苹果质地的近红外光谱无损检测模型研究

为了建立快速而无损检测苹果质地的新方法,应用近红外光谱仪研究不同建模方法和光谱预处理方法对苹果质地(脆度、硬度、回复性、凝聚性和咀嚼性)无损检测模型性能的影响。结果表明,波长范围400~2500nm内,采用改进偏最小二乘法、原始光谱结合反相多元离散校正处理所建苹果质地的校正模型最优,脆度、硬度、回复性、凝聚性和咀嚼性预测相关系数均大于0.8,而预测标准误差分别为7.6763N、6.5876N、0.0085、0.0175、1.2466N,残差之和均小于0.2。因此,通过近红外光谱对苹果质地进行快速而无损检测具有一定可行性,但模型精度有待进一步提高。      

苹果有效酸度的近红外无损检测研究

为了更好的对苹果的有效酸度进行检测,实验应用波长范围为643.26～985.11nm的Purespect近红外透射光谱仪对100个富士苹果的校正集样品和20个预测集样品进行了光谱扫描,比较了不同的光谱预处理方法和不同建模波段对模型的影响,最终确立的模型相关系数(RC)为0.925,校正均方根误差(RMSEC)为0.0395。对模型预测性能的验证结果表明:建立的苹果有效酸度模型性能较稳定,能满足实际应用的要求。      

近红外光谱法快速检测带鱼肉中的水分和蛋白质含量

应用傅立叶变换近红外光谱分析技术对带鱼肉中水分和蛋白质含量进行了研究。分别建立原始光谱、间隔2点一阶导数(dblg2)、3点平滑(sa3)、标准归一化(SNV)和多元散射校正(MSC)的偏最小二乘回归(PLS)模型,比较定标相关系数(Rc)、预测相关系数(Rv)、定标标准差(SEC)和预测标准差(SEP),建立了MSC预测模型,水分和蛋白质近红外检测模型的相关系数均在0.9以上。SEC分别为0.74和0.68,SEP分别为0.81和0.73。将确定的模型进行了外部验证,水分和蛋白质NIR预测值和化学分析值的配对t检验差异均不显著。说明近红外光谱法应用于带鱼肉中水分和蛋白质含量的快速检测是可行的。     

近红外光谱分析法快速测定稻谷常规化学指标

采集150份有代表性的我国南方地区稻谷样品的近红外光谱,用偏最小二回归分析法(PLS),建立了稻谷的水分、直链淀粉、蛋白以及胶稠度的近红外定量分析模型,并对30份预测集样品进行了验证。水分、直链淀粉、蛋白以及胶稠度的校正集模型的决定系数所(R2)分别为0.990 3、0.560 3、0.913 2以及0.678 0,交互验证均方根误差(RMSECV)分别为0.372 8%、1.456 9%、0.305 4%以及5.031 5%;验证集标准预测偏差(RMSEP)分别为0.382 5%、1.465 0%、0.510 0%以及5.052 1%。结果表明,近红外光谱分析法可以满足快速分析的要求。     

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。     

近红外光谱技术在酶法转化制备L-鸟氨酸过程中的应用

旨在建立酶法转化过程中快速准确测定产物L-鸟氨酸含量的方法,以满足该酶促反应转化率实时监测的需求。本文采集不同时间酶促反应液获取近红外透射光谱图,结合偏最小二乘法建立L-鸟氨酸含量定果通过一阶导数预处理近红外光谱的模型具有良好的精确度和稳定性,在波数10000.0～5500.0cm-1光谱范围内,采用检验集检验建立模型,最佳主因子数为4,其中检验集的决定系数R2为0.9846,检验均方差（RMSEP）为3.41,校正集决定系数R2为0.9550,校正均方差（RMSEE）为4.47。结果表明,该模型可用于L-鸟氨酸酶法制备的常规检测,为酶法转化制备L-鸟氨酸的在线控制提供了简便有效的监控方法。      

蜂蜜中羟甲基糠醛的近红外光谱快速测定方法

为实现蜂蜜中羟甲基糠醛的快速测定,利用近红外（NIR）光谱分析技术结合偏最小二乘法（PLS）建立了蜂蜜中羟甲基糠醛的定量分析模型,并进行了预测。通过光谱扫描,波数范围为7706⁴009cm-1、一阶导数、norris derivative平滑及10个因子数进行光谱预处理,偏最小二乘法（PLS）,交叉验证。结果表明,羟甲基糠醛定量模型的交叉验证相关系数（Rcv2）=0.99620、交叉验证均方差（RMSECV）=2.40;预测相关系数（Rp2）=0.99874、预测均方差（RMSEP）=2.02;预测值与测定值之间无显著差异,该方法适用于蜂蜜中羟甲基糠醛的快速测定。      

基于近红外光谱的大米蛋白质含量快速检测

针对国标化学检测方法耗时耗力、成本昂贵的问题,分析了近红外光谱（NIRS）结合化学计量学进行大米蛋白质含量检测的可行性。基于变量选择、特征提取和非线性建模的策略,将反向区间偏最小二乘（BiPLS）与主成分分析（PCA）和支持向量机（SVM）相结合,构建了BiPLS-PCA-SVM模型,用于提高蛋白质回归模型的性能。在BiPLS-PCA-SVM模型中,将蒙特卡罗交叉验证与预测残差平方和相结合进行最佳主成分个数的选择,通过遗传模拟退火算法对模型参数进行优化。为了评估BiPLS-PCA-SVM模型的性能,建立了Full-PLS、BiPLS和BiPLS-SVM 3种模型,并系统分析了上述模型的预测精度和鲁棒性。BiPLS-PCA-SVM模型在预测蛋白质含量方面显示的性能高于其他模型,使用最佳主成分和优化后的SVM参数建立的模型具有更高的鲁棒性和准确性。对于BiPLS-PCA-SVM模型,验证集的决定系数、均方根误差和剩余预测偏差分别为0.928 9、0.196 7%和4.024 6。结果表明,NIRS与BIPLS-PCA-SVM模型相结合,可作为替代策略实现大米中蛋白质含量的快速检测。     

Rapid determination of shoot nitrogen status in rice using near infrared reflectance spectroscopy

Near infrared reflectance (NIR) spectroscopy is a rapid, cheap, simple technique which can be used to make quantitative analyses of the concentrations of nutrients in plant tissue. The application of NIR to determine nitrogen in rice was examined. The absorbance spectrum of rice (Oryza sativa L) shoot tissue was similar to that of the temperate cereal wheat even though rice tissue has a much higher silica content. A 19-filter NIR instrument was calibrated to estimate the nitrogen content of rice shoots with between 0·8 and 3·50% N by the Kjeldahl technique. The calibration model developed used three wavelengths to account for 96% of the variation in sample Kjeldahl nitrogen concentration. This model was validated using 67 samples comprising five rice varieties grown on farms in two seasons in southern New South Wales. The standard error of prediction of the model was 0·15% N. A tissue testing service using this NIR calibration is now operational for rice crops in southern New South Wales.     

近红外光谱技术结合神经网络检测苹果咀嚼性

以不同储藏期的135个苹果样品为研究对象,对其近红外光谱数据进行预处理并通过主成分分析法提取光谱特征,采用人工神经网络技术建立苹果咀嚼性的近红外光谱检测模型。结果表明,对苹果光谱咀嚼性的最佳光谱预处理方法是加权多元散射处理(WMSC)的光谱散射处理方法和"2441"的数学处理方法,通过主成分分析法提取3个主成分作为原始信息的特征变量,建立苹果咀嚼性检测的人工网络模型结构为3—16—1,模型对验证集预测的决定系数为0.992 4,均方根误差为0.000 108 2。近红外光谱技术能对苹果咀嚼性进行快速、无损预测。     

基于近红外光谱法的桑蚕丝接枝率快速定量测定

为解决蚕丝经化学接枝增重处理后,接枝率难以直接测定以及现有的热分析法检测耗时长、不适用于批量化快速检测等问题,提出了采用近红外光谱技术对蚕丝接枝率进行快速测定的方法。应用近红外光谱法结合化学计量学软件,选择偏最小二乘法,从光谱预处理、最佳主因子数选择以及建模谱区选择3个方面优化建立甲基丙烯酰胺接枝蚕丝的接枝率预测模型,得到所建模型的内部预测准确率为91.03%。使用19个已知参比值但未参与建模的样本对模型的稳健性进行验证,对预测值和参比值进行配对t检验,在给定显著水平α为0.05条件下,模型预测结果与称重法测试结果不存在显著性差异。结果表明,近红外光谱技术可为蚕丝接枝率的定量测定提供一种快速有效的分析方法。     

Comparison of fourier transform mid infrared spectroscopy and near infrared reflectance spectroscopy with differential scanning calorimetry for the study of the staling of bread

The staling of bread has previously been studied by differential scanning calorimetry and by simple rheological measurements. In this collaborative study, two spectroscopic techniques (Fourier transform mid infrared spectroscopy and near infrared reflectance spectroscopy) have been used in addition to differential scanning calorimetry to follow the progress of bread staling. Using each technique, changes in measured properties were apparent which, when fitted by first order exponential equations, gave calculated rate constants of similar magnitude. It is postulated that each technique gives independent information about the crystallisation process in the amylopectin fraction of the bread crumb.     

短波近红外光谱-偏最小二乘法测定白酒中乙醇含量

应用近红外光谱技术结合偏最小二乘法（NIRS-PLS）建立白酒中乙醇含量定量分析数学模型。所建校正模型相关系数（Corr.Coeff.）达到0.99986,校正集均方根误差（RMSEC）为0.00225,预测均方根误差（RMSEP）为0.00137,模型通过交互验证检验,得出PLS因子数为4时预测残差平方和（PRESS）和交互验证均方根误差（RMSECV）最小。用所建模型测定样品与气相色谱分析结果相对误差不大于0.81%。实验结果表明该方法准确性、稳定性好、精密度高。      

Elman网络近红外光谱技术同时测定鲜乳中三种主成分含量

采用Elman神经网络(反馈神经网络,Recurrent Network)结合近红外光谱技术建立鲜乳中的脂肪、蛋白质、乳糖定量分析模型.用偏最小二乘法(Partial Least SqHales.PUS)将原始数据压缩主成分,取前3个主成分的14个吸收峰值输入Elman网络,网络中间层神经元个数为53.Elman网络模型对样品中3个组分含量的预测决定系数(R2)分别为:0.985、0.951、0.967,表明所建Elman网络预测模型能够较准确预测鲜乳中脂肪、蛋白质和乳糖的含量,从而为近红外光谱的多组分定量分析提供了新思路.     

At-line prediction of fatty acid profile in chicken breast using near infrared reflectance spectroscopy

Near infrared reflectance (NIR) spectroscopy was evaluated as at-line technique to predict FA profile of chicken breast directly at the slaughterhouse. Intact breasts of 214 chickens were scanned by applying a fiber optic probe to the Pectoralis superficialis muscle. Meat samples were analyzed by gas chromatography as the reference method for the determination of FA composition. Calibration equations were developed considering NIR wavelengths between 1100 and 1830 nm, and modified partial least square (MPLS) was chosen as the chemometrics method to perform the calibrations. Different mathematical pre-treatments were tested and the best calibration equation for each FA was retained. Near infrared reflectance spectroscopy did not result in satisfactory predictions of FA. The best predictions were observed for oleic acid (C18:1n-9), monounsaturated FA (MUFA), and polyunsaturated FA (PUFA), and for a few minor FA. Results suggest that for chicken breast muscle, a lean meat, it was not possible to predict FA using NIR spectroscopy as an at-line technique in the abattoir.     

近红外光谱结合偏最小二乘法快速测定糖果中水分含量

采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm^-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm^-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。     

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。     

基于近红外光谱定量分析牛奶中掺假的动物水解蛋白含量

动物水解蛋白含有大量重金属离子,摄入人体危害人体健康,因其蛋白质含量高,被不法商贩作为廉价蛋白质添加在牛奶中以提高蛋白质含量。本研究自行配制不同浓度的动物水解蛋白掺假牛奶,应用近红外光谱仪浸入式光纤扫描样品,考察建模方法、预处理方法、建模范围、主成分数及样品的异常点分析对定量分析模型的影响。结果表明:使用SG平滑处理、主成分数4、在10000⁵000 cm^-1使用PLS法建立了最优动物水解蛋白定量分析模型。该模型的校正均方差（RMSEC）、预测均方差（RMSEP）、相关系数（r）分别为0.115、0.305、0.983,平均回收率为104.44%。该分析模型可以用于牛奶中动物水解蛋白的快速定量分析,为牛奶的品质控制和快速定量提供参考。      

近红外光谱分析技术快速检测藕粉品质

目的 基于近红外光谱技术鉴别不同产地的藕粉样品与检测藕粉的掺假问题。方法 采集不同产地的藕粉样品的近红外光谱,在光谱预处理后采用相关系数法提取特征波长,以提取的特征波长变量构建偏最小二乘法-判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)以及支持向量机(support vector machine,SVM)模型,实现对不同产地藕粉的鉴别分析。同时,采集掺假地瓜粉、玉米粉、木薯粉的藕粉样品的近红外光谱,在样品类别已知情况下,运用K-Means聚类分析鉴别3种掺假类型的藕粉样品,在掺假类别未知下,运用基于局部密度判别的聚类算法进行判别。结果 以相关系数法提取的特征波长变量构建的PLS-DA、LDA和SVM三种模型对于不同产地藕粉样品的判别准确率均为100%。对于不同掺假类型的藕粉检测,在样品类别已知情况下,K-Means聚类分析能有效识别出掺假藕粉,识别精度为98.33%。在样品类别未知的情况下,基于局部密度判别的聚类算法可以有效识别出2%掺假率的藕粉样品。结论 近红外光谱技术能实现不同产地莲藕粉的快速鉴别,同时为隐蔽的藕粉掺假鉴别提供一种快速、高效、无损检测的分析方法,为藕粉的质量控制提供一定的理论基础。     

可见/近红外漫反射光谱无损检测甜柿果实硬度

该研究的目的是建立可见/近红外漫反射光谱无损检测甜柿果实硬度的数学模型,评价可见/近红外漫反射光谱无损检测甜柿果实硬度的应用价值。果实硬度采用果皮脆性、果皮强度和果肉平均硬度作为评价指标。在可见/近红外光谱区域(400～2 500 nm),采用改进偏最小二乘法,对比分析了不同导数处理、不同散射及标准化处理的甜柿果实硬度定标模型。结果表明,对于果皮强度和果皮脆性,采用最小偏二乘法、一阶导数处理和标准多元离散校正处理建立的定标模型预测效果较好,RP2分别为0.858和0.862,SEP分别为0.094和0.157,RPD分别为2.47和2.63。对于果肉平均硬度,采用改进偏最小二乘法、一阶导数处理和标准正常化和去散射处理建立的定标模型预测效果较好,RP2为0.82,SEP为0.063,RPD为2.35。因此,可见/近红外漫反射光谱无损检测技术可用于甜柿果实硬度的无损检测。