共查询到19条相似文献,搜索用时 125 毫秒
1.
2.
3.
实验通过对纯枇杷蜂蜜及主动掺入1%、2%……30%饴糖的假枇杷蜂蜜进行近红外光谱扫描,采用TQAnalysisv6对数据进行预处理,建立饴糖含量的定性及偏最小二乘法和主成分回归法定量分析模型,并将模型应用于蜂蜜样品的分析预测。结果显示,采用原始光谱或一阶微分处理建立的判别分析模型均能够较好地区分掺饴糖蜂蜜与纯蜂蜜。根据PLS算法、PCR算法建立的定量模型相关系数分别为0.99771、0.98654,用于预测的蜂蜜样品实际值与预测值之间的决定系数分别为0.992、0.974。由此可见,用近红外光谱技术鉴别蜂蜜中是否添加饴糖是可行的,在实际操作中可以采用近红外光谱法快速定性判别蜂蜜中是否含有饴糖,也可根据化学计量法确定饴糖的含量,为蜂蜜打假提供依据。 相似文献
4.
5.
6.
7.
8.
9.
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(RCAL2)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(RCV2)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。 相似文献
10.
11.
12.
蜂蜜用葡萄糖溶液掺假的近红外光谱检测 总被引:1,自引:0,他引:1
为实现蜂蜜用葡萄糖溶液掺假的快速检测,利用近红外光谱技术(NIRS)对真假蜂蜜样本进行了研究。121个真蜂蜜样本中取8个分别按5%、10%、15%、20%、25%、30%、35%、45%、55%和65%的质量比掺假,共得80个掺假样本。不同光谱预处理方法的模型结果表明最佳预处理方法为自归一化加一阶微分(真假判别)和中心化加一阶微分(掺假量分析)。利用CARS(Competitive adaptive reweighted sampling)法筛选变量,PLS-LDA模型对真假蜂蜜的判别准确率为100%,PLS模型对掺假量定量分析的交互验证均方差为3.137 7,预测均方差为2.980 0。结果表明NIRS能实现蜂蜜用葡萄糖掺假的检测。 相似文献
13.
近红外透射光谱分析油茶籽油掺入豆油的研究 总被引:5,自引:4,他引:1
采用傅里叶近红外透射光谱技术,应用于不同比例(0%~50%)的豆油和油茶籽油的二元体系样品,通过各种光谱预处理方法和回归方法的优化,建立了检测油茶籽油中掺杂豆油含量的近红外光谱的定量模型。以"二阶导数+Norris derivative filter"的最佳预处理方法和PLS的回归方法所建模型最佳,其校正相关系数(Rc)和校正标准误差(RMSEC)分别为0.999 99、0.057 70;交叉检验相关系数(Rcv)和交叉检验校准误差(RMSECV)分别为0.999 99、0.071 9;最优波段为5 037.16~4 728.60 cm-1、7 852.72~7 089.04 cm-1、8 577.82~8 323.26 cm-1;最佳主因子数为6。另外,经外部验证15份随机样品的化学值和NITS预测值的相关系数(R2)为0.998。表明近红外透射光谱法能够快速、准确地定量分析掺假油茶籽油中豆油的含量(范围为0%~50%)。 相似文献
14.
为了简化模型并实现制浆材综纤维素含量近红外光谱法的快速准确检测,以连续投影算法(SPA)筛选出有效波长组合进行了建模实验研究和分析。选择5种制浆材原料共82个样品,测量其综纤维素含量及光谱数据,经蒙特卡罗交叉验证法剔除异常样品后,剩余样品按2∶1划分为校正集和预测集。校正集先以多元散射校正(MSC)方法预处理,再利用SPA选择波长结合偏最小二乘(PLS)回归建立了综纤维素含量的近红外分析模型,并与相关系数法、竞争性重加权自适应选择(CARS)算法所选波长的建模及预测效果进行了比较。结果表明,SPA算法选择出25个波长能充分表征全谱图中的综纤维素含量信息,预测精度最高,预测均方根误差(RMSEP)和预测决定系数(R2p)分别为0.8306和0.9801,满足工业应用精度需求。 相似文献
15.
应用近红外光谱技术快速测定粳稻品种的直链淀粉含量 总被引:12,自引:0,他引:12
应用近红外光谱法以稻谷、糙米、精米、糙米粉和精米粉为扫描材料分别建立了粳稻直链淀粉含量的预测模型。结果表明采用光谱预处理的校正效果比不采用预处理的好,用偏最小二乘法(PLS)获得的粳稻稻谷、糙米、精米、糙米粉、精米粉的回归模型和交叉验证结果为:最优校正决定系数(R2)和交叉检验均方误差(RMSECV)分别为0.8136、2.74,0.8864、2.56,0.8915、2.59,0.9261、2.26,0.9505、1.83,粉碎性样品的误差比整粒样品的误差小。育种实践中,低世代可选用糙米、高世代可选用糙米粉或精米粉作为扫描样本测定稻米直链淀粉含量。 相似文献
16.
目的:为了满足高蛋白质藜麦的选育、栽培和农业实践所需,实现藜麦籽粒粗蛋白含量快速、无损检测。方法:本研究应用近红外光谱技术对藜麦籽粒粗蛋白含量的快速检测进行系统研究,选用具有代表性的122份藜麦品种为试材,以其中94份为建模集,28份为验证集,扫描得到藜麦建模集的近红外原始光谱,用Unscrambler 10.4软件进行光谱预处理并使用偏最小二乘法(PLS)建立藜麦籽粒粗蛋白含量的定量预测模型。结果:经滤波拟合法(Savitzky-Golay,SG)+标准正态变量(Standard Normal Variate,SNV)预处理建立的模型预测值决定系数(R2)为0.9380,被测组分浓度分析误差(RMSE)为0.4823,表现最佳。用此模型对验证集28份样品进行预测,相关分析表明,预测值与国标法实测值决定系数为0.9416;单因素方差分析表明,国标法实测值和模型预测值之间无显著差异(P>0.05),建立的模型具有很高的准确性,预测效果良好。结论:近红外光谱法作为一种简单快速无损的检测手段,能够用于藜麦籽粒粗蛋白含量的检测,可以为优质藜麦育种、栽培和农业实践提供技术支持。 相似文献
17.
棉籽是棉花产业的重要副产品,含有丰富的棉籽蛋白,是牲畜蛋白质的重要来源,提高棉籽蛋白质的利用率对缓解我国蛋白资源短缺有着重要意义。快速无损环保测定棉籽蛋白质含量方法的建立,对于合理有效的利用棉籽资源和开展棉籽营养品质遗传改良等方面的研究具有关键作用。本研究通过凯氏定氮法对187份棉花品种进行棉籽蛋白质含量化学值测定,利用近红外光谱分析仪分别采集三种不同棉籽形态毛籽、光籽和种仁的光谱特征信息,经过不同数学算法处理和散射处理等方法结合改良偏最小二乘法 (Modified partial least squares, MPLS), 建立了三种不同棉籽形态蛋白质含量快速无损检测的近红外光谱模型。构建的毛籽、光籽和种仁三种近红外检测模型的定标相关系数 (Regression squared, RSQ) 分别为0.957、0.971、0.989,并通过差异统计分析比较,验证集的化学值与近红外光谱预测值间不存在显著差异。结果表明三种不同棉籽形态下建立的近红外光谱检测模型都具有良好的准确性,能够针对不同待测样品类型进行准确的蛋白质含量检测。本研究建立了毛籽、光籽以及棉仁三种棉籽蛋白质含量的近红外光谱检测模型,实现了棉花种子蛋白质含量的快速无损低消耗检测,为棉籽综合利用以及棉籽高品质育种提供技术支撑。 相似文献
18.
应用傅里叶变换近红外光谱技术建立中式传统爆炒猪肉片水分含量预测模型,达到快速无损检测的目的。通过直接干燥法测定100 组爆炒猪肉片样品的水分含量,并扫描得到其近红外光谱图。采用偏最小二乘法并通过二阶微分结合卷积平滑算法对光谱进行预处理,通过拐点法、马氏距离法、杠杆值、学生残差法与内部交互验证均方根法进一步剔除异常样本,优化光谱模型。结果表明:所构建的中式爆炒肉片水分含量近红外光谱预测模型的校正均方差值为0.089 1,相关系数为0.972 1;且将预测值与真实值进行比较发现,预测结果正确率大于98.7%(P<0.05),表明本研究建立的用于检测中式爆炒肉片水分含量的近红外光谱预测模型效果良好,能够快速检测并准确预测中式爆炒肉片的水分含量,具有一定的应用价值。 相似文献
19.
Near infrared transmission (NIT) specroscopy spectrum in the region 850–1050 nm was used for prediction of the fat content in fresh salmon fillets. The square error of prediction was 0.49%, and the correlation between measured and predicted fat from the NIT-spectrum was 0.99. The only sample preparation needed was simple homogenization of the fillet prior to analysis. 相似文献