近红外光谱技术快速无损评价罗非鱼片新鲜度

利用傅里叶变换近红外光谱仪采集绞碎前后罗非鱼片背肉及腹肉的近红外光谱,并将其与总挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量进行拟合,构建定量预测模型。在建模过程中,比较三点平滑、九点平滑（smoothing average 9 points,sa9）、九点卷积平滑（smoothing savitzky-golay 9 points,sg9）、一阶导数（1stderivative,Db1）、趋近归一化、单位长度归一化、标准正态变换、多元散射校正以及它们与Db1结合对光谱进行预处理的模型效果。结果表明,sg9和Db1相比于其他预处理方法可以较好地消除光谱噪音,提高模型预测能力,且各方法在与Db1联合使用后,模型的预测准确性以及建模效率普遍得到了提升。继续对光谱的波数范围进行筛选,剔除无关信息后,模型效果得到进一步提升,绞碎前背肉模型的校正集和验证集决定系数由0.870、0.821上升到了0.973、0.925,校正集和验证集标准偏差由2.152、2.991 mg/100 g减小到了1.032、1.581 mg/100 g。比较各模型效果可知,利用绞碎后的鱼肉光谱进行建模时效果要好于绞碎前的鱼肉。其中,以绞碎后腹肉模型的效果为最优,其验证集决定系数以及标准偏差分别为0.984、0.879 mg/100 g。但在综合考虑实际应用中快速、无损等需求后,绞碎前的鱼肉所建模型仍具有明显优势。最终,本研究选用绞碎前腹肉建立模型,校正集与验证集决定系数分别为0.982、0.976,校正集与验证集标准偏差分别为0.962、1.006 mg/100 g,在预测罗非鱼片TVB-N含量,快速、无损评价其新鲜度方面显示出了巨大潜力。     

融合图谱特征信息的明虾挥发性盐基氮含量无损检测

为实现明虾中挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的快速预测,采用近红外光谱和机器视觉技术获取明虾图谱特征信息,融合图谱特征信息构建预测明虾中TVB-N含量的支持向量机模型。获取明虾4 ℃贮藏0～12 d共51 个样品的光谱信息和图像信息,同时参照GB 5009.228—2016《食品中TVB-N的测定》方法测定其TVB-N含量。结果表明,利用350～1 000 nm和940～1 650 nm双波段融合的光谱特征信息,并对其进行一阶导数的预处理,同时采用竞争性自适应加权算法挑选特征波长后建立的模型效果较好,其预测集相关系数（correlation coefficient in the prediction set,Rp）为0.968 7,验证集标准分析误差（standard error of prediction,SEP）为10.56 mg/100 g,相对分析误差（relative percent deviation,RPD）为3.38;利用图像特征信息所构建的模型效果较差,Rp为0.933 5,SEP为19.79 mg/100 g,RPD为1.74。最后,融合特征图谱信息构建TVB-N含量的预测模型,相比其他2 种方法,该模型精度和稳定性都得到了提高,其Rp为0.988 4,SEP为7.51 mg/100 g,RPD为6.29。该结果证实近红外光谱技术结合机器视觉方法预测明虾中TVB-N含量的潜力,为分析评价明虾在冷藏过程中新鲜度的变化规律提供了快速检测技术。     

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。     

树脂吸附结合近红外光谱同时检测小龙虾中铅、镉模型的建立

目的 建立树脂吸附结合近红外光谱模型同时检测大批量小龙虾中铅、镉含量的方法。方法 小龙虾经微波消解后, 用D405大孔吸附树脂吸附小龙虾消解液中的铅、镉, 采集吸附树脂的近红外光谱, 并采用一阶导数、小波变换、标准正态变换和多元散射校正进行光谱预处理, 选取较佳预处理方法, 结合竞争自适应重加权采样法进行最优波段选择; 利用偏最小二乘法建立最优定量预测模型, 并对模型进行外部验证, 探究模型预测准确度; 收集6个地区的小龙虾对模型进行应用验证, 探究模型实际应用可靠性。结果 D405树脂对小龙虾消解液中铅、镉的吸附率均达98.5%以上。经小波变换光谱预处理, 结合波段选择, 建立的铅、镉定量模型预测准确度较高, 校正集交叉验证均方根误差和相关系数分别为0.08、0.12及0.98、0.95; 外部验证集的预测均方根误差和相关系数分别为0.07、0.10及0.98、0.98。模型实际应用可靠, 铅、镉含量参考值与预测值之间偏差的标准差和相关系数分别为0.01、0.01及0.99、0.98。结论 建立的小波变换-竞争自适应重加权采样-偏最小二乘定量模型对小龙虾样品中的铅、镉含量都具有更好的预测效果, 树脂吸附结合近红外光谱可以用于同时检测大批量小龙虾中的铅、镉。     

虾样品不同采集状态对近红外光谱PLS模型的影响

研究了不同采集状态的虾样品对近红外光谱PLS模型的影响。利用DA7200近红外光谱仪,采集南美白对虾完整虾和虾糜的近红外光谱曲线。采用Unscrambler10.3软件选择最佳光谱预处理方法和最优波段,建立了完整虾和虾糜与挥发性盐基氮(TVB-N)值、菌落总数(TBC)值关联的偏最小二乘(PLS)模型,并对模型进行评价和验证。结果表明:定标集虾糜模型中的校正相关系数rc,校正决定系数Rc2,交叉验证相关系数rv,交叉验证决定系数Rv2,均高于完整虾模型;校正均方根误差RMSEC,校正标准误差SEC,交叉验证均方根误差RMSECV,交叉验证标准误差SECV均低于完整虾模型。验证模型中虾糜预测模型中相关系数r均大于完整虾预测模型,预测均方根误差RMSEP,预测标准误差SEP均低于完整虾预测模型,且虾糜预测模型对TVB-N、TBC值预测值更为准确,表明以虾糜作为近红外光谱采集状态优于完整虾。     

近红外光谱技术快速检测猪肉新鲜度指标的方法研究

采用傅里叶变换近红外光谱技术建立猪肉新鲜度指标色泽（L^*,a^*,b^*值）、挥发性盐基氮（TVB-N）、酸度（pH值）的快速检测方法。实验中采集了4000～10000cm^-1范围的近红外光谱,选取4800～9350cm^-1为分析区域,描述了谱峰的归属。以常规分析测定值为建模基础数据,采用偏最小二乘（PLS）回归法建立猪肉新鲜度指标定量分析模型,并考察了近红外光谱预处理方法对模型的影响。用校正集和验证集样本分析模型预测的准确性。L^*,a^*,b^*,TVB-N,pH预测模型结果显示:预测集均方根误差（RMSEP）分别为1.84,0.812,0.355,1.31,0.163,校正集均方根误差（RMSEC）分别为1.57,0.678,0.363,1.76,0.113,相关系数分别为0.8183,0.8776,0.9256,0.8231,0.8041。样本的预测值与真实测定值之间没有显著性差异（p>0.05）。采用近红外光谱法能满足猪肉新鲜度指标的同时测定,与传统的化学分析方法相比,该方法具有快速、无损、简单等特点。     

小龙虾中砷含量近红外光谱预测模型的建立

为快速检测小龙虾中重金属砷的含量,将砷选择性吸附树脂(SQ-407)置于100 mL砷标准溶液(100 μg/L)中,调节溶液pH 6.0～8.0,在35～45 ℃下吸附60～120 min,优化SQ-407树脂的吸附条件。鲜活小龙虾经冷冻干燥后微波消解,消解液用SQ-407树脂吸附。采集吸附砷的树脂的近红外光谱,采用不同预处理方法(一阶导数1st、标准正态变量变换SNV、多元散射校正MSC和小波变换WT)进行优化,用偏最小二乘法(PLS)建立砷浓度与近红外光谱之间的线性预测模型,比较预测砷浓度与真实砷浓度,得出预测模型的准确性。结果显示,在pH 7.0、40 ℃下吸附90 min,砷的吸附率高(99.30%)。经1st方法对光谱预处理后,建立的PLS预测模型的准确度高,其训练集均方根误差(RMSECV)为0.033,相关系数(R)为0.995;验证集均方根误差(RMSEP)为0.032,相关系数(R)为0.995。结论:树脂吸附结合近红外光谱建立的预测模型能快速检测小龙虾中砷的含量。     

基于近红外光谱的生鲜猪肉新鲜度实时评估

目的 运用近红外光谱对生鲜猪肉新鲜度进行实时评估。方法 利用多通道可见近红外光谱系统, 获取了猪肉表面380~1080 nm波长范围内的漫反射光谱数据, 采用多元散射校正(MSC)和变量标准化(SNV)的预处理方法, 然后使用偏最小二乘回归建立猪肉新鲜度的预测模型, 进而对猪肉新鲜度进行评价。结果 采用变量标准化处理后的偏最小二乘回归模型相对比较稳定, 建模效果比较好。对挥发性盐基氮 (TVB-N)的验证集的相关系数达到0.91, 对pH值的验证集的相关系数达到0.93。最后利用该模型对猪肉新鲜度进行评定, 评定准确率达92.9%。结论 实验中运用多点的测量方式提高了近红外检测的精度和稳定性, 对于实时检测评估生鲜猪肉的新鲜度有很大的潜力。     

基于近红外光谱仪分析中式爆炒猪肉的水分含量

应用傅里叶变换近红外光谱技术建立中式传统爆炒猪肉片水分含量预测模型,达到快速无损检测的目的。通过直接干燥法测定100 组爆炒猪肉片样品的水分含量,并扫描得到其近红外光谱图。采用偏最小二乘法并通过二阶微分结合卷积平滑算法对光谱进行预处理,通过拐点法、马氏距离法、杠杆值、学生残差法与内部交互验证均方根法进一步剔除异常样本,优化光谱模型。结果表明：所构建的中式爆炒肉片水分含量近红外光谱预测模型的校正均方差值为0.089 1,相关系数为0.972 1;且将预测值与真实值进行比较发现,预测结果正确率大于98.7%（P＜0.05）,表明本研究建立的用于检测中式爆炒肉片水分含量的近红外光谱预测模型效果良好,能够快速检测并准确预测中式爆炒肉片的水分含量,具有一定的应用价值。     

融合光谱和图像特征信息的羊肉TVB-N含量无损检测

为实现羊肉挥发性盐基氮（TVB-N）含量的快速、无损检测,利用可见-近红外光谱与机器视觉技术提取光谱特征信息和图像特征参数,将图谱特征信息融合后建立羊肉样品中TVB-N的最小二乘支持向量机（LSSVM）预测模型。采集贮藏1~15 d的73个羊肉样品在320~1 100 nm波段范围的可见-近红外光谱和图像信息,参照国家标准方法测定样品中TVB-N含量。采用竞争性自适应加权算法优选特征波长作为光谱特征信息,提取样品图像的颜色及纹理特征作为图像特征信息,通过特征层融合法将光谱信息与图像信息融合成总特征参数。分别基于3种特征信息建立羊肉TVB-N含量的LSSVM预测模型。结果表明：基于图谱融合信息建立的模型预测精度优于仅利用光谱信息或图像信息的建模结果,其验证集相关系数为0.930,标准分析误差为1.873 mg/100 g,相对分析误差为2.635。该结果证实基于融合图谱特征信息无损预测羊肉贮藏过程中TVB-N含量的可行性,为实现羊肉样品中TVB-N含量的定量、快速、无损、准确预测提供了参考方法。     

近红外光谱技术快速测定鹅肉新鲜度

目的：应用近红外光谱技术快速检测鹅肉的新鲜度,评价指标包括总挥发性盐基氮和pH值。方法：采集完整冷鲜鹅肉的近红外光谱（950～1 650 nm）,光谱经多种校正预处理后,采用偏最小二乘法建立鹅肉新鲜度的定量预测数学模型。结果：对于这2 种指标均采用标准常态变量结合偏最小二乘法所建立模型的预测效果最好,总挥发性盐基氮和pH值定量校正数学模型的模型决定系数分别为0.727、0.991,内部交互验证均方根误差分别为3.666、0.028。用此模型对预测集20 个样品进行预测,预测值与实测值的相关系数分别达到0.976、0.705,预测值平均偏差分别为－0.240、－0.024,预测值和实测值之间没有显著性差异（P＞0.05）。结论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉新鲜度。     

高光谱成像技术检测肴肉新鲜度

建立阿胶中马和驴成分高特异、高灵敏的实时荧光聚合酶链式反应（polymerase chain reaction,PCR）检 测方法。选择马和驴线粒体基因tRNA-Thr及D-loop区为靶序列,设计合成特异引物,通过普通PCR和实时荧光PCR 检测,结果表明,这两对引物能够准确检测阿胶或动物胶中马和驴成分。     

二维相关可见-近红外光谱结合支持向量机评价猪肉新鲜度

为探究二维相关同步光谱优选生鲜肉新鲜度特征变量的可行性,采集生鲜猪肉在1～15 d共58 个样品的可见-近红外反射光谱信息,并参照国标方法测定其挥发性盐基氮值（total volatile basic nitrogen,TVB-N）。然后,以TVB-N为“外界扰动”,选择10 条代表性光谱并进行包络线去除,结合光谱差异选取了7?个子区间。通过对每个子区间作二维相关分析,解析其二维相关同步谱和自相关谱,获取与TVB-N变化密切相关的敏感变量。最后,利用所选特征变量,分别基于原始、标准正态变量变换预处理和归一化预处理的光谱,建立猪肉新鲜度的支持向量机（support vector machine,SVM）判别模型。结果表明,利用二维相关光谱分析共提取到17?个特征波长,仅占总变量个数的1.61%,建立的SVM模型总体正确率分别为94.83%、98.28%和98.28%。这表明所建立的模型具有较好的判别效果,也说明二维相关分析用于筛选与生鲜肉新鲜度相关特征变量的方法是可行的。这有利于解析生鲜肉在腐败变质过程中的光谱特征信息变化,也为近红外光谱分析中变量筛选提供了一种新的思路。     

近红外光谱快速检测乌珠穆沁羊肉氨基酸含量

利用近红外光谱分析技术快速检测乌珠穆沁羊肉中不同氨基酸含量。选取42 只相同饲喂条件、体质量相近的6 月龄乌珠穆沁羊,采集背最长肌、臂三头肌、股二头肌3 个部位共126 块肌肉样本,采集样本近红外光谱并测定氨基酸含量。采用偏最小二乘法关联光谱与氨基酸数据,建立乌珠穆沁羊肉中17 种氨基酸的定量预测模型,最后以模型交叉验证均方根及校正决定系数（R2校正）、验证决定系数（R2验证）、预测模型的验证集标准偏差与预测标准偏差比值（ratio of standard deviation of the validation set to standard error of prediction,RPD）作为评价模型的参数。结果表明：所建立的氨基酸含量预测模型准确度较高,其中总氨基酸（total amino acid,TTA）、必需氨基酸（essential amino acid,EAA）、组氨酸、赖氨酸含量的近红外光谱预测模型的R2验证分别为0.818、0.803、0.861和0.858。分别对预测模型进行外部验证,其中EAA、组氨酸、精氨酸、丝氨酸、谷氨酸、甘氨酸、赖氨酸验证结果的RPD值均超过1.74,TAA验证结果的RPD值为2.60,预测模型准确度达到应用水平,可作为一种快速、准确测定羊肉中氨基酸含量的方法。     

基于近红外光谱的大黄鱼新鲜度评价模型

目的 探索定量评价大黄鱼新鲜度的方法。方法 在整鱼背部采集近红外光谱, 将原始光谱预处理后分别与挥发性盐基氮(TVB-N)、菌落总数建立偏最小二乘(PLS)模型、区间偏最小二乘(iPLS)模型、向后区间偏最小二乘(biPLS)模型和联合区间偏最小二乘(siPLS)模型。结果 biPLS模型的精度最高、预测性能最佳。TVB-N的biPLS模型的校正集和预测集相关系数分别为0.8371和0.7652; 菌落总数的biPLS模型的校正集和预测集相关系数分别为0.878和0.7009。结论 大黄鱼的近红外光谱信息与其TVB-N、菌落总数间都存在较高的相关性, 所建模型可以快速、无损地定量评价大黄鱼的新鲜度。     

滩羊肉中油酸和亚油酸含量的近红外预测模型建立

基于近红外光谱技术结合化学计量学方法建立滩羊肉中油酸和亚油酸含量的预测模型。选取滩羊肉外脊、里脊、羊霖、羊腩共138 份样本,在900～2 500 nm波长范围内,采集滩羊肉糜样品的近红外反射光谱,利用气相色谱法作为参考,测定样品中油酸和亚油酸含量,并建立滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression,PLSR）模型。为优化模型性能,使用间隔随机蛙跳（interval random frog,IRF）算法进行数据降维处理。结果表明：对于油酸模型,经过标准正态变量变换结合一阶导数处理后的全波长模型相关性较高,校正相关系数（Rc）和交叉验证均方根误差（root mean square error of cross-validation,RMSECV）分别为0.889 5和10.2515,预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set,RMSEP）分别为0.7357和10.2492,然而,经IRF算法提取92个特征波长后,Rc和Rp均低于全波长模型;对于亚油酸模型,使用多元散射校正处理后的全波长模型Rc最大,为0.8747,RMSECV为1.0512,但其Rp和RMSEP较小,利用IRF算法提取102 个特征波长后,建立的亚油酸模型相关性得到极大改善,其中Rc最大达到0.9912,相应的RMSECV为0.0118,Rp为0.9879,RMSEP为0.0122。因此,近红外光谱技术结合IRF算法不能较好预测滩羊肉中油酸含量,但对亚油酸含量具有较好的预测能力。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。     

基于近红外技术测定不同鲜肉中挥发性盐基氮含量

目的 应用近红外光谱技术快速检测猪肉、羊肉和牛肉的挥发性盐基氮含量。方法 本实验采集各种肉类的近红外光谱, 运用偏最小二乘法(partial least squares, PLS), 光谱经多种不同预处理方式并通过比较选择最优处理后, 建立挥发性盐基氮含量的近红外校正模型。结果 猪肉选择一阶导、S-G平滑方式, 羊肉选择二阶导、S-G平滑方式, 牛肉选择一阶导、Norris平滑方式。猪肉、羊肉和牛肉的挥发性盐基氮建模集相关系数分别为0.9069、0.9106和0.9587, 方根误差分别为1.12、1.64和2.20。结论 所建立的模型取得了较好的结果, 验证了近红外光谱技术对猪肉、羊肉和牛肉挥发性盐基氮进行定量分析的巨大应用潜力。     

电子鼻技术对猪肉挥发性盐基氮的预测研究

为预测不同肥瘦配比猪肉的新鲜度,对4℃恒温贮藏条件下的新鲜猪肉进行挥发性盐基总氮(Total Volatile Basic Nitrogen,TVB-N)检测和营养成分检测,同时利用电子鼻技术检测挥发性气味的信息。以传感器阵列特征值为自变量建立蛋白质、脂肪的回归预测模型,分别对不同肥瘦配比的猪肉样本建立不分类和分类2种TVB-N神经网络预测模型。结果表明:先分类再建立神经网络模型预测的效果更优,将样本进行二分类建立2个模型后,模型训练组的相关系数达0.994、0.985(p<0.01),预测组的相关系数达到0.984、0.979(p<0.01);模型的绝对误差小而且分布区间集中,训练组和预测组各有86%、62.6%的样本的绝对误差在0~1之间;训练组中没有绝对误差大于2.5的样本,预测组中仅有8.5%的样本绝对误差大于2.5。电子鼻传感器特征信号与TVB-N数据具有很强的相关性,电子鼻可以快速预测出不同肥瘦配比猪肉在贮藏期间TVB-N含量的变化,进而无损的评价猪肉的新鲜度。