基于近红外光谱构建虹鳟鱼营养成分快速检测模型

目的 基于近红外光谱构建虹鳟鱼营养成分快速检测模型。方法 先采集200条虹鳟鱼近红外光谱数据,再用国标方法测定每条虹鳟鱼3种营养成分（水分、脂肪和蛋白质）的含量,将近红外光谱数据与营养成分数据一一对应,利用近红外光谱技术(near-infrared spectroscopy, NIR)结合偏最小二乘法(partial least squares, PLS)建立近红外快速检测模型,并筛选出最佳检测模型。结果 水分含量检测模型的预处理方法为多元散射校正(multiple scatter correction, MSC),波段为4000~10000 cm-1时,模型最优;脂肪含量检测模型预处理方法为标准正态变量变换(standard normal variable transformation, SNV),波段为5000~7144,7404~10000 cm-1时模型最优;蛋白质检测模型的预处理方法为二阶导数(ds2)+SNV+Savitzky-Golay平滑(sg9),波段为4100~5100,5400~9000 cm-1时模型最优,最优模型的Q值、校正模型相关系数(RC)、交互验证集相关系数(RP)均较大,校正集标准差(SEC)和预测集标准误差(SCP)互相接近,满足最佳建模原则。结论 使用未参与建模的预测集对最佳模型进行验证,跌出结果为预测值与真实值（国标方法测定值）的绝对偏差均不超过5.7%,说明该模型可用于虹鳟鱼3种营养成分的检测,可实现虹鳟鱼营养成分的无损、快速检测,节约检测成本,缩短检测周期。     

近红外光谱定量技术在方便面油份快速测定中的应用

探讨了用近红外漫反射光谱快速无损检测方便面含油率的数据处理方法，采用浸反射光谱、一阶导数光谱和二阶导数光谱，使用了四元线性向前逐步回归和BP人工神经网络的数学方法，对40个校正样本建立了的线性和非线性两种校正模型，用28个预测样要检验了校正模型的预测精度，其中线性校正模型中，采用二阶导数光谱的预测精度最好，预测平均误差为5．741％，预测误差的标准差为1．842；非线性校正模型中，采用一阶导数光谱，隐层单元数为2时，校正模型的预测精度最好，预测平均相对误差为5．149％，预测误差的标准差为1．675结果表明近红外漫反射光谱分析检测方便面的含油率能满足实际生产的要求。     

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。     

基于近红外建立荞麦营养成分快速检测模型

为探索一种快速、高效测定荞麦营养成分含量的方法,从内蒙古等地收集荞麦样品66份,采集样品近红外漫反射光谱图,并参照国标法测定样品水分、灰分、脂肪、蛋白质、淀粉含量,利用样品近红外光谱指纹结合化学计量学方法建立荞麦各营养成分的快速检测模型。结果,在10 000～4 000 cm^-1波数范围内,分别对近红外光谱进行多元散射校正+一阶导数处理、一阶导数处理+标准正态变换及去趋势算法、无预处理、二阶导数+标准正态变换及去趋势算法,结合化学测定值建立的营养成分快速检测模型的校正和预测效果最佳;所建立的水分、灰分、脂肪、蛋白质、淀粉含量快速检测模型交叉验证决定系数R²分别为81.601 0%、94.086 2%、80.942 3%、99.897 5%、99.857 6%,外部验证决定系数R²分别为81.60%、94.09%、80.94%、99.97%、99.86%,且验证结果预测值及化学值差异不显著。建立的模型可以满足荞麦营养成分的快速检测。     

样品形态对绿茶品质成分近红外定量预测的影响

对110份绿茶样采用偏最小二乘法(PLS)建立水分、全氮量、粗纤维、水浸出物、茶多酚、咖啡碱和游离氨基酸的近红外预测模型。考察完整样、粉碎样的近红外光谱对该7种成分的建模效果,以及茶汤的近红外光谱对水浸出物、茶多酚、咖啡碱和游离氨基酸的建模影响。研究显示粉碎样光谱建立的模型最优,交叉验证均方差(RMSECV)和预测均方差(RMSEP)均小于0.5,外部验证的决定系数(R2)除粗纤维的为0.8598外,其余成分的R2均在0.9以上。茶汤光谱建立的模型效果不理想,其中咖啡碱和游离氨基酸的R2不超过0.5,相对分析误差(RPD)小于2.5%。结果表明:绿茶进行粉碎处理比完整样以及制备成茶汤建立的模型更为可靠,使用近红外光谱技术可以快速检测绿茶的7种成分。     

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油茶籽出油率和过氧化值

对漫反射近红外光谱(near infrared spectroscopy,NIR)应用于油茶籽出油率和过氧化值的快速批量检测进行研究。以广东梅州37份油茶籽为研究对象,采用NIR结合偏最小二乘法建立了出油率和过氧化值的定量模型。所建模型训练集和验证集的相关系数均在0.99以上,交叉验证均方差(RMSECV)分别为0.961 8和0.983 6。外部验证显示,预测值最大相对偏差分别在3%和9%以内,配对样本T检验中P值均大于0.05。表明所建NIR模型有较好的预测能力,可应用于油茶的质量安全和优质选种的大批量快速检测。     

近红外光谱法快速测定啤酒中乙醇的含量

建立快速测定啤酒中乙醇含量的近红外光谱法(NIR)。采用傅立叶变换近红外光谱法(FT-NIR)，在近红外区域(750～2500nm)利用逐步回归分析的方法测定啤酒中乙醇的含量，并将傅立叶变换近红外光谱对未知样品的预测结果与气相色谱法的测定结果进行比较。结果：选择6个波数点时其最大相关系数为0．994，预测平均相对误差为4．529％，预测误差标准差为0．163。结论：利用近红外光谱检测啤酒中乙醇含量的方法是可行的，可以替代常规的理化分析。     

近红外光谱测定酒醅

应用近红外光谱技术,以酒醅为材料建立酒醅的水分、酸度、淀粉、酒精度的含量分析模型,实现了大批量酒醅的快速检测.     

近红外光谱技术快速鉴别查哈阳大米

查哈阳大米为黑龙江特色品牌大米,为保护查哈阳大米品牌,实现查哈阳大米原产地快速真伪鉴别。通过构建不同地域和品种水稻试验田,收获期内对试验田大米的近红外光谱进行全波长扫描,筛选与产地相关特征波段。在特征波段处对来自查哈阳地区及非查哈阳地区的233份大米进行定性分析及定量分析。结果表明,与产地因素主要相关的波长为5 136~5 501 cm~(-1),利用此波段采用因子化法建立定性分析模型对查哈阳大米正确鉴别率为100%,采用偏最小二乘法建立的定量分析模型对查哈阳大米正确判别率为95.83%。     

近红外光谱技术在食品安全领域应用研究进展

近红外光谱技术作为一类新型的分析检测技术,在食品安全领域有着广阔的应用前景。综述了该技术在食品品种、产地和掺假真伪鉴别,致病菌、药物残留检测,污染物鉴别以及转基因食品鉴定等方面的应用研究进展,旨在为推动近红外光谱技术在食品安全检测方面的应用提供参考。     

近红外光谱技术在乳制品快速检测中的应用研究进展

近红外光谱（NIR）技术作为一种高效、快速、便捷、低成本、无污染的检测方法,在乳制品快速检测中具有广泛的应用。该文首先阐述了近红外光谱技术的原理,并探讨了其优缺点,列举了常用的化学计量学方法,综述了近红外光谱技术应用于乳制品中掺假识别、微生物快速检测、化学成分快速检测、快速鉴定牛奶品牌等方面的最新研究进展和成果,为近红外光谱技术在乳制品快速检测中的应用推广提供参考。     

食醋总酸近红外快速检测方法的研究

利用傅立叶变换近红外光谱技术结合偏最小二乘法（PLS）对食醋的总酸进行快速检测分析。随机采集106个不同酸度食醋的实验数据、扫描近红外光谱图,选择最优的光谱预处理方法优化、建立模型。利用模型对15个未参与建模的食醋样品总酸的含量进行预测,外部验证模型的准确性。结果表明,食醋总酸实测值与对应采集的近红外漫反射光谱相关联建立的快速检测模型,其近红外食醋总酸模型的交叉验证决定系数（R2）为0.972 3,交叉验证均方差（RMSECV）为0.062 1。经外部验证后,该模型食醋总酸预测值和实测值的绝对偏差平均值为0.035,最大相对误差为1.383%,两者间相关性系数为0.995。该方法可以快速、高效、简便地用于食醋总酸的快速检测。     

近红外光谱技术分析草鱼的质构特性

采用化学计量学方法,测定211个草鱼样品鱼肉的质构参数和持水性,并采集各样品的近红外光谱,以建立基于近红外光谱技术的草鱼质构特性的快速检测方法。结果表明,样品数据范围较大,可满足建模要求,比较多种光谱预处理方法,确定正交信号校正(OSC)适宜分析鱼肉持水性、硬度、回复性、弹性和剪切力的大小,而鱼肉咀嚼性的近红外光谱的最佳预处理方法是数据标准化(S)。采用偏最小二乘法分别建立草鱼各质构指标的近红外定量分析模型。所建立的鱼肉持水性、硬度、回复性、弹性、咀嚼性和剪切力指标的近红外光谱模型的相关系数分别为0.9194、0.9812、0.9830、0.9871、0.7860和0.9896,说明除了咀嚼性模型外,草鱼质构指标各数学模型的预测值和实测值之间具有较高的相关性,采用该方法能较为准确、快速地测出草鱼鱼肉持水性、硬度、回复性、弹性和剪切力的值。     

葛粉掺假的近红外漫反射光谱快速检测

研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光 谱,采用主成分回归和偏最小二乘法建立校正模型,并对比光谱预处理方法和光谱建模区间对模型的影响。结果表 明,采用偏最小二乘法建模,光谱采用标准正态变量变换预处理,光谱区间选择在962～1 389 nm时,模型预测效 果最佳,外部验证预测相关系数（RP 2）达0.994 5,均方根误差2.298 7%,相对分析误差13.56,平均回收率99.89% （n=9,RSD=2.96%）,这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。     

近红外光谱法快速测定米糠油中谷维素的含量

为了简便、快速、准确地测定米糠油中的谷维素含量,以LS/T 6121.2—2017的高效液相色谱法为测定米糠油中谷维素含量的参比方法,采用近红外光谱分析技术结合偏最小二乘法建立了米糠油中谷维素含量的定量分析模型。结果表明:所建定量分析模型的决定系数为99.81%,预测标准差为0.02849%,交叉验证标准差为0.03113%;利用99个验证集样品对定量分析模型进行外部独立验证,预测决定系数为99.81%,预测标准差为0.03090%,用该定量分析模型检测样品绝对误差在-0.081%~0.057%之间,相对误差在-11.86%~9.84%之间。所建立的定量分析模型预测效果较好,准确度较高,可用于米糠油中谷维素含量的测定。     

基于近红外光谱技术的小麦专用粉品质特性快速检测研究

基于近红外光谱技术,结合不同预处理和特征波长筛选方法,构建小麦专用粉的破损淀粉含量、降落数值、吸水率、稳定时间、拉伸面积、延伸度和最大拉伸阻力的偏最小二乘(Partial Least Squares,PLS)预测模型和总体预测模型,并对模型的预测能力进行评估。结果表明:去线性趋势(Detrend,DT)是破损淀粉含量和吸水率预测模型的最佳预处理方法,Savitzky-Gloay (SG)卷积平滑是降落数值和拉伸面积预测模型的最佳预处理方法,标准正态变量变换(Standard Normal Variable Transformation,SNV)是延伸度和最大拉伸阻力预测模型的最佳预处理方法。竞争性自适应重加权法(Competitive Adaptive Reweighted Sampling,CARS)可有效提高破损淀粉含量、降落数值、吸水率、拉伸面积和最大拉伸阻力预测模型的预测精度,预测决定系数分别为0.964 1、0.714 0、0.975 5、0.943 4和0.828 3;连续投影算法(Successive Projections Algorithm,SPA)可有效提高稳定时间和延伸度预测模型的效果,预测决定系数分别为0.713 5和0.953 0。总体预测模型对稳定时间、拉伸面积和最大拉伸阻力的预测效果均有所提升,剩余预测偏差(Residual Predictive Deviation,RPD)分别从1.86、4.27和2.51提升到2.43、5.26和3.11。综上可知,近红外光谱技术对小麦专用粉品质特性的无损快速检测是有效的、可行的。