小种红茶水浸出物近红外定量分析模型的建立

为实现近红外光谱技术在小种红茶中的快速无损检测,对76份有代表性的小种红茶按现行国家标准测定其水浸出物含量,采集样品的近红外光谱,采用OPUS 7.5软件,结合偏最小二乘法(partial least squares,PLS)建立小种红茶水浸出物含量的近红外定量分析模型。结果表明,所建立的水浸出物定量模型决定系数R2为95.73%,校正均方差(root mean square error of calibration,RMSEC)为0.629,验证均方差(root mean square error of prediction,RMSEP)为0.513。所建立的小种红茶水浸出物含量的近红外定量分析模型较为成功,模型预测效果较好,能够对小种红茶中水浸出物的含量进行快速地分析。     

傅里叶变换红外光谱结合化学计量法对香附水分、灰分和浸出物的快速测定

建立基于傅里叶变换红外光谱的香附水分、灰分和浸出物的快速测定模型。运用ANTARIS II FT-NIR Analyzer对60个香附样品进行近红外光谱采集。依照2015版药典中的方法测得60个香附样品的水分、灰分以及浸出物含量数据。运用TQ Analyst软件对所得香附的近红外光谱与试验所得的香附样品的水分、灰分以及浸出物含量数据建立快速测定的模型。所建立的香附水分、灰分、浸出物含量快速测定模型能较准确地对香附水分、灰分、浸出物含量进行识别与验证。其中香附水分含量模型R2为0.902 7,校正集预测均方差（root mean square error of calibration,RMSEC）为0.774,预测集的预测均方差（root mean square error of prediction,RMSEP）为0.521;香附灰分含量模型R2为0.988 4,RMSEC为0.061 9,RMSEP为0.058 5;香附浸出物含量模型R2为0.890 3,RMSEC为1.25,RMSEP为2.33。所建立的模型能够较准确地实现香附水分、灰分、浸出物含量的快速测定。     

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10000~5000 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。     

基于近红外光谱定量分析植物水解蛋白掺假牛奶

植物水解蛋白是一种典型的蛋白质含氮掺假物质,被不法商贩作为廉价的蛋白质添加到牛奶中以提高其蛋白质含量。本研究自行配置不同浓度的植物水解蛋白掺假牛奶,应用近红外光谱分析仪漫反射模块直接扫描掺假样品,同时使用透射分析模块扫描三氯乙酸前处理的掺假样品;应用TQ软件分别建模并比较两种方法差异。结果表明:使用一阶导数Norris Derivative滤波预处理,在8000~5000 cm~(-1),主成分数10,使用PCR构建了最优植物水解蛋白漫反射定量分析模型,RMSEC、RMSEP和R分别为0.224、0.214和0.98414,平均回收率为93.2479%。使用一阶导数Norris Derivative滤波预处理,在10000~7000 cm~(-1),主成分数10,使用PCR构建了最优植物水解蛋白透射定量分析模型,RMSEC、RMSEP和R分别为0.175、0.138和0.99036,平均回收率为98.7351%。经过三氯乙酸处理的透射模型更加精确和稳定,可以用于牛奶中植物水解蛋白的检测,可以为牛奶品质控制和快速定量提供参考。     

光谱预处理结合模拟退火算法的小麦粉面筋含量检测

为得到可靠的小麦粉中面筋含量定量分析模型,基于光谱预处理及模拟退火算法（simulated annealing algorithm,SAA）对近红外光谱（near infrared spectroscopy,NIR）进行优化处理。偏最小二乘（partial least squares,PLS）回归用于建立预测模型,以决定系数R2、校正均方根误差（root mean square error of calibration,RMSEC）、预测均方根误差（root mean square error of prediction,RMSEP）为指标,对比在不同光谱预处理条件下建立的回归模型与光谱预处理结合模拟退火算法优化处理条件下的回归模型。结果表明光谱预处理结合SAA-PLS模型能够有效提高模型的稳定性和预测能力,将R2从0.763?7提高到0.949?1、RMSEC从1.371?2降低到0.589?8、RMSEP从1.450?2降低到0.534?1。结果说明,光谱预处理结合模拟退火算法对光谱进行优化处理是可行的,模型预测能力和稳定性均优于未处理模型和仅进行光谱预处理的模型。     

近红外光谱快速分析成品葡萄酒指标的研究

采用近红外光谱技术结合化学计量学算法,建立了成品葡萄酒(总糖和酒精度)的快速检测方法。通过NCL对近红外光谱图谱进行预处理,使用偏最小二乘法(PLS)建立了总糖和酒精度近红外定量模型。以决定系数(R~2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)为模型质量的评价指标。R~2分别为0.9684、0.9146,RMSEC值分别为0.0810、0.2382,RMSEP值分别为0.0877、0.2352。结果表明,建立的模型预测效果较佳,具有较好的稳定性和较高的精密度,能满足成品葡萄酒生产中总糖和酒精度的快速检测需求。     

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。     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R~2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root mean square error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模型,实验结果为R~2从0.955 2提高到0.977 7、RMSEC从0.375 8降低到0.245 3、RMSEP从0.268降低到0.264。结果表明基于光谱预处理结合GA优化波长来定量分析面粉中水分含量是可行的,且准确性和误差度皆优于无优化模型。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

应用傅立叶变换近红外光谱检测婴幼儿配方奶粉中的乳糖含量

利用傅立叶变换近红外光谱（FT-NIR）技术结合偏最小二乘法（PLS）对婴幼儿配方奶粉中的乳糖进行快速检测分析。搜集 94个不同产地、不同品牌的婴幼儿配方奶粉中乳糖的实验室数据,并采集婴幼儿配方奶粉的近红外光谱图,选择最优的光谱预处理方法,优化、验证和建立模型,并预测6个未知品牌的婴幼儿配方奶粉样品的乳糖含量。结果表明,不同阶段的婴幼儿配方奶粉有非常相似 的近红外特征图谱,图谱处理后的方差为95.423 5%,该模型测定的乳糖值与高效液相色谱（HPLC）法测定的乳糖值之间的平均相对误 差均≤0.67%,相对标准偏差（RSD）均≤0.88%,均符合误差范围。该方法可以无损、快速、高效地测定婴幼儿配方奶粉中的乳糖含量。     

Short-wave near-infrared spectroscopy of milk powder for brand identification and component analysis

The aim of the present paper was to provide new insight into the short-wave near-infrared (NIR) spectroscopic analysis of milk powder. Near-infrared spectra in the 800- to 1,025-nm region of 350 samples were analyzed to determine the brands and quality of milk powders. Brand identification was done by a least squares support vector machine (LS-SVM) model coupled with fast fixed-point independent component analysis (ICA). The correct answer rate of the ICA-LS-SVM model reached as high as 98%, which was better than that of the LS-SVM (95%). Contents of fat, protein, and carbohydrate were determined by the LS-SVM and ICA-LS-SVM models. Both processes offered good determination performance for analyzing the main components in milk powder based on short-wave NIR spectra. The coefficients of determination for prediction and root mean square error of prediction of ICA-LS-SVM were 0.983, 0.231, and 0.982, and 0.161, 0.980, and 0.410, respectively, for the 3 components. However, there were less than 10 input variables in the ICA-LS-SVM model compared with 225 in the LS-SVM model. Thus, the processing time was much shorter and the model was simpler. The results presented in this paper demonstrate that the short-wave NIR region is promising for fast and reliable determination of the brand and main components in milk powder.     

CCD 短波近红外光谱快速检测牛奶中掺假物质的研究

采集了25 个合格液态牛奶样品,并制取了3 组分别掺入不同含量掺假物质的牛奶样品：水解植物蛋白粉(0.3～50g/kg),乳清粉(0.03～30g/kg),植脂末(0.03～30g/kg),每组含50 个样品。应用CCD短波近红外光谱仪(600～1100nm)扫描其透反射光谱,研究利用近红外光谱快速定量检测牛奶中掺假物质的可行性。采用偏最小二乘法建立近红外光谱与牛奶中掺假物质含量之间的定量模型。结果表明,对掺入的水解植物蛋白粉的定量预测准确度较高,相关系数为0.969,预测标准差为0.456g/kg,可以满足定量检测的需要。预测乳清粉和植脂末含量时,由于很多样品的掺假物浓度低于1‰时,受近红外光谱检测限的限制,难以准确预测牛奶中这两种掺假物的含量。     

毛木耳花生乳的研制

以毛木耳、花生为主要原料,辅以蔗糖、奶粉、复合稳定剂等辅料,经浸提、调配等工艺加工风味独特的毛木耳花生乳。通过单因素试验和正交试验对影响毛木耳花生乳感官品质和稳定性的各因素进行研究,得出了最优加工工艺条件。按此条件调配出的毛木耳花生乳不仅风味独特,而且具有良好的稳定性,能够满足消费者的要求。     

Infrared spectroscopy technique for the nondestructive measurement of fat content in milk powder

The aim of this study was to investigate the potential of the infrared spectroscopy technique for nondestructive measurement of fat content in milk powder. Fat is an important component of milk powder. It is very important to be able to detect the fat content in milk powder using a rapid and nondestructive method. Near and mid infrared spectroscopy techniques were used to achieve this purpose. Least-squares support vector machine (LS-SVM) was applied to developing the fat-content prediction model based on the infrared spectral transmission values. The results based on LS-SVM were better than those of back-propagation artificial neural networks. The determination coefficient for prediction of the results predicted by the LS-SVM model was 0.9796 and the root mean square error was 0.836708. It was concluded that infrared spectroscopy technique could quantify the fat content in milk powder rapidly and nondestructively. The process is simple and easy to operate. Moreover, the prediction results were compared between near infrared and mid infrared spectral data. The results showed that the performances of model with both mid infrared and near infrared spectral data were a little worse than that of the whole infrared spectral data. The results could be beneficial for designing a simple and nondestructive spectral sensor for the quantification of fat content in milk powder.     

乳化增稠剂的复配及其在花生酱蛋白饮料中的应用

以花生酱、奶粉、白糖等原辅料制成的花生蛋白饮料为试样,进行不同均质压力,乳化增稠剂组合试验,考察其体系的稳定性。结果表明：采用均质温度70℃,均质压力40 MPa,添加复配乳化增稠剂0.46%（聚甘油脂肪酸酯0.10%,硬脂酰乳酸钠0.03%,羧甲基纤维素钠0.03%,微晶纤维素0.25%,卡拉胶0.05%）时,产品的稳定效果最好。经常温贮存6个月观察,试样无沉淀,无明显脂肪上浮。     

花生米乳复合饮料的加工工艺研究

以花生、糙米、碎米为主要原料,配以奶粉、益生元(低聚果糖)等调配成花生米乳饮品。通过对花生米乳复合饮料的工艺路线、关键工艺参数、配方以及稳定性进行试验研究,最终确定了花生米乳复合饮料的最佳制备工艺和稳定剂的最优配方(质量分数):CMC-Na0.02%、黄原胶0.03%、微晶纤维素0.18%、单甘酯0.06%、蔗糖酯0.09%。     

Near‐infrared spectroscopy and data analysis for predicting milk powder quality attributes

Near‐infrared (NIR) spectroscopy is a rapid analytical method for food products. In this study, NIR spectroscopy, data pretreatment techniques and multivariate data analysis were used to predict fine particle size fraction, dispersibility and bulk density of various milk powder samples, which are believed to have a significant impact on milk powder quality. Predictive models using partial least‐squares (PLS) regression were developed using NIR spectra and milk powder physical and functional properties, and it was concluded that the PLS models predicted milk powder quality with an accuracy of 88‐90 per cent.     

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。