基于NIRS的茶籽调和油脂肪酸品质快速检测方法研究

采用近红外光谱法(near infrared spectroscopy,NIRS)结合化学计量学方法建立茶籽调和油中不同类型脂肪酸含量的快速定量检测方法。选择101个茶籽调和油样本,经过皂化、甲酯化后,先经气相色谱分析得到饱和脂肪酸(C16:0+C18:0)、单不饱和脂肪酸(C18:1)及多不饱和脂肪酸(C18:2+C18:3)含量,再采用透反射模式采集所有样品的近红外光谱,对光谱进行预处理以及奇异值删除,利用偏最小二乘法(partial least-squares,PLS)建立上述3种组分的定量校正模型,并进行预测。(C16:0+C18:0)、C18:1及(C18:2+C18:3)的预测均方根误差值(root-mean-square error value,RMSEP)依次分别为0.274、0.768和0.963,预测集决定系数(Rp2)依次分别为0.997、0.999和0.995,预测结果良好。研究结果表明近红外光谱法可作为一种快速、无损和准确的方法用于测定茶籽调和油的脂肪酸含量,从而达到鉴别茶籽调和油脂肪酸是否均衡,快速评价茶籽调和油营养品质的目的。     

微量农药溶液近红外光谱PLS模型的不同预处理方法对比研究

比较了常用的多种预处理方法对近红外光谱技术(NIR)检测微量农药溶液含量的影响,使用偏最小二乘法(PLS)分别对各预处理方法处理后的数据建立了数学模型,利用两种不同农药初步探讨了数据量对PLS建模结果的影响。结果表明:矢量归一化(SNV)对26个微量毒死蜱溶液样本的预处理效果综合参数最好,校正集参数为R=0.9957,RMSECV=0.182,预测集参数为R=0.9992,RMSEP=0.0802;减去一条趋势线对20个微量炔螨特溶液样本的预处理效果综合参数最好,校正集参数为R=0.9925,RMSECV=0.649,预测集参数为R=0.9952,RMSEP=0.646。26个样本的微量毒死蜱溶液PLS建模结果优于20个样本的微量炔螨特溶液。     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

应用近红外光谱对老陈醋进行定性定量的检测研究

利用近红外光谱结合DA和PLS算法在不同光谱预处理方法下,对山西老陈醋醋龄进行定性判别分析,并建立陈醋可溶性固形物(SSC)及pH值的定量模型.结果表明:原始光谱、5点平滑以及SNV校正建立的DA模型性能良好,校正集判别正确率为100％,预测集判别正确率为88.89％;原始光谱建立的可溶性固形物的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99988和0.99960,RMSEC,RMSEP和RMSECV分别为0.0421,0.0911和0.0777;5点平滑建立的pH值的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99733和0.97411,RMSEC,RMSEP和RMSECV分别为0.0151,0.0386和0.0468.     

近红外光谱结合偏最小二乘法用于纯茶油中掺杂菜籽油和大豆油的定量分析

采用偏最小二乘法(PLS)建立了油茶籽油中掺杂菜籽油和大豆油的近红外光谱定量检测模型。配制不同比例(0～100%)的油茶籽油和菜籽油、油茶籽油和大豆油混合样品共256个,采集样品在10000～4000cm-1范围内的近红外透反射光谱,模型采用交互验证和外部检验来考察所建立模型的可靠性,不需进行任何光谱预处理,所建立的PLS模型相关系数为0.9997,训练集的交叉验证均方根误差(RMSECV)为0.504,预测集的预测均方根误差(RMSEP)为0.66。应用建立的模型对未知样品进行预测,并对预测值和真实值进行比较,在掺杂油含量为2.5%～100%之间范围内准确可靠,研究结果表明,采用近红外光谱技术可以实现纯茶油中菜籽油和大豆油掺杂量检测。     

短波近红外光谱-偏最小二乘法测定白酒中乙醇含量

应用近红外光谱技术结合偏最小二乘法(NIRS-PLS)建立白酒中乙醇含量定量分析数学模型。所建校正模型相关系数(Corr.Coeff.)达到0.99986,校正集均方根误差(RMSEC)为0.00225,预测均方根误差(RMSEP)为0.00137,模型通过交互验证检验,得出PLS因子数为4时预测残差平方和(PRESS)和交互验证均方根误差(RMSECV)最小。用所建模型测定样品与气相色谱分析结果相对误差不大于0.81%。实验结果表明该方法准确性、稳定性好、精密度高。     

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。     

烟草中淀粉近红外光谱变量的筛选及校正模型的建立

为提高校正模型的预测精度,以烟草中淀粉近红外光谱(NIR)校正模型为研究对象,分别利用全光谱波段(FS)、方差光谱(VS)筛选光谱变量和遗传算法(GA)筛选光谱波长,结合偏最小二乘法建立校正模型(FS+PLS、VS+PLS和GA+PLS),并对100个初烤烟叶样品进行了预测。结果显示:①FS+PLS(变量数1557个)、VS+PLS(变量数781个)和GA+PLS(变量数72个)3种校正模型的决定系数R_c2、交互验证均方根误差(RMSECV)分别为0.9764、0.433,0.9871、0.332和0.9885、0.314。②与FS+PLS和VS+PLS模型相比,GA+PLS模型的光谱变量数分别减少为FS和VS变量数的4.62%和9.22%,主因子数由15降至12,R_c2明显提高,RMSECV显著降低。③FS+PLS、VS+PLS和GA+PLS模型对100个初烤烟叶样品的预测结果显示,R_p2、预测均方根误差(RMSEP)分别为0.9652、0.780,0.9843、0.501和0.9853、0.496,预测值与其对应的化学检测值之间通过配对T检验,显著性Sig.值、T值和平均相对误差(%)分别为0.271、1.107、17.48%,0.973、0.034、13.13%和0.722、0.357、13.12%,3种方法所建立校正模型的预测值与检测值之间均无显著性差异,模型预测精度(RSD)分别为10.34%、6.98%和4.76%。基于逐步优化光谱信息法建立的GA+PLS校正模型的预测精度优于FS+PLS和VS+PLS模型,该方法对于提高复杂化学体系模型的精度有参考意义。      

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。     

近红外光谱技术在南美白对虾鲜度判别中的应用

利用近红外光谱技术建立数学模型,预测南美白对虾鲜度变化时挥发性盐基氮(TVB-N)和菌落总数(TBC)的含量。对42个虾糜样品进行扫描,获得950¹ 650 nm光谱信息,运用Unscrambler10.3软件进行计算,光谱经过一阶导数、Savisky-Golay(SG)平滑和标准正态变化(SNV)预处理,运用偏最小二乘法(PLS)建立TVB-N及TBC模型,并对模型进行验证。结果表明:TVB-N模型中定标集和预测集相关系数分别为0.980和0.923,交叉验证标准方差(RMSECV)和预测均方根误差(RMSEP)分别为1.189和2.179;TBC模型中定标集和预测集相关系数分别为0.991和0.943,RMSECV和RMSEP分别为0.136和0.603,表明所建模型取得了较好的预测效果,可以很好的判别虾新鲜度。     

近红外光谱法快速测定液态奶中蛋白质和脂肪含量

采用近红外光谱法结合化学计量学方法测定液态奶中蛋白质和脂肪的含量,比较分析随机法(randomsampling,RS)、kennard-stone(KS)、Duplex、基于x-y距离结合的样本划分方法(sample set partitioning based onjoint x-y distance,SPXY)4种训练集和预测集样本划分方法,使用Haaland法对异常值进行剔除,并对光谱预处理方法进行讨论。所建立的脂肪模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)分别为2.434和2.099,预测集的决定系数Rp2为0.964;蛋白质模型的RMSECV与RMSEP分别为2.270和2.564,Rp2为0.940。结果表明,该方法快速、准确,可为液态奶的现场质量控制提供了有效途径。     

同步荧光光谱法测定橙汁中原果汁的含量

利用同步荧光光谱法对橙汁中原果汁含量进行定量分析。对样本的同步荧光光谱数据进行预处理然后选择不同的光谱波段结合偏最小二乘(partial least squares,PLS)法建立原果汁含量预测模型,并对预测集样本进行预测来验证模型的准确性以及此法的可行性。结果显示:平滑处理结合一阶导数处理后的光谱数据更加适用于模型建立;使用全波段光谱建立的模型性能优于区间波段所建立模型。最终得到的最优模型对预测集进行预测时所得预测均方根误差(Root mean square error of prediction,RMSEP)为0.035832,决定系数(coefficient of determination,R2)为0.972570。由此可以说明同步荧光光谱法结合PLS可实现原果汁含量的定量分析。     

茶皂素提取过程的原位实时监测技术

采用近红外光谱技术结合化学计量学方法,实时原位监测茶皂素提取过程中的茶皂素质量浓度、蛋白质质量浓度和多糖质量浓度的变化。研究结果表明,一阶求导(1^stDer)为最优的光谱预处理方法,3个指标的校正集决定系数(R_C)和预测集决定系数(RP)皆最高,交叉校验残差均方根误差(RMSECV)和预测残差均方根误差(RMSEP)最小。相较于偏最小二乘法(PLS)和区间偏最小二乘法(iPLS)算法对回归模型进行校正,以R_P和RMSEP为评价指标,联合区间偏最小二乘法(SiPLS)算法下所建模型稳健性最佳。茶皂素浓度模型中的R_P=0.9889,RMSEP=1.36;蛋白质浓度的R_P=0.9859,RMSEP=0.354;多糖浓度的_RP=0.9919,RMSEP=0.359。结论：近红外光谱技术联合Si-PLS模型可较好的实时监测茶皂素提取过程。     

近红外光谱技术应用于云芝蛋白含量的定量分析

应用近红外光谱结合偏最小二乘法(PLS)建立测定真菌云芝中蛋白含量定量分析模型.所建立的模型经过i选择最有效的光谱预处理方法,光谱区域和最适主因子数使模型最优化.实验结果表明:采用傅里叶变换在1330 nm～725 nm光谱区域,主因子数为6,建立的模型最优.模型校正集的交互验证均方根误差(RMSECV)为0.010,交互验证所得校正集样品中的蛋白含量的预测值与真实值间相关系数(Rv)为0.968;应用此模型对预测集样品中的蛋白质含量进行预测,得到预测均方根误差(RMSEP)为0.009,预测集的相关系数(Rp)为0.990.     

近红外漫反射光谱检测网纹瓜可溶性固形物含量的研究

目的:利用近红外漫反射光谱检测网纹瓜可溶性固形物含量.方法:用偏最小二乘回归建模方法比较取样部位以及7种光谱预处理对建模的影响.结果:在有效信息波谱范围6101.9～5446.2cm-1和4601.5～4246.6 cm-1,对3个取样部位(共9个检测点)的平均光谱应用偏最小二乘结合矢量归一化建立模型,其决定系数R2=0.8647,内部交叉验证均方根差RMSECV为0.412.用此模型预测验证集22个样本,模型的R2=0.8895,预测标准偏差RMSEP为0.339.结论:该模型能够满足网纹瓜可溶性固形物含量快速检测的要求.     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

产品·粮油产品

正140816金浩5 000ml食用茶籽橄榄调和油金浩茶籽橄榄调和油,将湖南深山茶籽油与进口橄榄油、葵花籽油、玉米油完美调和,保留橄榄油的绿植清香,油茶籽油油感丰富,蒸炸煎炒,更美味!其中所含的油茶籽油为中国特有食用油种,产自深山,富含90%左右不饱和脂肪酸,油酸含量高达80%左右,具有更理想的脂肪酸组合,同时含有茶油固有的微量营养素,更健康!金浩,是第一个将我国特有的油茶籽油品牌化发展的企业,拥有近20年茶油品类产品生产及销售经验。引领行业,更专业,     

产品·粮油产品

<正>140816金浩5 000ml食用茶籽橄榄调和油金浩茶籽橄榄调和油,将湖南深山茶籽油与进口橄榄油、葵花籽油、玉米油完美调和,保留橄榄油的绿植清香,油茶籽油油感丰富,蒸炸煎炒,更美味!其中所含的油茶籽油为中国特有食用油种,产自深山,富含90%左右不饱和脂肪酸,油酸含量高达80%左右,具有更理想的脂肪酸组合,同时含有茶油固有的微量营养素,更健康!金浩,是第一个将我国特有的油茶籽油品牌化发展的企业,拥有近20年茶油品类产品生产及销售经验。引领行业,更专业,     

高光谱图像技术检测枇杷叶片三萜酸含量及叶面分布

枇杷叶富含三萜酸类化合物,具有较高的药用价值。本研究首先建立枇杷叶高光谱信号与三萜酸含量的对应关系,然后利用高光谱图像包含每个像素点的光谱信号这一独特优势,检测枇杷叶片的三萜酸分布。通过联合区间偏最小二乘法(si PLS)建立三萜酸含量分析模型,结果表明,采用si PLS将全光谱均匀划分11个子区间,选择1、5、6、7联合,主因子数为4 h,建立的si PLS谱区筛选模型预测效果最佳,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为3.392 mg/g和3.731 mg/g,校正集和预测集相关系数分别为0.8449和0.8223。根据si PLS模型计算叶片上所有像素点处的三萜酸含量,并通过伪彩色方法描述叶片中三萜酸含量的分布。研究结果表明,利用高光谱图像技术分析枇杷叶片三萜酸含量及叶面分布是可行的。