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。     

基于电容法的藜麦水分快速检测仪设计

利用LCR仪研究了5~40 ℃下,不同含水率(10.14%~29.55%)藜麦的电容随激励频率(1~100 kHz)的变化规律。基于多元回归分析法,确定了藜麦含水率检测的最佳激励频率(21 kHz)及含水率检测模型。以MSP430F149单片机最小系统板为检测系统核心,结合AD5933阻抗测量芯片、自制同心圆式电容传感器和DS18B20数字温度传感器,设计了一种藜麦水分快速检测仪,并对其进行了精度检验,结果显示:藜麦含水率检测结果的平均相对误差为4.17%,测量时间小于2 s,检测仪取得了较为满意的检测结果。     

3步混合变量选择策略在鸡肉近红外水分检测中的应用

基于光谱多元校正中有效变量选择的3步混合策略(初筛、精挑、细选),提出了间隔偏最小二乘(iPLS)、区间变量迭代空间收缩法(iVISSA)和迭代保留信息变量(IRIV)联用的特征变量选择方法,对生鲜鸡胸肉的近红外光谱进行特征波长选择,建立了鸡肉水分检测模型。结果表明,建模波长数量经iPLS-iVISSA-IRIV 3步选择后减少为全光谱建模的0.76%,但模型精确度和稳定性逐步提高。选定8个特征波长建模,其校正相关系数RC=0.907 7,校正均方根误差RMSEC=0.516 1;预测相关系数RP=0.943 5,预测均方根误差RMSEP=0.612 3。表明基于3步混合策略提出的iPLS-iVISSA-IRIV方法能有效选择鸡肉水分检测的特征波长。