基于近红外光谱技术的纸浆原料快速分类

针对传统纸浆纤维种类鉴别费时、费力等问题,提出近红外光谱分析法。将常用造纸原料制浆并抄片为成品纸,测量各样品在10000～4000cm-1区段范围内的近红外光谱,谱图信号经滤波和一阶微分预处理后提取主成分,用于聚类分析。结果表明：近红外光谱技术结合聚类分析能对样品正确、快速分类,可以为快速无损鉴别纸浆种类提供一种准确可靠的方法。     

基于近红外光谱的豆酱鉴别技术研究

针对葱伴侣、凤彩桥、海天和金菜地四种品牌的豆酱,利用近红外光谱分析技术,对其进行预处理、主成分分析(PCA)、聚类分析(CA)和判别分析(DA),以建立识别不同豆酱品牌的近红外光谱定性判别模型.分析结果显示4种不同品牌的平均近红外光谱存在差异,其主成分空间分布也处于不同区域.对样品进行聚类分析,凤彩桥和海天存在小部分交...     

近红外光谱法用于橄榄油的快速无损鉴别

通过近红外光谱仪采集各种食用油与掺杂的初榨橄榄油的数据,运用聚类分析法对各种食用油进行聚类分析,结合主成分分析法对橄榄油的掺杂与否进行定性判别。结果表明,聚类分析和主成分分析法都有很好的定性鉴别能力,主成分分析法的鉴别模型预测未知样本的正确率达到100%。该方法快速、无损、简便,为橄榄油掺杂的定性鉴别提供了一种新的选择。     

基于近红外光谱技术和优化预处理方法的豆浆粉无损鉴别研究

基于近红外光谱技术结合不同优化预处理方法建立不同品牌与简单研磨豆浆粉的无损鉴别方法。首先对简单研磨豆浆粉、国产品牌、国外品牌3类共132个样品进行近红外光谱采集,对比分析其近红外原始光谱图,随即结合不同预处理方法考察其对原始光谱的优化结果,最后结合主成分分析方法对简单研磨豆浆粉以及国内外不同品牌豆浆粉进行鉴别分析,筛选出最佳的优化预处理,并建立有效可靠的豆浆粉近红外鉴别模型。结果表明:原始光谱存在着明显的背景干扰和基线漂移现象,多种预处理均在一定程度上有效消除基线漂移;一阶导数、连续小波变换、多元散射校正、标准正态变量变换及其优化组合预处理的使用,实现了进口、简单研磨、国产3类豆浆粉样品的有效鉴别,但无法实现国产品牌之间的有效鉴别。二阶导数预处理的聚类分析结果则最终实现了所有品牌之间的完美区分,品牌间的鉴别成功率可达到100%。在豆浆粉的近红外快速无损鉴别当中最优光谱预处理方法为二阶导数预处理。     

近红外光谱技术定性鉴别蜂蜜品种及真伪的研究

提出了蜂蜜品种及真伪定性鉴别的新方法。在12000～4000cm-1范采集荆条蜜、槐花蜜、油菜蜜和掺假蜜的近红外光谱,结合一阶导、多元散射校正及变量标准化)三种方法对光谱进行预处理,以主成分分析结合马氏距离判别法,在不同谱区建立蜂蜜品种及真伪定性鉴别模型。研究发现6100～5700cm-1谱区为最佳建模波段,品种判别正确率达90%以上,真伪鉴别正确率为93.10%。     

近红外光谱技术鉴别地理标志产品黄骅冬枣

采用近红外光谱技术结合合格性测试、主成分分析聚类方法,建立了快速鉴别地理标志产品黄骅冬枣的模型。收集产地不同的冬枣,使用聚焦不旋转固体漫反射方法,设定分辨率16cm-1,扫描范围4000¹2000cm-1,采集样品近红外光谱。每个产地随机选取45个枣果,其中30个用来建立模型,余下的15个用于预测。通过对预处理方法和光谱波段的选择,两种方法使用的光谱范围均为4952.7⁵693.2cm-1和6611.3⁷537cm-1。原始光谱经矢量归一化预处理后进行合格性测试分析,建立黄骅冬枣的鉴别模型,预测准确率93.3%;经一阶导数+矢量归一化,17点移动式平均平滑预处理后,采用主成分分析（PCA）法对光谱进行聚类,预测准确率93.3%。两种方法均可作为快速无损地鉴别真伪黄骅冬枣的技术依据。      

基于KPCA苹果近红外光谱的特征提取研究

利用核主成分分析(KPCA)对苹果近红外光谱进行特征提取,不但使得光谱维数大幅降低,而且能有效地提取原始光谱的非线性信息。实验表明,KPCA结合支持向量回归机(SVR)建立的苹果酸度回归模型与PCA-SVR和SVR模型相比,提高了预测精度,缩短了训练时间和预测时间,是一种有效的光谱特征提取方法。     

基于近红外光谱技术快速检测椰汁品质

本研究应用近红外光谱技术结合主成分分析法(PCA)对3个不同品种的椰子,3个不同品牌成品椰子饮料及椰子粉进行定性分析。结果表明,对椰子3种不同形式的加工产品(椰子原汁、椰子饮料、椰子粉)进行定性分析的准确判别率均达到100%。采用近红外光谱技术结合偏最小二乘法(PLS)对椰汁饮料中原汁含量进行定量分析。为保证所建模型的稳健性、准确性,消除干扰,采用6种不同的预处理方法对近红外光谱技术进行优化,结果表明经过中心化预处理可得最佳模型,其R_p²、RMSEP、R_c²、RMSEC分别为0.9942、0.0435、0.9932、0.0519。本研究表明近红外光谱技术可为市售椰汁及椰子加工制品品质的快速、无损检测提供一种新思路。     

基于近红外光谱技术和优化预处理方法的不同品牌燕麦无损鉴别分析

目的 建立红外光谱预处理方法以实现对不同品牌燕麦的快速无损鉴别。方法 通过对不同品牌燕麦样品近红外光谱进行采集, 结合单一以及组合光谱预处理方法消除光谱干扰, 最后利用主成分分析法构建稳健的鉴别模型。结果 光谱预处理有效消除了变动背景以及基线漂移干扰, 最佳预处理方法为二阶导数, 可以实现进口、国产、劣质燕麦之间的完全鉴别。结论 通过近红外光谱预处理方法对原始光谱图进行处理, 可以提取光谱图中有用信息, 消除样品自身不均等因素对光谱的影响, 提高不同品牌燕麦鉴别的准确率。     

近红外光谱法快速鉴别涪陵榨菜品牌的研究

提出了一种基于近红外漫反射光谱技术快速鉴别涪陵榨菜品牌的方法。应用近红外漫反射光谱技术对市场上6种典型品牌涪陵榨菜提取光谱,并对获得的原始光谱数据进行平滑、一阶导数以及矢量归一化等预处理后,采用因子法计算样品间的光谱距离,通过ward’salgorithm方法进行聚类分析。并与判别分析的实验结果进行了对比,结果显示聚类分析和判别分析对6种涪陵榨菜品牌均能很好地鉴别。      

基于近红外光谱技术的咖啡掺假快速鉴别方法

本文研究了利用近红外光谱技术结合AdulterantScreen算法建立的咖啡快速鉴别方法。采用傅里叶变换近红外光谱仪采集咖啡样品光谱,建立标样(材料光谱)光谱数据库,采集掺假物光谱数据,建立掺假物光谱数据库,建立了咖啡分类模型及掺假物模型,运用Adulterant Screen算法技术对模型的主成分及掺假成分进行计算分析,建立了咖啡掺假快速鉴别模型。本咖啡快速鉴别方法对含量在2%、5%、10%、15%、20%、30%及40%巴西莓果粉和5%、10%、15%、20%、30%及40%大麦掺假咖啡可以实现有效的掺假鉴别,最低识别咖啡中巴西莓果粉及大麦掺假含量分别为2%及5%。利用近红外光谱技术结合Adulterant Screen算法建立咖啡快速鉴别模型可以鉴别咖啡中巴西莓果粉和大麦等掺假物,为咖啡样品掺假鉴别提供了一种快速、可靠、无损的检测方法,能有效的运用于咖啡样品掺假鉴别的日常检测工作中。     

基于近红外光谱技术的空苞山核桃快速识别

空苞山核桃是指果实没有种仁或者发育受阻的山核桃,严重影响山核桃产品品质。为实现空苞山核桃的快速无损识别,利用2种近红外检测装置在200～1 160 nm波长范围采集带壳山核桃样本的光谱,采用8种预处理方法进行光谱预处理,利用竞争自适应重加权采样（CARS）方法筛选空苞山核桃的特征波长变量,最后应用线性判别分析（LDA）、二次判别分析（QDA）和马氏距离判别分析（MDA）建立空苞和正常山核桃的分类模型。结果表明,使用检测装置1所建立的空苞山核桃分类模型性能优于检测装置2的分类模型,经多元散射校正（MSC）预处理后建立的分类模型的识别结果最好,LDA、QDA及MDA模型的特异性、敏感性和正确率均为1,优于其它预处理方法建立的分类模型。经CARS变量筛选后,建模所用的光谱变量数目大大减少,有效简化了分类模型,而模型性能仍与全波长模型性能持平。本文为空苞山核桃的快速、无损识别提供了一种可行的方法。     

基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量

为了快速无损检测不同品种("松花"、"雪白")花椰菜中硫代葡萄糖苷的含量。本实验采集新鲜收获的"松花"、"雪白"花椰菜样本进行可见/近红外光谱的采集、提取和分析。首先,采用基线校正(Baseline)、标准正态变量变换(Standard Nomal Variate transform,SNV)、中值滤波(Median Filter,MF)、高斯滤波(Gaussion Filter,GF)、S-G平滑(Savitzky-Golay)五种方法进行原始光谱的预处理分析。然后,分别采用连续投影算法(Successive Projections Algorithm,SPA)、回归系数法(Regression Coefficient,RC)进行特征波段的提取,并采用主成分分析法(PrincipalComponentAnalysis,PCA)进行主成分的提取,在此基础上,结合最佳预处理方法建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型。结果表明:"松花"花椰菜的光谱数据所建立的MF-PCA-PLS模型最佳,校正集模型参数Rc=0.89,RMSEC=1.23,预测集模型参数Rp=0.89,RMSEP=0.63。"雪白"花椰菜光谱数据所建的MF-RC-PLS模型最优,校正集模型参数Rc=0.87,RMSEC=1.31,预测集模型参数Rp=0.73,RMSEP=0.46。由此可见,近红外光谱结合PLSR算法能够快速、无损、准确地检测花椰菜中硫代葡萄糖苷的含量。     

基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

Rapid Discrimination of Fish Feeds Brands Based on Visible and Short-Wave Near-Infrared Spectroscopy

Visible and short-wave near-infrared spectroscopy (Vis/SW-NIRS) was investigated in this study to distinguish four different brands of granular and ground fish feeds. A total of 240 samples were prepared for spectra collecting from a field spectroradiometer (325–1,075 nm), 160 of which were randomly selected to create the calibration model, and the rest 80 ones to verify the model. Three types of pretreatments including standard normal variate (SNV), multiplicative scattering correction (MSC), and Savitzky–Golay smoothing were adopted to eliminate the system noises and external disturbances. Then partial least squares analysis was implemented for calibration models. For granular samples, the discrimination ability of SNV and MSC was better than smoothing. However, for ground samples, the recognition ability of smoothing surpassed SNV and MSC. Moreover, for threshold values of ±0.1 and ±0.2, the average discrimination accuracy rates were 85.8% and 97.5%, respectively, for four granular samples and 95.4% and 100%, respectively, for ground samples, which signified the better discrimination performances of ground samples than granular ones. The results indicated that Vis/SW-NIRS technique could be promising to be applied as a rapid and highly accurate way for the qualitative discrimination of fish feeds brands.     

基于近红外光谱法的鱼粉快速判别

基于近红外漫反射光谱分析技术对市场上常见的淡水鱼粉、进口鱼粉和国产鱼粉3 类商品化的鱼粉样品进行自动化判别实验。通过分析鱼粉样品光谱之间的差异,采用主成分分析法建立鱼粉种类的定性判别的分类模型,光谱范围为波长1 100～2 498 nm,交互定标决定系数为0.913 5,交互定标标准误差为0.133 8。通过对验证样品的分析,建立的判别模型预判准确率达到84.6%,外部验证准确率达到100%。结果表明,近红外光谱技术结合化学计量学法可以作为一种快速、无损、可靠的方法用于鱼粉种类的判别。     

近红外光谱快速测定巧克力中掺假淀粉

巧克力作为一种休闲食品,以其细腻的口感和独特的口味而广泛受到消费者的青睐。然而,近几年来关于巧克力掺假的报道不断涌入人们的视野。其中,以廉价淀粉掺假巧克力的手段最为常见。本文研究利用近红外光谱快速检测巧克力中掺假红薯淀粉和马铃薯淀粉的方法,采用主成分回归(principal component regression,PCR)和偏最小二乘法(partial least squares regression,PLS)建立校正模型,并对比了光谱区间、光谱预处理方式以及主因子数对模型的影响。结果显示,采用PLS建模,光谱采用一阶导数处理(7pts),光谱区间选择在7000~4200 cm-1,主因子数为8时,模型预测效果最佳。结果表明,模型的预测误差均方根RMSEP=1.7%,实际值与预测值相关系数RP2=0.9426。该模型对不同掺假比例样品的加样回收率为94.2%~105.6%,日内RSD为4.7%~8.9%,日间RSD为5.1%~11.3%。结果表明,近红外光谱技术可用于快速检测巧克力中掺假淀粉。     

近红外光谱法快速测定制浆杨木的材性

用常规方法测定了4种常用制浆杨木的化学成分和基本密度,并采集了样品的近红外光谱。对光谱进行预处理后,运用偏最小二乘法和交互验证的方法,分别确定最佳主成分数并建立样品综纤维素、木素、苯-醇抽出物、基本密度的校正模型。独立验证中模型的决定系数（R2val）分别为0.9050、0.9098、0.9112、0.9165;预测均方根误差(RMSEP)分别为0.40%、0.42%、0.19%和0.0050 g/cm3;相对分析误差(RPD)分别为3.24、3.33、3.36和3.46;绝对偏差(AD)分别为-0.49%～0.77%、-0.66%～0.63%、-0.28%～0.33%、-0.0094～0.0068 g/cm3,预测均方根误差和绝对偏差基本符合对误差的要求,4个模型能够满足制浆造纸中常用杨木材性的快速测定。     

基于多源光谱分析技术的鱼油品牌判别方法研究

多源光谱分析技术被用于鱼油品牌快速无损鉴别。采用可见光谱分析技术、短波近红外光谱分析技术、长波近红外光谱分析技术、中红外光谱分析技术和核磁共振光谱分析技术采集了7种不同品牌的鱼油的光谱特征,并应用偏最小二乘判别分析法(partial least squares discrimination analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)建立判别模型并比较判别结果。基于长波近红外光谱的PLS-DA模型和LS-SVM模型取得了最高识别正确率,建模集和预测集识别正确率均达到100%。采用中红外光谱和核磁共振谱分别建立的LS-SVM模型,也可以获得100%的判别正确率。而可见光谱和短波近红外光谱则判别准确率较差。且LS-SVM算法较PLS-DA更加适合用于建立光谱数据和鱼油品牌之间的判别模型。研究结果表面长波近红外光谱技术能够有效判别不同鱼油的品牌,为将来鱼油品质鉴定便携式仪器的开发提供了技术支持和理论依据。     

烟草近红外光谱模型的适配性研究

为了研究近红外模型适配性的优劣,运用主成分分析法和马氏距离法对模型的适配性进行了考察,将超出和接近马氏距离阈值的部分样品补充进模型,对模型进行修正.修正后的模型对于待测样品化学成分:氯、钾、总植物碱、石油醚提取物、还原糖和总氮的化学预测值的相对平均偏差分别为7.44%、5.33%、3.28%、6.94%、3.26%和4.65%.说明修正后的模型能够预测更为广泛的未知样品,且预测结果更加准确.