近红外光谱法测定清汁中还原糖含量

采用近红外光谱法测定清汁中还原糖含量，获得良好效果，所建模型标准误差小而决定系数高。数据采用修正的最小二乘法（MPLS）进行计算，所得多元回归线性方程的定标决定系数R2、交互定标标准误差（SECV）、交互定标决定系数（1-VR）分别为0．952，0．067，0．813，具有较好的相关性。用36个随机清汁样品检验该模型，近红外法预测结果与传统滴定法测定结果的检验工作标准误差（SEP）为0．070，检验决定系数为0．876，证明测定所建近红外法定标模型具有较好的稳定性。     

近红外透射法快速测定大豆油中的含磷量

采用近红外光谱仪,通过光学处理、数据处理和改进偏最小二乘法(MPLS)建立了快速测定高含磷量(321～632 mg/kg)和低含磷量(0～297 mg/kg)大豆油的近红外(NIR)模型。结果表明:高含磷量和低含磷量大豆油定标方程的交互定标决定系数(1-VR)分别为0.988和0.974,定标决定系数(R2)分别为0.992和0.980,定标标准误差(SEC)分别为2.420和2.512,交互定标标准误差(SECV)分别为2.538和2.678;现有数据预测标准偏差(SEP)分别为2.602和2.683;该近红外法在生产加工过程中可快速准确检测大豆油中含磷量。     

利用近红外分析技术测定大豆水分含量方法的研究

建立了基于FOSS XDS近红外光谱分析仪快速测定大豆水分含量模型,对光学处理和数学处理手段等因素对模型的影响进行了探讨,对模型进行了内部和外部验证.实验结果表明最佳的建模参数为:光学处理选用标准正常化处理(SNV Only),数学处理选用1.4.4.1方法,大豆水分定标方程的交互定标决定系数(1-VR)为0.990 8,定标决定系数(R2)为0.993 9,定标标准误差(SEC)为0.096 7,交互定标标准误差(SECV)为0.127 3,现有数据预测标准偏差(SEP)为0.136.利用该模型对大豆水分含量进行检测,达到了代替常规标准方法的要求,可以应用于快速检测.     

花生种子含油量近红外测定模型建立

对69份花生种子样品进行近红外光谱扫描,结合索氏抽提法测定的花生种子含油量的化学值,通过多种预处理方法和回归方法建立了较精准的花生种子含油量的近红外测定模型。结果显示:经过SNV+Detrend光学处理和"2,4,4,1"数学处理的预处理以及改进偏最小二乘法(MPLS)的回归处理所建模型的效果最好,其定标相关系数(RSQ)和定标标准误差(SEC)分别为0.978 7和0.218 7;交叉检验相关系数(1–VR)和交叉检验标准误差(SECV)分别为0.955 0和0.320 1。14份验证样品的预测值和化学法测定值的相关系数(R2)为0.935 4,说明所建模型可以快速准确地预测花生种子的含油量。     

应用近红外透射光谱法测定稻米胶稠度研究

以195份稻米为样品,利用近红外透射光谱分析仪,对样品进行光谱扫描,并利用化学法测定胶稠度.利用近红外定标软件,采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,得到了稻米胶稠度测定的近红外分析数学模型,数学模型的定标标准偏差(SEC)、交叉检验标准误差(SECV)和定标决定系数(RSQ)分别为:10.35、10.51和0.827 9.内部交叉验证和外部验证结果表明近红外定量分析胶稠度有很高的准确度.     

近红外光谱法检测小麦粉中的水分含量

以化学法测定67个小麦粉样品的水分含量,利用波通DA7200型近红外光谱分析仪采集样品近红外光谱,选择合适的光谱区间及光谱预处理方法,采用偏最小二乘法(PLS)和留一法内部交叉验证方式建立定标模型.50个定标样品的近红外光谱经一阶导数预处理,由PLS法获得的定标模型决定系数(R2)为0.984 3.利用17个验证集样品进行外部检验,预测值与真实值之间的相关系数(R2)为0.984 8,预测集标准偏差(SEP)为0.092 9.近红外光谱法具有方便、快速、准确、无损、无污染的特点,应用于小麦粉水分的测定是可行的.     

近红外光谱对甜椒果实质地的无损检测

以黄色甜椒为研究对象,建立其近红外漫反射光谱检测果实质地的数学模型。在400~2 500、400~1100、400~1 450 nm 3个波段内分别建立了甜椒的果肉弹性、回复性和凝聚性定标MPLS模型,并用各波段下最优模型进行预测。结果表明:这3个波段下的定标模型相关系数都很高,但在全光谱下建立的定标模型稳定性最好,所以选取该光谱下的定标模型作为最终的测定模型,果肉弹性、回复性和凝聚性定标集交互验证相关系数(RCV)分别为0.937、0.933、0.932,交互验证标准误差(SECV)分别为0.029、0.013、0.016,预测集的相关系数RP分别为0.924、0.899、0.922,预测标准误差(SEP)分别为0.026、0.018、0.015,相对残差分别为-0.200、0.068、-0.033。结果说明,甜椒果实质地的近红外无损检测是可行的,果实质地与近红外漫反射光谱具有显著相关性。     

近红外方法预测馒头品质

本研究利用近红外方法预测馒头品质评分参数,并取得了较好的预测效果。从150份小麦粉样品中筛选出31个具有不同品质特性的小麦粉样品,使用FOSS Infraxact Lab近红外光谱仪在570~1 850 nm波长下扫描,按实验室馒头制作方法制作馒头并进行评分,使用WinISIⅢ处理软件处理数据,结合修正偏最小二乘法(MPLS)建立了定标模型,高径比、比容、色泽、外观性状等11项参数的定标决定系数(r2)在0.60~0.94之间,定标标准误差(SEC)范围为0.02~2.06,并且取得较好的交叉验证相关系数(1-VR)和较低的交叉验证标准误差(SECV),结果表明利用近红外方法预测馒头品质评分参数具有可行性。     

壳聚糖生产过程中脱乙酰度的近红外光谱法现场监测

用固态CP/MAS NMR对壳聚糖的脱乙酰度进行测定,建立快速测定壳聚糖的脱乙酰度的近红外方法。该方法对水分、氢氧化钠、乙酸钠、蛋白质对脱乙酰度测定的影响进行了校正,最后建立的最优近红外测定方程的交叉验证标准误差(SECV)为0.6306,交叉验证相关系数(1-VR)为0.9987。用该方程对定标样品组进行验证,其工作标准误差(SEP)为0.4312,检验决定系数(R2)为0.9994,线性斜率(Slope)为0.9999。结果表明该方法准确、可靠、快速,可以用于壳聚糖生产过程中脱乙酰度的现场监测。     

基于近红外光谱法的鱼粉快速判别

基于近红外漫反射光谱分析技术对市场上常见的淡水鱼粉、进口鱼粉和国产鱼粉3 类商品化的鱼粉样品进行自动化判别实验。通过分析鱼粉样品光谱之间的差异,采用主成分分析法建立鱼粉种类的定性判别的分类模型,光谱范围为波长1 100～2 498 nm,交互定标决定系数为0.913 5,交互定标标准误差为0.133 8。通过对验证样品的分析,建立的判别模型预判准确率达到84.6%,外部验证准确率达到100%。结果表明,近红外光谱技术结合化学计量学法可以作为一种快速、无损、可靠的方法用于鱼粉种类的判别。     

近红外光谱分析技术测定芝麻水分含量的研究

建立了基于FOSS近红外谷物分析仪快速测定芝麻水分含量的模型,探讨了光学处理和数学处理等因素对模型的影响进行,并对模型进行了内部验证和外部检验.实验结果表明最佳的建模参数为:光学处理采用标准正常化处理(SNV only),数学处理技术采用"2,4,4,1".得到的定标方程的定标标准偏差(SEC)为0.0430,定标相关...     

NITS定量分析单粒稻谷蛋白质含量研究

应用近红外透射光谱（NITS）技术,采用改进的偏最小二乘法（MPLS）建立单粒稻谷蛋白质含量（PC）的定量分析回归方程.单粒稻谷所得回归方程的校正标准误差（SEC）、交叉检验标准误差（SECV）分别为0.85和1.89;校正相关系数（RSQ）和交叉验证相关系数（1-VR）分别为0.90和0.89.内部交叉验证和外部验证结果表明近红外定量分析有很高的准确度,近红外光谱法完全可以替代单粒稻谷常规化学方法分析进行水稻品质育种.     

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。     

Preliminary study on the use of near‐infrared reflectance spectroscopy to assess nitrogen content of undried wheat plants

Near‐infrared reflectance (NIR) spectroscopy combined with chemometrics was used to assess nitrogen (N) and dry matter content (DM) and chlorophyll in whole‐wheat plant (Triticum aestivum L). Whole‐wheat plant samples (n = 245) were analysed by reference method and by visible and NIR spectroscopy, in fresh (n = 182) and dry (n = 63) presentations, respectively. Calibration equations were developed using partial least squares (PLS) and validated using full cross‐validation (leave‐one‐out method). Coefficient of determination in calibration (R²_CAL) and the standard error of cross‐validation (SECV) for N content in fresh sample presentation, after second derivative, were 0.89 (SECV: 0.64%), 0.86 (SECV: 0.66%) and 0.82 (SECV: 0.74%) using the visible + NIR, NIR and visible wavelength regions, respectively. Dry sample presentation gave better R²_CAL and SECV for N compared with fresh presentation (R²_CAL > 0.90, SECV < 0.20%) using visible + NIR. The results demonstrated that NIR is a suitable method to assess N concentration in wheat plant using fresh samples (unground and undried). Copyright © 2006 Society of Chemical Industry     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

老陈醋陈酿过程中不挥发酸和氨基酸态氮的近红外光谱技术分析

应用近红外光谱高效、绿色、无损的检测技术,结合改良的偏最小二乘法（MPLS）建立了不挥发酸、氨基酸态氮（AA-N）的近红外定量分析模型。收集了多个具有代表性的样品为定标样品,通过不同的数学处理和散射校正方法,筛选出预测不挥发酸、AA-N含量的较优模型。结果表明,采用原始光谱和原始散射方法获得的模型效果最好。不挥发酸模型和AA-N模型定标相关系数（RSQ）为0.986 0、0.974 0,定标标准误差（SEC）为0.084 8、0.013 6,内部交叉验证相关系数（1-VR）为0.979 5、0.960 1,内部交叉验证标准差（SECV）为0.091 7、0.014 4。经外部验证,不挥发酸、AA-N的预测值与化学值均有较高的相关性（＞0.900 0）,平均误差分别为0.072 g/100 mL和0.020 g/100 mL,在实际应用中可获得良好的预测效果,表明利用该技术快速评价陈酿期半成品的质量是可行的。