基于近红外光谱技术快速检测椰汁品质

本研究应用近红外光谱技术结合主成分分析法(PCA)对3个不同品种的椰子,3个不同品牌成品椰子饮料及椰子粉进行定性分析。结果表明,对椰子3种不同形式的加工产品(椰子原汁、椰子饮料、椰子粉)进行定性分析的准确判别率均达到100%。采用近红外光谱技术结合偏最小二乘法(PLS)对椰汁饮料中原汁含量进行定量分析。为保证所建模型的稳健性、准确性,消除干扰,采用6种不同的预处理方法对近红外光谱技术进行优化,结果表明经过中心化预处理可得最佳模型,其R_p²、RMSEP、R_c²、RMSEC分别为0.9942、0.0435、0.9932、0.0519。本研究表明近红外光谱技术可为市售椰汁及椰子加工制品品质的快速、无损检测提供一种新思路。     

基于近红外光谱技术的微量有机磷农药的快速检测

针对现有的微量农药检测手段费时、复杂、前处理过程繁琐等不足,研究利用近红外光谱技术检测微量农药.制备两种不同的样品:不同浓度梯度的液体农药溶液样品和滤纸农药干燥样品,通过采取不同的光谱预处理手段,对比其相关系数和交叉验证均方差选择最适合的光谱预处理方法,采用偏最小二乘回归法建立预测模型.最后得出结论:滤纸农药干燥样品由于去除了绝大部分的水分使得检测精度相比较液体农药溶液样品有较大的提高,预测相关系数达到0.989,预测残差值为0.153,且相对分析误差为6.812,可以进行对农药浓度的定量检测.     

基于近红外光谱技术的海参品质快速检测

目的应用近红外光谱技术建立海参产地区分和胶原蛋白快速检测的方法。方法总计43个海参样品来自大连、福建、连云港、山东4个地区。首先采集样品的近红外光谱图,经过标准正态变量(standard normal variables,SNV)预处理,利用不同定性判别模型对海参产地进行区分。通过分光光度计法测定海参的胶原蛋白含量,利用偏最小二乘法(partial least squares,PLS)、区间偏最小二乘法(interval partial least squares,iPLS)、向后区间偏最小二乘法(backwards interval partial least squares,BiPLS)和联合区间偏最小二乘法(synergy interval partial least squares,Si PLS)建立了海参胶原蛋白含量的预测模型。结果产地区分模型中最小二乘支持向量机(least-squares support vector machine regression,LS-SVM)的识别率最高,校正集识别率为100%,预测集识别率为95.35%;海参胶原蛋白预测模型中BiPLS的预测效果较好,校正集相关系数Rc为0.9002,预测集相关系数Rp为0.8517。结论近红外光谱技术可实现对海参的产地区分和胶原蛋白的快速检测。     

基于PLS-模式识别近红外光谱技术快速检测鲜乳和掺假乳

本实验采用PLS-马氏距离法建立了鲜乳和掺假植物奶油牛乳的判别分析模型,用PLS法将原始数据压缩成3个主成分,在原始光谱的全波数段范围内,无需任何预处理方式,判别准确率达100％。同时对10个未知样品进行预测,预测准确率均为100％。其次建立了植物奶油掺假量的定量检测PLS模型,并采用交互校验和外部检验考察模型的可靠性,模型的校正相关系数为0．9963,均方估计残差（RMSEC）为0．110;交互校验均方残差（RMSECV）为0．142;应用所建PLS模型对样品中植物奶油添加量进行预测,并对预测值与真值进行配对t-检验,结果表明两者差异均不显著。     

基于近红外光谱技术的白酒基酒中乳酸的快速检测

目的:研究现代近红外光谱技术快速检测白酒基酒中的乳酸含量。方法:采用高效液相色谱法测定基酒样品中乳酸的化学值,与近红外透射光谱相结合,建立白酒基酒中乳酸的定量检测模型。结果:最佳预处理方法为一阶导数+多元散射校正(MSC),最优波段谱为6102~5450 cm^-1。对模型进行优化和检验,得到校正集样品的化学值与预测值的决定系数(R²)为0.9771,校正标准偏差(RMSECV)为0.1825;验证集的决定系数(R²)为0.9808,预测标准偏差(RMSEP)为0.1475。结论:近红外光谱法快速有效,所建模型具有很好的预测效果,模型的精密度和稳定性良好,为白酒生产中乳酸含量的检测提供方法指导。     

近红外光谱技术快速检测腊肉酸价和过氧化值

探讨应用傅里叶近红外光谱技术快速定量检测腊肉酸价和过氧化值的方法。腊肉样品经粉碎、混匀后在AntarisⅡ傅里叶近红外光谱分析仪上扫描,获得其近红外光谱与国标法测定的酸价和过氧化值含量数据进行关联,用傅里叶变换近红外光谱技术结合偏最小二乘法建立近红外光谱与腊肉酸价和过氧化值含量的数学模型并进行预测。结果表明：酸价模型中,校正决定系数和交叉验证决定系数分别是0.99582和0.98687,校正均方差和交叉验证均方差分别是0.1370和0.1900;过氧化值模型中,校正决定系数和交叉验证决定系数分别是0.99999和0.99926,校正均方差和交叉验证均方差分别是0.756×10-4和0.684×10-3。用该模型对验证集样本进行预测并统计分析,表明预测值与测定值无显著差异,傅里叶近红外光谱技术快速定量检测腊肉酸价和过氧化值是可行的。     

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。     

基于近红外光谱的海藻糖浆组分快速定量检测

研究采用近红外光谱(near infrared spectroscopy,NIRS)快速检测单酶法生产海藻糖浆(海藻糖、麦芽糖及葡萄糖)组成的方法。取65个海藻糖浆作为样本,扫描得到近红外光谱图,分为48个样本校正集,17个样本预测集,计算分析结果表明:一阶微分(first derivative,1D)与S-G平滑(savitzky-golay filter)组合处理为最优预处理方法;运用TQ analyst建模软件中主成分回归(principal component regression,PCR)算法和偏最小二乘法(partial least squares,PLS)算法分别对海藻糖浆建模,发现采用偏最小二乘法(partial least squares,PLS)的海藻糖浆组分模型稳定性和预测能力更好;运用PLS、1D、S-G平滑组合预处理海藻糖浆组分模型,不仅降低光谱的背景噪声,同时还提高模型的稳定性。海藻糖浆各组分模型的交叉验证均方差(RMSEC)、交叉验证决定系数(Rc)、预测均方差(RMSEP)、预测决定系数(RP)依次为:海藻糖模型分别为0.188,0.995,0.089,0.989;麦芽糖模型分别为0.143,0.997,0.131,0.969;葡萄糖模型分别为0.147,0.997,0.094,0.999。NIRS检测快速、无损便捷,可用于检测单酶法生产海藻糖浆的组分。     

近红外光谱分析技术及其在线应用进展

近红外光谱分析技术作为近年来发展较快的一种分析技术,具有分析速度快、对产品无破坏等特点,尤其适用于对产品关键参数进行在线测量,以实现优化工艺,提高产品质量等目的。介绍近红外光谱分析技术的特点及原理,并对其于各行业的在线应用进展进行综述。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测,该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明,采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法,绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

近红外光谱分析法快速测定稻谷常规化学指标

采集150份有代表性的我国南方地区稻谷样品的近红外光谱,用偏最小二回归分析法(PLS),建立了稻谷的水分、直链淀粉、蛋白以及胶稠度的近红外定量分析模型,并对30份预测集样品进行了验证。水分、直链淀粉、蛋白以及胶稠度的校正集模型的决定系数所(R2)分别为0.990 3、0.560 3、0.913 2以及0.678 0,交互验证均方根误差(RMSECV)分别为0.372 8%、1.456 9%、0.305 4%以及5.031 5%;验证集标准预测偏差(RMSEP)分别为0.382 5%、1.465 0%、0.510 0%以及5.052 1%。结果表明,近红外光谱分析法可以满足快速分析的要求。     

基于近红外光谱法的桑蚕丝接枝率快速定量测定

为解决蚕丝经化学接枝增重处理后,接枝率难以直接测定以及现有的热分析法检测耗时长、不适用于批量化快速检测等问题,提出了采用近红外光谱技术对蚕丝接枝率进行快速测定的方法。应用近红外光谱法结合化学计量学软件,选择偏最小二乘法,从光谱预处理、最佳主因子数选择以及建模谱区选择3个方面优化建立甲基丙烯酰胺接枝蚕丝的接枝率预测模型,得到所建模型的内部预测准确率为91.03%。使用19个已知参比值但未参与建模的样本对模型的稳健性进行验证,对预测值和参比值进行配对t检验,在给定显著水平α为0.05条件下,模型预测结果与称重法测试结果不存在显著性差异。结果表明,近红外光谱技术可为蚕丝接枝率的定量测定提供一种快速有效的分析方法。     

近红外光谱结合偏最小二乘法快速测定糖果中水分含量

采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm^-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm^-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。     

基于近红外漫反射光谱的面包老化过程中非冻结水含量无损检测

目的 建立一种基于近红外光谱技术快速无损测定面包老化过程中的非冻结水含量的方法。方法 应用近红外漫反射光谱技术采集新鲜面包在放置2h、2d、3d、4d、5d、6d、7d时的光谱，对比导数、S-G平滑(Savitzky Golay smooth)、标准正态变量变换(Standard normal variable transformation，SNV)及多元散射校正(Multiplicative scatter correction，MSC)预处理方法，利用偏最小二乘回归法(Partial least square regression，PLSR)和多元线性回归法（Multiple Linear Regression，MLR）建立面包老化过程中的非冻结水含量的预测模型，并对比两种模型预测结果。结果 利用PLSR建模相较MLR建模结果较好，建立的模型预测结果较好，模型的校正集相关系数（Rc）和均方根误差（RMSEC）分别为0.9386和0.0236 , 验证集相关系数（Rv）和均方根误差（RMSEP）分别为0.9271和0.0245。结论 通过近红外光谱技术结合偏最小二乘法建立面包老化过程中的非冻结水含量模型可作为面包老化过程中的非冻结水含量无损快速测定的可行性方法，其含量变化可以有效预测面包老化，为面包老化的无损检测提供了新的可行方案。     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

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。     

基于近红外光谱技术的茶籽油掺伪定性鉴别和定量分析

茶籽油是我国特有的高级食用油。近年来茶籽油掺伪现象层出不穷,本研究利用傅里叶近红外(FT-NIR)光谱与化学计量学相结合,获得一种快速对不同掺假类型（低芥酸菜籽油、大豆油、二元混合油）和不同掺假度（0%-100%）的茶籽油进行定性和定量检测的方法。基于近红外差异光谱进行判别分析（discriminant analysis,DA）,DA成功识别了不同掺假度的二元与三元混合茶籽油。通过对手动与自动筛选的不同波段结合不同预处理方法建立偏最小二乘法（Partial least squares,PLS）定量分析模型,最佳模型对掺假水平具有良好的预测性能,决定系数(R2)均大于0.91。校正均方根误差(RMSEC)和预测均方根误差(RMSEP)均接近于0。通过交叉验证,最佳模型的交叉验证相关系数均大于0.98,交叉验证均方根误差均小于0.05,表明筛选的最佳模型均具有良好的稳定性。通过外部验证,最佳模型对不同掺假类型的中、高掺假度（≥10%）的样品识别率高达100%。研究表明,利用近红外光谱技术结合化学计量学能够实现茶籽油掺假的快速、无损鉴定。     

基于近红外光谱的散养土鸡与笼养肉鸡的 营养成分预测

目的建立土鸡与肉鸡的蛋白质、脂肪含量快速预测模型。方法收集土鸡与肉鸡新鲜样本各30份,取其中各20份样品,应用近红外光谱分析技术和区间最小二乘法建立蛋白质、脂肪的定量分析模型;然后对剩余样品进行预测,并进行误差分析。结果土鸡与肉鸡的蛋白质模型相关系数分别是0.978和0.963,内部交叉验证均方差(RMSECV)分别为0.197和0.201;脂肪模型的相关系数分别为0.946和0.952,RMSECV值分别为0.318和0.149。预测中,蛋白质预测结果与实测结果误差平均为0.193和0.214,标准差为0.098和0.065;脂肪预测结果与实测结果的误差平均值分别为0.318和0.149,标准差分别为0.072和0.103。结论通过预测结果与实测结果比较,发现差异并不显著,标准方差在10%及以下,并且预测模型的相关系数越大,预测结果越准确,说明了近红外光谱技术与区间最小二乘法预测模型的可行性、准确性、快速便捷性,能够为市场土鸡肉与肉鸡肉的鉴别提供快捷有效的方法。同时,为提高预测结果的准确性,需采用尽量多的样品建立预测模型。