行了综述。探讨了近红外光谱技术在食用油快速检测领域中的应用优势及发展前景。     

基于近红外光谱技术的面粉水分无损检测模型的建立

直接对面粉样品进行近红外光谱扫描,采用105℃恒重法测定面粉中水分含量,在不同的光谱数据预处理方式下运用改进偏最小二乘法(MPLS)建立水分含量定标模型,通过比较模型预测效果以确定最佳预处理方法,随后用PCA、PLS、MPLS三种建模方法在最佳预处理方式下建模通过比较模型预测效果以确定最佳建模方法并用验证集对最优模型进...     

基于近红外光谱的大豆油质量快速检测技术应用研究

利用近红外光谱快速检测大豆油脂的过氧化值和酸值,分析发现大豆油脂的过氧化值和酸值在近红外光谱区域有特征吸收峰,通过对比分析,优选出大豆油脂过氧化值特征波段为4500~9000 cm^-1,大豆油脂酸值的特征波段为4500~5000 cm^-1,采用小波变换对光谱去噪并利用PLS建立了预测模型,大豆油脂过氧化值和酸值模型的相对标准偏差RSD分别为3.513%和3.629%,准确度与化学方法相近,说明利用近红外光谱分析技术快速检测大豆油脂主要指标是可行的。     

基于近红外光谱的藏区酥油脂肪和蛋白质含量快速检测分析

为了建立藏区酥油中脂肪和蛋白质含量快速检测方法,以藏区不同产地酥油为研究对象,采用组合区间偏最小二乘法优选出脂肪和蛋白质的红外光谱特征波段,在此基础上分别对几种光谱预处理方法进行比较挑选出最佳预处理方法,最后建立脂肪和蛋白质的定量分析模型并对模型进行外部验证。结果表明:在脂肪和蛋白质的特征波段内采用SNV+数据归一化+二阶导数+S-G滤波法对光谱预处理后建立脂肪和蛋白质定量模型,模型相关系数(R)分别为0.994和0.997,交叉验证均方差(RMSECV)分别为4.09%和0.286%。对验证样本的预测值和实测值进行配对t检验,两种测量值之间没有显著性差异(P0.05),表明建立的脂肪和蛋白质的近红外定量模型具有良好的预测能力,基于近红外光谱快速测定藏区酥油中脂肪和蛋白质的含量是可行的。     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

近红外光谱技术在黄酒理化指标快速检测中的应用

采用傅立叶变换近红外透射光谱技术建立黄酒3项理化指标(酒精度、总酸和氨基酸态氮)的快速检测方法.通过比较不同的频率范围和维数,选择最佳光谱预处理方法,建立了3项指标的预测模型.用R2(决定系数)和RMSECV(交叉验证均方差)衡量3个模型的预测精度和稳定性,R2值分别为97.68,95.68、94.13,RMSECV值分别为0.2030,0.1260,0.0232.对10个随机抽取的黄酒样品的预测结果显示,样品的预测值和实测值间的之间没有显著性差异(p＞0.05).研究结果表明,近红外光谱法可用于黄酒酒精度、总酸和氨基酸态氮的快速检测.     

近红外光谱法快速检测甜菜糖度的模型优化

目的建立起近红外光谱技术关于甜菜糖度的最佳预测模型。方法研究了Savitzky-Golay平滑处理、Savitzky-Golay导数、均值中心化、差分求导、净分析信号、去趋势校正、标准正态变量变换和多元散射校正等8种预处理方法的多方法联用处理进行光谱数据的预处理,结合光谱波段优选,建立甜菜糖度与近红外光谱的预测模型。结果在进行模型的评价时,以误差均方根(SEP)、校正标准误差(SEC)与交叉检验误差(SECV)作为评价指标。结论发现经过光谱波段优选之后,结合Savitzky-Golay平滑、Savitzky-Golay导数、去趋势校正及均值中心化进行光谱数据的预处理得到的模型效果最佳。     

近红外光谱技术在糖业的应用及进展

近红外光谱技术是一种快速、高效的分析技术,发展迅速,具有无损检测、无污染、操作简单、分析快速、可在线实时监测、稳定性和重现性好、节约人力成本和试剂费用且易于维护等特点,并在很多领域得到应用。近年来,已有许多国内外学者对近红外技术在传统制糖工业应用的可行性进行研究。我国作为世界蔗糖生产大国,企业应对新技术加以重视和应用。本文从糖料甘蔗和甜菜的收购、作物快速育种、制糖中间制品检测应用和成品糖检测等几个方面重点介绍国内外近红外分析技术在制糖工业上应用的研究。本文分析了近红外技术在制糖企业应用的优势和不足,并对该技术在糖业应用的发展前景和发展方向进行展望,为企业和科研院所应用研究、在线检测、过程控制和结果分析提供帮助。     

近红外光谱技术及其在液态食品上应用的研究进展

近红外光谱技术结合化学计量手段的分析方法具有快速、无损等优点,在农产品和食品安全检测中的应用日渐广泛。通过对近红外光谱技术的理论基础和常用的化学计量手段概述,从食用油类,酒类,蜂蜜、果汁饮料类,食醋等调味品类,奶制品类5个方面,综述了该技术在液态食品中的最新应用,提出了应用中的问题和未来的发展方向。      

苹果糖度近红外光谱检测波段试验研究

目的通过近红外光谱技术对苹果进行无损检测,具有快速、非破坏性、无试剂分析、安全、高效、低成本等特点。方法本文运用Matlab7.1,对苹果的糖度与光谱曲线在不同波段处的相对光强进行多元线性回归分析,建立了最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程。结果校正方程的相关系数分别为0.621、0.715、0.797和0.822,标准校正误差分别为1.325、1.218、1.074和0.997Brix°,相对校正误差分别为11.28%、10.42%、9.63%和9.26%。结论试验表明用近红外光谱技术无损检测苹果糖度是可行性的,为今后进一步检测苹果的其他品质奠定基础。     

近红外光谱分析技术在苹果品质检测中的应用进展

苹果营养丰富,是大众水果之一,苹果的品质安全问题一直是社会关注的热点。本研究综述了2012~2016年我国近红外光谱分析技术在苹果品质检测中的研究和应用进展,包括基于近红外光谱的苹果品质检测、模型传递、分类与分级及在线检测系统研制4个方面。对今后我国近红外光谱分析技术在苹果品质检测中的应用提出建议,技术研究方面应不断建立和维护模型数据库,提高模型通用性;技术应用方面应研制在线检测系统和推进软硬件+互联网相结合,使近红外光谱分析技术在苹果品质检测中得到长足的发展。     

光照区域对近红外光谱在线检测柚子糖度的影响

[目的]提高近红外光谱技术在线检测柚子糖度的精度。[方法]采用自主研发的柚子在线无损检测设备采集3种光照区域的柚子的漫透射光谱数据,在650～950 nm的波长范围内采用标准正交变量变换（SNV）、多元散射校正（MSC）、归一化（normalize）、SG一阶求导（savitzky-golay first order derivative,SG-1st）对原始数据进行预处理,使用自适应性加权算法（CARS）筛选反映柚子糖度的光谱特征,建立了偏最小二乘回归（PLSR）模型。使用未参与到建模的30个柚子样本进行在线验证。[结果]光照区域C结合SNV-CARS-PLSR方法的建模效果最优。其预测集的决定系数为0.95,均方根误差为0.30 °Brix。在线验证时决定系数为0.90,均方根误差为0.58 °Brix。模型对于柚子糖度具有较强的在线检测能力。[结论]在光斑直径为70 mm且位于柚子赤道上方20 mm的光照区域C的条件下采集的柚子光谱数据所建立的预测模型能更有效地实现柚子糖度的在线预测。