基于近红外光谱技术的小麦粉灰分含量检测方法研究

采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。     

基于PLS和PCR的葡萄酒酒精度近红外光谱研究

运用近红外光谱技术,结合偏最小二乘法(PLS)和主成分回归法(PCR)构建了葡萄酒酒精度的近红外定量模型。分别选用平滑处理+求导和SNV进行预处理,并且对预处理后的图谱进行建模分析。采用PLS构建的模型结果,R2为0.9657,RMSEC为0.0862,RMSEP为0.0892,采用PCR构建的模型结果,R2为0.9594,RMSEC为0.0935,RMSEP为0.0999,分别用PLS和PCR构建的模型进行预测实验,其RMSEP分别为0.9757、0.9037,表明两种算法对葡萄酒酒精度的预测结果较理想,但PLS模型的相对误差整体上较小。结果表明,采用PLS算法建立的模型预测效果良好,具有较高的可靠性和精密性,能满足葡萄酒生产中对酒精度的快速检测需求。     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

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。     

基于近红外漫反射光谱技术的小麦蛋白质含量检测

收集来自国内3个主要小麦生产省份的小麦样品共73份,应用近红外光谱漫反射技术结合化学计量学方法建立小麦蛋白质含量的近红外光谱定量模型,并对模型的稳定性和可靠性进行评价。结果表明,光谱预处理的最佳条件为:Savitzky-Golay平滑+一阶导数处理,使用偏最小二乘法(Partial least square,PLS)建立模型,校正集(Rc)和预测集相关系数(Rp)为0.936和0.925,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.23和0.28,表明模型准确可靠,可应用于小麦蛋白质含量的快速无损检测。     

长波近红外光谱-偏最小二乘法快速分析白酒中乙醇含量

研究近红外光谱结合偏最小二乘法(NIRS-PLS)快速测定白酒中的乙醇含量的可行性,应用NIRS-PLS所建的模型相关系数达到0.99991,校正均方根误差(RMSEC)为0.00181,通过交互验证得出交互验证均方根误差(RMSECV)为0.00296,预测参差平方和(PRESS)为0.00016.用模型对预测集和白酒样品进行预测,预测均方根误差(RMSEP)为0.00258,结果表明NIRS-PLS可用于白酒生产中的在线质量监控和白酒市场的快速质量检测.     

近红外光谱法快速检测黄酒的酒精度、总糖和总酸

通过研究黄酒的近红外光谱和利用化学计量学的技术,采用偏最小二乘法建立快速检测黄酒的酒精度、总糖和总酸的近红外模型。用相关系数(R)、交叉验证均方差(RMSECV)和相对分析误差(RPD)衡量模型的预测精度和稳定性,R值分别为0.9994,0.9989,0.9780,RMSECV值分别为0.0891,0.6980,0.0898,RPD值分别为27,21,4.8,RPD≥3表明建立的模型效果良好。研究结果表明,近红外光谱法可用于快速检测黄酒酒精度、总糖和总酸,为黄酒食品安全质量控制体系的建立提供了快速检测手段。     

基于近红外光谱技术的柑橘罐头品质测定方法的研究

为了快速检测柑橘罐头主要营养指标的含量,实验对柑橘罐头进行光谱采集,通过偏最小二乘(PLS)线性拟合建立关于柑橘罐头总糖、总酸、黄酮和维生素C的近红外定量分析模型。通过分析比较不同的光谱预处理方法对近红外光谱模型的影响,其中经归一化预处理后建立的总糖和黄酮模型最优,相关系数分别为0.9156和0.9147,交互验证均方根误差(RMSECV)为0.6305%和2.7028 mg/100 g;平滑预处理后总酸的相关系数为0.8921,RMSECV为0.0539%;以原始光谱数据建立的维生素C模型的相关系数为0.9129,RMSECV为1.4323 mg/100 g;预测集总糖、总酸、黄酮和维生素C的相关系数分别为0.8519、0.8106、0.8334和0.8425,预测均方根误差(RMSEP)为0.8969%、0.0638%、3.6055 mg/100 g和1.9732 mg/100 g。实验结果表明:应用近红外光谱技术测定柑橘罐头中总糖、总酸、黄酮和维生素C的含量是可行的。     

近红外光谱法在黄酒发酵过程参数检测中的应用

主要研究近红外光谱技术对黄酒发酵过程中总酸和酒精度快速检测的可行性。针对黄酒发酵过程中关键参数检测费时费力的现象,提出基于联合区间偏最小二乘结合遗传算法(si PLS-GA)的波长选择方法,由交互验证法确定最佳主成分因子数及筛选的变量数。结果表明,使用5、8个主成分的si PLS-GA算法在总酸和酒精度的建模中取得了最好的预测效果。最好的模型预测精度如下:总酸和酒精度的预测集相关系数分别为0.9177、0.9803,预测均方根误差(RMSEP)分别为0.2132、0.7816。经过对比发现,近红外光谱技术结合si PLS-GA算法能够很好的对黄酒发酵过程中的总酸和酒精度的含量变化进行检测,且效果较好。     

近红外光谱法高通量检测罗布麻纤维胶质含量

研究了近红外光谱法高通量测定罗布麻纤维中的胶质含量。采用近红外光谱漫反射模式采集罗布麻纤维的近红外光谱,结合常规化学法所测参考值,运用偏最小二乘法(PLS)建立罗布麻纤维胶质含量的定量模型,并用未知样品对模型进行验证。结果表明,所建定量模型校正集相关系数(Rc)和校正集均方根误差(RMSEC)分别为0.994 0和1.676 1;经外部验证的验证集相关系数(Rp)和验证集均方根误差(RMSEP)分别为0.956 1和4.843 7。该方法操作简单,快速,可用于罗布麻纤维胶质含量的高通量检测。     

葡萄酒酿造过程酒精度检测方法研究

酒精度作为葡萄酒中的一项极其重要的指标,对葡萄酒的品质起着至关重要的作用。该实验以葡萄酒作为研究对象,引入红外光谱分析技术对葡萄酒的酒精度进行间接、无损的检测研究。实验中对比分析了不同红外光谱预处理方法以及建模方法在建立葡萄酒酒精度预测模型时的优劣,发现采用多元散色校正和标准归一化的去噪效果最优,然后采用主成分分析法建立的模型最优,预测相关系数（R）达0.942,标正标准差（RMSEC）、预测标准差（RMSEP）、相对分析误差（RPD）分别为0.154、0.149、2.96。最终对建立的模型进行验证,发现采用红外光谱分析技术能够快速且较准确的对葡萄酒酒精度进行在线预测,为葡萄酒的酿造过程实时监测酒精度提供了一种新方法。     

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R~2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。     

莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

基于近红外光谱技术的老陈醋品质分析

为得到稳定、精确的老陈醋品质光谱模型,采用近红外光谱分析技术结合反向传播神经网络(BP-ANN),分别对不同醋龄的两种山西老陈醋中可溶性固形物含量(SSC)及pH值进行定量分析。对经过标准归一化(SNV)与25点平滑相结合处理后的光谱进行主成分分析,根据主成分的累计贡献率选取主成分数作为BP神经网络的输入变量建立模型,并与偏最小二乘法(PLS)模型进行比较。结果表明:BP-ANN建立的老陈醋SSC和pH值定量分析模型最优,其SSC和pH值的模型相关系数(R)分别为0.9999和0.9997,校正集均方根误差(RMSEC)分别为0.0128和0.0045,预测集均方根误差(RMSEP)分别为0.0118和0.0088。采用近红外光谱技术结合反向传播神经网络(BP-ANN)对不同醋龄、不同品牌的老陈醋品质分析建模是可行的。     

人工神经网络-近红外光谱法在线测定白砂糖粒度

采用国产漫反射近红外在线分析系统,对广西某糖厂的白砂糖粒度进行了在线测定研究。采用SupNIR-4000型近红外在线分析仪,直接对成品传送带上的白砂糖进行扫描获得光谱数据,测定时间仅需90s。光谱预处理方法"标准化+Savitzky-Golay一阶求导+正交信号校正"效果最佳,人工神经网络(ANN)算法建立模型最佳。结果显示,ANN模型的校正均方根误差(RMSEC)为2.9718,预测均方根误差(RMSEP)为3.5244,粒度预测偏差满足糖厂要求的±5。此法在制糖行业具有广泛的应用前景。     

近红外光谱在虫草菌丝体腺苷和多糖含量检测中的应用

目的 利用近红外光谱技术建立蝙蝠拟青霉菌丝体中腺苷和多糖含量的定量分析模型。方法 采用常规方法对蝙蝠蛾拟青霉菌丝体中腺苷和多糖含量进行测定, 利用近红外光谱技术建立测定菌丝体中腺苷和多糖含量的相关模型, 并通过蒙特卡罗偏最小二乘法(Monte Carlo Partial Least Square, MCPLS)和可移动窗口偏最小二乘法(Moving Window Partial Least Square, MWPLS)对模型进行优化。结果 该模型校正集预测值和真实值间的相关系数(Rc)分别为0.9400和0.8781, 预测均方根误差(Root Mean Square Error of Prediction Set, RMSEP)分别为0.5949和1.6617, 校正均方根误差(Root Mean Square Error of Calibration Set, RMSEC)分别为0.5844和1.5572。结论 该模型的稳健性、拟合度和预测能力均能达到令人满意的程度, 该方法可以推广应用到其他发酵产品的检测。     

基于不同波段近红外光谱的原料奶主要成分品质检测研究

试验采用不同波段的近红外光谱对原料奶的主要成分进行品质检测。使用2种近红外光谱仪采集原料奶的透反射和漫反射光谱,建立牛奶中蛋白含量、脂肪含量和乳糖含量的定量分析模型。结果表明,蛋白含量、脂肪含量、乳糖糖含量的相关系数(r)分别达到0.9311、0.9218、0.8288,预测误差均方根(RMSEP)分别为1.9144、2.0143、2.804,测量值与浓度参考值之间有着良好的相关性。结果表明,基于近红外光谱的原料奶主要成分品质快速检测准确度高,具有很高的实用价值。     

可见/近红外漫反射光谱无损检测磨盘柿果实硬度的研究

建立可见/近红外光谱与磨盘柿果实硬度之间的数学模型,评价可见/近红外光谱技术无损检测磨盘柿硬度的应用价值。在可见/近红外光谱区域(570～1848nm),实验对比分析了不同数学建模算法、不同导数处理方法和不同散射及标准化处理的磨盘柿果实硬度定标模型。结果表明,应用偏最小二乘回归算法、一阶导处理和标准正常化和散射处理所建柿果实硬度定标模型的预测性能较优,模型的相关系数(Rc2)为0.7992,均方根误差(RMSEC)为2.0642;用该模型对40个预测样本进行预测,其相关系数(Rp2)为0.8267,预测均方根误差(RMSEP)为2.0223。研究表明,可见/近红外漫反射技术对磨盘柿果实硬度的快速无损检测具有可行性。     

发酵乳乳酸菌数近红外快速检测方法的研究

用近红外光谱技术对发酵乳乳酸菌数进行快速检测。采用平板计数法测定67批次含活乳酸菌发酵乳样品的乳酸菌数实测值，并同时采集近红外光谱数据。以校正集根均方误差(RMSEC)、预测集根均方误差(RMSEP)、校正集交互验证的根均方误差(RM-SECV)及其相关系数R_c、R_p、R_cv为评价指标建立最优的乳酸菌数定量模型。利用模型对10批次含活乳酸菌发酵乳样品的乳酸菌数进行预测。结果表明，双歧杆菌和乳杆菌数的RMSEC、RMSEP、RMSECV和R_c、R_p、R_cv分别为0.128、0.172、0.179和0.946 6、0.9364、0.8932。嗜热链球菌数的RMSEC、RMSEP、RMSECV和R_c、R_p、R_cv分别为0.127、0.180、0.176和0.9478、0.924 1、0.8982。乳酸菌总数的RMSEC、RMSEP、RMSECV和R_c、R_p     

近红外光谱技术结合波段筛选用于白酒基酒总酯定量分析

采用近红外光谱（NIRS）分析技术对白酒基酒中的总酯含量进行定量分析,通过偏最小二乘法（PLS）法建立分析模型,同时后向间隔偏最小二乘法（BiPLS）对整个谱区进行光谱特征波段筛选。用决定系数（R2）、校正均方根误差（RMSEC）以及预测均方根误差（RMSEP）对模型进行评价。结果表明：特征波段筛选能够对基酒总酯模型起到显著的优化作用,模型的决定系数R2从0.484提升至0.937,RMSEC及RMSEP值分别从0.490、0.476降低至0.172和0.177,在减少模型复杂程度的同时,有效地提高了模型的稳定性与准确度,经过基酒盲样验证,说明波段优化所建立的模型有较为准确的预测结果。