便携式近红外谷物分析仪快速测定小麦蛋白质的研究

收集中国小麦各个主产区不同品种样品104份,研究采用国产便携式近红外谷物分析仪快速测定小麦蛋白质含量,用化学计量方法建立了小麦蛋白质含量的近红外分析模型,并对模型进行了预测准确性评价。在建模过程中,分别探讨光谱散射和数学导数处理等优化对定标模型的影响。结果表明:采用偏最小二乘法(PLS)建立模型,光谱预处理最佳条件为:Savitzky-Golay平滑、Savitzky-Golay一阶导数、基线校正、均值中心化、主因子数为12。所建模型的定标标准偏差(SEC)和定标相关系数(RC)分别为0.177和0.988;外部验证的标准偏差(SEP)和相关系数(RP)分别为0.188和0.961。标准方法测定值与NIRS方法预测值之间的T检验结果为T=0.304(P<0.05),表明两种测定方法测定值之间无显著性差异,说明定标模型具有很好的预测准确性,可应用于优质小麦收购中蛋白质含量的快速测定。     

近红外光谱法快速检测山苍子果实主要品质指标的定量模型的研究

为实现山苍子果实精油、核仁油、蛋白质含量的快速检测,采用近红外光谱结合化学计量学方法对山苍子果实精油、核仁油、蛋白质含量的测定进行了研究。115个样本采用连续投影算法(SPA)筛选剔除冗余变量,以光谱-理化值共生距离(SPXY)算法划分为校正集和外部验证集。多种预处理方法对原始光谱进行优化后,分别确定二阶导数结合Detrend、导数SG结合Detrend、二阶导数为最优预处理方法,建立山苍子果实精油、核仁油、蛋白质含量定标模型,精油、核仁油、蛋白质定标模型外部验证集R²分别为0.910 7、0.966 4、0.911 0,结果表明,所建模型精度较好,可用于山苍子果实品质的快速检测。     

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。     

基于近红外光谱技术测定小麦蛋白质模型的建立

为了实现小麦籽粒蛋白质含量的快速、准确测定,用近红外分析仪对158份小麦进行光谱扫描,采用主成分分析法剔除异常光谱,对剔除异常值后的图谱进行标准正常化及去散射处理,并分别进行一阶和二阶导数处理.并在光谱预处理基础上,建立了预测小麦籽粒蛋白质含量的BP神经网络和偏最小二乘法校正模型.结果表明:经过标准正常化及去散射处理和二阶导数预处理的图谱,运用BP神经网络建立的模型预测小麦籽粒蛋白质含量效果最优,预测的R2和均方根误差分别为0.983和0.067,小麦蛋白质含量的国标测定值与最优条件下的预测值之间的t检验结果为P =0.82＞0.05,两种方法测定结果无显著性差异.将其与近红外仪器自带模型相比,预测效果显著提高.采用非线性BP神经网络法建立的定标模型可提高预测小麦蛋白质含量的准确性.     

基于近红外技术快速检测棉籽饼粉水解液中氨基氮含量

利用近红外(NIR)光谱技术结合偏小二乘(PLS)的方法,通过分别选择不同波长、不同光谱预处理方法,建立并优化棉籽饼粉水解液中氨基氮含量校正模型。波长选择为1 300¹ 800 nm,采用光谱预处理阶导数+减条直线,得到校正模型的交叉验证均方根(RMSECV)为0.457 g/L,决定系数(R2)为0.927 2,剩余预测偏差(RPD)为3.71。并对校正模型进行外部检验,预测含量与实际含量进行对比,决定系数为0.944 5,平均相对误差为5.05%。结果证明预测模型能够快速、准确地对棉籽饼粉水解液氨基氮含量进行预测和监控,为建立棉籽饼粉水解液评价系统奠定定基础。     

正交信号校正方法在啤酒酒精度近红外光谱分析中的应用

以啤酒酒精度的快速测定为研究对象,对原始光谱分别进行一阶导数、二阶导数、正交信号校正(OSC)等预处理方法后,用偏最小二乘法(PLS)建立了啤酒酒精度校正模型,然后用所建模型对预测集进行预测.结果表明,使用OSC预处理方法后,PLS主成分数为2,验证集预测均方差和平均相对误差分别为0.095%和1.002%,效果最佳.在建立定量校正模型前,对光谱进行OSC预处理方法滤除了与浓度阵无关的光谱信号,减少了建立模型所用的主因子数,进一步提高了校正模型的预测能力和稳健性.     

近红外光谱法检测婴幼儿营养米粉蛋白质含量

以160个婴幼儿营养米粉为样品,应用近红外光谱技术和偏最小二乘法建立了婴幼儿营养米粉中蛋白质含量的近红外模型。比较了2、3、4、5、6、7、8 mm不同装样厚度(即光程)下样品近红外光谱的稳定性,通过样品光谱在不同波数下的标准差选定了5 mm为最佳的装样厚度;比较了变量标准化、导数、多元散射校正和9点平滑预处理方法对模型建立的影响,根据模型的相关系数和均方根误差确定了最佳的预处理方法,为变量标准化、一阶导数和9点平滑,预处理后的光谱数据结合国标方法测定的蛋白质含量建立了婴幼儿营养米粉中蛋白质含量的近红外定量分析模型,定标集和验证集相关系数分别为0.9856、0.9841,均方根误差分别为0.2431%、0.2456%,对已建立的近红外光谱定量分析模型进行了外部样品验证,预测准确度达到96%,验证结果证明了近红外检测技术与国标方法一致性较好,速度快且不需要样品前处理,在婴幼儿营养米粉蛋白质含量分析中具有广泛的应用价值。     

基于近红外漫反射光谱技术的小麦蛋白质含量检测

收集来自国内3个主要小麦生产省份的小麦样品共73份,应用近红外光谱漫反射技术结合化学计量学方法建立小麦蛋白质含量的近红外光谱定量模型,并对模型的稳定性和可靠性进行评价。结果表明,光谱预处理的最佳条件为:Savitzky-Golay平滑+一阶导数处理,使用偏最小二乘法(Partial least square,PLS)建立模型,校正集(Rc)和预测集相关系数(Rp)为0.936和0.925,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.23和0.28,表明模型准确可靠,可应用于小麦蛋白质含量的快速无损检测。     

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。     

乳粉中蛋白质和脂肪的近红外定量模型优化研究

对乳粉中蛋白质和脂肪近红外定量模型的优化进行了研究。结果表明:利用全波段光谱建立的模型,蛋白质和脂肪的模型预测评价参数分别为:校正集预测偏差(RMSECV)为2.837、2.984,内部交互验证标准偏差(RMSEP)为3.406、3.751,交互检验相对偏差(RPD)为2.6、2.5。经过波长优选后,蛋白质和脂肪优选的波数范围分别为(9403.5~7498.1)cm-1、(9403.5~6098)cm-1,蛋白质和脂肪的模型预测评价参数有一定的提高,分别为RMSECV 1.963、2.317,RMSEP 2.396、3.035,RPD 2.9、2.6。通过正交试验对定标方法和光谱预处理方法进行了优化:蛋白质的最佳参数组合为:定标方法为改进偏最小二乘法,多元离散校正,一阶导数处理,导数处理间隔点为8,平滑处理间隔点数为4,二次平滑处理间隔点数为1,目标函数达到98.25%;脂肪的最佳参数组合为:定标方法为偏最小二乘法,散射校正为多元离散校正,导数处理为二阶,导数处理间隔点为1,平滑处理间隔点数为4,二次平滑处理间隔点数为4,目标函数达到95.26%。     

不同品种榛子种仁营养成分含量分析

通过对平欧杂种榛、平榛、欧洲榛共43个品种的基本营养物质进行测定并分析差异性。结果表明：榛子水分含量3.87%～9.51%,淀粉含量0.92%～2.03%,总糖含量12.66%～19.09%,蛋白质含量29.22～68.57mg/g,脂肪含量53.80%～63.33%。不同榛子品系之间具有一定差异性,欧洲榛所有营养物质均与平榛和平欧杂种榛有显著差异,平榛与平欧杂种榛在淀粉与总糖含量上有显著差异。水分：平欧杂种榛＞平榛＞欧洲榛;淀粉：欧洲榛＞平欧杂种榛＞平榛;总糖：平欧杂种榛＞欧洲榛＞平榛;可溶性蛋白：欧洲榛＞平榛＞平欧杂种榛;脂肪：欧洲榛＞平欧杂种榛＞平榛。     

不同种类榛子油脂脂肪酸组成及抗氧化活性

对欧洲榛巴塞罗那、平榛1#、平欧杂交榛辽榛3#和达维4个品种榛子油脂的基本理化性质、脂肪酸组成和抗氧化活性进行研究,并比较不同品种之间的差异。结果表明：不同品种榛子油脂的基本理化性质之间存在显著差异,碘值为137.15～147.50g I2/100g,皂化值为144.99～159.03mgKOH/g,平榛油脂具有较低的酸值和碘值,欧洲榛油脂的酸值较高,平欧杂交榛油脂具有较高的碘值,两个品种平欧杂交榛油脂的皂化值之间具有较大差异。榛子油脂中的脂肪酸组成以油酸含量最高,为67.69%～82.26%;其次是亚油酸,为11.37%～14.24%;不饱和脂肪酸含量为84.37%～94.31%,其中多不饱和脂肪酸含量为11.84%～16.39%。榛子的DPPH自由基半数清除质量浓度IC50在23.63～42.40mg/mL,抗氧化活性：辽榛3#＞平榛1#＞达维＞巴塞罗那。说明：我国平榛和平欧杂交榛相比于欧洲榛,在不饱和脂肪酸含量和抗氧化能力方面存在优势。     

花椒生物碱和挥发油含量的近红外光谱无损检测

通过交叉验证和偏最小二乘法(PLS)建立花椒的近红外光谱(NIRS)与花椒生物碱和挥发油含量之间的相关性模型,分析四种扫描参数组合和光谱数据预处理方法,花椒生物碱和挥发油含量的化学测定值与模型测定值的相关性分析。结果表明:在扫描分辨率为16 cm-1、扫描次数为128时,一阶导数+MSC+移动平滑(9点)时建立的预测模型最优;花椒生物碱和挥发油的化学测定与模型预测含量的内部验证相关系数分别为0.900,0.890,线性关系良好;预测集验证的相对分析误差RPD分别为7.03,6.79,表明模型具有较高的稳定性;相对标准差RSD分别为6.52%,6.87%。NIR-PLS方法可以比较准确的预测花椒生物碱和挥发油含量,相对化学检测更具有方便,无损伤,快捷的特点。     

面粉湿面筋近红外定量分析中的光谱预处理方法研究

采用10种不同的预处理方法对面粉湿面筋含量的近红外光谱数据进行预处理,并比较了10种预处理方法对偏最小二乘法（PLS）建立定量模型效果的影响。结果表明,采用近红外光谱（NIRS）分析技术对面粉中的湿面筋含量进行定量分析时,一阶导数+减去一条直线的预处理方法对面粉湿面筋含量的预测效果最好,内部交叉验证相关系数R为0.901 8,内部交叉验证标准差（RMSECV）为0.708;预测相关系数R为0.920 9,预测标准差（RMSEP）为0.083,提高了预测模型的精度和准确性。     

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。     

光谱预处理对太赫兹光谱预测猪肉K值的影响

采用太赫兹（terahertz,THz）光谱分析技术无损检测猪肉的新鲜度K值,但水会强烈吸收THz波,从而严重影响THz波对肉的检测。考察预处理方法对削弱水的干扰、提升THz光谱检测猪肉K值的模型性能的影响。分别采用多元散射校正、标准正态变量变换、一阶微分、二阶微分4?种预处理方法对衰减全反射光谱进行预处理,基于反向传播人工神经网络回归算法建立猪肉K值的THz光谱预测模型,比较研究4?种预处理方法后的模型预测精度。研究表明：一阶微分预处理方法效果最好,能够消除光谱基线漂移,提高光谱质量。与原始光谱相比,模型的预测集相关系数（Rp）从0.34提高到0.75,预测集均方根误差从20.24%降低到14.36%。因此,选择合适的光谱预处理技术对提高模型预测精度非常重要,采用一阶微分预处理后的THz光谱数据建立反向传播人工神经网络模型能够无损检测猪肉的新鲜度K值。     

利用特征波段提取及结合机器学习对小米淀粉的高光谱检测研究

运用高光谱检测技术实现小米淀粉的快速检测在小米定级、定价及降低加工成本中具有重要意义。本研究基于高光谱检测技术,采用化学计量学及机器学习相关知识对小米直链、支链淀粉含量进行检测,并提出特征波段提取联用预处理方法及Logistic结合COOT （coot optimization algorithm）优化算法。结果表明采用特征波段提取联用算法建立的PLSR（partial least squares regression）模型能够在减少波段冗余情况下不影响模型预测精度,其中直链淀粉较好模型为MSC（multiplicative scatter correction）-RF（random frog）-IRIV（iteratively retains informative variables）-PLSR,支链淀粉较好模型为MSC-CARS（competitive adaptive reweighted sampling）- IRIV-PLSR。为了进一步提高模型预测精度,基于最佳预处理算法结合Logistic-COOT建立BP（back propagation）预测模型能够较好的预测小米直链、支链淀粉的含量,模型评价直链、支链淀粉相关系数 (correlation coefficient, R)、均方根误差(root mean squared error, RMSE)、相对分析误差(relative percent deviation, RPD)分别为0.74,1.19,1.51;0.72,5.25,1.40。这一结论能够为小米其他营养成分的高光谱检测及产品分类、定级等提供理论参考。     

高光谱成像技术预测香葱贮藏品质

香葱是一种保质期很短的重要调味食品,水分与叶绿素是评估香葱采后品质的重要指标。本文旨在使用无损检测技术获取香葱在采后不同存储条件下的水分及叶绿素分布情况。实验采用高光谱成像技术获取431~962 nm波段的香葱反射光谱数据,通过卷积平滑（SG）、多元散射校正（MSC）、标准正态变异（SNV）三种预处理方法对原始光谱进行相应转换,并分别建立水分和叶绿素含量预测模型,比较模型预测精度后,选用降噪效果最好的MSC作为光谱预处理方法。随后使用竞争自适应加权采样算法分别选出11个和20个特征波段用于水分与叶绿素含量的预测。基于优选特征波段,利用偏最小二乘回归算法和支持向量机回归算法建立水分和叶绿素含量的预测模型。所建水分与叶绿素含量预测模型的最高预测决定系数分别达到0.9046和0.9143。最后根据所建模型取得不同存储条件下香葱水分及叶绿素含量分布图。综上,高光谱成像技术可用于快速无损检测香葱水分及叶绿素分布情况。本研究为后续便携式果蔬水分及叶绿素分布检测仪器的开发提供了理论依据。