近红外漫反射光谱法快速检测谷子蛋白质和淀粉含量

建立近红外漫反射光谱法测定谷子中的蛋白质和淀粉含量,提供一种快速、简便、无损的分析方法进行谷子品种资源鉴定和筛选。以191份山西核心谷子种质为材料,采用近红外漫反射光谱法建立谷子蛋白质和淀粉含量的快速检测模型。结果表明,采用一阶导数+矢量归一化光谱预处理,分别建立谷子蛋白质和淀粉含量的校正模型,模型的校正决定系数(R~2_(cal))分别为0.977 0和0.907 3,交叉验证均方根误差分别为0.203%和0.466%,外部验证决定系数(R~_(2val))分别为0.989 6和0.977 2,预测均方根误差分别为0.225%和0.368%。对于谷子蛋白质和淀粉的预测,化学法和近红外仪器法测定间无显著差异,近红外测定结果是准确可靠的。说明采用近红外漫反射光谱分析技术能够满足对谷子蛋白质和淀粉含量的检测。     

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。     

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据,建立基于偏最小二乘法(partial least squares regression,PLSR)和深度极限学习机(deep extreme learning machines,DELM)的小麦粉灰分含量预测模型;通过分析3种预处理算法和4种波长选择算法,分别选出最佳的预处理与波长选择方法,最后构建基于特征波段光谱信息的预测模型,并对结果进行比较。结果 标准正态变量校正(standard normal variable,SNV)为最佳预处理方法;连续投影算法(successive projections algorithm,SPA)相较于随机森林(random forest,RF)、无信息变量消除(uninformative variable elimination,UVE)和遗传算法(genetic algorithm,GA)选择特征波长的模型更优;DELM模型更适用于灰分含量的检测,最优模型的测试集决定系数为0.968,预测集均方根误差为0.024。结论 高光谱成像技术可以快速、精准的...     

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。     

虾样品不同采集状态对近红外光谱PLS模型的影响

研究了不同采集状态的虾样品对近红外光谱PLS模型的影响。利用DA7200近红外光谱仪,采集南美白对虾完整虾和虾糜的近红外光谱曲线。采用Unscrambler10.3软件选择最佳光谱预处理方法和最优波段,建立了完整虾和虾糜与挥发性盐基氮(TVB-N)值、菌落总数(TBC)值关联的偏最小二乘(PLS)模型,并对模型进行评价和验证。结果表明:定标集虾糜模型中的校正相关系数rc,校正决定系数Rc2,交叉验证相关系数rv,交叉验证决定系数Rv2,均高于完整虾模型;校正均方根误差RMSEC,校正标准误差SEC,交叉验证均方根误差RMSECV,交叉验证标准误差SECV均低于完整虾模型。验证模型中虾糜预测模型中相关系数r均大于完整虾预测模型,预测均方根误差RMSEP,预测标准误差SEP均低于完整虾预测模型,且虾糜预测模型对TVB-N、TBC值预测值更为准确,表明以虾糜作为近红外光谱采集状态优于完整虾。     

近红外光谱法预测面条中马铃薯泥含量模型的建立和应用

制作了已知含量的马铃薯泥面条170份,采集马铃薯泥面条的近红外吸收光谱,采用偏最小二乘法(PLS)建立并优化马铃薯泥含量预测模型。结果表明:吸收谱图扫描范围为9 403.6～5 446.2cm-1时,选择矢量归一化法预处理光谱,获得的含量预测模型预测能力好,模型的外部验证决定系数为0.956 4、预测均方根误差为3.73%,斜率为1.029,模型的相对分析误差为2.04。采用近红外光谱法建立的预测模型可以较好的预测未知面条样品中马铃薯泥的含量。     

近红外光谱分析技术在糜子品质检测中的应用

为寻找一种简便易行的糜子籽粒水分、淀粉、粗蛋白、粗脂肪含量测定方法,以120个普通糜子品种为材料,采用近红外漫反射光谱(NIRS)法测定糜子籽粒水分、淀粉、粗蛋白、粗脂肪含量进行了研究。结果表明,采用一阶导数+减去一条直线、矢量归一化光谱预处理,分别建立水分、淀粉、粗蛋白、粗脂肪含量的校正模型,校正和预测效果最佳。模型的校正决定系数(R~2cal)分别为0.921 0、0.905 8,0.926 3和0.904 5,交叉验证决定系数(R~2cv)分别为0.921 0、0.900 2、0.940 0和0.881 2;外部验证决定系数(R~2val)分别为0.912、0.801、0.890和0.786。结果表明该模型代替化学分析法鉴定糜子品质是完全可行的。     

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。     

基于近红外光谱构建酒用高粱主要理化指标的快速无损分析模型

为满足对于酒用高粱直链淀粉、支链淀粉、蛋白质、脂肪、单宁含量快速检测的需求,本文采用17种光谱数据预处理方法和4种波段挑选算法建立了这些指标的近红外光谱分析模型。结果表明,各指标最佳光谱预处理方法分别为一阶导数+多元散射校正+Z-score标准化、矢量归一化+均指中心化、标准正态变量变换+Z-score标准化、多元散射校正、标准正态变量变换+Z-score标准化,预测直链淀粉、支链淀粉、蛋白质、单宁含量最佳的波段挑选方法为蒙特卡洛-无信息变量消除,脂肪为竞争自适应重加权采样法。整粒高粱这5项指标最优模型的决定系数（R2）分别为0.9560、0.8765、0.9069、0.8658、0.8841,交叉验证均方根误差（RMSECV）值分别为1.3222、2.3477、0.3549、0.2164、0.1077,外部独立样品验证结果显示模型预测准确率高。本文所建立的近红外分析模型可为酿酒行业实现对高粱的快检提供技术参考。     

鸡蛋脂肪含量近红外光谱无损检测技术研究

为建立近红外光谱无损检测鸡蛋脂肪含量的方法,在近红外光谱全波段内采集鸡蛋样品的漫反射光谱图,用酸水解法测定鸡蛋样品中的脂肪含量。对采集的光谱进行最小-最大归一化(Min-max Normalization,MMN)、矢量归一化(Vector Normalization,SNV)、平滑、一阶导数(First Derivative,FD)及多元散射校正(Multiplicative Scatter Correction,MSC)处理,用偏最小二乘法(Partial Least Squares,PLS)对鸡蛋脂肪含量建模验证。结果表明,经多元散射校正(MSC)法预处理,偏最小二乘法(PLS)建模以及杠杆校正(Leverage Correction)检验,鸡蛋的脂肪含量与其近红外光谱信号之间存在线性关系,校正集和验证集相关系数R2分别0.947 5,0.906 3,校正均方差RMSEE为0.173 2,预测均方差RMSEP为0.231 4,模型效果最好,可用于鸡蛋中脂肪含量的无损检测。     

基于近红外漫反射技术的大米脂肪含量的研究

利用大米脂肪含量化学分析值及其近红外漫反射光谱建立分析大米中脂肪含量的数学模型.运用OPUS5.0定量分析软件优化,采用偏最小二乘法(PLS)算法,得到最佳光谱预处理方法为乘法散射校正法(MSC),选取11 998.9～4 246.5cm-1为最佳谱区,最佳主成分维数为8.由此参数进行内部交叉检验,建立校正模型,交叉验证决定系数(R2)为0.998 1,交叉验证误差(RMSECV)为0.0191;外部验证决定系数(R2)为0.988 9,预测误差(RMSEP)为0.024 1,证明了利用近红外光谱技术测定稻米脂肪含量的可行性.     

近红外法测定豆浆蛋白质、脂肪和可溶性固形物含量

利用傅里叶变换近红外光谱仪采用积分球漫反射方式对60个豆浆样品进行光谱的采集,结合常规分析结果分别建立了3种成分的近红外校正模型。结果表明:豆浆蛋白质、脂肪及可溶性固形物光谱分别经过消除常数偏移量、一阶导数和矢量归一化(SNV)预处理后建模效果最好。蛋白质、脂肪和可溶性固形物含量的校正模型决定系数(R2)分别为:0.966 4、0.950 0和0.950 7,交叉验证均方根差(RMSECV)依次为0.076 9、0.087 4和0.316;对模型进行外部验证,验证集化学值和模型预测值之间差异不显著,说明模型可以用于豆浆中蛋白质、脂肪和可溶性固形物含量的检测。     

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。     

拉曼光谱结合模拟退火的小麦粉灰分含量检测

针对当前小麦粉中灰分的检测方法测量周期长,且手工操作复杂,容易产生误差的问题,研究提出采用拉曼光谱技术,结合5种光谱预处理方法和模拟退火算法进行波数筛选两方面优化小麦粉中灰分的拉曼光谱模型。实验结果中,卷积平滑SG(17)+标准正态变换(SNV)+模拟退火(SAA)的优化方式效果最优,相关系数(R~2)为0.9875,均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.0161和0.15,相对分析误差(RPD)高达8.1679,模型稳健性参数良好。研究结果表明,在模型待测组分浓度与波数相关性以及模型预测准确性方面展现了自身的优越性,该方法简单实用,快速准确,有望将此技术扩展应用于整个食品行业。     

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.     

近红外光谱法预测面条中马铃薯泥含量模型的

制作了已知含量的马铃薯泥面条170份,采集马铃薯泥面条的近红外吸收光谱,采用偏最小二乘法（PLS）建立并优化马铃薯泥含量预测模型。结果表明：吸收谱图扫描范围为9 403.6～5 446.2 cm^-1时,选择矢量归一化法预处理光谱,获得的含量预测模型预测能力好,模型的外部验证决定系数为0.956 4、预测均方根误差为3.73%,斜率为1.029,模型的相对分析误差为2.04。采用近红外光谱法建立的预测模型可以较好的预测未知面条样品中马铃薯泥的含量。     

基于太赫兹技术的小麦粉品质快速检测研究

该研究针对目前小麦粉品质方面检测方法存在的问题,提出利用太赫兹光谱技术对小麦粉进行快速无损品质检测研究。使用光谱仪与成像仪,采集了不同种类小麦粉样本的太赫兹光谱,使用TQ Analyst软件结合距离匹配法对小麦粉的太赫兹扫描光谱进行定性分析研究,富强粉和麦芯粉成功分类,模型性能指数达到88.9%,预测准确率达100%。使用OPUS软件结合偏最小二乘法（PLS）和一阶导数+矢量归一化（SNV）进行定量分析研究,水分定量模型R2为91.18%,交叉验证均方根为0.182;灰分定量模型 R2为83.37%,交叉验证均方根为0.064,最终通过实验结果分析得出太赫兹技术在食品品质检测方面的可行性。     

基于近红外技术快速检测棉籽饼粉水解液中氨基氮含量

利用近红外(NIR)光谱技术结合偏小二乘(PLS)的方法,通过分别选择不同波长、不同光谱预处理方法,建立并优化棉籽饼粉水解液中氨基氮含量校正模型。波长选择为1 300¹ 800 nm,采用光谱预处理阶导数+减条直线,得到校正模型的交叉验证均方根(RMSECV)为0.457 g/L,决定系数(R2)为0.927 2,剩余预测偏差(RPD)为3.71。并对校正模型进行外部检验,预测含量与实际含量进行对比,决定系数为0.944 5,平均相对误差为5.05%。结果证明预测模型能够快速、准确地对棉籽饼粉水解液氨基氮含量进行预测和监控,为建立棉籽饼粉水解液评价系统奠定定基础。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

基于近红外光谱技术的茶籽油掺伪定性鉴别和定量分析

茶籽油是我国特有的高级食用油。近年来茶籽油掺伪现象层出不穷，本研究利用傅里叶近红外(FT-NIR)光谱与化学计量学相结合，获得一种快速对不同掺假类型（低芥酸菜籽油、大豆油、二元混合油）和不同掺假度（0%-100%）的茶籽油进行定性和定量检测的方法。基于近红外差异光谱进行判别分析（discriminant analysis，DA），DA成功识别了不同掺假度的二元与三元混合茶籽油。通过对手动与自动筛选的不同波段结合不同预处理方法建立偏最小二乘法（Partial least squares，PLS）定量分析模型，最佳模型对掺假水平具有良好的预测性能，决定系数(R2)均大于0.91。校正均方根误差(RMSEC)和预测均方根误差(RMSEP)均接近于0。通过交叉验证，最佳模型的交叉验证相关系数均大于0.98，交叉验证均方根误差均小于0.05，表明筛选的最佳模型均具有良好的稳定性。通过外部验证，最佳模型对不同掺假类型的中、高掺假度（≥10%）的样品识别率高达100%。研究表明，利用近红外光谱技术结合化学计量学能够实现茶籽油掺假的快速、无损鉴定。