近红外光谱技术快速测定鹅肉嫩度

目的：应用近红外光谱技术快速检测鹅肉的嫩度值。方法：采集完整鹅肉的近红外光谱（950～ 1 650 nm）,光谱经多种校正预处理后,再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模 型。结果：采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好,嫩度定量校正数学模型的模 型决定系数为0.908 0,内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测,预测值与实 测值的相关系数达到0.971 1,预测值平均偏差为21.673 g,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,可用于评价鹅肉的嫩度。     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

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。     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

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。     

利用近红外光谱和偏最小二乘回归法预测脂肪酸组成

采集了30种植物油样品在10000~55 00 cm-1范围内的近红外透射光谱,将所有样品作为校正集,随机抽取10种样品作为预测集,以气相色谱方法测得植物油中主要成分油酸、亚油酸、棕榈酸、硬脂酸的含量为参考值,应用偏最小二乘回归法建立了基于近红外光谱的测定植物油主要成分含量的校正模型。四种成分校正模型的交叉验证误差均方根为0.281 1%~1.496 4%,预测误差均方根为1.080 8%~18.063 0%,校正集的预测值与实测值的相关系数均大于0.99,预测集中除了棕榈酸的预测值与实测值的相关系数为0.817 9,其余均大于0.9。     

近红外光谱法快速测定养生酒的酒精度方法研究

应用近红外光谱技术测定养生酒中酒精度,得到养生酒中酒精度的快速检测技术,将偏最小二乘法(PLS)与傅立叶变换近红外光谱法(NIRS)相结合,建立养生酒酒精度的快速定量分析模型,并以该模型对未知养生酒样品的酒精度含量进行预测,验证模型的可靠性。通过标准归一化预处理光谱,光谱范围选择8519.97～8361.83 cm~(-1)、6429.51～6178.81 cm~(-1)、4890.59～4813.45 cm~(-1),主因子数为7,得到模型的内部交互验证相关系数(R)为0.9994,交互验证均方差(RMSECV)为0.163;模型的预测值与实测值的相关系数为0.9986,预测标准偏差(RMSEP)为0.175。结果表明,模型的预测效果很好,具有较高的精密度和良好的稳定性,能满足生产中养生酒酒精度的快速检测要求。     

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。     

近红外光谱技术应用于云芝蛋白含量的定量分析

应用近红外光谱结合偏最小二乘法(PLS)建立测定真菌云芝中蛋白含量定量分析模型.所建立的模型经过i选择最有效的光谱预处理方法,光谱区域和最适主因子数使模型最优化.实验结果表明:采用傅里叶变换在1330 nm～725 nm光谱区域,主因子数为6,建立的模型最优.模型校正集的交互验证均方根误差(RMSECV)为0.010,交互验证所得校正集样品中的蛋白含量的预测值与真实值间相关系数(Rv)为0.968;应用此模型对预测集样品中的蛋白质含量进行预测,得到预测均方根误差(RMSEP)为0.009,预测集的相关系数(Rp)为0.990.     

近红外光谱法测定金华火腿生产过程中的品质参数

以金华火腿为研究对象,采用傅里叶近红外光谱分析技术检测火腿生产过程中的品质参数.火腿样品经万能机粉碎,在AntarisⅡ傅里叶变换近红外光谱仪上扫描,获得其近红外光谱.参照国标法测定对应样本的过氧化值和水分含量,用Norris导数平滑滤波及一阶导数对光谱预处理,建立火腿过氧化值和水分含量的偏最小二秉(PLS)回归模型.其中过氧化值模型中样品预测值与实测值的相关系数r2=0.99091,预测均方差(RMSEP)0.436,平均相对标准偏差0.34％,与化学测定值无显著差异.水分含量模型中样品的预测值与实测值的相关系数r2= 0.93537,RMSEP为0.0184.本实验结果表明近红外光谱技术可快速检测金华火腿生产过程中的品质参数.     

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。     

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。     

基于涂膜法FTIR的食用油羰基值快速检测

为了建立食用油羰基值快速检测方法,以菜籽油为实验材料,茴香醛为羰基标准物配制系列羰基值（0～60 mmol/kg）油样。用涂膜法采集油样光谱,建立羰基值与特征吸收峰1 703/1 570 cm－1处（1 703 cm－1处峰高两点基线均为1 570 cm－1,下同）吸光度的关系。然而,不同种类零羰基值的食用油在特征吸收峰1 703 cm－1处的吸收不相同而引起基底效应。因此,利用二维相关振动光谱技术寻找特征吸收峰的相关吸收峰,以校正食用油间的基底效应。结果表明：油样在1 703 cm－1处的吸光度与羰基值高度线性相关,利用相关吸收峰3 472 cm－1校正后的模型为y=0.005 4x＋0.090 9;相关系数（R）为0.991 9,标准偏差（s）为0.013 mmol/kg。模型预测值与国标法测定值高度线性相关,所得方程的斜率接近于1,R值均在0.99以上,两种方法测定结果十分接近。表明涂膜法傅里叶变换红外光谱检测食用油羰基值是可行的。     

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。     

葛粉掺假的近红外漫反射光谱快速检测

研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光 谱,采用主成分回归和偏最小二乘法建立校正模型,并对比光谱预处理方法和光谱建模区间对模型的影响。结果表 明,采用偏最小二乘法建模,光谱采用标准正态变量变换预处理,光谱区间选择在962～1 389 nm时,模型预测效 果最佳,外部验证预测相关系数（RP 2）达0.994 5,均方根误差2.298 7%,相对分析误差13.56,平均回收率99.89% （n=9,RSD=2.96%）,这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

基于有效波长选择的近红外光谱枸杞总糖含量快速检测

为建立枸杞总糖含量快速准确的检测方法,采用近红外光谱为检测手段,以114 个不同产区枸杞样品为研究对象。采用积分球漫反射模式采集样品近红外光谱,利用化学计量学方法确定光谱信息与总糖含量之间的关系,通过载重图法及相关系数法进行有效光谱选择,比较确定枸杞总糖光谱建模有效波段,建立枸杞总糖近红外光谱定量检测模型,并利用国标方法进行验证分析。结果发现：对全样品光谱进行Norris Gap Derivative求导预处理后,采用相关系数法选择8 700～4 000 cm－1波段进行建模。当主成分数为8时,建模效果较好,模型的校正集决定系数与验证集决定系数均高于0.91。结果表明,基于近红外光谱技术的枸杞总糖含量快速检测是可行的。     

高光谱成像技术检测肴肉新鲜度

建立阿胶中马和驴成分高特异、高灵敏的实时荧光聚合酶链式反应（polymerase chain reaction,PCR）检 测方法。选择马和驴线粒体基因tRNA-Thr及D-loop区为靶序列,设计合成特异引物,通过普通PCR和实时荧光PCR 检测,结果表明,这两对引物能够准确检测阿胶或动物胶中马和驴成分。