基于可见-近红外光谱技术对市售紫薯粉的品质评价

目的建立可见-近红外光谱法结合偏最小二乘回归法对市售紫薯粉的品质进行评价。方法以市售紫薯粉为研究对象,对其原始光谱进行S-G 9点卷积平滑(savitzky-golay smoothing,S-G)、标准正态变量变换(standard normal variable transform,SNV)预处理,建立碘蓝值、花青素以及水分含量的偏最小二乘模型。结果花青素模型校正集和预测集的相关系数分别为0.9750和0.9461,均方根误差分别为0.1052 mg/g和0.1918 mg/g;碘蓝值模型校正集和预测集的相关系数分别为0.9687和0.9673,均方根误差分别为7.0256和7.1848;水分含量校正集和预测集的相关系数分别为0.9397和0.9219,均方根误差分别为0.5589%和0.5965%。结论基于可见-近红外光谱技术可以实现对市售紫薯粉的花青素、碘蓝值以及水分含量的快速无损检测,对市售紫薯粉的品质评价提供理论参考。     

基于高光谱成像的腊肉细菌总数预测建模方法研究

腊肉中细菌总数(TVC)超标会严重危害人体健康,为寻求一种快速、无损检测腊肉表面细菌总数的方法,利用高光谱成像技术对腊肉的细菌总数进行定量分析。综合比较了多元散射、微分处理等多种预处理方法,最终选定了MSC+标准化进行预处理。并采用区间优化偏最小二乘的方法建立预测模型,得到较好的预测结果,其校正集和预测集的相关系数分别为0.808和0.798,交互验证均方根误差分别为0.115和0.198。实验结果表明:利用高光谱成像技术结合区间iPLS预测模型快速检测腊肉的TVC是可行的。     

基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。     

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。     

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。     

莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

近红外光谱结合PLSR快速测定普洱茶茶多糖含量

基于普洱茶的近红外光谱,选择标准正态变换(SNV)对光谱进行有效的预处理,再结合偏最小二乘回归(PLSR)建立茶多糖近红外光谱定量模型,实现快速检测普洱茶中茶多糖的含量。该模型的交互验证均方根误差值、预测集均方根误差值和预测集相关系数分别为0.0822、0.1264和0.8217。结果表明利用近红外光谱技术结合PLSR可以预测普洱茶中茶多糖的含量,为普洱茶的品质分析和活性成分测定提供一些参考。     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

近红外特征光谱定量检测羊肉卷中猪肉掺假比例

利用近红外漫反射光谱技术结合化学计量学方法对解冻掺假羊肉卷,进行猪肉掺假比例的定量检测研究。按照不同肥肉占比和不同猪肉掺假比例,制备324?个样品,并利用近红外光谱仪采集其光谱数据。对原始数据进行SG（Savitzky-Golay）平滑、SG一阶导、SG二阶导、多元散射校正、中心化、标准正态变量校正等预处理,并利用偏最小二乘回归（partial least square regression,PLSR）进行建模分析,其中SG平滑结合一阶求导预处理的模型预测效果最优。针对最佳预处理光谱采用竞争性自适应加权采样（competitive adaptive reweighted sampling,CARS）算法进行波长筛选,并建立特征波长PLSR模型,模型预测效果得到提高。其中,校正集和验证集决定系数分别为0.983?6和0.972?5,校正集和验证集的均方根误差分别为0.043?7和0.057?7,范围误差比为7.62。应用该CARS-PLSR模型对检验集进行预测,真实值与预测值的相关系数为0.913?8,结果表明采用近红外光谱分析技术可以实现不同肥肉占比羊肉卷中猪肉掺假比例的定量检测。     

生鲜紫薯花青素等多品质参数的可见-近红外快速无损检测

基于实验室自行搭建的可见-近红外光谱系统,以市售生鲜紫薯为研究对象,探讨其花青素、可溶性固形物（soluble solid contents,SSC）以及总糖（total sugars,TS）的同时快速无损检测方法。对紫薯原始光谱进行SG（Savitzky-Golay）平滑、标准正态变量变换以及一阶求导预处理,然后用偏最小二乘回归法进行建模分析。对于花青素和TS,经SG平滑结合一阶求导预处理的模型预测效果最佳;对于SSC,经SNV预处理的模型预测效果最好。针对紫薯各参数最佳预处理光谱采用竞争性自适应加权算法进行波长筛选,再次建立模型。花青素模型预测集的相关系数为0.942 1,预测均方根误差（root mean square error of prediction,RMSEP）为0.225?9?mg/g;SSC模型预测集相关系数为0.943?1,RMSEP为0.878?7?°Brix;TS模型预测集的相关系数为0.925?3,RMSEP为0.244?3%。结果显示,利用可见-近红外光谱可以实现对生鲜紫薯的花青素、SSC以及TS的同时快速无损检测,对生鲜紫薯品质的快速无损检测分选有着重要的实用意义。     

便捷式智能化大米新鲜度检测系统设计与应用

目的:实现大米新鲜度的快速无损检测。方法:研制一套基于纳米色敏传感器结合近红外光谱分析原理的便携式装置系统。对所采集到的不同掺陈度大米样品所对应色敏传感器的光谱数据，进行多梯度掺陈大米的鉴别与跨批次大米新鲜度的预测。结果:使用Si-CARS-PLS提取光谱特征变量，经LDA算法建模后判别模型的识别率最高，训练集和预测集的识别率分别为97.22%和95.83%。同时，PLSR模型预测跨批次数据具有更强的稳定性，不同批次大米样品数据训练集和预测集的相关系数(R_c、R_p)均稳定在0.95左右，均方根误差(RMSEC、RMSEP)均低于0.2,相对分析误差(RPD)均大于3。结论:该系统具有准确率高、便捷和预测模型鲁棒性好等特点，在大米新鲜度的现场检测中有很好的应用前景。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

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。     

三级大豆油酸价的近红外光谱检测

为改进现有的油脂检测方法,以三级大豆油脂酸价检测为研究对象,利用近红外透射光谱技术,结合化学计量学方法,选择4500～6000cm-1为特征波段建立油脂酸价校正模型,首先研究基于小波变换的光谱预处理方法,通过详细比较不同小波分解层数对建模的影响。结果确定db4小波的四层分解去噪效果最佳。结合滤波后重构的光谱信号建立油脂酸价BP神经网络校正模型,利用预测集样本对模型进行验证,决定系数R2和预测均方根误差分别为0.9743和0.1036。证明利用近红外光谱分析技术快速检测油脂酸价是完全可行的。     

基于电子舌技术的鱼新鲜度定性、定量分析

为实现鱼新鲜度的快速定性、定量分析。采用电子舌技术对4℃下不同冷藏天数的鲳鱼进行检测。同时测量鲳鱼体内挥发性盐基氮(Total volatile basic nitrogen,TVB-N)含量及细菌总数(Total viable count,TVC)。对电子舌数据进行分析处理,构建了K最近邻(K-nearest neighbor,KNN)判别模型和BP人工神经网络(Back-propagation artificial neural network,BP-ANN)模型定性评价鲳鱼新鲜度。结果显示,KNN模型的训练集、测试集识别率分别为:99.11%和98.21%;BP-ANN模型的训练集、测试集识别率分别为:92.86%和91.07%。构建了电子舌数据和TVB-N及TVC之间的支持向量机回归模型对鲳鱼新鲜度进行定量评价,独立样本检验结果显示,对TVB-N及TVC的预测,支持向量机回归模型的预测值和实测值的相关系数分别为:0.9727和0.9457,预测均方根误差分别为2.8×10-4 mg/g和0.052 log(CFU/g)。可见三种模型均能达到较好的效果。研究表明:电子舌技术在鱼新鲜度的快速定性、定量评价中具有很大的潜力。     

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。     

基于近红外光谱对桃果实低温贮藏品质的定量检测

采用近红外光谱法结合化学计量学方法对桃果实的可溶性固形物(SSC)含量、总酸(TA)含量、糖酸比和硬度等4种品质进行快速检测,研究不同光谱预处理算法对模型的影响,建立偏最小二乘法(PLS)预测模型。建模前,采用方差分析和Pearson相关性分析研究几种指标的关系。桃果实贮藏期的SSC含量、TA含量、糖酸比和硬度最优PLS模型的校正集相关系数分别为0.93,0.69,0.74和0.97;验证集相关系数分别为0.79,0.69,0.68和0.95。交互验证均方根误差(RMSECV)为0.56,0.11,4.24和8.81,预测集均方根误差(RMSEP)为0.89,0.10,6.02和16.22。试验结果表明,近红外光谱对桃果实SSC含量和硬度的快速检测是可行性的,TA含量和糖酸比的预测算法需进一步优化。本研究为实际生产中近红外光谱对桃果实低温贮藏品质无损检测与质量控制提供技术参考。     

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。     

基于近红外光谱的猪肉蛋白质及脂肪含量检测

蛋白质及脂肪是猪肉的重要营养成分。随着人们对饮食健康的要求越来越高,对猪肉蛋白质及脂肪含量快速检测也成为必然。通过近红外光谱技术对猪肉进行光谱数据采集,将光谱数据分为校正集样本和预测集样本,然后,在MATLAB中利用多元散射校正(MSC)与均值中心化相结合的方法进行光谱预处理并采用联合区间偏最小二乘方法(SiPLS)获得猪肉蛋白质及脂肪含量与光谱数据特征之间的对应关系,从而定量分析猪肉蛋白质及脂肪含量。实验结果表明,建立的SiPLS检测脂肪及蛋白质含量预测模型的最优组合分别为划分为20个光谱区间并联合4个子区间和9个主成分因子,和划分19个光谱区间并联合4个子区间和10个主成分因子。其预测集的相关系数分别为0.9798、0.9788,交互验证均方根误差分别为0.228,0.241。研究结果表明,利用近红外光谱结合SiPLS算法可以快速准确检测猪肉蛋白质与脂肪含量。     

近红外光谱法快速无损测定奶粉的脂肪含量

将11种奶粉原样配制及组成77个奶粉样本,以脂肪含量为检测指标,结合偏最小二乘法开展近红外光谱定量分析研究。2次异常光谱剔除,识别出异常样本(14,52,76)并予以剔除。74个奶粉样本进行平滑、导数和标准变量变换等6种光谱预处理,确定标准正态变量变换结合Norris一阶导为最佳光谱预处理方式,其交叉验证均方根误差为0.354 7,交叉验证相关系数平方达到0.990 8;最佳前处理光谱结合3种波段选择方法优化模型性能,与全光谱模型形成对比,确定随机蛙跳(random frog,RF)为最佳波段选择方式,其模型的训练集和测试集相关系数平方分别为0.997 2和0.997 0,训练集和测试集均方根误差分别为0.186 2和0.198 2。结果表明:采用蒙特卡罗异常光谱剔除(Monte-Carlo sampling,MCS),光谱预处理结合随机蛙跳波段优化技术可提高奶粉脂肪近红外定量模型的泛化性和预测能力。