鸡蛋蛋白质含量无损检测技术研究

为了探索傅立叶近红外光谱(FT-NIR)快速无损检测鸡蛋蛋白质的方法,采集83枚新鲜种鸡蛋赤道位和锐端的近红外光谱(12000~4000cm-1),用凯氏定氮法测定对应鸡蛋的粗蛋白含量,运用The Unscrambler软件中的一阶导数(First Derivative,FD)、二阶导数(Second Derivative,SD)、多元散射校正(Multiplication Scatter Correction,MSC)、变量标准化(Standard Normalized Variate,SNV)和光谱转换(Spectroscopic Transformation,ST)方法预处理光谱,结合偏最小二乘法(PLS)建立蛋白质的数学模型并用杠杆校正(Leverage Correction)检验,通过模型的比较来判断FT-NIR快速无损检测鸡蛋蛋白质的可行性。结果表明:鸡蛋蛋白质与其近红外光谱信号间存在线性关系,在未作预处理下用赤道位和锐端原始光谱建立的蛋白质校正模型R2在0.74以上;在不同预处理中,SD处理下建立模型效果最优,赤道位和锐端模型的R2均在0.97以上,RMSEE、RMSEP值都较小且相互接近;SD处理下建立的赤道位和锐端光谱模型差异不显著,R2及RMSEE、RMSEP都较为接近。利用FT-NIR快速无损检测鸡蛋蛋白质的含量是可行的。     

便携式近红外光谱仪在酒醅分析检测中的应用研究

利用基于MEMS技术的SIMC-3120便携式近红外光谱仪,采集632个白酒酒醅样品的漫反射光谱,将所得的950～1650 nm波段范围内的光谱数据进行多元散射校正(MSC)预处理,结合偏最小二乘法(PLS)建立出入窖样品水分、酸度和淀粉的定性、定量分析模型.结果表明,SIMC-3120可以利用更少数量样本实现快速建模...     

莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

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,     

可见/近红外光谱技术无损检测新鲜鸡蛋pH及蛋白质的研究

本文利用可见/近红外光谱技术检测新鲜鸡蛋p H和蛋白质。分别采集新鲜鸡蛋在400~1000 nm和900~1700 nm波长范围的漫反射光谱,使用多元散射矫正(MSC)、标准正态变量变换(SNV)等光谱预处理技术,选择最佳的预处理方法,使用偏最小二乘法(PLS)建立p H和蛋白质模型并对其进行评价。结果表明,基于900~1700 nm波长范围的光谱获得的p H模型较好,其校正集相关系数为0.948,预测集相关系数为0.855;基于400~1000 nm波长范围的光谱获得的蛋白质模型较好,其校正集相关系数为0.927,预测集相关系数为0.906。研究表明,可见/近红外光谱技术可以较好的预测新鲜鸡蛋的p H和蛋白质,为鸡蛋营养成分的快速无损检测提供新的思路和方法。     

傅里叶变换近红外光谱快速检测方便面油脂含量

利用傅里叶变换近红外光谱技术测定方便面油脂含量。光谱通过多元散射校正算法(MSC)处理后,采用偏最小二乘法(PLS)建立模型,用定标集预测误差(SEC)、验证集预测误差(SEP)及其相关系数(Rc,Rv)评判模型好坏。结果发现,该法定标集预测误差和验证集预测误差分别为0.4456和0.4447,定标集和验证集相关系数分别为0.9798、0.9755;研究表明,利用近红外光谱技术能快速、准确测定油炸方便面油脂含量。     

近红外光谱法预测干辣椒辣度的影响因素分析

采用近红外光谱分析技术,对干辣椒辣度的校正模型的影响因素进行比较研究.高效液相色谱测定干辣椒样品中的辣椒碱和二氢辣椒碱含量,计算得到辣度,并用近红外光谱仪采集试样的近红外漫反射光谱,研究样品粒度、光谱波段和预处理方法及主成分数选择对校正模型的影响,采用偏最小二乘法(PLS)建立干辣椒样品的辣度评价的校正模型,并对模型进行预测.结果表明,样品粒度为0.1～0.4 mm,筛选出建模光谱波段为9000～4000 cm-1,预处理方法为移动平均平滑、归一化处理和多元散射校正处理,最适主成分数为8;在优化条件下所建立的近红外光谱预测模型效果最好.     

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。     

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。     

近红外光谱法快速测定榨菜中亚硝酸盐含量

为研究利用傅立叶近红外光谱分析仪(NIRS)快速测定市售榨菜中亚硝酸盐的含量,先取榨菜样品按GB5009.33-2016测定其亚硝酸盐含量,再向榨菜样品中添加亚硝酸钠,制成亚硝酸钠浓度范围为0.122~39.0875 mg/kg,浓度梯度为0.66 mg/kg的60个样本校正集;与10个样本预测集采集对应的傅立叶近红外光谱曲线,将光谱信息与实际测量值相关联,利用TQ analyst建模软件进行计算分析。结果表明:建模最优预处理方法为一阶微分(1D)与Savitzky-Golay filter滤波平滑的组合预处理;比较分析偏最小二乘法(PLS)与主成分回归法(PCR)的亚硝酸盐样品建立的光谱模型,数据结果显示采用偏最小二乘法(PLS)的亚硝酸盐组分模型稳定性和预测能力更好;内部交叉验正均方差(RSMECV)、交叉验证决定系数(R_c)、外部预测均方根误差(RMSEP)、预测决定系数(R_P)相关系数(r)分别为0.0310、0.9925、0.0141、0.9720、0.9378。经F检验与t检验,与国标所测结果无显著性差异。NIRS检测快速,无损便捷,可用于市售榨菜中亚硝酸盐残留量的定量检测。     

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。     

小种红茶水浸出物近红外定量分析模型的建立

为实现近红外光谱技术在小种红茶中的快速无损检测,对76份有代表性的小种红茶按现行国家标准测定其水浸出物含量,采集样品的近红外光谱,采用OPUS 7.5软件,结合偏最小二乘法(partial least squares,PLS)建立小种红茶水浸出物含量的近红外定量分析模型。结果表明,所建立的水浸出物定量模型决定系数R2为95.73%,校正均方差(root mean square error of calibration,RMSEC)为0.629,验证均方差(root mean square error of prediction,RMSEP)为0.513。所建立的小种红茶水浸出物含量的近红外定量分析模型较为成功,模型预测效果较好,能够对小种红茶中水浸出物的含量进行快速地分析。     

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。     

近红外光谱的煎炸油羰基值检测及监控研究

为实现煎炸油煎炸过程中羰基值的快速检测和实时监控,采集不同混合比例、不同氧化程度的混合油及不同煎炸时间的煎炸油共108个样品的近红外光谱,分别采用一阶求导、二阶求导、Norris平滑、标准正交变换(SNV)及多元散射校正(MSC)对光谱进行预处理,偏最小二乘法(PLS)建立模型,对模型进行验证及利用模型对煎炸油煎炸过程中的羰基值进行监控。结果表明:在9 739~6 274 cm-1波数范围内采用SNV和二阶求导进行光谱预处理后PLS建模,其模型校正集和验证集的相关系数分别为0.984 4和0.979 0,模型可用;利用模型与传统方法同时测定煎炸油煎炸过程的羰基值,2种方法测定结果线性相关性良好(R2=0.995 2),模型可用于煎炸过程中羰基值的监控分析。     

近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量

应用近红外光谱技术结合不同的定量分析方法建立面粉4种组分的快速定量模型。国标法测定68种面粉样品的水分、脂肪、碳水化合物和蛋白质的含量,并采集其近红外漫反射光谱图。选取58个校正集和10个验证集样品,通过马氏距离法剔除异常样品后,对比17种光谱预处理方式所建立的基于全光谱的偏最小二乘法(partial least squares,PLS)定量模型效果,在最佳预处理方法的基础上,采用向后区间偏最小二乘法(Backward interval PLS,BiPLS)筛选特征光谱,进一步得到最佳定量模型。结果表明,所建立的模型校正集相关系数Rcv均大于0.9650,内部交叉验证均方根误差均小于0.328;验证集相关系数均大于0.9926,预测均方根误差均低于0.383。因此,模型具有较好的准确性和稳定性,能应用于面粉的多指标快速检测。     

基于中红外漫反射光谱技术测定精米中直链淀粉含量的研究

研究了基于傅里叶中红外漫反射光谱(DR-FTIR)技术结合偏最小二乘法(PLS)、主成分分析法(PCR)、经典最小二乘法(CLS)、逐步多元线性回归法(SMLR)快速测定精米中直链淀粉含量。实验选取了161个精米样品作为研究对象,通过光谱预处理,异常值剔除,波谱区间选择对模型进行了优化。结果表明:采用PLS建模,通过多元散射校正,向后区间偏最小二乘法预处理后,所构建的模型效果最优。此时,建模区间为3 800~3 500、3 100~3 000、2 900~2 400、2 300~1 300、1 000~900 cm~(-1),模型相关系数R为0.995 6,校正均方差为0.291,预测均方差为1.23;同时,实验另选了34种精米样品对模型进行了准确性验证。结果显示验证集样品的红外预测值与真实值高度相关,线性拟合方程为Y=0.994X+0.068,相关系数R为0.994 9,说明实验所开发的直链淀粉DR-FTIR模型是有效的,预测结果准确度好,模型稳定性高。     

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。     

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。     

淀粉液化液葡萄糖当量值的近红外快速检测

为解决淀粉工业中淀粉液化液葡萄糖当量(Dextrose Equivalent,DE)值的化学检测方法繁琐复杂问题,研究近红外光谱(near infrared spectroscopy,NIRS)快速检测淀粉液化液DE值的方法。取88个淀粉液化液作为样本,扫描得到近红外光谱图,分为72个初始样本校正集,10个初始样本预测集,剔除6个问题样品,研究了运用多元散射校正(Multiplicative signal correction,MSC)、标准正态变量变化(Standard normal variate,SNV)、平滑(smoothing)、多项式平滑(Savitzky-Golay卷积平滑,SG)、一阶导数(1st derivative,1D)、二阶导数(2nd derivative,2D)等不同预处理方法和偏最小二乘法(partial least squares,PLS)、主成分回归法(principal component regression,PCR)组合的建模效果。计算分析结果表明:多元散射校正结合一阶导数与偏最小二乘法算法建模的初始模型稳定性和预测能力较好;近红外DE值模型的主成分因子数、交叉验证均方差(RMSEC)、交叉验证决定系数(R_C)、预测均方差(RMSEP)、预测决定系数(R_P)依次为:3、1.53、0.9723、1.44、0.9746。因此该NIRS检测方法快速简便,可用于淀粉液化液DE值的快速检测。     

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400~1000 nm近红外高光谱成像系统对冷鲜羊肉颜色进行快速无损检测研究。采集140个冷鲜羊肉样品(贮藏1~7 d)光谱图像,并测量其亮度(L*)、红度(a*)、黄度(b*)和饱和度(C*)等颜色参数。选取感兴趣区域获取样品代表性光谱,利用联合区间偏最小二乘法(si PLS)对一阶微分、多元散射校正、标准正态变量变换(SNV)等方法预处理后的光谱数据筛选特征波段,建立冷鲜羊肉颜色各参数的si PLS-ELM神经网络校正模型。对于L*、a*、b*和C*,模型的预测集相关系数(RP)分别为0.9219、0.9391、0.9603和0.8839,预测集均方根误差(RMSEP)分别为1.1935、0.2333、0.6009和0.3586。结果表明:采用可见-近红外高光谱成像技术结合si PLS-ELM神经网络对冷鲜羊肉颜色的快速无损检测是可行的。