利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

利用可见/近红外光谱技术对小米产地进行溯源研究

目的利用可见/近红外光谱技术对产自不同地区的晋谷21号小米进行溯源研究。方法使用近红外光谱仪获取产自洪洞、浮山、沁县3个不同地区的晋谷21号小米400~1004nm波段范围内的漫反射光谱;对光谱分别进行多元散射校正法(multiple scattering correction,MSC)、一阶导数法(first derivative,1St-D)预处理;对预处理光谱进行主成分分析,全交叉验证确定最佳主成分数量,获取主成分;同时选择预处理光谱特征波长。使用马氏距离法、线性判别法建立判别模型,最后用未知样品的验证准确率来表示模型的判别效果。结果原始光谱和MSC处理光谱提取特征波长分别建立的产地判别模型对3个不同产地的小米判别完全准确;1St-D处理光谱基于7个主成分结合马氏距离法和基于9个主成分结合线性判别法建立的2种判别模型对3个不同产地的小米亦实现完全准确判别。结论可见/近红外反射光谱技术用于小米产地的判别具有可行性,本研究可为小米产地的快速判别应用中提供技术基础。     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

可见/近红外反射光谱法检测马铃薯抗性 淀粉含量的研究

目的利用可见/近红外反射光谱技术无损检测新鲜马铃薯茎块中抗性淀粉的含量。方法使用光谱仪获取新鲜马铃薯在345~1100 nm波段范围内的漫反射光谱;分别使用Savitzky–Golay(S-G)平滑处理、多元散射校正(MSC)法和一阶导数法(1st-D)对反射光谱进行预处理;对(S-G)反射光谱、MSC处理光谱和1st-D光谱使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果结果表明,可见/近红外反射光谱经过一阶导数处理后,确定的8个最优波长(370、569、576、866、868、886、922和963 nm)组合建立模型的校正和验证结果最好:模型的校正结果为相关系数R=0.996,标准差SEC=0.521%;模型交叉验证相关系数Rcv=0.982,验证标准差SECV=0.791%。结论可见/近红外反射光谱技术可以较好地预测新鲜马铃薯茎块的抗性淀粉含量,本研究可为可见近红外光谱技术在马铃薯功能成分的快速检测提供一定的技术基础。     

基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

冷鲜羊肉品质的高光谱成像无损检测

利用400~1000 nm可见近红外高光谱成像系统对冷鲜羊肉蛋白质含量、嫩度、p H进行无损检测研究。采集冷鲜羊肉表面的高光谱散射图像,提取样本感兴趣区域的反射光谱曲线获得原始数据。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法,后采用正自适应加权算法(CARS)和连续投影算法(SPA)提取特征波长,建立不同特征波长下各品质参数的PLSR预测模型。结果表明:利用原始光谱建立的冷鲜羊肉蛋白质、嫩度和p H的PLSR模型均优于经过光谱预处理所建PLSR模型;在不同波长下建立预测模型,OS-PLSR光谱模型对冷鲜羊肉蛋白质含量预测效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光谱预测模型对p H预测效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光谱预测模型对嫩度的预测能力较高,Rp=0.862,RMSEP=0.706。研究表明:利用可见近红外高光谱技术对冷鲜羊肉品质进行快速无损检测是可行的。     

近红外光谱技术结合神经网络检测苹果咀嚼性

以不同储藏期的135个苹果样品为研究对象,对其近红外光谱数据进行预处理并通过主成分分析法提取光谱特征,采用人工神经网络技术建立苹果咀嚼性的近红外光谱检测模型。结果表明,对苹果光谱咀嚼性的最佳光谱预处理方法是加权多元散射处理(WMSC)的光谱散射处理方法和"2441"的数学处理方法,通过主成分分析法提取3个主成分作为原始信息的特征变量,建立苹果咀嚼性检测的人工网络模型结构为3—16—1,模型对验证集预测的决定系数为0.992 4,均方根误差为0.000 108 2。近红外光谱技术能对苹果咀嚼性进行快速、无损预测。     

基于多元散射校正和偏最小二乘(MSC/PLS)的傅里叶变换近红外光谱检测蜂蜜中还原糖

为快速无损测定蜂蜜的还原糖,提出一种用近红外光谱技术进行检测的新方法.选用SN/T0852-2000铁氰化钾滴定法作为光谱还原糖测定的标定方法,用不同光谱预处理方法对模型的影响进行比较.首先用MSC对光谱数据进行校正,在经过Norris导数平滑法对原始光谱进行预处理消除噪声.利用光谱专用分析软件TQ Analyst7.2,建立偏最小二乘(PLS)校正模型.最优光谱模型校正相关系数(R)、校正相关均方差(RMSEC)、预测相关均方差(RMSEP)、交互验证相关系数(Rcv)、交叉验证均方差(REMSECV)分别为0.970 56,1.21,1.54,0.962 67,1.36.结果表明,应用多元散射校正(MSC)处理,并经过Norris二阶导数平滑后的PLS模型优于经典PLS算法所建立的模型. 用MSC对光谱数据进行校正,在经过Norris导数平滑法对原始光谱进行预处理消除噪声.利用光谱专用分析软件TQ Analyst7.2,建立偏最小二乘(PLS)校正模型.最优光谱模型校正相关系数(R)、校正相关均方差(RMSEC)、预测相关均方差(RMSEP)、交互验证相关系数(Rcv)、交叉验证均方差(REMSECV) 别为0.970 56,1.21,1.54,0.962 67,1.36.结果表明,应用多元散射校正(MSC)处理,     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉(1~8 d)表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归(PLSR)模型,预处理的特征区域光谱建立的模型效果更优。结果表明:特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数(Rp)和均方根误差(RMSEP)分别为0.773和1.060。研究表明:利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。     

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统(900~1700 nm)采集69个羊肉样本信息,先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归(PLSR)模型,对比优选出最佳预处理算法,后采用PLSR的加权β系数法提取特征波长,建立特征波长下各品质参数的PLSR模型,分析预测效果。结果表明:羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准(Baseline)、多元散射校正与S-G卷积平滑结合算法(MSC+SG)和原始光谱;利用特征波长建立预测模型,决定系数(RP2)分别为0.83、0.86和0.72,预测均方根误差(RMSEP)为0.57、0.09和0.12,可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。     

软枣猕猴桃总酚的可见-近红外漫反射光谱无损检测

应用可见-近红外漫反射光谱在570～1848nm光谱区域内,建立了软枣猕猴桃总酚定量数学模型。实验将贮藏分三个阶段(采收阶段,贮藏12d,贮藏24d)进行,通过对比分析不同建模方法得到软枣猕猴桃总酚定标模型。结果表明,应用偏最小二乘回归算法、一阶导数处理和反相多元离散校正处理所建软枣猕猴桃总酚定标模型的预测性能较好。定标集样本的交互验证相关系数(RCV)为0.8939,交互验证均方根误差(RMSECV)为11.6734mg/100g;预测集样本的相关系数(RP)为0.8627,预测均方根误差(RMSEP)为16.7690mg/100g。研究表明：可见/近红外漫反射光谱对软枣猕猴桃总酚的快速无损检测具有一定的可行性, 但模型精度有待提高。     

Feasibility study of discriminating the manufacturing process and sampling zone in ripened soft cheeses using attenuated total reflectance MIR and fiber optic diffuse reflectance VIS–NIR spectroscopy

The use of visible–near infrared (VIS–NIR) and mid infrared (MIR) spectroscopies for rapid characterisation of 15 traditional and stabilised retail soft cheeses, manufactured with different cheese making procedures was described. A fiber-type, VIS–NIR spectrophotometer (Zeiss Corona 45 VIS–NIR) in a measurement range of 315–1700 nm and a Fourier transform spectrometer (IFS 66V/S, Bruker, Belgium) in a measurement range between 3000 and 900 cm⁻¹ were used to scan spectra in reflectance mode at the external (E) and central (C) zones of the investigated cheeses. The principal component analysis (PCA) applied to the normalised spectral data set (VIS–NIR and MIR) did not provide a good discrimination of cheeses. Therefore, the factorial discriminant analysis (FDA) was applied separately to the first 5 principal components (PCs) of the PCA performed on the VIS–NIR and MIR data sets. Regarding the MIR spectra, the percentage of samples correctly classified into six groups (three for the E and three for the C zones) by the FDA was 64.8% and 33.3% for the calibration and validation samples, respectively. Better classification was obtained from the VIS–NIR spectra since the percentage of samples correctly classified was 85.2% and 63.2% for the calibration and validation samples, respectively. Finally, a concatenation technique was applied on the first 5 PCs of the PCA performed on the VIS–NIR and MIR data sets. This technique allowed a quite satisfactory classification of the investigated cheeses according to their manufacturing process and their sampling zone. In this case, correct classifications (CC) of 90.7% and 80.6% were obtained for the calibration and the validation samples, respectively.     

傅立叶近红外光谱法测定桃果中果胶含量

目的 基于傅里叶近红外光谱(Fourier transform near infrared)检测桃果中果胶含量的研究。方法 近红外光谱采集样品利用两个品种的桃,探究光谱预处理对建模的影响,建模采用偏最小二乘法(PLS)以及主成分回归(PCR)方法,模型的评价标准采用建模相关系数(R_C)、建模均方偏差(RMSE_C)、预测相关系数(R_P)、预测均方偏差(RMSE_P)。结果 两个品种的近红外光谱图和果胶含量无明显差异(P＞0.05),采用标准正态变量变换(SNV)和多元散射校正(MSC)对原始光谱的光程进行选择,所得建模结果影响基本一致,合适光谱数据格式以及平滑处理,能提高PLS和PCR模型的预测精度和稳定性。综合得出模型最佳是利用PLS方法建模并采用MSC/SNV结合一阶导数和 Savitzky-Golay (S-G)平滑对近红外光谱图进行预处理,评价参数分别为R_C=0.7795、R_P=0.7545、RMSE_C=0.0933、RMSE_P=0.0534和R_C=0.7800、R_P=0.7530、RMSE_C=0.0932、RMSE_P=0.0534。结论 该方法为利用近红外建模快速检测桃果中果胶含量提供重要依据。     

FT-NIR diffuse reflectance spectroscopy for kiwifruit firmness detection

This research was to study the potential of Fourier transform near-infrared (FT-NIR) diffuse reflectance spectroscopy as a nondestructive way for firmness measurement of “Qinmei” kiwifruit. NIR spectra were acquired from 800 nm to 2500 nm with different combinations of resolution (2, 4, 8, 16, and 32 cm^?1) and scan number (32, 64 and 128). Original spectra, along with first and second derivative treatments, were analyzed with and without preprocessing. Two preprocessing methods were investigated, including multiplicative scattering correction (MSC) and standard normal variate (SNV). Partial least square (PLS) model for original spectra of 2 cm^?1 resolution and 64 scan number without preprocessing indicated good results for calibration: correlation coefficient (r) of 0.89, root mean square error of calibration (RMSEC) of 4.09 N. The results showed that NIR diffuse reflectance spectroscopy was feasible to predict the firmness of “Qinmei” kiwifruit.     

近红外光谱法快速检测梨汁中柠檬酸和L-苹果酸含量

利用近红外光谱技术对梨汁中柠檬酸和L-苹果酸含量进行快速定量检测,并通过6种光谱预处理及3种数学校正方法对柠檬酸和L-苹果酸含量预测模型进行优化。本研究采用近红外光谱仪在1 100~1 650 nm光谱范围内共采集70个梨汁样本的近红外光谱图,并利用高效液相色谱法测定柠檬酸和L-苹果酸的含量。首先对样本原始光谱图经过多元散射校正(MSC)、一阶导数、二阶导数等方法进行预处理,然后通过主成分分析(PCR)、修正的最小二乘法(MPLS)及偏最小二乘法(PLS)等分别建立梨汁中柠檬酸和L-苹果酸含量的预测模型,并对该模型进行优化。优化后,柠檬酸的最佳模型为PLS结合MSC;L-苹果酸的最佳模型为MPLS结合SNV且去散射;最佳预测模型的预测相关系数最高可达0.985,预测标准差最低为0.039%,相对分析误差最大为3.46。结果表明,近红外光谱可作为一种可靠、快速、无损、简单的方法用于梨汁中柠檬酸和L-苹果酸含量的测定。该方法为生产企业及监管部门开展梨汁的掺伪鉴别提供了依据。     

基于支持向量机的牛肉嫩度等级评价模型研究

目的 利用VIS/NIR反射光谱建立基于支持向量机的生鲜牛肉嫩度等级的评价模型。方法 以牛肉背最长肌为研究对象, 选取样本58个, 在牛肉新鲜切口处采集波长范围400~1700 nm的反射光谱信息, 使用肉类嫩度测量仪测量牛肉剪切力值, 应用支持向量机(SVM)模型评价牛肉嫩度等级。结果 应用SVM模型可以较好地实现对牛肉嫩度等级的评价。尤其是经主成分分析降维预处理, 结合径向基核函数SVM, 对牛肉训练集嫩度等级的回判率达到95%, 对样品校正集判别的准确率进一步提高至83.3%。结论 SVM模型对牛肉嫩度等级评价结果较好, 进行主成分分析后, 判别结果有所提高。     

Near-infrared spectroscopy for classification of licorice (Glycyrrhizia uralensis Fisch) and prediction of the glycyrrhizic acid (GA) content

Licorice, the roots of Glycyrrhizia uralensis Fisch, is used as a medicinal herb and food additive in China. At present, the quality grading and authentication of licorice products is generally done by visual inspection, which is subjective and often biased. In this study, a rapid and nondestructive method for the classification of licorice samples according to their growing conditions, geographic areas and plant parts was developed using fiber optic diffuse reflectance near-infrared spectroscopy (FODR-NIR). With the use of multiplicative signal correlation (MSC) and Norris derivative filter, the differences of the NIR spectra among different licorice samples were enhanced even though the raw spectra were very similar. The results showed that the NIR spectra of the samples were moderately clustered in the principle component spaces, and pattern recognition technique of soft independent modeling of class analogy (SIMCA) provided satisfactory classification results. Additionally, a partial least square (PLS) method using HPLC data set as reference was constructed to predict the value of glycyrrhizic acid (GA) in licorice. The results showed that PLS models with both data normalization (DN) coupled with first derivative pretreatments, and MSC coupled with first derivative pretreatments provided acceptable results.