近红外光谱法测定高粱原花青素含量

利用近红外漫反射光谱技术,采用偏最小二乘法(PLS)探讨用近红外技术快速筛选高含量原花青素高粱的可行性.结果,内部交叉验证决定系数fR2)为0.8657,标准差(RMSECV)为0.277;外部验证决定系数(R2)为0.8919,标准差(RMSEP)为0.312.结果表明,用PLS建立的近红外模型能准确地筛选出高原花青素含量的高粱品种,为高粱的育种工作者提供了一种快速非破坏的筛选手段.     

近红外光谱技术无损检测大米中蛋白质

为建立一种无损的大米蛋白质近红外检测方法,以138份大米作为样本,分别对蛋白质和蛋白质(干基)进行近红外建模。经优化得到相应的最佳模型,两模型的内部校正决定系数R_内~2分别为0.950 6和0.965 2,内部相对分析误差RPD_内分别为4.50和5.36,内部交叉验证标准差RMSECV分别为0.197和0.231,外部校正决定系数R_外~2分别为0.956 5和0.974 1,外部相对分析误差RPD_外分别为4.79和6.21,外部交叉验证标准差RMSEP分别为0.147和0.215。对比两模型,蛋白质(干基)的近红外模型具有更好的线性和预测能力,但RMSECV较蛋白质大,精密度不如蛋白质近红外模型。     

近红外光谱法同时测定涪陵榨菜中果胶和总糖的含量

应用傅里叶变换近红外光谱技术,以涪陵榨菜为材料建立与其品质有关的果胶和总糖的定量分析模型。测定50份涪陵榨菜的近红外光谱数据,得到原始光谱,通过光谱预处理方法消除噪声,最后通过偏最小二乘法(PLS)建立回归模型。最终得到涪陵榨菜中果胶和总糖含量的近红外光谱分析模型,其决定系数(R2)分别为98.31、98.35,交叉验证均方差(RMSECV)分别为0.513、0.0531。用该模型对18份未知涪陵榨菜样本进行外部验证,其果胶和总糖的外部验证决定系数(R2)分别为96.69、95.63,预测集标准偏差(RMSEP)分别为0.572、0.0671。内部交叉验证和外部验证均证明,近红外定量分析有较高的准确度,能满足生产中对涪陵榨菜果胶和总糖同时测定的精度要求。     

甘薯蛋白质含量近红外反射光谱分析模型应用研究

以71份薯叶和170份薯块根样品为材料,应用近红外光谱技术(NIRS)和偏最小二阶乘法(PLs),建立甘薯蛋白质含量近红外反射光谱分析数学模型,并对模型预测结果的准确性进行了评价.结果显示.甘薯叶和块根的蛋白质含量的近红外光谱预测模型校正决定系数(R2cal)分别为O.996和0.993,校正均方差(RMSEE)分别为O.255和O.126,内部交叉验证决定系数(R2cv)分别为0.984和O.986,均方差(RMSECV)分别为0.448和O.178.模型对样品NIR的预测值与其相应的化学值有较好的相关性,此模型可用来预测甘薯蛋白含量.在甘薯优质育种和品质分析中具有广泛的应用价值.     

傅立叶变换近红外光谱在大豆蛋白质和粗脂肪 检测中的研究

目的本文以317份不同品种的大豆为原料,开展了大豆样品粉碎粒度的蛋白质和粗脂肪含量的近红外研究,以期建立大豆品质检测方法。方法 45份大豆粉碎样品经不同的过筛处理,对剩余的272份大豆样品在最优的粉碎粒度下建模分析。结果大豆粉碎过60目建模效果最好,蛋白质和粗脂肪含量近红外检测模型的内部交叉验证决定系数r~2分别为0.959和0.939;剩余272份大豆样品蛋白质含量的近红外检测模型的内部交叉验证相关系数为0.909,粗脂肪含量的近红外检测模型的内部交叉验证相关系数为0.918,外部验证蛋白质和粗脂肪决定系数R~2分别为0.944和0.911。结论近红外光谱技术可用于大豆品质指标的检测。     

FT-NIR在油菜籽品质指标快速检测中的应用研究

以203份不同品种的油菜籽为原料,开展了油菜籽整籽粒和粉碎样品的水分、蛋白质和粗脂肪含量的近红外研究。研究结果显示:油菜籽整籽粒和粉碎样品的水分含量近红外检测模型的内部交叉验证决定系数R~2分别为0.967和0.953,油菜籽整籽粒和粉碎样品的蛋白质含量的近红外检测模型的内部交叉验证决定系数R~2分别为0.810和0.947,油菜籽整籽粒和粉碎样品的粗脂肪含量的近红外检测模型的内部交叉验证决定系数R~2分别为0.776和0.896。同时,测定水分时可采用整籽粒扫描,而粉碎试样所建的蛋白质和粗脂肪模型优于整籽粒扫描。油菜籽粉碎样品的外部验证模型评价效果较好,外部验证水分、蛋白质和粗脂肪决定系数R~2分别为0.966、0.937和0.918。结果表明,近红外光谱技术可用于油菜籽品质指标的检测。     

近红外漫反射光谱法测定小麦Zeleny沉降值

选用220份良种小麦品种作为原始样品集,基于漫反射基本原理,使用现代傅立叶变换近红外光谱仪扫描其近红外光谱。探讨以傅里叶近红外光谱法(FT-NIRS)预测小麦的Zeleny沉降值的可行性。以良好的常规实验数据为前提,通过内部交叉检验进行预测模型的建立,其校正决定系数(R2)和交叉检验均方误差(RMSECV)分别为0.9363和2.4,外部验证校正决定系数(R2)和预测均方误差(RMSEP)分别为0.9502和2.68。该法的建立证明了近红外漫反射光谱技术应用于小麦Zeleny沉降值测定的可行性。     

基于近红外漫反射技术的大米脂肪含量的研究

利用大米脂肪含量化学分析值及其近红外漫反射光谱建立分析大米中脂肪含量的数学模型.运用OPUS5.0定量分析软件优化,采用偏最小二乘法(PLS)算法,得到最佳光谱预处理方法为乘法散射校正法(MSC),选取11 998.9～4 246.5cm-1为最佳谱区,最佳主成分维数为8.由此参数进行内部交叉检验,建立校正模型,交叉验证决定系数(R2)为0.998 1,交叉验证误差(RMSECV)为0.0191;外部验证决定系数(R2)为0.988 9,预测误差(RMSEP)为0.024 1,证明了利用近红外光谱技术测定稻米脂肪含量的可行性.     

利用近红外光谱分析技术快速测定高良姜中水分含量

结合化学计量学技术构建高良姜中水分含量NIRS分析模型,可应用于高良姜中水分含量的快速测定。方法:用减压干燥法测定106批样品中水分的含量,采集并用多元散射校正法、二阶导数法、Savitzky-Golay卷积平滑法预处理近红外光谱,结合偏最小二乘法建立高良姜药材中水分含量的定量模型,对所建模型进行了内部交叉验证和23批验证集样品的外部预测验证,并对模型进行了重复性考察。结果:所建立的高良姜药材中水分含量的近红外光谱定量分析模型,内部交叉验证决定系数达到0.9864,校正均方差为0.134,预测均方差为0.145,内部交叉验证均方差为0.311,交叉检验和外部检验RPD均大于3。结论:该模型稳定,准确可靠,可应用于高良姜中水分含量的测定。     

傅立叶变换近红外光谱法测定豆腐干中总酸、蛋白质和水分含量

应用傅立叶变换近红外光谱技术,以豆腐干为材料建立豆腐干中总酸、蛋白质和水分含量分析模型.测定63份豆腐干的近红外光谱数据,得到原始光谱信息,通过光谱预处理方法消除原始光谱噪声,最后采用偏最小二乘法建立回归方程.最终得到总酸、蛋白质和水分含量近红外光谱分析模型的决定系数(R2)依次为98.24%、97.85%、99.17%,交叉验证均方根差(RMSECV)依次为0.0113、0.122、0.152.用该模型对21个未知豆腐干样品进行外部验证,其总酸、蛋白质和水分外部验证的决定系数(R2)依次为93.46%、97.49%、99.39%,预测标准偏差(RMSEP) 次为0.0208、0.121,0.121.内部交叉验证和外部验证均证明,近红外定量分析有较高的准确度,能满足生产中总酸、蛋白质和水分检测的精度要求.     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

基于近红外光谱技术测定稻谷水分含量研究

本文采用近红外光谱技术结合化学计量学方法,建立稻谷水分含量测定的快速分析方法。试验选取江苏省不同地区的两年内197份稻谷样品作为建模集样品,对其进行化学分析和图谱扫描处理,通过近红外化学计量学软件初步建立稻谷水分含量的预测模型。建模结果显示运用PLS（偏最小二乘法）建立的分析模型预测效果最优,决定系数（R2）高达0.9689,交互验证标准差（SECV）为0.3434,选取24个未知样品作为验证集样品,验证决定系数（R2）高达0.9806,预测标准差为0.0933。结果表明,近红外光谱技术可以用于稻谷水分含量的快速测定。     

近红外光谱法快速测定晒青毛茶三种儿茶素组分含量

为了实现晒青毛茶儿茶素含量的快速检测,该研究利用高效液相色谱技术(High Performance Liquid Chromatography,HPLC)测定了50份晒青毛茶样品中的表没食子茶素没食子酸酯(Epigallocatechin Gallate,EGCG)、表没食子儿茶素(Epigallocatechin,EGC)、没食子酸(Gallic Acid,GA)三种儿茶素单体含量,结合样品的近红外光谱,分别建立了晒青毛茶三种儿茶素单体含量的偏最小二乘法(Partial Least Squares,PLS)模型,并对模型进行验证。实验结果表明,基于EGCG、EGC、GA含量所建立近红外模型的决定系数(Coefficient of Determination,R²)分别为99.99%、99.99%、99.92%;校正标准差(Root Mean Square Error of Calibration,RMSEC)分别为0.17、0.15、0.10;相对标准差(Relative Standard Deviation,RSD)分别为0.19%、0.27%、0.56%;外...     

近红外光谱技术快速检测小龙虾新鲜度

应用近红外光谱技术实现对小龙虾新鲜度的快速检测。利用化学计量学方法,通过对近红外品质分析仪采集的虾肉绞碎前后光谱（850～1 050 nm）调整不同预处理方法、偏最小二乘法和组合算法,建立一种基于总挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的小龙虾新鲜度定量预测模型。结果表明：采用标准正态变量变换与一阶导数结合的预处理方法模型预测效果最好,且绞碎后的虾肉光谱比绞碎前建模效果更好;为满足实际应用需要,对绞碎前的虾肉TVB-N含量预测模型进行分析,其交叉验证误差为3.123,交叉验证相关系数为0.947,用此模型对预测集24 个样品进行预测,预测值与实测值的交叉验证相关系数为0.951 4,在TVB-N含量超过20 mg/100 g（不新鲜）的检测准确率为100%。近红外光谱技术可应用于快速检测小龙虾新鲜度,所建模型具有较好的预测能力。     

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。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

鸡腿肌冻干粉蛋氨酸近红外光谱定量预测模型的建立与优化

本文从光谱预处理方法、建模特征光谱筛选、异常样本剔除、建模样本选择四个方面建立和优化鸡腿肌冻干粉蛋氨酸近红外定量预测模型,旨在进一步提高模型的预测精度和模型稳健性。以263个鸡腿肌冻干粉NIRS和蛋氨酸含量为研究对象,分别使用7种不同光谱预处理方法、4种特征光谱筛选方法、2种MCCV异常样本剔除方法,SPXY和常规选择2种建模样本选择方法,应用偏最二小乘法(PLS)、内部交互验证和外部验证建立和优化腿肌冻干粉蛋氨酸近红外定量预测模型。结果表明：在本研究中,最优鸡腿肌冻干粉蛋氨酸NIRS定量预测模型为在1000-2502nm谱段,使用原始光谱,在SNV+gapsegment(1#,15,7)光谱的基础上使用MCCV方法删除54个样本后,采用SPXY方法选取156个校正样本,39个外部验证样本所建模型,其为0.93、SE_CV为0.0609、为0.83、RPD_P为2.42。研究表明,模型预测值与化学检测值有很高的相关度,对腿肌冻干粉蛋氨酸NIRS模型预测精度和稳健性影响最大因素是异常样本剔除方法和建模样本选取方法。     

废旧聚酯纤维制品近红外定量分析模型的建立及验证

为解决废旧纺织品回收利用中纯聚酯的分拣问题,以聚酯、棉、锦纶、羊毛、聚酯/ 棉混纺、聚酯/ 锦纶混纺、聚酯/ 羊毛混纺织物共计276 个样品为研究对象,利用近红外光谱仪获取样本的原始近红外光谱图,通过化学计量学软件CM-2000 对样本原始近红外光谱图进行预处理,并用偏最小二乘法作为校正方法建立废旧聚酯纤维制品近红外定量分析模型。所建模型的校正集相关系数为0.994,验证集相关系数为0.989,校正标准偏差为1.832,验证标准偏差为2.065,内部预测正确率为90.58%。用未参与建模的173 个样本（7 种织物）对模型进行外部验证,验证正确率为88.44%,而对纯聚酯样本的外部预测正确率可达96%。结果表明,该模型可以较准确地将纯聚酯织物从废旧纺织品中鉴别出来。     

Discrimination between Chinese rice wines of different geographical origins by NIRS and AAS

The feasibility of near infrared spectroscopy (NIRS) for discrimination between Chinese rice wine of different geographical origins (Shaoxing and Jiashan, China) is presented in this research. NIR spectra were collected in transmission mode in the wavelength range of 800–2500 nm. Qualitative analysis models were developed based on partial least squares regression (PLSR). The prediction performance of calibration models in different wavelength range was also investigated. The best models gave a 100% classification of wines of the two geographical origins in the range of 1300–1650 nm. The content of trace metals (potassium, magnesium, zinc, and iron) was also investigated to classify wines of the two categories by atomic absorption spectroscopy (AAS). The AAS results were in agreement with NIRS, with 100% classification for wines of the two categories. In addition, the correlation between NIRS and AAS was also investigated by PLSR. Potassium and magnesium were well predicted by quantitative models based on NIR spectra and AAS data. The correlation coefficient of calibration (R _cal) for potassium and magnesium were 0.958 and 0.885, respectively, and the correlation coefficient of validation (R _val) were 0.861 and 0.700, respectively. The results demonstrated that NIRS technique could be used as a rapid method for classification of geographical origin of Chinese rice wine, and AAS could be used as an alternative technique or to validate the discrimination results.