近红外光谱技术快速测定鹅肉新鲜度

目的：应用近红外光谱技术快速检测鹅肉的新鲜度,评价指标包括总挥发性盐基氮和pH值。方法：采集完整冷鲜鹅肉的近红外光谱（950～1 650 nm）,光谱经多种校正预处理后,采用偏最小二乘法建立鹅肉新鲜度的定量预测数学模型。结果：对于这2 种指标均采用标准常态变量结合偏最小二乘法所建立模型的预测效果最好,总挥发性盐基氮和pH值定量校正数学模型的模型决定系数分别为0.727、0.991,内部交互验证均方根误差分别为3.666、0.028。用此模型对预测集20 个样品进行预测,预测值与实测值的相关系数分别达到0.976、0.705,预测值平均偏差分别为－0.240、－0.024,预测值和实测值之间没有显著性差异（P＞0.05）。结论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉新鲜度。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

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。     

山茶油多元掺假近红外模型的建立与研究

目的建立基于近红外光谱结合偏最小二乘法的山茶油、花生油和玉米油多元掺假模型。方法通过对比不同建模光谱波段、预处理方法对模型进行优化研究,确定最优的山茶油、花生油和玉米油多元掺假模型。结果所建模型性能指数均大于0.99,校正集和预测集的均方差在0.6以内。经未知掺假样品的外部验证,预测值与实测值之间有较好的相关性,二元掺假模型预测值的相对误差在1%以内,三元掺假在6%以内,验证结果良好。结论近红外光谱结合偏最小二乘法的检测技术快速、有效、环保,可用于定量检测山茶油的掺假。     

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。     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉(1~8 d)表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归(PLSR)模型,预处理的特征区域光谱建立的模型效果更优。结果表明:特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数(Rp)和均方根误差(RMSEP)分别为0.773和1.060。研究表明:利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。     

基于近红外光谱建立纸张表面施胶量测定模型

采集不同施胶量纸张的近红外光谱,利用偏最小二乘法建立测定纸张表面施胶量基于近红外光谱的校正模型。得到校正模型的交叉验证均方差（RMSECV）和外部验证均方差（RMSEP）分别为0.0928和0.1460,校正数据集和独立的检验数据集的预测值与实际测定值之间的相关系数分别为0.9609和0.9294,表明所建立的校正模型具有较高的预测精度和较好的推广性,为纸张无损伤、无预处理的快速、简便、准确的检测提供了新的途径,并且可望实现纸机上的在线检测。     

应用便携式近红外仪检测生鲜羊通脊肉的嫩度

在北京市内收集生鲜羊通脊肉样品98个,研究应用便携式近红外仪快速无损检测生鲜羊通脊肉嫩度,结合化学计量学的方法建立可以快速无损检测生鲜羊通脊肉嫩度的近红外光谱检测模型。在建模过程中,研究了平滑、求导和信号校正等不同光谱预处理方法对模型的影响。结果表明:最佳的光谱预处理方法为均值中心化、Savitzky-Golay(SG)一阶导数、SG平滑和正交信号校正。应用偏最小二乘法建模所得模型的校正集标准偏差0.90、验证集标准偏差2.39、校正集相关系数(R c)=0.94、验证集相关系数(R p)=0.64、主因子数为4,说明模型具备较好的预测准确性,可应用于生鲜羊通脊肉嫩度的快速无损检测中。     

无效变量消除法在油菜籽芥酸近红外无损速测中的应用

探索改善油菜籽芥酸近红外预测模型准确度与精密度的方法,利用无效变量消除法（UVE）,对135个油菜籽样品近红外光谱信号进行筛选,并利用筛选后的光谱对油菜籽芥酸含量进行偏最小二乘法交叉验证。结果表明,UVE法筛选变量后建立的芥酸校正模型对未知样品预测结果的准确度和速度显著优于全波长参与建立的芥酸校正模型。散射校正加一阶导数对光谱预处理,UVE法筛选变量,偏最小二乘法交叉验证建立的校正模型效果最好,其预测值与标准值的相关系数R达到0.92,交叉验证预测均方差为2.2。因此,用UVE进行波长选择后建立的近红外模型,能准确快速地对油菜籽芥酸含量进行定量分析。     

基于近红外光谱的煎炸油极性组分定量分析模型构建

为了建立煎炸油中极性组分的快速检测方法,通过热处理和模拟煎炸方式,采集氧化程度不同的油样并用 国标法分析样品极性组分,采集样品近红外透射光谱,经光谱预处理,利用偏最小二乘法建立煎炸油极性组分定量 分析模型并对模型进行验证。结果表明：在波长范围为4 963～4 616、5 2 22～5 037 cm－1和5 688～5 499 cm－1,采 用一阶求导和Savitzky-Golay（7,5）平滑光谱处理,校正集相关系数为0.996 5,校正均方根差为1.84%,验证集R为 0.993 6,验证均方根差为1.92%,模型预测效果良好,利用近红外透射光谱测定煎炸油极性组分可行。     

傅里叶变换近红外光谱技术测定绿茶全氮量

建立准确性高、稳定性好的绿茶全氮量的偏最小二乘定量分析模型。在4 691～3 959、5 126～4 848 cm－1 波段区间内,光谱经过一阶导数与平滑处理后,模型的预测性能最好,外部验证集样品的预测值与实测值的预测均 方差（RMSEP）为0.092 5%,相关系数为0.993 9。根据嫩度等级,建立了绿茶全氮量子模型,提高了模型的预测 性能。嫩度为3 级的子模型预测结果最好,验证集样品的全氮量的预测值与实测值的RMSEP值最小,为0.037 9%, 相关系数为0.996 1。绿茶全氮量近红外光谱检测技术是一种绿色、快速、高效的新型分析技术,能够实现快速测定 绿茶全氮量,评价绿茶品质。     

基于近红外光谱技术的腐竹脂肪定量分析

采用近红外光谱技术结合化学计量学方法,建立腐竹脂肪含量的快速分析方法。收集不同生产线、不同时间的腐竹样本180 份,利用积分球附件采集漫反射光谱（4 000～10 000 cm－1）。为消除颗粒散射影响和光谱基线漂移,二阶导数和卷积平滑用于光谱预处理。采用反向区间偏最小二乘法、组合区间偏最小二乘法、搜索组合移动窗口偏最小二乘法和遗传偏最小二乘法优化建模变量,最终构建了定量预测模型。结果显示,4 种方法均可有效地提取信息变量、降低模型维度、提高预测性能;遗传偏最小二乘法一次优选获得143 个变量,构建的模型性能最佳,其校正相关系数、校正均方根误差、预测相关系数、预测均方根误差分别为0.96、0.95、0.92和1.17。研究表明,经过信息变量提取后所构建的近红外模型简单、预测精度高,可用于腐竹脂肪含量的日常监测。     

基于LF-NMR弛豫特性的煎炸油总极性化合物含量定量建模方法

将低场核磁共振（low field nuclear magnetic resonance,LF-NMR）分析技术应用于煎炸油脂总极性化合物（total polar compounds,TPC）含量的预测。采用柱层析方法测定油脂样品的TPC含量作为测定值,采集油脂样品的LF-NMR弛豫特性（峰起始时间T21、T22、T23相应的峰面积比例S21、S22、S23、单组分弛豫时间T2W）,分别利用向后筛选多元回归分析、主成分回归分析和偏最小二乘回归分析建立LF-NMR弛豫特性与TPC含量的回归方程,比较3 种模型的校正集和预测集的决定系数与均方根误差,最终确定最优模型为偏最小二乘回归模型。应用此模型预测预测集样品TPC含量,决定系数R2可达0.928,预测集均方根误差为0.568%,模型稳定。     

糙米中黄曲霉毒素B1的ATR-FTIR快速测定

拟建立基于衰减全反射-傅里叶变换红外光谱（attenuated total reflectance-Fourier transform infraredspectroscopy,ATR-FTIR）的糙米中微量黄曲霉毒素B1（aflatoxin B1,AFB1）的快速检测方法。首先将16 份糙米样品经辐射灭菌后接种产毒菌株并在适宜条件下（28 ℃、相对湿度85%）贮藏30 d,测定其AFB1含量。其次将受AFB1污染样品磨粉后与空白糙米样品按质量比例进行精确混合,获得AFB1含量在0～890.20 μg/kg内的糙米样品共计128 份。ATR-FTIR建模分析结果显示,依据AFB1含量高低将样品划分为4 类,临近算法判别分析模型的预测整体正确率达到83.3%。运用偏最小二乘回归分析建立的定量模型精度最优,预测相关系数、均方根误差和相对分析误差值分别为0.970、70.8 μg/kg和4.0。结果表明,ATR-FTIR技术用于糙米黄曲霉毒素污染程度的快速分析与筛选具有一定可行性,但需进一步研究来提升对低AFB1含量样品的预测精度。     

近红外与表面增强拉曼光谱融合技术快速检测花生油中黄曲霉毒素B1

目的 在近红外光谱(near infrared spectroscopy, NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)特征层数据融合的基础上构建偏最小二乘回归模型(partial least squares regression, PLSR)实现花生油中黄曲霉毒素B1 (aflatoxin B1, AFB1)含量的快速检测。方法 首先，分别采集待测样本的NIR与SERS光谱。其次，将采集的NIR与SERS光谱分别进行光谱预处理。然后，采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization, HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后，将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB1含量。结果 与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比，NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能：校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.1569，校正集决定系数(coefficient of determination of calibration set, )为0.9908，预测集均方根误差(root mean squared error of prediction set, RMSEP)为0.1827，预测集决定系数(coefficient of determination of prediction set, )为0.9854，性能偏差比(ratio of performance to deviation, RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB1的花生油样本，结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论 本方法可实现花生油中AFB1含量的快速、高精度定量检测，也验证了NIR与SERS光谱融合的可行性与有效性。     

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,iPLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100 个,并在4 000～12 000 cm－1范围内采集了油样的近红外透射光谱。首先用iPLS法从原始光谱中初步筛选出4 540～5 346 cm－1和6 807～7 004 cm－1组合特征波段,R2和预测均方根误差（rootmean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2 种选择结果中各选取前6 个波长点,以12 个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用iPLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。     

霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1含量电子鼻检测模型的构建

为建立霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1的电子鼻检测方法,首先以电子鼻对7 级不同霉变程度玉米响应信号的积分值作为特征参量,然后分别利用主成分回归、偏最小二乘回归、BP（back-propagation）神经网络、最小二乘支持向量机等方法建立霉变玉米中玉米赤霉烯酮与黄曲霉毒素B1含量的预测模型,并进行了比较分析。结果表明,主成分回归预测精度最差,偏最小二乘回归较差、BP神经网络和最小二乘支持向量机法比较好。对于玉米赤霉烯酮,4 种预测模型70 个样本中相对误差控制在5%以内的样本数分别为23、45、63、67 个。对于黄曲霉毒素B1,4 种预测模型70 个样本中相对误差控制在5%以内的样本数分别为19、41、62、65 个。同时,变换不同的训练集和测试集以考察BP神经网络、最小二乘支持向量机建模方法的稳健性,结果表明,在BP神经网络结构和最小二乘支持向量机核函数与核函数参数均未发生改变的条件下,两种建模方法依然有较高的预测精度,这说明了两种模型具有较高的稳健性。     

白酒基酒中醛类物质的傅里叶变换近红外光谱检测

乙醛和乙缩醛对白酒的香气起均衡协调的作用,对白酒的风格和品质有重大影响。本实验研究白酒基酒中乙醛、乙缩醛的快速检测方法,经过分析白酒基酒样品的近红外光谱图,并对其进行不同的预处理。结果表明：白酒基酒中的乙醛、乙缩醛对傅里叶变换近红外光谱有特异吸收,最佳预处理方法与最优波段分别为：一阶导数＋矢量归一化、一阶导数＋多元散射校正预处理光谱,谱区选择7 501.7～7 102.0 cm－1和6 101.7～5 446.0 cm－1（乙醛）、6 101.7～5 449.8 cm－1（乙缩醛）。乙醛和乙缩醛校正集样品的化学值与近红外的预测值的决定系数（R2）分别为0.963 4、0.942 9;校正标准偏差分别为0.50、0.83 mg/100 mL;进一步对乙醛、乙缩醛的模型进行验证和评价,乙醛和乙缩醛模型验证集的决定系数（R2）分别为0.975 0、0.918 6,预测标准偏差分别为0.80、1.0 mg/100 mL。结果表明乙醛和乙缩醛的快速检测模型效果很好,精密度较高、稳定性良好,能满足白酒生产中乙醛和乙缩醛的快速检测要求。