基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

近红外光谱快速测定稻谷水分含量的研究

收集我国不同地区、不同品种、不同储藏时间的稻谷样品144份,应用近红外光谱（NIRS）技术研究了稻谷水分含量快速测定方法,在建立定标模型的过程中,探讨了光谱散射处理、数学（导数）处理等优化处理对定标模型的影响。结果表明：修正偏最小二乘法是建立稻谷水分含量测定定标模型的最适合数学方法,所建立的定标模型的相关系数（R）为0．9999,定标标准偏差（SECV）为0．04;55份样品外部检验的相关系数（r）为0．996,检验标准差（SEP）为0．072,标准方法与NIRS方法测定的水分含量之间的T检验值为1．685（P〈0．05）,两种方法测定结果无显著性差异,预测值与实测值的平均绝对偏差为0．03,说明所建立的稻谷水分含量测定的NIRS数学模型具有很高的预测准确性,可应用于稻谷品质分析的快速检测。     

近红外测定稻谷水分定标模型验证研究

通过对近红外测定稻谷水分定标模型进行验证,了解该定标模型用于快速检测稻谷水分的准确性、重复性是否满足日常监测的要求。分别选取有代表性的早籼稻和中晚籼稻样品各50余份,用标准方法和近红外方法进行测定,经对比两种方法测定结果的偏差,剔除其中异常值,然后进行校准标准差(SEP)计算;分别选取早籼稻验证样品集中水分高、中、低的3个验证样品,每种样测定10次,对测定结果进行重复性(sr)计算。结果表明,早籼稻验证样品集定标模型的系统偏差为0.15,校准标准差(SEP)为0.18%,3个验证样品的重复性(sr)分别为0.045%、0.066%、0.031%,中晚籼稻验证样品集定标模型的系统偏差为1.0,校准标准差(SEP)为1.1%。近红外分析仪所带定标模型能够满足大批量早籼稻水分快速检测的需求,对于中晚籼稻,定标模型需更新或重建,在满足标准要求后才能用于中晚籼稻水分快速检测。     

利用近红外光谱分析技术快速测定高良姜中水分含量

结合化学计量学技术构建高良姜中水分含量NIRS分析模型,可应用于高良姜中水分含量的快速测定。方法:用减压干燥法测定106批样品中水分的含量,采集并用多元散射校正法、二阶导数法、Savitzky-Golay卷积平滑法预处理近红外光谱,结合偏最小二乘法建立高良姜药材中水分含量的定量模型,对所建模型进行了内部交叉验证和23批验证集样品的外部预测验证,并对模型进行了重复性考察。结果:所建立的高良姜药材中水分含量的近红外光谱定量分析模型,内部交叉验证决定系数达到0.9864,校正均方差为0.134,预测均方差为0.145,内部交叉验证均方差为0.311,交叉检验和外部检验RPD均大于3。结论:该模型稳定,准确可靠,可应用于高良姜中水分含量的测定。     

近红外光谱分析技术测定芝麻水分含量的研究

建立了基于FOSS近红外谷物分析仪快速测定芝麻水分含量的模型,探讨了光学处理和数学处理等因素对模型的影响进行,并对模型进行了内部验证和外部检验.实验结果表明最佳的建模参数为:光学处理采用标准正常化处理(SNV only),数学处理技术采用"2,4,4,1".得到的定标方程的定标标准偏差(SEC)为0.0430,定标相关...     

利用近红外光谱技术快速测定白鲢鱼糜中的水分含量

利用近红外光谱技术测定白鲢鱼糜中的水分含量。光谱通过标准正态变量转换法的处理后经过偏最小二乘法建立模型,并且以定标集预测误差、验证集预测误差及其相关系数作为评判模型好坏。结果发现,定标集预测误差和验证集预测误差分别为0.392和0.485,定标集和验证集的相关系数都高于0.98。研究发现,近红外光谱技术能快速测定鱼糜中水分含量,且用于实际生产中水分的控制是可行的。      

近红外光谱结合偏最小二乘法快速测定糖果中水分含量

采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm^-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm^-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。     

近红外光谱分析法快速测定稻谷常规化学指标

采集150份有代表性的我国南方地区稻谷样品的近红外光谱,用偏最小二回归分析法(PLS),建立了稻谷的水分、直链淀粉、蛋白以及胶稠度的近红外定量分析模型,并对30份预测集样品进行了验证。水分、直链淀粉、蛋白以及胶稠度的校正集模型的决定系数所(R2)分别为0.990 3、0.560 3、0.913 2以及0.678 0,交互验证均方根误差(RMSECV)分别为0.372 8%、1.456 9%、0.305 4%以及5.031 5%;验证集标准预测偏差(RMSEP)分别为0.382 5%、1.465 0%、0.510 0%以及5.052 1%。结果表明,近红外光谱分析法可以满足快速分析的要求。     

利用近红外分析技术测定大豆水分含量方法的研究

建立了基于FOSS XDS近红外光谱分析仪快速测定大豆水分含量模型,对光学处理和数学处理手段等因素对模型的影响进行了探讨,对模型进行了内部和外部验证.实验结果表明最佳的建模参数为:光学处理选用标准正常化处理(SNV Only),数学处理选用1.4.4.1方法,大豆水分定标方程的交互定标决定系数(1-VR)为0.990 8,定标决定系数(R2)为0.993 9,定标标准误差(SEC)为0.096 7,交互定标标准误差(SECV)为0.127 3,现有数据预测标准偏差(SEP)为0.136.利用该模型对大豆水分含量进行检测,达到了代替常规标准方法的要求,可以应用于快速检测.     

基于近红外光谱的SSA-RELM的菠萝含水率快速检测

目的：建立快速无损检测菠萝含水率的方法。方法：提出一种基于连续投影法的特征波长选择和麻雀搜索算法（SSA）优化正则化极限学习机（RELM）的菠萝含水率检测模型。针对菠萝近红外光谱数据具有维度高、冗余信息多的特点,分别对比连续投影法、主成分分析法和全波段等筛选特征波长的结果,确定菠萝近红外光谱特征波长筛选方法;针对RELM模型性能受其输入层权值和隐含层偏置的影响,运用麻雀搜索算法优化RELM模型的输入层权值和隐含层偏置,提出一种基于麻雀搜索算法改进正则化极限学习机的菠萝含水率检测模型。结果：与遗传算法改进正则化极限学习机（GA-RELM）、粒子群算法改进正则化极限学习机（PSO-RELM）和RELM相比,基于麻雀算法改进正则化极限学习机（SSA-RELM）的菠萝含水率检测模型的检测精度最高。结论：麻雀搜索算法优化RELM模型可以有效提高RELM模型的菠萝含水率检测精度。     

基于近红外光谱法快速测定许氏平鲉脂肪和 水分含量的方法研究

目的建立近红外光谱法结合偏最小二乘法测定许氏平鲉鱼肉中的脂肪和水分含量,以期简便、快速地对许氏平鲉进行品质分析与评价。方法采用常规分析手段测定70个样品的脂肪和水分含量,同时采集其近红外光谱数据,结合偏最小二乘法(partial least square,PLS)建立许氏平鲉鱼肉中脂肪和水分的定量预测模型,并对比不同光谱预处理方法、光谱范围和因子数对定量预测模型的影响。结果光谱经Savitzky-Golay(S-G)和标准正态变量变换(standardized normal variate,SNV)预处理后,在5341.85~4007.36 cm~(-1)、6556.79~5345.71cm~(-1)和8651.10~7162.33 cm~(-1)光谱范围内,选取主因子数10,建立脂肪的校正模型性能最优;光谱经过SNV预处理后,在8886.38~4061.35cm~(-1)光谱范围内,分别选取主因子数为9时,建立的水分的校正模型性能最优。脂肪和水分含量相对最优PLS模型的校正集相关系数分别为0.9918和0.9912,校正标准偏差分别为0.2680和0.3300,交叉验证相关系数分别为0.9820和0.9810,交叉验证均方差分别为0.3980和0.4850,验证集相关系数分别为0.9804和0.9798,验证集均方差分别为0.3260和0.3070。结论本方法可较为准确地预测许氏平鲉鱼肉中的脂肪和水分含量,能够满足快速分析评价许氏平鲉品质的要求。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

基于近红外光谱与组合间隔偏最小二乘法的稻米镉含量快速检测

采用近红外光谱(near infrared spectroscopy,NIRS)结合组合间隔偏最小二乘法(synergy interval partial least squares,siPLS)建立稻米镉含量快速检测的方法。收集并分析72个稻米样品的NIRS谱图。对光谱前处理方法进行优化,确定平滑、多元散射校正与均值中心化处理为最优方法。采用siPLS法筛选特征波数,建立稻米镉含量的定量模型。稻米镉siPLS模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)值分别为0.247与0.261,训练集相关系数(Rc)与预测集相关系数(Rp)值分别为0.919与0.895。结果表明:运用siPLS法选择特征波长后,不但可以降低模型的复杂度,同时还能够提高预测精度。NIRS作为一种快速、无损与便捷的初筛方法,可用于检测稻米中镉含量是否超标。     

Nondestructive moisture content determination of three different market type in-shell peanuts using near infrared reflectance spectroscopy

A near infrared reflectance (NIR) method is presented here by which the average moisture content (MC) of about 100 g of in-shell peanuts could be determined rapidly and nondestructively. MCs of three market type peanuts, Runners, Valencia and Virginia were determined by this method while the peanuts were in their shells (in-shell peanuts). The MC range of the peanuts tested was between 6 and 26 %. NIR reflectance measurements were made at 1 nm intervals in the wavelength range of 1,000–1,800 nm and the spectral data was modeled using partial least squares regression analysis. Eight different models were developed by utilizing different data preprocessing methods such as, Norris-Gap first derivative with a gap size of 3, peak normalization with 1,680 nm (which is the no absorbance wavelength for water), and transformation from reflectance to absorption. Applying model fitness measures, a suitable model was selected out of these. Predicted values of the samples tested were compared with the values determined by the standard air-oven method. The predicted values agreed well with the air-oven values with an R ² value better than 0.93 for all three types of in-shell peanuts. This method being rapid, nondestructive, and non contact, may be suitable for measuring and monitoring MCs of different types of peanuts, while they are in their shells itself, in the peanut industry.     

近红外光谱技术快速检测黄酒的前发酵过程中总酸含量

黄酒是我国最古老的独有酒种,其生产原料来源广,生产工序复杂等因素对黄酒的质量有很大的影响。目前黄酒生产过程中还存在着利用生产经验来判断某段工序是否可以结束的情况,为了探索快速检测黄酒生产过程中各段工序的各项指标的含量的方法,取代人工判别前发酵终点来更准确的控制黄酒的质量,利用近红外光谱仪对黄酒生产过程中前发酵工段所得样品进行扫描,对其光谱进行预处理和波段选择,并结合偏最小二乘法 (PLS)建立各工段快速无损检测方法。最终得到了较高的决定系数R为0.9348,RMSECV值为0.118的模型。结果表明,黄酒前发酵过程选取的总酸含量所建立的模型能很好的用来进行快速检测。运用这些模型对验证集样品进行预测并统计分析,可知预测值与真实值之间无显著差异。本研究为黄酒生产过程的控制提供了方法基础。     

基于近红外光谱的大米蛋白质含量快速检测

针对国标化学检测方法耗时耗力、成本昂贵的问题,分析了近红外光谱（NIRS）结合化学计量学进行大米蛋白质含量检测的可行性。基于变量选择、特征提取和非线性建模的策略,将反向区间偏最小二乘（BiPLS）与主成分分析（PCA）和支持向量机（SVM）相结合,构建了BiPLS-PCA-SVM模型,用于提高蛋白质回归模型的性能。在BiPLS-PCA-SVM模型中,将蒙特卡罗交叉验证与预测残差平方和相结合进行最佳主成分个数的选择,通过遗传模拟退火算法对模型参数进行优化。为了评估BiPLS-PCA-SVM模型的性能,建立了Full-PLS、BiPLS和BiPLS-SVM 3种模型,并系统分析了上述模型的预测精度和鲁棒性。BiPLS-PCA-SVM模型在预测蛋白质含量方面显示的性能高于其他模型,使用最佳主成分和优化后的SVM参数建立的模型具有更高的鲁棒性和准确性。对于BiPLS-PCA-SVM模型,验证集的决定系数、均方根误差和剩余预测偏差分别为0.928 9、0.196 7%和4.024 6。结果表明,NIRS与BIPLS-PCA-SVM模型相结合,可作为替代策略实现大米中蛋白质含量的快速检测。