基于近红外光谱的白酒甲醇超标快速无损检测

采用近红外光谱技术对白酒中甲醇超标进行快速无损检测可行性研究。设计实验配制掺杂不同体积分数甲醇的白酒样本,采集波数4000～5200cm-1透射光谱,采用偏最小二乘法在4360～4460cm-1范围构建甲醇含量分析模型,实现甲醇体积分数大于0.1%(质量浓度0.0791g/100mL)的样本的快速无损识别。实验数据表明模型相关系数R=0.9998,交叉验证均方根误差RESEC=0.062539,甲醇体积分数的预测精度达到0.1%(质量浓度0.0791g/100mL)。近红外光谱技术可以作为一种快速无损检测方案实现甲醇超标的劣质白酒(假酒)的市场筛查。     

基于近红外光谱的淀粉含水量快速检测研究

运用近红外光谱分析技术检测淀粉的含水量,收集了国内常用的不同种类的淀粉,选择最优的光谱预处理方法和光谱范围,运用偏最小二乘法(PLS)进行定量分析研究。结果表明,采用偏最小二乘法(PLS)所建的定量分析模型的相关系数R2达0.9912,预测均方根误差RMSEP为0.0784,偏差为0.132。研究发现,近红外光谱技术用于快速无损检测淀粉含水量是可行的。      

基于拉曼光谱技术的面粉品质快速检测

由于目前国标法检测面粉水分、灰分以及湿面筋等品质参数的方法费时、费力,研究提出基于拉曼光谱分析技术建立面粉中水分、灰分和湿面筋的定量分析研究。实验随机采集100 份不同种类的古船面粉样本,采集样本的拉曼光谱,运用光谱预处理方法结合偏最小二乘法建立分析模型,所建立的水分（含量取值范围为
13.3%～15.4%）、灰分（含量取值范围为0.46%～0.85%）和湿面筋（含量取值范围为28%～36.8%）定量模型的相关系数分别达到0.945 66、0.993 39、0.981 65,校正均方根误差分别为0.145、0.012 6、0.456。结果表明,通过拉曼光谱技术实现面粉品质快速、无损、高效的检测可行且具有较大的发展空间。实验还通过新旧面粉的拉曼光谱,建立2013年与2014年生产面粉的距离匹配分析模型,实现过期面粉的快速鉴别,实验准确率达100%。     

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。     

基于近红外光谱快速定量检测面粉中曲酸的方法建立

利用近红外光谱技术快速定量检测面粉中非法添加的褐变抑制剂曲酸。选取市场上常见3?种基本类型的面粉（高、中、低筋面粉）,分别制备曲酸质量分数为0.0%、0.5%、1.0%、3.0%、5.0%、10.0%的面粉样品,并采集其在1?000～2?400?nm波段下的光谱数据。对比不同预处理下高筋面粉样品数据所建偏最小二乘（partial least squares,PLS）回归模型效果,选取Savitzky-Golay一阶导数为最优预处理方法。采用区间偏最小二乘（interval partial least squares,iPLS）法选取1?088.8～1?153.5?nm为最佳光谱区间。结果表明,基于最佳光谱区间所建PLS回归模型预测效果优于基于全波段光谱数据所建模型。进一步,基于所选最优区间对中、低筋面粉和混合样品集分别建立PLS回归模型。高、中、低筋面粉及混合样品集基于最优区间的PLS模型的决定系数为0.949～0.972,标准误差为0.581%～0.830%,验证集标准偏差与预测标准偏差的比值为4.171～4.830。结果表明,基于最优区间的近红外光谱方法对不同类型面粉中曲酸质量分数为1.0%～10.0%的样品具有较好的预测结果,结合具有低检测限的化学检测方法,在对大批量样品的检测中可提高检测效率。     

近红外光谱无损测定纸张施胶度的研究

采集不同施胶度(Cobb值)纸张的近红外光谱,通过不同方式对所采集的近红外光谱进行预处理。选择最佳预处理方式,利用偏最小二乘法(PLS)建立测定纸张施胶度的校正模型。结果表明,最佳预处理方式为减去一条直线(SLS),最佳波数区间为5446.3～12493.4 cm~(-1)和4246.8～4424.2 cm~(-1),得到校正模型的内部验证数据集以及外部验证数据集的相关系数R~2分别为0.9186和0.9085,内部交叉验证均方差R_(MSECV)和外部验证均方差R_(MSEP)分别为0.640和0.439,外部验证的预测结果与标准值之间的最大相对偏差为4.81%。校正模型有较高的测定精度和较好的推广性,为纸张施胶度无损伤、无预处理的快速、简便、准确检测提供新的途径,并且可望实现纸机的在线检测。     

高光谱成像及近红外技术在鸡肉品质无损检测中的应用

高光谱成像与近红外光谱(near infrared spectroscopy,NIR)技术是现代食品检测领域的重要手段,本研究对2种技术在鸡肉品质无损检测中的预测精度进行研究。选用62份新鲜程度不同的鸡胸肉,提取其高光谱感兴趣区域(region of interest,ROI)的光谱曲线,并测定样品的挥发性盐基氮(total volatile base nitrogen,TVB-N)含量和菌落总数(total viable count,TVC),利用OPUS 6.0光谱处理软件搜寻最佳的光谱预处理和波段组合,分别建立2个指标的偏最小二乘法(partial least square,PLS)定量分析模型。NIR样本选用30份新鲜程度不同的鸡胸肉,测定其TVB-N含量和TVC,建立PLS的交叉验证模型。结果表明:利用高光谱的ROI平均光谱建立的TVB-N含量与TVC模型的相关系数(R~2)分别为0.965和0.919,均方根误差(root mean square error of cross validation,RMSECV)分别为0.121和0.215;利用NIR建立的TVB-N含量与TVC预测模型的R2分别为0.801和0.780,RMSECV分别为0.232和0.312。由此可见,基于高光谱的ROI区域光谱建立的预测模型在鸡肉品质无损检测中具有比NIR更高的预测精度。     

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。     

基于近红外光谱的杏仁蛋白软糖理化指标快速无损检测

为了实现杏仁蛋白软糖理化指标的快速检测,建立了水分和总糖测定的近红外光谱定标模型,并对其进行了全面优化。以偏最小二乘法分别建立杏仁蛋白软糖水分、总糖测定的近红外光谱定标模型,然后依次运用异常样本剔除、光谱变换、样本集划分和特征波长选择等技术方法优化其性能。结果表明:水分测定模型的建模波点数减至全光谱的0.8%,R 和R 均大于0.99,RMSEC和RMSEP均在0.2左右,RPD大于15.3;总糖测定模型的建模波点数减至全光谱的1.5%,R 和R 均大于0.99,RMSEC和RMSEP均小于0.81,RPD大于17.3。两个优化模型的预测结果皆与相应参考值的差异不显著(P＞0.05),可用于实际检测工作。     

基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

基于近红外光谱技术的海参品质快速检测

目的应用近红外光谱技术建立海参产地区分和胶原蛋白快速检测的方法。方法总计43个海参样品来自大连、福建、连云港、山东4个地区。首先采集样品的近红外光谱图,经过标准正态变量(standard normal variables,SNV)预处理,利用不同定性判别模型对海参产地进行区分。通过分光光度计法测定海参的胶原蛋白含量,利用偏最小二乘法(partial least squares,PLS)、区间偏最小二乘法(interval partial least squares,iPLS)、向后区间偏最小二乘法(backwards interval partial least squares,BiPLS)和联合区间偏最小二乘法(synergy interval partial least squares,Si PLS)建立了海参胶原蛋白含量的预测模型。结果产地区分模型中最小二乘支持向量机(least-squares support vector machine regression,LS-SVM)的识别率最高,校正集识别率为100%,预测集识别率为95.35%;海参胶原蛋白预测模型中BiPLS的预测效果较好,校正集相关系数Rc为0.9002,预测集相关系数Rp为0.8517。结论近红外光谱技术可实现对海参的产地区分和胶原蛋白的快速检测。     

基于近红外光谱的红提内部品质无损检测研究

红提的可溶性固形物含量（Solube Solids Content,SSC）、总酸（Total Acid,TA）、pH、硬度（Firmness Index,FI）和含水率（Moisture Content,MC）等内部品质指标直接影响着果实的口感及品质,同时也是水果成熟度的评判标准。为快速获得上述内部品质指标,且避免不必要的检测损耗,本文提出了一种新的红提无损检测模型。以生长期红提为研究对象,利用Antaris II近红外光谱仪采集了360个样本的近红外光谱信息。对采集到的光谱信息分别用SNV等算法进行预处理并通过建模确定了最优预处理方法。然后通过降维算法提取光谱信息的特征波长,最后基于偏最小二乘回归算法（Partial Least Squares Regression,PLSR）分别建立了红提的SSC、TA、pH、FI和MC的检测模型。红提的SSC、TA的最优检测模型为SG-CARS-SPA-PLSR模型,pH的最优检测模型为MA-CARS-SPA-PLSR模型,FI和MC的最优检测模为SG-CARS-PLSR模型。所建立的红提SSC、TA、pH、FI和MC的最优PLSR模型的预测集的相关系数R_p分别为0.9787、0.9811、0.9870、0.9568、0.9329,残差预测偏差RPD分别为4.8637、4.9006、6.0939、3.4453、2.5825,表明以上模型具有较高的检测精度。本文所建的红提内部品质检测模型可为红提内部品质的检测提供可靠的方法。     

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快速检测文山三七品质指标

目的 建立一种基于近红外光谱技术快速测定文山三七4种品质指标的方法。方法 采用GB/T 19086—2008《地理标志产品-文山三七》中规定的方法测定文山三七的水分、总灰分、酸不溶性灰分以及皂苷的含量, 建立标杆数据。采集文山三七样品的近红外光谱数据, 利用偏最小二乘回归(partial least squares regression, PLSR)方法建立模型。通过优化光谱预处理方法和变量筛选方法进一步提升模型的预测能力。结果 文山三七水分、总灰分、酸不溶性灰分以及皂苷的校正集相关系数(Rc)分别为0.9891、0.9703、0.9803、0.9462, 预测集相关系数(Rp)分别为0.9867、0.9678、0.9691、0.8122, 预测集均方根误差(root mean square error of prediction, RMSEP)分别为0.1875、0.1405、0.0662、0.6574, 性能偏差比(ratio of performance to deviation, RPD)分别为3.814、3.2300、3.9183、1.7641。结论 本方法可以快速、准确地测定文山三七中4种关键品质指标, 为文山三七的质量控制提供了一种快速有效的检测方法。     

面粉湿面筋近红外定量分析中的光谱预处理方法研究

采用10种不同的预处理方法对面粉湿面筋含量的近红外光谱数据进行预处理,并比较了10种预处理方法对偏最小二乘法（PLS）建立定量模型效果的影响。结果表明,采用近红外光谱（NIRS）分析技术对面粉中的湿面筋含量进行定量分析时,一阶导数+减去一条直线的预处理方法对面粉湿面筋含量的预测效果最好,内部交叉验证相关系数R为0.901 8,内部交叉验证标准差（RMSECV）为0.708;预测相关系数R为0.920 9,预测标准差（RMSEP）为0.083,提高了预测模型的精度和准确性。     

面粉中非法添加滑石粉的近红外多光谱检测

为检测面粉中非法过量添加的超量滑石粉,提出一种近红外多光谱定量检测方法。首先,选取三种品牌面粉,分别制备滑石粉质量分数为0%、0.5%、1%、3%、5%、10%、15%和20%的样本,采集样本在900～1700 nm的原始光谱,随滑石粉质量分数增大,样本光谱曲线在1160～1700 nm范围内幅值逐渐下降,足量掺杂滑石粉的样本光谱曲线在1393 nm出现与纯滑石粉光谱曲线一致的微小吸收峰。对比7种不同预处理方法所对应全波长模型的预测效果,选取标准正态变量为建模最优预处理方法。采用三种变量优选方法提取最优波长并分别建立面粉中滑石粉含量的多光谱定量检测模型。研究结果表明:竞争自适应重加权采样(CARS)方法对应多光谱模型的检测效果最好,验证集R~2p为0.998,RMSEP为0.282%;而连续投影算法(SPA)方法选择的波长数量最少且彼此间共线性最小;三种波长优选方法所构建多光谱模型的检测限均可达0.5%,可为便携式或在线式检测仪器的开发提供理论基础。     

基于近红外光谱技术检测蓝莓可溶性固形物含量

采用近红外漫反射光谱技术对辽宁丹东蓝莓基地的六个蓝莓品种(埃利奥特、达柔、爱国者、北蓝、杜克、蓝丰)进行光谱分析,快速无损测定蓝莓可溶性固形物含量,利用一阶导数进行光谱预处理,主成分分析(PCA)和偏最小二乘法(PLS)建立蓝莓可溶性固形物预测模型。结果表明,所建模型的相关系数(Corr.Coeff.)为0.91518、校正集标准偏差(RMSEC)为0.801、预测集标准偏差(RMSEP)为1.06。该方法快速、准确、无损,能准确地预测蓝莓中可溶性固形物含量。      

基于近红外光谱技术检测蓝莓可溶性固形物含量

采用近红外漫反射光谱技术对辽宁丹东蓝莓基地的六个蓝莓品种(埃利奥特、达柔、爱国者、北蓝、杜克、蓝丰)进行光谱分析,快速无损测定蓝莓可溶性固形物含量,利用一阶导数进行光谱预处理,主成分分析(PCA)和偏最小二乘法(PLS)建立蓝莓可溶性固形物预测模型。结果表明,所建模型的相关系数(Corr.Coeff.)为0.91518、校正集标准偏差(RMSEC)为0.801、预测集标准偏差(RMSEP)为1.06。该方法快速、准确、无损,能准确地预测蓝莓中可溶性固形物含量。     

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。     

基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。