基于近红外技术测定不同鲜肉中挥发性盐基氮含量

目的 应用近红外光谱技术快速检测猪肉、羊肉和牛肉的挥发性盐基氮含量。方法 本实验采集各种肉类的近红外光谱, 运用偏最小二乘法(partial least squares, PLS), 光谱经多种不同预处理方式并通过比较选择最优处理后, 建立挥发性盐基氮含量的近红外校正模型。结果 猪肉选择一阶导、S-G平滑方式, 羊肉选择二阶导、S-G平滑方式, 牛肉选择一阶导、Norris平滑方式。猪肉、羊肉和牛肉的挥发性盐基氮建模集相关系数分别为0.9069、0.9106和0.9587, 方根误差分别为1.12、1.64和2.20。结论 所建立的模型取得了较好的结果, 验证了近红外光谱技术对猪肉、羊肉和牛肉挥发性盐基氮进行定量分析的巨大应用潜力。     

南疆鲜羊肉水分含量的近红外光谱法无损检测

本文在近红外反射光谱780~1700 nm的波长范围内采集新宰杀的同一品种的羊的后腿肉134个样本的光谱数据,来实现快速无损的南疆生鲜羊肉含水量的检测。这些光谱数据经中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等预处理方法对原始光谱进行降噪处理;然后以13:1的比例将样本分为训练集和测试集,并采用PLSR建立预测模型,使用所建模型对生鲜羊肉水分含量进行预测。结果为:训练集的预测相关系数Rc为0.94、标准差MSEC为0.04,预测成功率为97.6%,测试集的预测相关系数Rv为0.89、标准差MSEV为0.07,预测成功率为96.4%。实验结果证实结合中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等多种预处理方法建立的基于近红外光谱PLSR模型,可以对南疆鲜羊肉的水分含量进行精确的快速无损评价,并且能为南疆生鲜羊肉水分含量的快速无损检测技术的应用提供理论上的指导。     

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。     

近红外光谱法快速无损测定奶粉的脂肪含量

将11种奶粉原样配制及组成77个奶粉样本,以脂肪含量为检测指标,结合偏最小二乘法开展近红外光谱定量分析研究。2次异常光谱剔除,识别出异常样本(14,52,76)并予以剔除。74个奶粉样本进行平滑、导数和标准变量变换等6种光谱预处理,确定标准正态变量变换结合Norris一阶导为最佳光谱预处理方式,其交叉验证均方根误差为0.354 7,交叉验证相关系数平方达到0.990 8;最佳前处理光谱结合3种波段选择方法优化模型性能,与全光谱模型形成对比,确定随机蛙跳(random frog,RF)为最佳波段选择方式,其模型的训练集和测试集相关系数平方分别为0.997 2和0.997 0,训练集和测试集均方根误差分别为0.186 2和0.198 2。结果表明:采用蒙特卡罗异常光谱剔除(Monte-Carlo sampling,MCS),光谱预处理结合随机蛙跳波段优化技术可提高奶粉脂肪近红外定量模型的泛化性和预测能力。     

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含量进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息,优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型,校正集对羊肉冷藏时间的判别率为99.17%,预测集为100%,模型可较好地判别羊肉的冷藏时间。其次,针对羊肉冷藏过程中水分含量的变化,优选最佳预处理方法并运用偏最小二乘回归（partial leastsquares regression,PLSR）法建立水分含量预测模型;结果表明,经过Savitzky-Golay卷积平滑预处理的PLSR模型对水分含量的建模效果最优,校正集和预测集相关系数分别为0.888和0.784,交互验证均方根误差为0.696。研究表明,采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的判别和冷藏过程中羊肉水分含量的快速预测是可行的。     

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。     

奇亚籽水分、脂肪、蛋白质和灰分的近红外 光谱快速检测模型优化

水分、脂肪、蛋白质、灰分是重要的奇亚籽品质指标,目前主要依赖于化学法测定,过程烦琐,耗时费力,且不能多指标同时监测。以103份不同产地的奇亚籽为建模样本,通过19种光谱预处理方法和最佳谱区范围的筛选分别建立了奇亚籽中水分、脂肪、蛋白质、灰分的偏最小二乘模型。结果表明:对于水分采用Savitzky-Golay滤波平滑(SG)对光谱进行预处理,脂肪采用一阶导数(1st)和多元散射校正(MSC),蛋白质采用1st、标准正态变化(SNV)和SG,对于灰分采用1st、SNV和Norris微分平滑(ND)组合光谱进行预处理,针对各参数最佳预处理光谱采用人工法进行谱区筛选建立模型,得到水分、脂肪、蛋白质和灰分的验证集相关系数分别为0. 993、0. 972、0. 925和0. 923。结果显示,利用近红外光谱可以实现对奇亚籽的水分、脂肪、蛋白质以及灰分的同时快速无损检测,在大规模奇亚籽原料的分选中提高检测效率。     

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。     

基于气流-激光检测技术的面包老化表征

目的 探索应用气流-激光检测技术实现面包老化快速定量检测方法。方法 使用基于气流-激光检测技术的检测装置进行蠕变测试对面包黏弹性参数进行采集,分别使用采集到的蠕变阶段全参数和基于伯格斯模型提取的力学特性参数,结合不同预处理方法建立基于水分含量的水分损失速率和基于硬度的老化率的多元线性回归分析和偏最小二乘回归分析模型。结果 使用蠕变阶段全参数建立的预测模型取得最佳预测效果,对于老化率模型,使用S-G卷积平滑结合偏最小二乘回归最佳建模结果为校正集和验证集相关系数分别为0.971和0.959,校正集均方根误差和验证集均方根误差分别为9.723和10.721;对于水分损失速率模型,使用1阶导加S-G卷积平滑结合偏最小二乘回归最佳建模结果为校正集和验证集相关系数分别为0.984和0.968,校正集均方根误差和验证集均方根误差分别为0.002和0.002。结论 使用气流-激光检测技术可以对面包老化进行快速、简单、可靠的表征,本研究为面包老化的定量检测提供了新思路。     

近红外光谱法测定金华火腿生产过程中的品质参数

以金华火腿为研究对象,采用傅里叶近红外光谱分析技术检测火腿生产过程中的品质参数.火腿样品经万能机粉碎,在AntarisⅡ傅里叶变换近红外光谱仪上扫描,获得其近红外光谱.参照国标法测定对应样本的过氧化值和水分含量,用Norris导数平滑滤波及一阶导数对光谱预处理,建立火腿过氧化值和水分含量的偏最小二秉(PLS)回归模型.其中过氧化值模型中样品预测值与实测值的相关系数r2=0.99091,预测均方差(RMSEP)0.436,平均相对标准偏差0.34％,与化学测定值无显著差异.水分含量模型中样品的预测值与实测值的相关系数r2= 0.93537,RMSEP为0.0184.本实验结果表明近红外光谱技术可快速检测金华火腿生产过程中的品质参数.     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

苹果中糖酸度的CCD近红外光谱分析

应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度。通过Y型光纤采集120个红富士苹果的漫反射光谱,采用偏最小二乘回归(PLSR)建立苹果糖度、酸度的定量预测模型。针对CCD光谱噪声较大的特点,采用S-G平滑、一阶导数、二阶导数对光谱进行预处理。结果表明,S-G平滑后所建模型的效果最好,糖度、酸度的相关系数(r)分别为0.9240、0.8151,标准校正误差(SEC)分别为0.9254、0.0120,标准预测误差(SEP)分别为0.9407、0.0204。本研究说明应用CCD近红外光谱仪,在630～1030nm波段实现对苹果糖度、酸度的无损检测具有可行性。     

近红外光谱技术在南极磷虾粉水分、脂肪和蛋白质含量快速检测中的应用

利用傅里叶近红外光谱分析技术,以磷虾粉样品的实测值与模型预测值为基础,研究了采用最小二乘法建立磷虾粉原始样品与磷虾粉混合样品中水分、脂肪和蛋白含量近红外定标模型的可行性和准确性.结果表明,磷虾粉近红外图谱最佳预处理方式为:标准正态变换预处理+一阶导数+Norris导数滤波;以磷虾粉混合样品构建的近红外模型较磷虾粉原始样...     

基于高光谱技术的羊肉含水率无损检测

利用高光谱成像系统(1000~2500 nm)对羊肉含水率进行无损检测研究。对108个羊肉样本进行光谱信息采集,通过标准正态变换法、归一化法、去趋势校正法、S-G卷积平滑法、导数法、多元散射校正法对原始光谱进行预处理,对全波段下的原始光谱和预处理后的光谱建立偏最小二乘回归(PLSR)模型,优选出的最佳预处理算法为去趋势校正法。原始数据经去趋势校正法预处理后,采用相关系数法选取特征波长,建立特征波长下羊肉含水率的 PLSR模型和逐步多元线性回归(SMLR)模型。结果表明,SMLR模型对含水率预测效果最好,校正集相关系数R_c为0.8597,标准误差SEC为0.0521;预测集相关系数R_p为0.8654,标准误差SEP为0.0387。研究表明,利用高光谱成像技术检测羊肉含水率是可行的。     

近红外特征光谱定量检测羊肉卷中猪肉掺假比例

利用近红外漫反射光谱技术结合化学计量学方法对解冻掺假羊肉卷,进行猪肉掺假比例的定量检测研究。按照不同肥肉占比和不同猪肉掺假比例,制备324?个样品,并利用近红外光谱仪采集其光谱数据。对原始数据进行SG（Savitzky-Golay）平滑、SG一阶导、SG二阶导、多元散射校正、中心化、标准正态变量校正等预处理,并利用偏最小二乘回归（partial least square regression,PLSR）进行建模分析,其中SG平滑结合一阶求导预处理的模型预测效果最优。针对最佳预处理光谱采用竞争性自适应加权采样（competitive adaptive reweighted sampling,CARS）算法进行波长筛选,并建立特征波长PLSR模型,模型预测效果得到提高。其中,校正集和验证集决定系数分别为0.983?6和0.972?5,校正集和验证集的均方根误差分别为0.043?7和0.057?7,范围误差比为7.62。应用该CARS-PLSR模型对检验集进行预测,真实值与预测值的相关系数为0.913?8,结果表明采用近红外光谱分析技术可以实现不同肥肉占比羊肉卷中猪肉掺假比例的定量检测。     

京郊鲜食杏白利糖度的便携式光谱快速无损检测方法研究

目的建立京郊鲜食杏白利糖度的定量分析预测模型,实现对京郊鲜食杏品质的快速无损检测。方法使用便携式近红外光谱仪采集900～1700 nm下鲜食杏的漫反射光谱信息,使用多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variable transformation,SNV)和Savitzky-Golay卷积平滑(Savitzky-Golay smooth,S-G)对原始光谱数据进行预处理,使用Kennard-Stone (K-S)算法以3:1比例将样本集划分成校正集和预测集,利用竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法和连续投影算法(successive projections algorithm,SPA)对光谱进行特征波长筛选,使用偏最小二乘回归(partial least squares regression,PLSR)算法建立京郊鲜食杏白利糖度的预测模型。结果以MSC+S-G+CARS+PLSR算法建立的北京鲜食杏的...     

基于近红外光谱的藏区酥油脂肪和蛋白质含量快速检测分析

为了建立藏区酥油中脂肪和蛋白质含量快速检测方法,以藏区不同产地酥油为研究对象,采用组合区间偏最小二乘法优选出脂肪和蛋白质的红外光谱特征波段,在此基础上分别对几种光谱预处理方法进行比较挑选出最佳预处理方法,最后建立脂肪和蛋白质的定量分析模型并对模型进行外部验证。结果表明:在脂肪和蛋白质的特征波段内采用SNV+数据归一化+二阶导数+S-G滤波法对光谱预处理后建立脂肪和蛋白质定量模型,模型相关系数(R)分别为0.994和0.997,交叉验证均方差(RMSECV)分别为4.09%和0.286%。对验证样本的预测值和实测值进行配对t检验,两种测量值之间没有显著性差异(P0.05),表明建立的脂肪和蛋白质的近红外定量模型具有良好的预测能力,基于近红外光谱快速测定藏区酥油中脂肪和蛋白质的含量是可行的。     

基于MCCV奇异样本筛选和CARS变量选择的蜂蜜pH值和酸度的近红外光谱检测

采用Norris平滑加一阶微分数据预处理,蒙特卡洛交互验证(MCCV)的奇异样本筛选和CARS(competitive adaptive reweighted sampling)变量选择法,用Kennard-Stone(KS)法划分训练集和预测集,偏最小二乘(PLS)回归近红外光谱建模,对蜂蜜pH值和酸度进行定量分析。pH值和酸度校正模型的交互验证决定系数(Rcv2)、交互验证均方差(RMSECV)、预测集决定系数(Rp2)、预测均方差(RMSEP)分别为0.8516和0.8723、0.1214和2.1734、0.8205和0.8250、0.1196和2.4674。结果表明,该方法适于蜂蜜pH值的测定,而不宜用于测定蜂蜜酸度。