适合各种样品基体的总脂肪、饱和脂肪酸和不饱和脂肪酸含量的近红外光谱法测定

人体每天的热量消耗量中,脂肪的比例不应多于30%,其中饱和脂肪酸不超过总脂肪摄入量的10%。脂肪富含能量,它帮助维持机体温度,保护人体组织和器官。脂肪在递送四种脂溶性的维生素中起了决定性的作用。     

近红外光谱法检测小麦粉中的水分含量

以化学法测定67个小麦粉样品的水分含量,利用波通DA7200型近红外光谱分析仪采集样品近红外光谱,选择合适的光谱区间及光谱预处理方法,采用偏最小二乘法(PLS)和留一法内部交叉验证方式建立定标模型.50个定标样品的近红外光谱经一阶导数预处理,由PLS法获得的定标模型决定系数(R2)为0.984 3.利用17个验证集样品进行外部检验,预测值与真实值之间的相关系数(R2)为0.984 8,预测集标准偏差(SEP)为0.092 9.近红外光谱法具有方便、快速、准确、无损、无污染的特点,应用于小麦粉水分的测定是可行的.     

基于近红外光谱法快速测定许氏平鲉脂肪和 水分含量的方法研究

目的建立近红外光谱法结合偏最小二乘法测定许氏平鲉鱼肉中的脂肪和水分含量,以期简便、快速地对许氏平鲉进行品质分析与评价。方法采用常规分析手段测定70个样品的脂肪和水分含量,同时采集其近红外光谱数据,结合偏最小二乘法(partial least square,PLS)建立许氏平鲉鱼肉中脂肪和水分的定量预测模型,并对比不同光谱预处理方法、光谱范围和因子数对定量预测模型的影响。结果光谱经Savitzky-Golay(S-G)和标准正态变量变换(standardized normal variate,SNV)预处理后,在5341.85~4007.36 cm~(-1)、6556.79~5345.71cm~(-1)和8651.10~7162.33 cm~(-1)光谱范围内,选取主因子数10,建立脂肪的校正模型性能最优;光谱经过SNV预处理后,在8886.38~4061.35cm~(-1)光谱范围内,分别选取主因子数为9时,建立的水分的校正模型性能最优。脂肪和水分含量相对最优PLS模型的校正集相关系数分别为0.9918和0.9912,校正标准偏差分别为0.2680和0.3300,交叉验证相关系数分别为0.9820和0.9810,交叉验证均方差分别为0.3980和0.4850,验证集相关系数分别为0.9804和0.9798,验证集均方差分别为0.3260和0.3070。结论本方法可较为准确地预测许氏平鲉鱼肉中的脂肪和水分含量,能够满足快速分析评价许氏平鲉品质的要求。     

锦氨内衣纤维含量近红外光谱法快速定量分析

文中通过选用锦氨内衣交织面料,分析面料中锦纶、氨纶不同的光谱特征并筛选合适的建模光谱,比较不同预处理方法建模效果的差异性并筛选最优建模参数,剔除异常样品选择校正和验证样品集,建立了锦氨交织面料纤维含量近红外快速定量分析模型。结果表明,对近红外光谱数据进行归一化处理后,选用光程类型恒定模式,在光谱区域4 477.9～8 944.2 cm~(-1),以偏最小二乘法采用8个主成分数建立了锦氨交织面料定量分析模型,模型的校正均方根误差(RMSEC)为0.583,相关系数Rc~2为0.994 0,残差范围为-1.5～1.5,预测值与参考值比较接近,模型预测效果较好,满足锦氨内衣纤维含量快速测试的需求。     

近红外光谱检测用纤维含量样品精确度研究

采用近红外光谱分析技术对纺织品含量进行定量分析可以实现对样品快速无损检测.但是近红外光谱分析技术是一种间接分析技术,它需要从已知原料组分的样品中采集样品的近红外光谱,并根据样品的纤维含量,结合化学计量法建立近红外校正模型,才能将近红外光谱技术应用于实际的检测工作中,所以建模样品原料组分的精确度决定了近红外模型预测结果的精确度,提高所用样品原料组分赋值的精确度就能提高近红外光谱分析技术对纺织品含量进行定量分析的精确度.     

基于近红外光谱法快速检测涤氨织物的纤维含量

为了提高纺织纤维的分析速度,提升纺织纤维检测水平,增强纺织品生产质量监控、贸易和市场监督,文章以149个涤氨混纺织物为研究对象,对样品颜色、结构以及光谱扫描时扫描次数、样品厚度等参数进行分析,利用偏最小二乘法建立了涤氨混纺织物中涤纶含量的近红外定量校正模型.为验证模型的实用性,对279个涤氨样品进行了预测,将预测结果进行方差分析,得到该方法与方法标准SN/T 0464-2003的结果不存在显著性差异的结论,并据此制定了纺织品原料组分近红外快速检测初筛方法的标准操作规程,经实际应用证明效果显著.     

基于近红外光谱的猪肉蛋白质及脂肪含量检测

蛋白质及脂肪是猪肉的重要营养成分。随着人们对饮食健康的要求越来越高,对猪肉蛋白质及脂肪含量快速检测也成为必然。通过近红外光谱技术对猪肉进行光谱数据采集,将光谱数据分为校正集样本和预测集样本,然后,在MATLAB中利用多元散射校正(MSC)与均值中心化相结合的方法进行光谱预处理并采用联合区间偏最小二乘方法(SiPLS)获得猪肉蛋白质及脂肪含量与光谱数据特征之间的对应关系,从而定量分析猪肉蛋白质及脂肪含量。实验结果表明,建立的SiPLS检测脂肪及蛋白质含量预测模型的最优组合分别为划分为20个光谱区间并联合4个子区间和9个主成分因子,和划分19个光谱区间并联合4个子区间和10个主成分因子。其预测集的相关系数分别为0.9798、0.9788,交互验证均方根误差分别为0.228,0.241。研究结果表明,利用近红外光谱结合SiPLS算法可以快速准确检测猪肉蛋白质与脂肪含量。     

近红外光谱法快速无损测定奶粉的脂肪含量

将11种奶粉原样配制及组成77个奶粉样本,以脂肪含量为检测指标,结合偏最小二乘法开展近红外光谱定量分析研究。2次异常光谱剔除,识别出异常样本(14,52,76)并予以剔除。74个奶粉样本进行平滑、导数和标准变量变换等6种光谱预处理,确定标准正态变量变换结合Norris一阶导为最佳光谱预处理方式,其交叉验证均方根误差为0.354 7,交叉验证相关系数平方达到0.990 8;最佳前处理光谱结合3种波段选择方法优化模型性能,与全光谱模型形成对比,确定随机蛙跳(random frog,RF)为最佳波段选择方式,其模型的训练集和测试集相关系数平方分别为0.997 2和0.997 0,训练集和测试集均方根误差分别为0.186 2和0.198 2。结果表明:采用蒙特卡罗异常光谱剔除(Monte-Carlo sampling,MCS),光谱预处理结合随机蛙跳波段优化技术可提高奶粉脂肪近红外定量模型的泛化性和预测能力。     

基于可见-近红外光谱法无损检测赣南脐橙中总酸含量

目的 基于可见-近红外光谱法建立一种无损测定赣南脐橙总酸含量的技术。方法 利用设计的可见-近红外光谱检测系统检测168个赣南脐橙总酸含量。以给定赣南脐橙的126个样品作为校正集, 42个未知样品作为预测集。本研究以去除首尾处噪声后的400~880 nm范围的光谱波段, 共481个波长点进行研究分析。结合SG (Savitzky-Golay)平滑法、多元散射校正法、变量标准化法、基线校正法4种预处理方法处理原始光谱数据, 通过PLSR数学模型确定最佳预处理模型; 再利用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(random frog, RF)、遗传算法(genetic algorithm, GA)、连续投影算法(successive projections algorithm, SPA)和主成分分析法(principal component analysis, PCA) 5种算法对预处理后的数据提取特征变量, 降低维度, 随后分别建立基于特征变量的总酸偏最小二乘回归(partial least squares regression, PLSR)、主成分回归(principal component regression, PCR)、最小二乘支持向量机(least square support vector machine, LS-SVM)及多元线性回归(multiple linear regression, MLR)预测模型。结果 通过PLSR数学模型确定SG平滑预处理模型效果为最佳, 基于SG+GA+LS-SVM模型对总酸含量预测效果最佳, 预测集均方根误差(root mean square error of prediction, RMSEP)值为0.016, 预测集决定系数(prediction set coefficient of determination, )值为0.9834, 相对分析误差(residual predictive deviation, RPD)值为7.76。结论 基于可见-近红外光谱法实现赣南脐橙中总酸含量的无损检测是可行的, 结合SG+GA+LS-SVM预测模型可以实现赣南脐橙总酸含量的定量检测, 可用于评价赣南脐橙总酸含量。     

近红外光谱法对茶叶中的咖啡碱含量的快速测定

以贵州省各地茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,将茶叶制成粉末进行光谱扫描并用化学法测定其咖啡碱含量,将偏最小二乘法与傅立叶变换近红外光谱法相结合,建立茶叶中咖啡碱含量的模型.通过多元散射校正(MSC)处理光谱,光谱范围选择4493.33cm-1～4354.48cm-1,5800.83cm-1～5696.69cm-1,主因子数为10,得到模型的内部交互验证相关系数(P)为0.991,交互验证均方差(RMSECV)为0.205;模型的预测值与化学测定值的相关系数为0.999,预测标准偏差(RMSEP)为0.242.通过稳定性试验得到的RSD都在0.30％以下.结果表明,模型的预测效果很好,具有较高的精密度和较好的稳定性,且方法简捷,能满足茶叶中咖啡碱的快速检测要求.     

近红外光谱法预测面条中马铃薯泥含量模型的

制作了已知含量的马铃薯泥面条170份,采集马铃薯泥面条的近红外吸收光谱,采用偏最小二乘法（PLS）建立并优化马铃薯泥含量预测模型。结果表明：吸收谱图扫描范围为9 403.6～5 446.2 cm^-1时,选择矢量归一化法预处理光谱,获得的含量预测模型预测能力好,模型的外部验证决定系数为0.956 4、预测均方根误差为3.73%,斜率为1.029,模型的相对分析误差为2.04。采用近红外光谱法建立的预测模型可以较好的预测未知面条样品中马铃薯泥的含量。     

近红外光谱法快速测定米糠油中谷维素的含量北大核心CSCD

为了简便、快速、准确地测定米糠油中的谷维素含量,以LS/T 6121.2—2017的高效液相色谱法为测定米糠油中谷维素含量的参比方法,采用近红外光谱分析技术结合偏最小二乘法建立了米糠油中谷维素含量的定量分析模型。结果表明:所建定量分析模型的决定系数为99.81%,预测标准差为0.02849%,交叉验证标准差为0.03113%;利用99个验证集样品对定量分析模型进行外部独立验证,预测决定系数为99.81%,预测标准差为0.03090%,用该定量分析模型检测样品绝对误差在-0.081%~0.057%之间,相对误差在-11.86%~9.84%之间。所建立的定量分析模型预测效果较好,准确度较高,可用于米糠油中谷维素含量的测定。     

近红外光谱法快速检测美藤果主要品质指标的定量模型研究

美藤果含有丰富的油脂、蛋白质等营养物质,具有重要的营养价值。为了快速检测美藤果品质,采用传统国标方法获得美藤果水分含量、含油量(湿基)和蛋白质含量(湿基)的化学值,之后对美藤果颗粒及美藤果粉的近红外光谱全谱及不同波段光谱进行预处理,通过偏最小二乘法分别建立了美藤果颗粒及美藤果粉的校正模型。结果显示,美藤果颗粒和美藤果粉建立的校正模型的相关系数(Rc)均大于0.94,校正均方根误差(RMSEC)小于0.45%,交叉验证相关系数(Rcv)大于0.91,验证均方根误差(RMSECV)小于0.53%。用建立的美藤果颗粒和美藤果粉校正曲线对未参与建模的20个样品进行了近红外检测,结果显示,用两种方法建立的校正模型都能较好地实现对美藤果水分、含油量(湿基)和蛋白质含量(湿基)的预测,但是使用美藤果颗粒建立的校正模型进行美藤果品质检测更简便,且对样品没有破坏性。     

近红外漫反射光谱法快速检测胶原肽粉中低聚肽含量

目的建立近红外漫反射光谱法(near infrared reflectance spectroscopy, NIRS)快速检测胶原肽粉核心功效成分低聚肽含量的分析方法。方法基于径向基神经网络(radial basis function neural network, RBFNN)的方法,分析比较了多元散射校正(multiplescattercalibration,MSC)、标准正态变换(standardnormalvariation,SNV)的光谱预处理方法,分别结合了主成分分析(principalcomponentanalysis,PCA)、独立成分分析(independent component analysis, ICA)的方法提取特征信息,优化输入变量、扩展系数等参数,建立了低聚肽含量的检测模型,同时为了比较方法优劣,也建立了相应的偏最小二乘方法(partial least squares, PLS)模型。结果非线性建模方法 RBFNN比线性PLS方法模型效果更好,与常用的PCA-RBFNN模型相比,本研究采用的ICA-RBFNN模型结果更准确,模型独立验证集的相关系数R是0....     

用近红外光谱技术快速测定籼稻品种的蛋白质含量

分别以稻谷、糙米、精米和精米粉为扫描材料,应用近红外光谱法建立了籼稻蛋白质含量的预测模型.结果表明,采用光谱预处理的校正效果比不采用预处理的好,用偏最小二乘法(PLS)获得的籼稻稻谷、糙米、精米、精米粉的回归模型和交叉验证结果为:最优校正决定系数(R2)和交叉检验均方误差(RMSECv)分别为0.772 1、0.507,0.888 4、0.379,0.911 6、0.336,0.951 0、0.258,稻谷的误差最大,粉样的误差最小.育种实践中,低世代可选用糙米、高世代可选用精米和精米粉作为扫描样本测定稻米蛋白质含量.     

基于近红外光谱法检测棉/聚酯/氨纶织物的纤维含量

应用近红外光谱法对三组分棉/聚酯/氨纶混纺织物进行纤维定量分析。以200个棉/聚酯/氨纶样品为校正集样品,利用偏最小二乘法建立棉/聚酯/氨纶校正模型。用100个棉/聚酯/氨纶样品作为验证,并对20个样品进行预测。对预测结果进行方差分析,与传统方法 GB/T 2910的结果不存在显著差异,模型的各项指标均达到实际检测的要求,缩短了检测时间,提高了检测效率。该方法不需要化学试剂,精度高,且环保。     

样品温度对植物油的近红外定性分析模型的影响

主要研究不同的样品温度对基于激光近红外食用植物油分类模型预测能力的影响。选择样品温度分别为30、40、50、60℃作为研究对象,利用激光近红外光谱仪采集4种温度下的合格食用油样品的光谱数据,用标准正态变量变换(SNV)对光谱数据进行预处理,应用支持向量机分类(SVC)方法建立独立温度分类模型和混合温度分类模型,然后采用遗传算法(GA)对模型参数组合(C,g)进行寻优,确定最佳参数组合,利用建立的8个模型对4种不同温度下的预测集样品分别进行预测。试验结果表明:某个样品温度下的独立模型对于该温度下的样品的预测准确率较高,但是对于其他温度下的样品的预测准确率不够理想;混合模型对不同温度的样品预测能力相对较好,具有更好的预测稳定性和温度适应性。研究表明:样品温度对模型的预测能力有很大的影响,是建立食用植物油分类模型过程中需要考虑的重要变量。     

应用近红外光谱技术快速测定粳稻品种的直链淀粉含量

应用近红外光谱法以稻谷、糙米、精米、糙米粉和精米粉为扫描材料分别建立了粳稻直链淀粉含量的预测模型。结果表明采用光谱预处理的校正效果比不采用预处理的好,用偏最小二乘法(PLS)获得的粳稻稻谷、糙米、精米、糙米粉、精米粉的回归模型和交叉验证结果为:最优校正决定系数(R2)和交叉检验均方误差(RMSECV)分别为0.8136、2.74,0.8864、2.56,0.8915、2.59,0.9261、2.26,0.9505、1.83,粉碎性样品的误差比整粒样品的误差小。育种实践中,低世代可选用糙米、高世代可选用糙米粉或精米粉作为扫描样本测定稻米直链淀粉含量。     

近红外光谱技术快速检测狭鳕水分、脂肪和蛋白质的含量

采集63个具有代表性的狭鳕鱼样品,通过拟合狭鳕鱼鱼肉的近红外漫反射光谱与水分、脂肪和蛋白质的含量,建立近红外定量分析模型。采用偏最小二乘法(PLA)进行拟合,应用内部交叉检验的方法进行检验与验证,同时用不同光谱预处理方法和主因子数对光谱进行比较分析,得出最佳预处理方法和主因子数。水分、脂肪和蛋白质的模型相关系数分别达到0.9342、0.8125、0.9113,相对分析误差(RPD)达到3.4、2.3、3.1。结果表明水分、脂肪和蛋白质的近红外模型具有较好的准确性和稳定性,能够达到快速无损测定狭鳕水分、脂肪和蛋白质的目的。      

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。