近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

基于可见近红外的柿饼涩味定量定性分析

柿饼涩味评价是柿饼生产流通环节的重要控制工作。目前没有建立柿饼的快速无损检测方法。文章以恭城月柿为原料,建立涩味可见近红外快速无损检测模型。结果表明:柿饼水分含量在32.1%～36.17%可见近红外定量分析中,发现在460～1050 nm与1300～1680 nm波段范围内,采用改进偏最小二乘回归算法、二阶导数结合标准正常化处理(Standard normal variate,SNV)的建模效果最好。其定标交互验证相关系数(Correlation coef?cient of cross validation,1-VR)和预测相关系数(Correlation coefficient of prediction,R_p~2)分别为0.878和0.865,定标交互验证均方根误差(Root mean standard Error of cross validation,RMSECV)和预测均方根误差(Root mean square error of prediction,RMSEP)分别为0.105、0.125 g/100 g.d;定性模型中,柿饼水分含量在33.2%～36.11%范围内采用450～1050 nm与1300～1650 nm波段结合去散射处理(Detrend only,D)、一阶导数预处理方法最好。判别模型正确率93.1%,预测正确率为72.22%～88.89%。因此,近红外光谱技术可用于柿饼涩味快速无损的定量定性分析。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

中红外在线监测技术在黑曲霉发酵过程中的应用

利用傅里叶变换中红外光谱结合衰减全反射(FT-MIR-ATR)分析技术,经全因子设计的标准液图谱通过偏最小二乘法(Partial least squares,PLS)建立模型,获得快速、在线监测黑曲霉发酵过程中葡萄糖和葡萄糖酸钠质量浓度的方法。结果显示:模型的葡萄糖校正集误差均方根(Root mean square error of calibration,RMSEC)和验证集误差均方根(Root mean square error of validation,RMSEV)为0.96、1.71 g/L,相似系数(R2)分别是1.000、0.999,葡萄糖酸钠的RMSEC和RMSEV为2.67、1.59 g/L,R2分别是0.999、0.999。在线监测黑曲霉发酵过程中,预测葡萄糖的预测误差均方根(Root mean square error of prediction,RMSEP)为3.24 g/L,相对误差为2.21%,葡萄糖酸钠RMSEP为4.03 g/L,相对误差为2.77%,表明模型具有一定的预测准确性和稳定性,FTMIR-ATR技术能准确地在线预测底物与产物的质量浓度,用于指导黑曲霉发酵过程。利用上述技术对不同初始葡萄糖浓度与不同耗糖速率、产物合成速率之间的关系开展研究,结果表明初始葡萄糖质量浓度为300g/L时,可获得最高的产物合成速率。     

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。     

基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.896 0,RMSECV为8.04,Rp为0.898 3,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

近红外技术在南极磷虾油关键品质指标快速检测中的应用研究

采用偏最小二乘法（Partial least squares,PLS）作为建模方法,对磷虾油近红外光谱的一阶微分（First-order difference,FD）、FD+SG（Savitzky-Golay,SG）滤波、FD+N（Norris,N）滤波、二阶微分（Second-order difference,SD）、SD+SG和SD+N等6种单一或复合方法进行处理,通过对不同方式处理后预测模型的交互验证均方根误差（Root mean square error of cross validation,RMSECV）、外部验证残差均方根（Root mean square error of external prediction,RMSEP）和外部验证用样品真实值的标准差（SD）与RMSEP的比值（The ratio of the RMSEP to standard deviation of reference data in the prediction,RPDEV）、建模相关系数（Correlation coefficient in calibration,RC）、交互验证相关系数（Correlation coefficient in cross validation,RCV）和外部验证相关系数（Correlation coefficient in external validation,REV）等参数比较,确定了磷虾油磷脂、EPA和DHA的近红外预测模型最佳处理方式为FD、FD和SD+N,酸价指标模型不需处理。在最优条件下,四种成分近红外预测模型的RC、REV和RCV,除了酸价的RCV略小（0.917）其余均达到0.95以上,同时,四种成分的RPDEV和RPDCV值,除酸价的RPDCV为2.365,略小于2.5,其余均符合大于2.5的要求,说明磷虾油磷脂、EPA和DHA的近红外预测模型预测准确度良好;RMSEC和RMSECV相差不大,说明模型稳定性较好。由于含量低、组成复杂等原因,磷虾油虾青素近红外检测模型的RC、RCV和REV均在0.60以下,说明近红外检测不适用于磷虾油中虾青素成分的快速检测。本文证实了近红外光谱技术可作为磷虾油中磷脂、EPA、DHA和酸价等主要指标的快速检测方法,是传统化学检测方法的有效替代和补充。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

近红外光谱法测定烤烟的填充值

为探索用近红外光谱快速检测烤烟填充值的可行性,选取有代表性的94个河南烤烟样品,采用偏最小二乘法(Partial Least Square,PLS)将近红外光谱数据与其填充值的实测值进行拟合,建立填充值预测模型,考察了光谱预处理方法和光谱范围对建模效果的影响,并进行了内部交叉验证、外部验证和模型精度检验。结果表明:1标准正态变量变换(Standard normal variate,SNV)结合一阶导数法的光谱预处理方法和全谱范围适合构建填充值的近红外模型;2模型的决定系数达0.960,均方根校正误差(Root mean square error of calibration,RMSEC)为0.094,内部交叉验证和外部验证均表明模型预测值和实测值呈极显著相关;3模型精密度检验的相对标准偏差3%。填充值近红外预测模型的重复性好,准确性较高,适于批量烤烟填充值的快速检测。     

长波近红外光谱-偏最小二乘法快速分析白酒中乙醇含量

研究近红外光谱结合偏最小二乘法(NIRS-PLS)快速测定白酒中的乙醇含量的可行性,应用NIRS-PLS所建的模型相关系数达到0.99991,校正均方根误差(RMSEC)为0.00181,通过交互验证得出交互验证均方根误差(RMSECV)为0.00296,预测参差平方和(PRESS)为0.00016.用模型对预测集和白酒样品进行预测,预测均方根误差(RMSEP)为0.00258,结果表明NIRS-PLS可用于白酒生产中的在线质量监控和白酒市场的快速质量检测.     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据SPXY法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用SG+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用误差反向传播算法(error back proragation, BP)对模型进行优化。结果 BP神经网络法建立的模型校正集决定系数(coefficient of determination, R_²)为0.8073,校正集均方根误差(root mean square error of calibration,RMSEC)为0.0325,预测集R_²为0.7665,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0443。结果表明,经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有效方法,为食用油油品品质的快速检测提供理论指导和技术支撑。     

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。     

基于可见-近红外光谱的生鲜紫薯食味品质快速无损检测

目的建立可见-近红外光谱法快速无损检测生鲜紫薯的熟化黏度和甜度,并对其食味品质进行评价。方法以生鲜紫薯为研究对象,用竞争性自适应加权算法(competitive adaptibe reweighted sampling,CARS)筛选出生鲜紫薯预处理后的光谱数据的特征波长,再用偏最小二乘法(partial least square,regression,PLS)建立了生鲜紫薯熟化峰值扭矩和可溶性糖含量的定量预测模型。另外,选取12个生鲜紫薯根据划分分值区间法对紫薯食味品质进行评价。结果生鲜紫薯峰值扭矩模型预测集的相关系数r为0.9195,均方根误差(root mean square error of prediction,RMSEP)为0.0526 Nm;可溶性糖含量模型的预测集的相关系数r为0.9515,RMSEP为0.3100 mg/g。结论基于可见-近红外光谱技术可以对生鲜紫薯食味品质进行初步快速无损评价,为鲜食性紫薯品质评价提供理论参考。     

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。     

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。