近红外光谱技术在南美白对虾鲜度判别中的应用

利用近红外光谱技术建立数学模型,预测南美白对虾鲜度变化时挥发性盐基氮(TVB-N)和菌落总数(TBC)的含量。对42个虾糜样品进行扫描,获得950¹ 650 nm光谱信息,运用Unscrambler10.3软件进行计算,光谱经过一阶导数、Savisky-Golay(SG)平滑和标准正态变化(SNV)预处理,运用偏最小二乘法(PLS)建立TVB-N及TBC模型,并对模型进行验证。结果表明:TVB-N模型中定标集和预测集相关系数分别为0.980和0.923,交叉验证标准方差(RMSECV)和预测均方根误差(RMSEP)分别为1.189和2.179;TBC模型中定标集和预测集相关系数分别为0.991和0.943,RMSECV和RMSEP分别为0.136和0.603,表明所建模型取得了较好的预测效果,可以很好的判别虾新鲜度。     

三倍体毛白杨木素和苯醇抽提物的近红外光谱法测定

选取了有代表性的78个三倍体毛白杨样品,先用国家标准方法测定样品的Klason木素和苯醇抽提物含量,然后用近红外光谱仪进行快速检测。所得扫描光谱进行＂二阶导数、减去一条直线＂预处理后,运用偏最小二乘法PLS、完全交互验证以及外部验证方式建立相应预测模型。木素校正模型的相关系数达到了0.8883,标准误差SEC=0.612,预测模型的相关因子达到0.8634,均方根误差RMSEP为0.944。苯醇抽提物校正模型的相关系数达到了R=0.9007,校正标准误差SEC=0.39,预测模型的相关因子达R=0.8857,均方根误差RMSEP为0.603。结果表明,用近红外光谱技术可以实现对三倍体毛白杨木素和苯醇抽提物含量的快速分析。     

近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量

应用近红外光谱技术结合不同的定量分析方法建立面粉4种组分的快速定量模型。国标法测定68种面粉样品的水分、脂肪、碳水化合物和蛋白质的含量,并采集其近红外漫反射光谱图。选取58个校正集和10个验证集样品,通过马氏距离法剔除异常样品后,对比17种光谱预处理方式所建立的基于全光谱的偏最小二乘法(partial least squares,PLS)定量模型效果,在最佳预处理方法的基础上,采用向后区间偏最小二乘法(Backward interval PLS,BiPLS)筛选特征光谱,进一步得到最佳定量模型。结果表明,所建立的模型校正集相关系数Rcv均大于0.9650,内部交叉验证均方根误差均小于0.328;验证集相关系数均大于0.9926,预测均方根误差均低于0.383。因此,模型具有较好的准确性和稳定性,能应用于面粉的多指标快速检测。     

采用正交投影偏最小二乘法快速无损分析乳粉蛋白质含量

应用近红外光谱分析技术,建立了不同品牌不同种类不同批次的乳粉原样和混合样的蛋白质定量分析模型。采用正交投影偏最小二乘法(orthogonal partial least squares,OPLS)建立近红外光谱回归模型,并与其他预处理方法和传统偏最小二乘法(partial least squares,PLS)对比;采用交叉验证法(cross-validation)全局寻优方式获得OPLS和PLS模型的最佳参数;5个主成分建立的OPLS校正模型效果最佳,相关系数R为0.994 0,校正集交叉验证均方根RMSECV为1.09,预测集的化学值与模型预测值的相关系数R达到0.976 7,分析模型的预测误差均方根RMSEP为0.905。结果表明:OPLS回归方法在简化模型的同时提高了模型的预测泛化性能,能够快速无损建立乳粉的蛋白质近红外定量模型。     

发酵液中乙醇含量的近红外光谱NIRS定量分析与验证

应用近红外光谱技术(NIRS),采用偏最小二乘法(PLS)建立发酵液中乙醇含量定量分析预测模型,并比较发酵液原液和发酵液上清液NIRS预测模型对预测乙醇含量的效果差异。结果表明,发酵液原液所建立的乙醇含量和发酵上清液所建立的乙醇含量预测模型校正误差(SEC)、交叉检验标准误差(SECV)、校正相关系数(RSQ)、交叉验证相关系数(1-VR)皆有很好的关联性。由此可见,通过内部交叉检验和外部验证.用近红外光谱法测定发酵液中的乙醇含量具有很高的准确度,为近红外光谱法快速监测乙醇发酵提供了新的方法。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

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。     

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。     

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R~2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。     

酸奶中非脂乳固体的近红外定量分析模型建立

采用偏最小二乘回归PLS建模算法,建立酸奶中非脂乳固体的近红外定量分析模型,并对模型进行验证评估。收集92组酸奶样品,并用漫反射方法采集得到近红外扫描光谱,光谱经过MSC、一阶导数、S-G平滑等预处理,选取波数范围6 000~10 000 cm-1,用PLS法建立得到了较优模型,其相关系数R为0.99078,均方根校正误差RMSEC为0.152,均方根预测误差RMSEP为0.330,性能指数PI为83.1。用此模型对25组酸奶样品进行了预测,预测效果较好。