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.     

近红外光谱法测定菜籽油中水分含量

以菜籽油为试验材料,用干燥乙腈萃取菜籽油中水分,用傅里叶变换近红外光谱技术(FT-NIRS)结合偏最小二乘法(PLS)建立乙腈水分定量分析模型,并用乙腈水分模型间接预测菜籽油水分含量。结果表明:校正样品集的标准偏差(SEC)为0.014 6,预测样品集的标准偏差(SEP)为0.039,预测值与实测值的决定系数(R2)为0.921 6。菜籽油水分含量用FT-NIRS分析和卡尔费休法测定结果之间有良好的一致性,模型具有较高的预测能力,结果准确可靠,可代替常规分析方法。     

近红外光谱法快速测定藜麦籽粒粗蛋白含量

目的:为了满足高蛋白质藜麦的选育、栽培和农业实践所需,实现藜麦籽粒粗蛋白含量快速、无损检测。方法:本研究应用近红外光谱技术对藜麦籽粒粗蛋白含量的快速检测进行系统研究,选用具有代表性的122份藜麦品种为试材,以其中94份为建模集,28份为验证集,扫描得到藜麦建模集的近红外原始光谱,用Unscrambler 10.4软件进行光谱预处理并使用偏最小二乘法(PLS)建立藜麦籽粒粗蛋白含量的定量预测模型。结果:经滤波拟合法(Savitzky-Golay,SG)+标准正态变量(Standard Normal Variate,SNV)预处理建立的模型预测值决定系数(R2)为0.9380,被测组分浓度分析误差(RMSE)为0.4823,表现最佳。用此模型对验证集28份样品进行预测,相关分析表明,预测值与国标法实测值决定系数为0.9416;单因素方差分析表明,国标法实测值和模型预测值之间无显著差异(P>0.05),建立的模型具有很高的准确性,预测效果良好。结论:近红外光谱法作为一种简单快速无损的检测手段,能够用于藜麦籽粒粗蛋白含量的检测,可以为优质藜麦育种、栽培和农业实践提供技术支持。     

基于近红外光谱技术测定稻谷水分含量研究

本文采用近红外光谱技术结合化学计量学方法,建立稻谷水分含量测定的快速分析方法。试验选取江苏省不同地区的两年内197份稻谷样品作为建模集样品,对其进行化学分析和图谱扫描处理,通过近红外化学计量学软件初步建立稻谷水分含量的预测模型。建模结果显示运用PLS（偏最小二乘法）建立的分析模型预测效果最优,决定系数（R2）高达0.9689,交互验证标准差（SECV）为0.3434,选取24个未知样品作为验证集样品,验证决定系数（R2）高达0.9806,预测标准差为0.0933。结果表明,近红外光谱技术可以用于稻谷水分含量的快速测定。     

虾样品不同采集状态对近红外光谱PLS模型的影响

研究了不同采集状态的虾样品对近红外光谱PLS模型的影响。利用DA7200近红外光谱仪,采集南美白对虾完整虾和虾糜的近红外光谱曲线。采用Unscrambler10.3软件选择最佳光谱预处理方法和最优波段,建立了完整虾和虾糜与挥发性盐基氮(TVB-N)值、菌落总数(TBC)值关联的偏最小二乘(PLS)模型,并对模型进行评价和验证。结果表明:定标集虾糜模型中的校正相关系数rc,校正决定系数Rc2,交叉验证相关系数rv,交叉验证决定系数Rv2,均高于完整虾模型;校正均方根误差RMSEC,校正标准误差SEC,交叉验证均方根误差RMSECV,交叉验证标准误差SECV均低于完整虾模型。验证模型中虾糜预测模型中相关系数r均大于完整虾预测模型,预测均方根误差RMSEP,预测标准误差SEP均低于完整虾预测模型,且虾糜预测模型对TVB-N、TBC值预测值更为准确,表明以虾糜作为近红外光谱采集状态优于完整虾。     

近红外光谱法测定烤烟的填充值

为探索用近红外光谱快速检测烤烟填充值的可行性,选取有代表性的94个河南烤烟样品,采用偏最小二乘法(Partial Least Square,PLS)将近红外光谱数据与其填充值的实测值进行拟合,建立填充值预测模型,考察了光谱预处理方法和光谱范围对建模效果的影响,并进行了内部交叉验证、外部验证和模型精度检验。结果表明:1标准正态变量变换(Standard normal variate,SNV)结合一阶导数法的光谱预处理方法和全谱范围适合构建填充值的近红外模型;2模型的决定系数达0.960,均方根校正误差(Root mean square error of calibration,RMSEC)为0.094,内部交叉验证和外部验证均表明模型预测值和实测值呈极显著相关;3模型精密度检验的相对标准偏差3%。填充值近红外预测模型的重复性好,准确性较高,适于批量烤烟填充值的快速检测。     

白酒基酒中甲酸的近红外预测模型构建

为构建白酒基酒中甲酸的近红外预测模型,达到快速预测甲酸含量的目的,采用气相色谱法测定白酒基酒中甲酸的含量作为近红外预测模型的输入量,并通过分析白酒基酒样品的近红外光谱图,比较不同光谱数据预处理方法对建模效果的影响。结果表明,白酒基酒中甲酸对近红外有特异吸收,最佳预处理方法与最优波段为:一阶导数+减去一条直线,谱区区间选择在5813～5740 cm~(-1)和8482～8260 cm~(-1)。甲酸校正集样品的化学值与近红外的预测值的决定系数为99.25%,交叉验证均方根误差为4.26 mg/100 m L,相对分析误差为11.6;进一步对甲酸进行验证和评价,甲酸验证集样品的决定系数为97.6%,均方根误差为5.53 mg/100 mL,相对分析误差为9.68。结果表明,所建立的模型效果良好,能满足白酒生产中甲酸的快速检测需求。     

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。     

面粉品质近红外光谱在线检测系统开发与应用

本研究运用近红外光谱无损检测技术,开发了一种适用于面粉品质检测的在线测量系统。本系统在硬件平台基础上,采用C++Builder 6.0对NIR 1.7/S微型光谱仪进行二次开发,编写了具有光谱采集、面粉品质预测、模型更新和数据存储等功能的软件。对市售170种面粉进行试验,以面粉水分含量为代表性指标。通过对比不同光谱预处理方法建模结果,发现不进行任何预处理时的面粉水分偏最小二乘回归(PLS)得到的模型精度最高。建模集和验证集决定系数(R2)分别为0.947,0.841;均方根误差(RMSE)分别为0.146%,0.198%;RPD值为2.53。模型导入软件后对30份新样品进行外部验证,预测值与测量值决定系数(R2)为0.883,均方根误差为0.206%。结果表明,该系统能够初步实现面粉水分的实时预测,为近红外在线检测技术应用提供了一定的技术参考。     

基于近红外光谱技术测定稻谷含水量研究

采用近红外光谱技术结合化学计量学方法,建立稻谷含水量测定的快速分析方法。试验选取江苏省不同地区的2年内197份稻谷样品作为建模集样品,对其进行化学分析和图谱扫描处理,通过近红外化学计量学软件初步建立稻谷含水量的预测模型。建模结果显示运用PLS(偏最小二乘法)建立的分析模型预测效果最优,决定系数(R~2)高达0.968 9,交互验证标准差(SECV)为0.343 4,选取24个未知样品作为验证集样品,验证决定系数(R~2)高达0.980 6,预测标准差为0.093 3。结果表明,近红外光谱技术可以用于稻谷含水量的快速测定。     

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。     

近红外光谱变量选择及其在苹果可溶性固形物含量无损速测中的应用

目的采用近红外光谱技术,筛选有效变量对苹果可溶性固形物含量进行无损快速检测。方法以改进无变量信息消除算法为变量筛选方法,采用多元线性回归算法建立校正模型,采用外部盲样对模型进行预测准确度评价。结果基于改进无信息变量消除算法,筛选1391、1435、1521、1589nm4个关键波长作为变量,其所建校正模型的测定系数为0.6823,校正误差均方根为1.06,交互验证测定系数为0.6780,交互验证误差均方根为1.06。外部验证测定系数为0.6585,预测误差均方根为1.07。经F检验,预测模型的预测值与测定值之间具有显著相关性。结论该方法基本能够满足苹果可溶性固形物含量无损快速检测的需求,并可为水果可溶性固形物含量无损快速检测仪器的研制提供一定的技术参考。     

基于异常样品剔除的酒醅近红外定量分析模型的精度提升

目的 利用异常识别算法识别出原数据集中存在的奇异点,以建立预测精度更高的酒醅定量分析模型。方法 采用集群分析思维,利用马氏距离、主成分马氏距离、蒙特卡罗交叉验证法对108个样本进行异常样品识别及剔除,以光谱-理化值共生距离算法进行样品集的划分,划分比例为3:1。结果 酒醅水分近红外定量分析模型经马氏距离处理后预测精度达到最高,预测相关系数上升了0.43%,预测均方根误差下降了6.94%;酒醅酸度近红外定量分析模型经马氏距离处理后预测精度达到最高,预测相关系数上升了0.02%,预测均方根误差下降了0.20%;酒醅还原糖近红外定量分析模型经蒙特卡罗处理后,预测相关系数上升了8.74%,预测均方根误差下降了42.14%;酒醅淀粉近红外定量分析模型经蒙特卡罗处理后预测精度达到最高,预测相关系数上升了2.81%,预测均方根误差下降了57.80%。结论 经过验证,剔除异常样品可建立出预测精度更高的酒醅定量分析模型。     

基于低场核磁共振技术的大米水分含量及活度快速预测

以直接干燥法和水分活度仪测定的结果作为参考值,采用低场核磁共振仪对大米样品进行测量,获取样品的横向弛豫数据,结合化学计量学算法建立多元校正模型,实现对大米水分含量及活度的快速测定。采用偏最小二乘方法(PLS)和误差反向传播人工神经网络方法(BP-ANN)对160个校正集样品进行训练后,建立多元校正模型,并对90个预测集样本进行预测。结果显示,PLS与BP-ANN 2种方法中预测集样品的水分含量预测值和参考值之间的相关系数分别为0.937 6和0.955 5,预测均方根偏差分别为0.005 8和0.004 6,水分活度预测值和参考值之间的相关系数分别为0.983 0和0.993 4,预测均方根偏差分别为0.009 2和0.006 2,表明2种方法能够快速而准确地对大米的水分含量及活度进行预测。     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

基于近红外光谱技术的大米品质分析与种类鉴别

应用近红外光谱(NIRS)技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱,采用偏最小二乘法(PLS)建立了大米水分、蛋白质和直链淀粉定量分析模型,对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数(R2)分别为:0.992、0.9792和0.9736;内部交叉验证标准差(RMSECV)分别为:0.141、0.201和0.209;模型外部验证决定系数(R2)分别为0.9861、0.912和0.9373;外部验证标准差(RMSEP)分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异,对不同属性和不同产地的大米进行了定性聚类分析,种类识别准确率达到100%。结果表明,NIRS分析技术可以用于对大米品质和种类的快速无损检测。     

发酵乳酸度近红外光谱快速检测方法的研究

利用近红外光谱技术对发酵乳酸度进行快速分析检测。采用电位滴定仪法测定71批次含活乳酸菌发酵乳样品的酸度实测值,并同时扫描得到近红外光谱数据。以校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)、交互验证均方根误差(RMSECV)及其相关系数R_c、R_p、R_cv为评价指标建立最优的酸度定量模型。利用模型对10批次含活乳酸菌发酵乳样品的酸度进行预测。结果表明,优化后的模型,其RMSEC、RMSEP、RMSECV及其相关系数R_c、R_p、R_cv分别为3.27、4.39、4.84,0.946 2、0.922 5、0.877 8。经外部验证后,该模型酸度预测值和实测值的最大相对误差为6.76%,满足不超过10%的要求。说明模型具有良好的预测性能,可用于发酵乳中酸度的快速检测。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,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。     

大曲酸度值的快速预测模型及方法研究

该研究利用在大曲发酵周期（1～28 d）内采集的大曲内部温度和水分数据,并结合电位滴定法测定的大曲酸度值数据,建立发酵过程中大曲酸度值快速检测的数学模型。首先对原始数据进行异常样本剔除,划分样本集,再分别运用偏最小二乘回归（PLSR）、支持向量回归机（SVR）和反向传播神经网络（BPNN）建立大曲内部温度、水分与酸度值之间相关性预测模型,最后运用决定系数（R2）与均方根误差（RMSE）对训练集、测试集进行效果评价,探索最佳预测方法。结果表明,支持向量回归机（SVR）建立的酸度值预测模型最好,测试集上的R2为0.874 5,RMSE为0.104 8。经外部验证后,该模型酸度的预测值与实际值的相对误差为1.6%～11.1%,可以用于实际大曲酸度值预测,为智能调控大曲发酵温度、湿度等环境参数提供理论支撑和依据。