高光谱成像技术结合优化算法窖泥总氮含量的预测

窖泥的总氮含量是窖泥质量评价的指标之一,其常规检测方法周期长且具有破坏性。为实现窖泥总氮含量的快速无损检测,提出了高光谱成像技术（HSI）结合优化算法的窖泥总氮含量的检测方法。首先,使用不同的预处理方法对可见光（Vis）光谱数据进行处理,并建立偏最小二乘回归（PLSR）模型,通过比较模型性能确定了最佳预处理。其次,综合比较了采用全光谱波长、竞争性自适应重加权采样（CARS）算法、连续投影算法（SPA）和CARS与SPA(CARS-SPA)联用策略方法优选特征波长,并作为PLSR和最小二乘支持向量机（LS-SVM）模型输入变量,研究对各模型性能的影响。最后,基于最优模型实现了窖泥样本的总氮含量可视化,直观反映不同层级的总氮含量差异。结果表明,标准正态变量变换（SNV）方法预处理后建立的PLSR模型预测总氮含量最好;CARS-SPA联用策略方法优选特征波长较其他两种方法好,且其建立的LS-SVM模型的预测性能最佳（预测集决定系数Rp2=0.987 6、预测均方根误差（RMSEP）=0.013 8 g/100 g）。高光谱成像技术结合优化算法可以快速、无损检测窖泥总氮含量,为窖泥中总氮含量检...     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

近红外分析技术快速检测白酒基酒中的总酯含量

采用近红外光谱分析技术,对基酒总酯进行无损检测研究.利用近红外光谱仪采集基酒样品在4000～10000 cm-1波段内的光谱数据,首先对光谱数据进行一阶导数预处理,然后采用Si-PLS组合间隔偏最小二乘法优选特征波长,最后运用PLS偏最小二乘法建立基酒总酯模型.该模型校正集的决定系数R2C为0.95,校正集的均方根误差...     

近红外漫反射光谱法快速检测高纤维素、木质素物料水分含量

目的：建立一种快速检测高纤维素、木质素物料水分含量的方法。方法：以槟榔这种含高纤维素、木质素的中药材为原料,用近红外光谱仪采集近红外漫反射光谱,运用NIR Cal建模软件对光谱数据进行预处理,优选特征波长,并运用偏最小二乘法（PLS）分析建立槟榔水分含量定量模型。结果：槟榔水分含量定量模型校正集决定系数为0.994 2,校正误差均方根（RMSEC）为0.50;验证集决定系数为0.986 7,预测误差均方根（RMSEP）为0.68。结论：该方法简便、快速、安全、实用、准确,适用于含高纤维素、木质素物料的水分含量的快速测定。     

白酒基酒中典型醇的近红外预测模型构建

采用气相色谱法测定白酒基酒中的正丙醇、正丁醇、正戊醇和异戊醇的含量作为建立近红外预测模型的化学值,将近红外光谱图结合偏最小二乘法和内部交互验证法建立基酒中典型醇的快速检测模型,并进一步优化模型。确定了最优光谱预处理方法和最佳谱区,正丙醇、正丁醇、正戊醇和异戊醇的校正集样品的真实值与近红外预测值的决定系数（R2）分别为0.952、0.981、0.963和0.981,内部交互验证均方根误差分别为0.27、0.49、0.101?mg/100?mL和0.67?mg/100?mL;验证集的决定系数（R2）分别为0.947、0.980、0.928和0.952,预测均方根误差分别为0.40、0.81、0.49?mg/100?mL和1.35?mg/100?mL。结果表明建立的典型醇近红外快速检测模型的准确度、稳定性及预测性能均呈现良好,为白酒基酒的醇类物质品质分析方法研究提供了新的思路。     

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。     

遗传算法联合LS-SVM的苹果原醋成分定量分析

利用近红外光谱技术对苹果原醋中的重要指标进行定量分析,并进行模型优化以提高性能。采用遗传偏最小二乘法（GA-PLS）提取的特征波长作为最小二乘支持向量机（LS-SVM）的输入变量,先后建立苹果原醋中总酸、可溶性固形物的近红外定量模型,并与建立的偏最小二乘（PLS）模型结果进行比较。用决定系数（R2）、预测均方根误差（RMSEP）以及相对分析误差（RPD）对模型进行评价,确定最佳建模方法。结果表明,相比于PLS模型,总酸及可溶性固形物指标的LS-SVM定量模型的R2、RMSEP以及RPD值均有更好的表现,且在进行独立测试集验证时,LS-SVM模型的预测精度也明显优于PLS模型。说明遗传算法联合LS-SVM建立的定量模型有很高的准确度及稳定性,可以应用于苹果原醋总酸和可溶性固形物含量的快速检测。     

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。     

近红外光谱技术在北方浓香型白酒酿造糟醅理化指标快速检测中的应用

发酵糟醅质量在浓香型白酒酿造中起着关键作用,采用近红外光谱技术可实现对糟醅的及时、准确、高效检测。该研究利用近红外光谱法对北方浓香型白酒出入窖糟醅水分、酸度、淀粉三个理化指标进行了快速分析并建立了其预测模型。结果表明,入窖糟醅水分含量、酸度、淀粉含量模型的决定系数(R²)分别为0.86、0.79、0.65,交互验证均方根误差(RMSECV)分别为0.77%、0.11 mmol/10 g、0.11%;出窖糟醅水分含量、酸度、淀粉含量模型的决定系数(R²)分别为0.90、0.92、0.79,交互验证均方根误差分别为0.54%、0.16 mmol/10 g、0.49%,模型的质量较好。并且利用验证样品对模型进行外部验证,入窖糟醅水分、酸度、淀粉的模型预测的标准偏差分别为2.10%、0.22 mmol/10 g、1.32%,出窖糟醅水分、酸度、淀粉的模型预测的标准偏差分别为1.61%、0.56 mmol/10 g、1.13%,说明模型具有较好的预测能力,可用于生产分析检测。     

白酒基酒中甲酸的近红外预测模型构建

为构建白酒基酒中甲酸的近红外预测模型,达到快速预测甲酸含量的目的,采用气相色谱法测定白酒基酒中甲酸的含量作为近红外预测模型的输入量,并通过分析白酒基酒样品的近红外光谱图,比较不同光谱数据预处理方法对建模效果的影响。结果表明,白酒基酒中甲酸对近红外有特异吸收,最佳预处理方法与最优波段为:一阶导数+减去一条直线,谱区区间选择在5813～5740 cm~(-1)和8482～8260 cm~(-1)。甲酸校正集样品的化学值与近红外的预测值的决定系数为99.25%,交叉验证均方根误差为4.26 mg/100 m L,相对分析误差为11.6;进一步对甲酸进行验证和评价,甲酸验证集样品的决定系数为97.6%,均方根误差为5.53 mg/100 mL,相对分析误差为9.68。结果表明,所建立的模型效果良好,能满足白酒生产中甲酸的快速检测需求。     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

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。     

基于近红外光谱技术的花生酸败特性检测研究

酸价、过氧化值是衡量花生贮藏过程中氧化酸败的重要指标,基于近红外光谱分析技术,结合化学计量分析,利用偏最小二乘法建立花生酸价、过氧化值的近红外预测模型,并对平滑、导数、多元散射校正、归一化等多种预处理方法对建模准确性的影响进行比较.结果表明:对原始光谱数据采用一阶微分处理的方法建立的模型其预测效果最佳,酸价模型的主成分维数为10,决定系数为0.955,均方根误差为0.080;过氧化值模型的主成分维数10,决定系数为0.940,均方根误差为0.459.研究表明,近红外光谱分析技术可用于花生酸价、过氧化值的快速无损检测.     

中红外模型快速检测白酒基础酒中总酯的含量

建立了一种快速检测白酒基础酒总酯的检测方法。根据GB/T 10345-2007中总酯含量检测方法为参比方法,采用红外分析技术结合偏最小二乘法,分别建立了基础酒总酯的中红外定量分析模型和近红外定量分析模型。对比这两个定量分析模型:中红外定量分析模型的效果更显著,模型校正集交互验证均方根误差(RMSEC)为0.123,校正集决定系数R2C为0.9951;样品验证集均方根误差(RMSEP)为0.134,验证集相关系数R2P为0.9914;该方法预测值与理化值的绝对误差为-0.31～0.50,相对误差-5.91%～9.62%。     

模拟退火算法用于食醋总酸含量近红外光谱模型的波数点优选

为优选食醋总酸对应的特征波长并提高模型的预测精度,采用模拟退火算法优化窗口宽度和特征波数点,并结合偏最小二乘法建立食醋总酸光谱模型。在全国范围内收集90个不同品牌的食醋样本,用近红外光谱仪采集近红外光谱数据(波数4000～10000cm-1)和常规理化分析方法检测总酸含量。采用模拟退火算法共优选出17个总酸特征波数点,结合样本总酸含量建立偏最小二乘光谱模型,模型对应的预测集相关系数为0.9210,优于全光谱偏最小二乘法和区间偏最小二乘法对应的预测效果。结果表明,近红外光谱技术结合模拟退火算法能够快速预测食醋中总酸含量。     

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。     

傅里叶近红外光谱法快速检测魔芋葡甘聚糖中掺假羧甲基纤维素含量

采用傅里叶近红外光谱检测魔芋葡甘聚糖中羧甲基纤维素掺假比例,以基线校正、平滑、矢量归一化、一阶求导和二阶求导法对光谱进行处理,利用偏最小二乘法建立了相应的数学模型,并通过交互验证和外部验证检验了鉴别模型的预测精度和可靠性。所建立的校正集模型的决定系数R_c~2值为0.933~0.997,校正均方根误差范围为7.64%~1.56%;结合验证集模型的决定系数和均方根误差确定以一阶导数(5平滑点)处理光谱,所得模型预测效果最佳,模型的预测均方根误差为8.37%;校正模型中羧甲基纤维素在魔芋葡甘聚糖中掺假水平的预测值和实际值的相关系数为0.9905。结果表明,近红外光谱结合化学计量法在有效、快速、准确地定量检测魔芋葡甘聚糖中掺假羧甲基纤维素的可行性。     

近红外光谱技术快速检测猪肉新鲜度指标的方法研究

采用傅里叶变换近红外光谱技术建立猪肉新鲜度指标色泽（L^*,a^*,b^*值）、挥发性盐基氮（TVB-N）、酸度（pH值）的快速检测方法。实验中采集了4000～10000cm^-1范围的近红外光谱,选取4800～9350cm^-1为分析区域,描述了谱峰的归属。以常规分析测定值为建模基础数据,采用偏最小二乘（PLS）回归法建立猪肉新鲜度指标定量分析模型,并考察了近红外光谱预处理方法对模型的影响。用校正集和验证集样本分析模型预测的准确性。L^*,a^*,b^*,TVB-N,pH预测模型结果显示:预测集均方根误差（RMSEP）分别为1.84,0.812,0.355,1.31,0.163,校正集均方根误差（RMSEC）分别为1.57,0.678,0.363,1.76,0.113,相关系数分别为0.8183,0.8776,0.9256,0.8231,0.8041。样本的预测值与真实测定值之间没有显著性差异（p>0.05）。采用近红外光谱法能满足猪肉新鲜度指标的同时测定,与传统的化学分析方法相比,该方法具有快速、无损、简单等特点。     

近红外光谱技术定量检测果味啤中的果汁含量

该文以近红外光谱分析技术快速测定菠萝啤中果汁含量为目的,采用了后向间隔偏最小二乘(backward interval partial least squares,Bi-PLS)、组合间隔偏最小二乘(synergy interval partial least squares,Si-PLS)以及遗传算法(genetic algorithm,GA)提取特征波长以提高模型性能。研究结果表明,基于Si-PLS提取的特征波长结合偏最小二乘法(partial least squares,PLS)建立的定量分析模型效果最好,从原始光谱范围4 000～10 000 cm^-1内筛选出3个特征光谱区间,分别为(4 484～4 960,5 600～6 051,7 844～8 080) cm^-1,共94个特征变量,比原始1 501个波长变量减少了93. 7%,验证集的均方根误差和决定系数分别为0. 18%、0. 89,范围误差比为3. 17。实验结果表明,近红外光谱分析技术用于测定果味啤中的果汁含量是可行的,这为快速高效测定菠萝啤果汁含量提供了一种方法依据。