基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

近红外光谱快速检测食用植物油中酸价

目的 建立基于近红外光谱快速测定食用植物油中酸价的分析方法。方法 采用冷溶剂指示剂滴定法检测371个食用植物油样品的酸价,并采集样品的近红外光谱。经过标准正态变换结合一阶导数对近红外光谱进行数据预处理,选用竞争性自适应重加权采样算法选取重要变量,建立食用植物油酸价的偏最小二乘回归模型。结果 蒙特卡洛交互验证结果显示,食用植物油酸价预测模型的验证集决定系数Q2为0.9983,交互检验的均方根误差(root mean square error of cross validation, RMSECV)为0.0461,模型预测的独立测试集的酸价与实测值相关系数为0.9834,预测效果良好。结论 本研究建立的食用植物油酸价近红外光谱快速检测方法能够满足检测要求,为评价或跟踪食用油品质提供快速无损的技术思路。     

近红外技术在南极磷虾油关键品质指标快速检测中的应用研究

采用偏最小二乘法（Partial least squares,PLS）作为建模方法,对磷虾油近红外光谱的一阶微分（First-order difference,FD）、FD+SG（Savitzky-Golay,SG）滤波、FD+N（Norris,N）滤波、二阶微分（Second-order difference,SD）、SD+SG和SD+N等6种单一或复合方法进行处理,通过对不同方式处理后预测模型的交互验证均方根误差（Root mean square error of cross validation,RMSECV）、外部验证残差均方根（Root mean square error of external prediction,RMSEP）和外部验证用样品真实值的标准差（SD）与RMSEP的比值（The ratio of the RMSEP to standard deviation of reference data in the prediction,RPDEV）、建模相关系数（Correlation coefficient in calibration,RC）、交互验证相关系数（Correlation coefficient in cross validation,RCV）和外部验证相关系数（Correlation coefficient in external validation,REV）等参数比较,确定了磷虾油磷脂、EPA和DHA的近红外预测模型最佳处理方式为FD、FD和SD+N,酸价指标模型不需处理。在最优条件下,四种成分近红外预测模型的RC、REV和RCV,除了酸价的RCV略小（0.917）其余均达到0.95以上,同时,四种成分的RPDEV和RPDCV值,除酸价的RPDCV为2.365,略小于2.5,其余均符合大于2.5的要求,说明磷虾油磷脂、EPA和DHA的近红外预测模型预测准确度良好;RMSEC和RMSECV相差不大,说明模型稳定性较好。由于含量低、组成复杂等原因,磷虾油虾青素近红外检测模型的RC、RCV和REV均在0.60以下,说明近红外检测不适用于磷虾油中虾青素成分的快速检测。本文证实了近红外光谱技术可作为磷虾油中磷脂、EPA、DHA和酸价等主要指标的快速检测方法,是传统化学检测方法的有效替代和补充。     

基于可见近红外的柿饼涩味定量定性分析

柿饼涩味评价是柿饼生产流通环节的重要控制工作。目前没有建立柿饼的快速无损检测方法。文章以恭城月柿为原料,建立涩味可见近红外快速无损检测模型。结果表明:柿饼水分含量在32.1%～36.17%可见近红外定量分析中,发现在460～1050 nm与1300～1680 nm波段范围内,采用改进偏最小二乘回归算法、二阶导数结合标准正常化处理(Standard normal variate,SNV)的建模效果最好。其定标交互验证相关系数(Correlation coef?cient of cross validation,1-VR)和预测相关系数(Correlation coefficient of prediction,R_p~2)分别为0.878和0.865,定标交互验证均方根误差(Root mean standard Error of cross validation,RMSECV)和预测均方根误差(Root mean square error of prediction,RMSEP)分别为0.105、0.125 g/100 g.d;定性模型中,柿饼水分含量在33.2%～36.11%范围内采用450～1050 nm与1300～1650 nm波段结合去散射处理(Detrend only,D)、一阶导数预处理方法最好。判别模型正确率93.1%,预测正确率为72.22%～88.89%。因此,近红外光谱技术可用于柿饼涩味快速无损的定量定性分析。     

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。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.896 0,RMSECV为8.04,Rp为0.898 3,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。     

傅里叶变换近红外光谱技术快速检测金枪鱼新鲜度

采用傅里叶变换近红外光谱仪和化学计量学方法,探究以近红外为手段的金枪鱼新鲜度指标快速检测技术。选取不同品种、不同贮藏时间下的金枪鱼分割肉块作为研究对象,在4 000~12 000 cm~(-1)波数范围内采集金枪鱼肉样的近红外光谱数据,应用偏最小二乘法(partial least squares regression,PLS)建立K值、硫代巴比妥酸(thiobarbituric acid value,TBA)值、高铁肌红蛋白(metmyoglobin,Met Mb)含量、pH值、亮度值(L*)和红度值(a*)等新鲜度指标的定量预测模型,经光谱分析和不同预处理方法优化后,模型能够实现对K值、TBA、Met Mb含量、pH值、L*和a*的快速检测,校正相关系数(correlation coefficient of calibration set,R_C)分别为0.876 7、0.908 7、0.893 7、0.753 2、0.815 0和0.723 2,内部交互验证校正标准偏差(root mean square error of cross validation,RMSECV)分别为3.641 1、0.654 8、4.700 9、0.053 4、1.286 3和1.317 3。经过外部验证集验证和T检验,模型得到的预测值与真实值之间没有显著性差异(P0.05),说明预测结果准确可靠,可以作为金枪鱼新鲜度检测的有效手段。     

小种红茶水浸出物近红外定量分析模型的建立

为实现近红外光谱技术在小种红茶中的快速无损检测,对76份有代表性的小种红茶按现行国家标准测定其水浸出物含量,采集样品的近红外光谱,采用OPUS 7.5软件,结合偏最小二乘法(partial least squares,PLS)建立小种红茶水浸出物含量的近红外定量分析模型。结果表明,所建立的水浸出物定量模型决定系数R2为95.73%,校正均方差(root mean square error of calibration,RMSEC)为0.629,验证均方差(root mean square error of prediction,RMSEP)为0.513。所建立的小种红茶水浸出物含量的近红外定量分析模型较为成功,模型预测效果较好,能够对小种红茶中水浸出物的含量进行快速地分析。     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

近红外光谱法快速测定羊栖菜生长过程中的活性成分

目的 利用近红外光谱法对羊栖菜生长过程中的活性成分进行快速定量分析,并探究其生长过程中的活性成分含量变化规律。方法 收集羊栖菜7个生长阶段共175个羊栖菜粉末样品,采用紫外-可见分光光度法测定多糖和多酚的含量,高效液相色谱法测定岩藻黄质的含量。运用组合区间-偏最小二乘法(synergy interval partial least squares,Si-PLS)分别建立了近红外光谱与3种活性成分指标参考值之间的定量校正模型,并采用不同的预处理方法和主因子数优化模型。结果 在羊栖菜的生长过程中,多糖含量变化为栽培期>快速生长期>成熟期;多酚含量变化为快速生长期>成熟期>栽培期;岩藻黄质含量变化为栽培期>快速生长期≈成熟期。多糖、多酚和岩藻黄质3种定量模型的近红外预测值与参考值之间的拟合性良好,模型预测精度较高,其中预测集相关系数(correlation coefficient of prediction,RP)均大于0.95;预测集均方根误差(root mean square error of prediction,RMSEP)分别为11.01、1.72、0...     

高光谱成像及近红外技术在鸡肉品质无损检测中的应用

高光谱成像与近红外光谱(near infrared spectroscopy,NIR)技术是现代食品检测领域的重要手段,本研究对2种技术在鸡肉品质无损检测中的预测精度进行研究。选用62份新鲜程度不同的鸡胸肉,提取其高光谱感兴趣区域(region of interest,ROI)的光谱曲线,并测定样品的挥发性盐基氮(total volatile base nitrogen,TVB-N)含量和菌落总数(total viable count,TVC),利用OPUS 6.0光谱处理软件搜寻最佳的光谱预处理和波段组合,分别建立2个指标的偏最小二乘法(partial least square,PLS)定量分析模型。NIR样本选用30份新鲜程度不同的鸡胸肉,测定其TVB-N含量和TVC,建立PLS的交叉验证模型。结果表明:利用高光谱的ROI平均光谱建立的TVB-N含量与TVC模型的相关系数(R~2)分别为0.965和0.919,均方根误差(root mean square error of cross validation,RMSECV)分别为0.121和0.215;利用NIR建立的TVB-N含量与TVC预测模型的R2分别为0.801和0.780,RMSECV分别为0.232和0.312。由此可见,基于高光谱的ROI区域光谱建立的预测模型在鸡肉品质无损检测中具有比NIR更高的预测精度。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

近红外光谱法结合化学计量学测定油茶籽油中脂肪酸组成

选择97个标称纯油茶籽油样品经过皂化、甲酯化后,先经气相色谱分析得到脂肪酸组成相对含量,然后利用透反射模式采集所有样品的近红外光谱,采用偏最小二乘法(partial least squares analysis,PLS)建立油茶籽油的饱和脂肪酸(C16:0+C18:0)、油酸(C18:1)和亚油酸(C18:2)相对含量的校正模型,并将模型用于预测,并对光谱预处理方法进行优化。结果表明:C16:0+C18:0、C18:1和C18:2的交叉验证均方根误差(root mean square error in cross-vali-dation of prediction,REMSECV)分别为0.143、0.448、0.392,预测均方根误差值(root-mean-square error value,RMSEP)分别为0.180、0.598和0.269,上述3种成分预测集相关系数(Rp2)依次分别为0.996、0.999和0.999。近红外光谱法可作为一种快速、无损和准确的方法用于测定油茶籽油的脂肪酸组成,从而鉴别纯油茶籽油的真伪。     

基于高光谱成像技术快速检测茶叶茶多酚含量

目的 为了快速、无损的检测茶叶中茶多酚含量,建立一种精确、高效的多元校正模型。方法 首先利用高光谱成像技术采集单纵茶叶的光谱数据,其次通过二维相关光谱(two-dimensional correlation spectroscopy techniques,2D-COS)波段筛选算法提取特征光谱,最后结合极限学习机(extreme learning machine,ELM)建立茶多酚的预测模型,并与全波段模型进行对比。结果 经二维相关光谱算法所提取后的特征波段所建立的模型预测效果优于全波段模型。茶多酚的决定系数(correlation coefficient of cross-validation,R2)从0.89上升到0.94,预测值均方根误差(root mean square error of prediction,RMSEP)也从2.37%下降到2.16%。结论 表明二维相关光谱波段筛选算法有效的提取茶多酚的特征波段,对茶叶茶多酚含量的快速、无损预测具有可行性。     

基于可见-近红外光谱的生鲜紫薯食味品质快速无损检测

目的建立可见-近红外光谱法快速无损检测生鲜紫薯的熟化黏度和甜度,并对其食味品质进行评价。方法以生鲜紫薯为研究对象,用竞争性自适应加权算法(competitive adaptibe reweighted sampling,CARS)筛选出生鲜紫薯预处理后的光谱数据的特征波长,再用偏最小二乘法(partial least square,regression,PLS)建立了生鲜紫薯熟化峰值扭矩和可溶性糖含量的定量预测模型。另外,选取12个生鲜紫薯根据划分分值区间法对紫薯食味品质进行评价。结果生鲜紫薯峰值扭矩模型预测集的相关系数r为0.9195,均方根误差(root mean square error of prediction,RMSEP)为0.0526 Nm;可溶性糖含量模型的预测集的相关系数r为0.9515,RMSEP为0.3100 mg/g。结论基于可见-近红外光谱技术可以对生鲜紫薯食味品质进行初步快速无损评价,为鲜食性紫薯品质评价提供理论参考。     

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。     

滩羊肉中油酸和亚油酸含量的近红外预测模型建立

基于近红外光谱技术结合化学计量学方法建立滩羊肉中油酸和亚油酸含量的预测模型。选取滩羊肉外脊、里脊、羊霖、羊腩共138 份样本,在900～2 500 nm波长范围内,采集滩羊肉糜样品的近红外反射光谱,利用气相色谱法作为参考,测定样品中油酸和亚油酸含量,并建立滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression,PLSR）模型。为优化模型性能,使用间隔随机蛙跳（interval random frog,IRF）算法进行数据降维处理。结果表明：对于油酸模型,经过标准正态变量变换结合一阶导数处理后的全波长模型相关性较高,校正相关系数（Rc）和交叉验证均方根误差（root mean square error of cross-validation,RMSECV）分别为0.889 5和10.2515,预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set,RMSEP）分别为0.7357和10.2492,然而,经IRF算法提取92个特征波长后,Rc和Rp均低于全波长模型;对于亚油酸模型,使用多元散射校正处理后的全波长模型Rc最大,为0.8747,RMSECV为1.0512,但其Rp和RMSEP较小,利用IRF算法提取102 个特征波长后,建立的亚油酸模型相关性得到极大改善,其中Rc最大达到0.9912,相应的RMSECV为0.0118,Rp为0.9879,RMSEP为0.0122。因此,近红外光谱技术结合IRF算法不能较好预测滩羊肉中油酸含量,但对亚油酸含量具有较好的预测能力。     

傅里叶变换红外光谱结合化学计量法对香附水分、灰分和浸出物的快速测定

建立基于傅里叶变换红外光谱的香附水分、灰分和浸出物的快速测定模型。运用ANTARIS II FT-NIR Analyzer对60个香附样品进行近红外光谱采集。依照2015版药典中的方法测得60个香附样品的水分、灰分以及浸出物含量数据。运用TQ Analyst软件对所得香附的近红外光谱与试验所得的香附样品的水分、灰分以及浸出物含量数据建立快速测定的模型。所建立的香附水分、灰分、浸出物含量快速测定模型能较准确地对香附水分、灰分、浸出物含量进行识别与验证。其中香附水分含量模型R2为0.902 7,校正集预测均方差（root mean square error of calibration,RMSEC）为0.774,预测集的预测均方差（root mean square error of prediction,RMSEP）为0.521;香附灰分含量模型R2为0.988 4,RMSEC为0.061 9,RMSEP为0.058 5;香附浸出物含量模型R2为0.890 3,RMSEC为1.25,RMSEP为2.33。所建立的模型能够较准确地实现香附水分、灰分、浸出物含量的快速测定。