傅里叶变换近红外光谱快速检测方便面油脂含量

利用傅里叶变换近红外光谱技术测定方便面油脂含量。光谱通过多元散射校正算法(MSC)处理后,采用偏最小二乘法(PLS)建立模型,用定标集预测误差(SEC)、验证集预测误差(SEP)及其相关系数(Rc,Rv)评判模型好坏。结果发现,该法定标集预测误差和验证集预测误差分别为0.4456和0.4447,定标集和验证集相关系数分别为0.9798、0.9755;研究表明,利用近红外光谱技术能快速、准确测定油炸方便面油脂含量。     

不同胎次奶牛乳中乳蛋白含量的近红外光谱定量分析

对不同胎次奶牛的牛奶样品进行近红外光谱扫描,并用多功能乳制品分析仪对牛奶样品中蛋白质的含量进行测定。利用正交实验设计,分别采用主成分回归法(PCR)、偏最小二乘法(PLS)、改进偏最小二乘法(MPLS)三种定量校正方法和多种光谱预处理方法建立模型,利用目标函数法对模型进行评定,结果表明:一胎、二胎奶牛乳样中乳蛋白的最优模型相同,其校正相关系数(R2)、定标标准差(SEC)和预测标准差(SEP)分别为:0.9626、0.0531、0.0630和0.9377、0.0810、0.1100;建立了三胎及以上奶牛乳样中乳蛋白的最优模型,R2、SEC和SEP分别为:0.9406、0.0461和0.0500;同时,建立了所有乳样中乳蛋白的最优模型,R2、SEC和SEP分别为:0.9351、0.0687和0.0790。所建模型对于快速、准确、无损、定量检测原料奶中乳蛋白的含量是可行的,该方法为快速检测混合原料奶中乳蛋白含量提供了理论依据。     

便携式近红外谷物分析仪快速测定小麦蛋白质的研究

收集中国小麦各个主产区不同品种样品104份,研究采用国产便携式近红外谷物分析仪快速测定小麦蛋白质含量,用化学计量方法建立了小麦蛋白质含量的近红外分析模型,并对模型进行了预测准确性评价。在建模过程中,分别探讨光谱散射和数学导数处理等优化对定标模型的影响。结果表明:采用偏最小二乘法(PLS)建立模型,光谱预处理最佳条件为:Savitzky-Golay平滑、Savitzky-Golay一阶导数、基线校正、均值中心化、主因子数为12。所建模型的定标标准偏差(SEC)和定标相关系数(RC)分别为0.177和0.988;外部验证的标准偏差(SEP)和相关系数(RP)分别为0.188和0.961。标准方法测定值与NIRS方法预测值之间的T检验结果为T=0.304(P<0.05),表明两种测定方法测定值之间无显著性差异,说明定标模型具有很好的预测准确性,可应用于优质小麦收购中蛋白质含量的快速测定。     

利用近红外光谱技术快速测定大豆油的过氧化值

探讨应用近红外光谱技术测定大豆油的过氧化值.通过比较各种数据处理方法,以143份样品建立大豆油过氧化值(0.5～50 mmol/kg)的近红外定标模型,70份样品作为验证样品集进行了验证.结果表明:以一阶导(DBI)结合0～1间归一化(N01)后采用偏最小二乘法(PL5)建模效果最好,定标集预测标准差(SEC)0.516,相关系数(Rc)0.999,验证集预测标准差(SEP)0.523,相关系数(Rv)0.098,表明利用近红外光谱技术能快速测定大豆油的过氧化值.     

稻米储藏品质近红外光谱快速判定技术及仪器研发

采用近红外光谱(NIRS)分析技术和化学计量方法建立稻米脂肪酸值、品尝评分值和水分含量的近红外分析模型并对模型进行了预测准确性评价;在建立定标模型的过程中,分别探讨光谱散射和数学导数处理等优化对定标模型的影响。结果表明:偏最小二乘法是建立稻米脂肪酸值、品尝评分值和水分含量测定定标模型的最佳回归方法,所建立脂肪酸值、品尝评分值和水分含量模型的定标相关系数(RSQ)分别为0.961、0.9230和0.9999,定标标准偏差(SEC)分别为1.9205、2.5391和0.04。标准方法测定值与NIRS方法预测值之间的T检验结果显示两种方法无显著性差异,表明所建立的稻米脂肪酸值、品尝评分值和水分含量的NIRS数学模型有较好预测准确性。本试验研制了便携式粮食储藏品质测定仪。     

利用傅里叶近红外技术快速测定食用植物油的过氧化值

探讨应用傅里叶近红外光谱技术测定常用食用植物油(大豆油、花生油、葵花籽油)的过氧化值.结果表明:以一阶导数(DB1)结合单位长度归一化(Nle)后采用偏最小二乘法(PLS)建模效果最好,定标集预测标准差(SEC)0.732,相关系数(Rc)0.995,验证集预测标准差(SEP)0.821,相关系数(Rv)0.995,表明利用近红外光谱技术能快速测定食用植物油的过氧化值.     

近红外光谱技术快速无损测定狭鳕鱼糜水分和蛋白质含量

通过拟合狭鳕鱼糜的近红外漫反射光谱与其水分和蛋白质含量,建立近红外定量模型,用于狭鳕鱼糜水分和蛋白质的快速无损检测。模型采用偏最小二乘法(PLS)拟合,水分和蛋白质的定标模型相关系数分别达0.98 和0.96以上,优于近红外透射光谱建立模型的预测结果。模型的相对标准偏差(RSD)＜ 10%,相对分析误差(RPD)＞ 3,表明该模型能准确快速地测定狭鳕鱼糜中的水分和蛋白质含量,且可用于实际生产中。     

近红外光谱法检测婴幼儿营养米粉蛋白质含量

以160个婴幼儿营养米粉为样品,应用近红外光谱技术和偏最小二乘法建立了婴幼儿营养米粉中蛋白质含量的近红外模型。比较了2、3、4、5、6、7、8 mm不同装样厚度(即光程)下样品近红外光谱的稳定性,通过样品光谱在不同波数下的标准差选定了5 mm为最佳的装样厚度;比较了变量标准化、导数、多元散射校正和9点平滑预处理方法对模型建立的影响,根据模型的相关系数和均方根误差确定了最佳的预处理方法,为变量标准化、一阶导数和9点平滑,预处理后的光谱数据结合国标方法测定的蛋白质含量建立了婴幼儿营养米粉中蛋白质含量的近红外定量分析模型,定标集和验证集相关系数分别为0.9856、0.9841,均方根误差分别为0.2431%、0.2456%,对已建立的近红外光谱定量分析模型进行了外部样品验证,预测准确度达到96%,验证结果证明了近红外检测技术与国标方法一致性较好,速度快且不需要样品前处理,在婴幼儿营养米粉蛋白质含量分析中具有广泛的应用价值。     

近红外光谱技术快速无损测定干辣椒的辣度

采用高效液相色谱测定干辣椒样品中的辣椒碱和二氢辣椒碱含量,利用透反射模式采集干辣椒样品的近红外光谱,采用偏最小二乘法(PLS)建立干辣椒样品的辣度评价的校正模型,并对模型用于预测。结果表明,筛选出建模光谱波段为9000～4000cm-1;通过残余方差(RVV)分析,确定了最适主成分数为8;干辣椒的辣度PLS评价模型的定标集和验证集的相关系数(RC,RV)分别为0.9871、0.9104,定标集和验证集的标准差(SEC,SEP)分别为2445、3976。研究发现,近红外光谱法作为一种快速而准确的定量分析手段,在干辣椒及其制品的辣度评价方面有广阔的应用前景。     

近红外光谱对甜椒果实质地的无损检测

以黄色甜椒为研究对象,建立其近红外漫反射光谱检测果实质地的数学模型。在400~2 500、400~1100、400~1 450 nm 3个波段内分别建立了甜椒的果肉弹性、回复性和凝聚性定标MPLS模型,并用各波段下最优模型进行预测。结果表明:这3个波段下的定标模型相关系数都很高,但在全光谱下建立的定标模型稳定性最好,所以选取该光谱下的定标模型作为最终的测定模型,果肉弹性、回复性和凝聚性定标集交互验证相关系数(RCV)分别为0.937、0.933、0.932,交互验证标准误差(SECV)分别为0.029、0.013、0.016,预测集的相关系数RP分别为0.924、0.899、0.922,预测标准误差(SEP)分别为0.026、0.018、0.015,相对残差分别为-0.200、0.068、-0.033。结果说明,甜椒果实质地的近红外无损检测是可行的,果实质地与近红外漫反射光谱具有显著相关性。     

近红外光谱法快速检测梨汁中柠檬酸和L-苹果酸含量

利用近红外光谱技术对梨汁中柠檬酸和L-苹果酸含量进行快速定量检测,并通过6种光谱预处理及3种数学校正方法对柠檬酸和L-苹果酸含量预测模型进行优化。本研究采用近红外光谱仪在1 100~1 650 nm光谱范围内共采集70个梨汁样本的近红外光谱图,并利用高效液相色谱法测定柠檬酸和L-苹果酸的含量。首先对样本原始光谱图经过多元散射校正(MSC)、一阶导数、二阶导数等方法进行预处理,然后通过主成分分析(PCR)、修正的最小二乘法(MPLS)及偏最小二乘法(PLS)等分别建立梨汁中柠檬酸和L-苹果酸含量的预测模型,并对该模型进行优化。优化后,柠檬酸的最佳模型为PLS结合MSC;L-苹果酸的最佳模型为MPLS结合SNV且去散射;最佳预测模型的预测相关系数最高可达0.985,预测标准差最低为0.039%,相对分析误差最大为3.46。结果表明,近红外光谱可作为一种可靠、快速、无损、简单的方法用于梨汁中柠檬酸和L-苹果酸含量的测定。该方法为生产企业及监管部门开展梨汁的掺伪鉴别提供了依据。     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

Multivariate determination of free fatty acids and moisture in fish oils by partial least-squares regression and near-infrared spectroscopy

The oxidative and hydrolytic degradation of lipids in fish oil was monitored using partial least-squares (PLS) regression and near-infrared reflectance (NIR) spectroscopy. One hundred and sixty (n=160) fish oil samples from a fishmeal factory were scanned in transflectance by an NIR monochromator instrument (1100–2500 nm). Calibration models were performed for free fatty acids (FFA), moisture (M), peroxide value (PV) and anisidine value (AV). Coefficients of determination in calibration (R²) and standard errors of cross validation (SECV) were 0.96 (SECV: 0.59) and 0.94 (SECV: 0.03) for FFA and M in g/kg, respectively. The accuracy of the NIR calibration models were tested using a validation set, yielding coefficients of correlation (r) and standard errors of prediction (SEP) of 0.98 (SEP: 0.50) and 0.80 (SEP: 0.05) for FFA and M in g/kg, respectively. Poor accuracy (R²<0.80) was obtained for the NIR calibration models developed for PV and AV. The paper demonstrates that fish oil hydrolytic degradation of lipids, which seriously affect oil use and storage under industrial conditions, can be successfully monitored using PLS regression and NIR spectroscopy by the fishmeal industry.     

三倍体毛白杨木素和苯醇抽提物的近红外光谱法测定

选取了有代表性的78个三倍体毛白杨样品,先用国家标准方法测定样品的Klason木素和苯醇抽提物含量,然后用近红外光谱仪进行快速检测。所得扫描光谱进行＂二阶导数、减去一条直线＂预处理后,运用偏最小二乘法PLS、完全交互验证以及外部验证方式建立相应预测模型。木素校正模型的相关系数达到了0.8883,标准误差SEC=0.612,预测模型的相关因子达到0.8634,均方根误差RMSEP为0.944。苯醇抽提物校正模型的相关系数达到了R=0.9007,校正标准误差SEC=0.39,预测模型的相关因子达R=0.8857,均方根误差RMSEP为0.603。结果表明,用近红外光谱技术可以实现对三倍体毛白杨木素和苯醇抽提物含量的快速分析。     

用混合线性分析法建立苹果糖度近红外光谱预测模型

用混合线性分析法的一种变形算法建立了苹果糖度近红外光谱预测模型，并与偏最小二乘模型进行比较。结果表明：虽然最佳的混合线性分析法模型（18个主因子）比最佳偏最小二乘模型（11个主因子）复杂．但其精度却明显优于偏最小二乘模型：利用梗正集的28个苹果样本建立的糖度混合线性分析法校正模型，其相关系数r^2和标准偏差SEC分别为0．92509和0．40618；该校正模型经预测集的11个样本验证，相关系数r^2和标准偏差SEP分别达到0.87611和0．48480。混合线性分析法建立的糖度模型对苹果光谱的校正标准偏差SEC和预测标准偏差SEP分别比PLS法的SEC（0．41473）和SEP（0．50473）减小了2％和3．9％。结果表明：在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中，应用混合线性分析法进行定量分析是完全可行的。并且其结果可与偏最小二乘法（PLS）的结果相媲美。     

近红外光谱分析法预测欧美杨的制浆性能

选取85个欧美杨样品,先进行蒸煮实验,用国家标准方法测定样品的卡伯值和得率,然后用近红外光谱仪采集欧美杨浆样的近红外光谱图。光谱分别进行预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。卡伯值校正模型和预测模型的相关系数分别为0.9445和0.9607,校正标准差和预测标准差分别为1.100和0.936;得率校正模型和预测模型的相关系数分别为0.8792和0.8617,校正标准差和预测标准差分别为0.844和0.831。结果表明,近红外光谱法可以快速分析浆样的卡伯值和得率。     

Determination of Moisture, Fat and Protein in Spray-Dried Whole Egg by Near Infrared Reflectance Spectroscopy

Near infrared reflectance (NIR) spectroscopy was used to measure moisture, protein, and fat in spray-dried whole egg. Calibrations were developed for a commercial, filter monochromator NIR instrument and tested against standard methods. A standard error of performance (SEP) of 0.15% was obtained for moisture using a calibration based on three wavelengths. Protein and fat determinations by NIR were susceptible to variability due to sample particle size differences. Calibrations employing three wavelengths were used to measure protein and fat in samples of uniform particle size (SEP = 0.20% and 0.28%, respectively), but it was necessary to utilize additional wavelengths to adequately measure these constituents in samples having particle size variability (SEP = 0.38% for both protein and fat).     

Proximate analysis of homogenized and minced mass of pork sausages by NIRS

Near infrared spectroscopy was employed to analyse samples of pork sausage meat used in the manufacturing of typical Spanish sausages (minced and homogenized product). As well, two modes of analysis for the instrument were compared. Data from proximate analysis (fat, moisture and protein) were put into a calibration model by a diode array NIR spectrometer. The spectral range used was 515–1650 nm and different mathematical pre-treatments on the signal (derivatives and scatter corrections) were also compared. Different mathematical pre-treatments caused considerable changes in the statistics of the models (coefficients of determination and standard errors). R² (calibration) and standard errors of prediction (SEP, external validation) in minced sausage meat for fat, moisture and protein were 0.98, 0.98 and 0.93 (R²) and 1.38%, 1%, 0.83% (SEP), respectively. These values in homogenised sausage meat for fat, moisture and protein were 0.99, 0.98 and 0.93 (R²), and 0.94%, 0.76% and 0.87% (SEP), respectively.     

近红外光谱分析技术测定芝麻水分含量的研究

建立了基于FOSS近红外谷物分析仪快速测定芝麻水分含量的模型,探讨了光学处理和数学处理等因素对模型的影响进行,并对模型进行了内部验证和外部检验.实验结果表明最佳的建模参数为:光学处理采用标准正常化处理(SNV only),数学处理技术采用"2,4,4,1".得到的定标方程的定标标准偏差(SEC)为0.0430,定标相关...