近红外光谱技术(NIRS)测定玉米粉碎粒度的研究

试验研究了近红外光谱技术(NIRS)快速测定玉米粉碎粒度的应用。建立的近红外定量预测模型定标决定系数(RC2)为0.9463,相对标准差(RSD)为6.5619%,相对分析误差(RPD)为4.3771,定标结果较好;并对模型的预测能力进行了验证,其中验证决定系数(RV2)为0.9186,相对标准差为6.8646%,相对分析误差为4.0856,预测能力较好,表明近红外技术具有较高的准确度。实验研究结果对饲料生产过程中粉碎粒度的控制具有重要的实际意义。     

蜂蜜中果糖含量近红外光谱试验研究

以68份蜂蜜样品为材料,利用傅立叶变换近红外光谱技术（NIR）结合偏最小二乘法（PLS）,建立了蜂蜜中果糖含量的近红外光谱数学模型,并对模型预测结果进行评价。结果表明,选择11065．36cm^-1～7857．90cm^-1波数范围内的光谱,进行SG预处理方法,用8个主成分建立的蜂蜜果糖含量模型效果最好,模型相关系数、校正均方差和预测均方差分别为0．9259、1．21和1．64。该方法具有快速、准确、成本低等特点。     

玉米干全酒精糟氨基酸的近红外检测研究

玉米干全酒精糟(Distillers's Dried Grains with Solubles,简称DDGS)是一种重要的蛋白质饲料原料,因乙醇生产设备和工艺类型存在较大差异,不同来源和批次玉米DDGS中氨基酸含量的差异较大。通过采集国内外不同工艺、年份和产地的具有代表性的110份玉米DDGS样品,依据国家标准方法测定氨基酸含量,并借助光栅型光谱仪采集近红外漫反射光谱,构建了18种氨基酸的定量分析模型。研究结果显示:天冬氨酸、谷氨酸等10种氨基酸定量分析模型的决定系数在0.85～0.95,苏氨酸、丝氨酸等7种氨基酸定量分析模型的决定系数在0.73～0.82,赖氨酸定量分析模型的决定系数(0.62)最低,模型的RMSEP在0.03～0.19,可用于玉米DDGS中氨基酸含量的快速获取。     

宁夏玉米营养成分近红外分析模型建立与应用

研究采集宁夏区内各市县(固原、海原、同心、中卫、中宁、永宁、平罗)抽取玉米样品120批,用近红外分析仪扫描定标样品集获得玉米近红外光谱图,利用偏最小二乘法建立模型,并分别经过无预处理、均值中心化、标准正态变量转换、一阶导数、标准正态变量转换结合去趋势校正(SNV+D)预处理光谱,获得水分、粗蛋白、粗脂肪、粗纤维预测模型,分别是经过MC、SNV+D、SNV+D、SNV+D光谱预处理后效果最好。预测决定系数R² _p分别为0.951、0.976、0.728、0.897,相对分析误差RPD除粗脂肪为2.62外,其他均大于3的近红外预测模型,通过预测模型验证集验证后,并对模型预测值与实测值进行U检验,结果为差异不显著(P>0.05)。该近红外预测模型对玉米中水分、粗蛋白、粗纤维具有较佳预测效果,粗脂肪的预测精度有待进一步提高。     

近红外光谱法检测饲料玉米品质的优化PLS模型

试验基于化学计量学方法,提出了饲料玉米品质检测的优化近红外光谱定量模型。首先以偏最小二乘法分别建立饲料玉米水分、蛋白质测定的全光谱定标模型,然后综合运用光谱变换、异常样本剔除和特征波长选择等技术方法优化其性能。结果表明:优化模型的建模波点数减至全光谱的5%以下,R_c²和R_p²升到0.99以上,RMSEC和RMSEP降至0.05以下,RPD提高到12以上,预测结果与参考值的差异不显著(P>0.05)。由此可见,优化模型的预测能力和运行效率得到了显著改善,可将其用于实际检测工作。     

基于反射光谱技术评价草坪质量模型的研究

草坪植物叶片中的叶绿素是影响草坪颜色的重要色素,是评价草坪质量的内在因素。采用便携式光谱仪,在室外自然光照条件下,测定2种草坪群落的反射光谱,选择草坪叶片叶绿素含量的敏感光谱波段400～700 nm,应用偏最小二乘法(PLS)建立草坪植物叶片叶绿素与反射光谱的定量分析模型,结果表明,草坪植物叶绿素的预测值与实测值的相关性较好,相关系数为0.937,相对标准偏差为3.2%,建立偏最小二乘法估测草坪颜色的最优模型,均方根误差评价值较小(RMSE=0.26)。因此,反射光谱技术在园林绿化工程中为快速评价草坪质量提供了新的途径。     

利用在线近红外光谱鉴别雌雄蚕蛹的方法

采用自动识别雌雄蚕蛹的技术与设备,是解决蚕种生产人工鉴蛹人力短缺和保证鉴蛹正确率的有效途径之一。以6个家蚕品种的蚕蛹供试,利用自制的在线近红外光谱检测装置进行雌雄蛹的鉴别。分别以3种采谱条件采集各供试家蚕品种蚕蛹样品的近红外光谱,以采用全谱和经竞争性自适应重加权算法(CARS)、无信息变量消除法(UVE)优选后的波长变量分别建立偏最小二乘判别分析(PLSDA)的雌雄蚕蛹识别模型。测试结果显示,在3种采谱条件下,以单个家蚕品种的光谱数据建模时雌雄蚕蛹鉴别的正确率达100%;多个家蚕品种的蚕蛹混合后采集光谱数据建模,其中采用方法 a(积分时间8 ms,扫描次数5次)、方法 b(积分时间为8 ms,扫描次数10次)、方法 c(积分时间20 ms,扫描次数10次)获取光谱数据建模的鉴别正确率分别达94.2%、95.2%、100.0%。选择高速采集光谱的方法 a,经CARS法优选波长后建模的测试结果优于经UVE法优选波长建模的结果,对校正集、交叉验证集和预测集蚕蛹样品的雌雄识别正确率分别为100%、100%和96.2%。研制的在线近红外光谱检测装置及建立的检测方法与模型,可应用于蚕种生产中快速鉴别分选雌雄蚕蛹。     

基于近红外反射光谱快速检测豆粕中掺假菜籽粕的研究

试验旨在研究豆粕中掺假菜籽粕的近红外反射（NIR）光谱定量分析方法。在豆粕中掺入0、5%、10%、15%、20%、25%、30%菜籽粕,每个掺杂水平30份重复样品（建模集样本20个,验证集样本10个）。采用傅里叶变换近红外光谱仪获取样品NIR光谱,使用化学计量学软件拟合建模集样品掺假比例的NIR光谱预测模型,验证集样本评价预测模型的准确度。结果表明,豆粕中菜籽粕掺假比例的NIR光谱预测模型的决定系数R2为0.983,交叉验证均方根误差（RMSECV）为1.30。菜籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为8.93%、12.20%、2.21%、1.17%、1.72%、1.69%。研究表明,使用NIR光谱可以对豆粕中菜籽粕的掺假量实现准确定量测定。     

利用近红外反射光谱检测豆粕中掺假棉籽粕的研究

本实验研究了通过近红外反射(NIR)光谱对豆粕中掺假棉籽粕的定量分析方法。在豆粕中分别掺入0%、5%、10%、15%、20%、25%、30%(m/m)棉籽粕,每个处理包含建模集样品20个、验证集样品10个,使用傅立叶变换近红外光谱仪获取掺假样本的NIR光谱,采用OPUS化学计量学软件拟合建模集样品棉籽粕掺假率的NIR光谱预测模型,再用验证集样本对预测模型进行验证,评价预测模型的相对误差。结果表明,豆粕中棉籽粕掺假率的NIR光谱预测模型的决定系数(R²)为0.975、交叉验证均方根误差(RMSECV)为1.58、斜率为0.974,棉籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为15.0%、0.50%、1.87%、1.45%、1.28%、0.87%。因此,利用NIR光谱可以准确定量测定豆粕中棉籽粕的掺假比例。     

近红外光谱分析技术在饲料工业中的应用进展

近红外光谱分析技术(Near infrared reflectancespectroscopy,简称NIRS)是20世纪70年代兴起的一种新的成分分析技术。该技术首先由美国农业部(USDA)的Norris开发,最早用于谷物中水分、蛋白质的测定。20世纪80年代中后期,随着计算机技术的发展和化学计量学研究的深入,加之近红外     

近红外光谱分析技术在饲料检测中的应用

近红外光谱（Near Infrared Reflectance Spectroscopy,简称NIRS）分析技术是20世纪70年代发展起来的一项高效、快速的现代分析技术,它综合运用了计算机技术、光谱技术和化学计量学等多个学科的最新研究成果,以其独特的优点在多个领域特别是农业领域得到广泛的应用。随着计算机技术和化学计量学的应用,     

近红外光谱技术与饲料质量评价

近红外光谱的技术(NIRS)作为一种新的分析技术在饲料行业的应用和研究已经十分广泛,它不仅能够较准确地测定饲料产品营养价值等方面的各相关参数指标,而且能科学的分析配合饲料的原料组成和含量。文中综述了国外利用近红外技术分析测定饲料原料以及配合饲料产品中蛋白、纤维、脂肪等常规营养指标,以及消化能、代谢能等营养价值指标的研究进展。同时,文章还概述了近红外光谱技术鉴别配合饲料所用原料以及测定成分含量方面的研究。     

近红外反射光谱法(NIRS)分析奶牛精料补充料营养成分的研究

采用滤光片型8620近红外光谱技术(NIRS),结合主成分回归法,以105个不同的奶牛精料补充料样品建立了常规化学成分以及可消化总养分(TDN)含量的近红外定量分析校正模型。常规化学成分中,粗蛋白、粗脂肪、粗灰分、中性洗涤纤维、酸性洗涤纤维、酸性洗涤木质素和可消化总养分含量的校正模型决定系数R2分别为0.9132、0.9016、0.9220、0.9171、0.8928、0.7083和0.8346;研究发现除酸性洗涤木质素之外,其他成分含量的相对分析误差RPD(SD/SEP)均大于2.5,因此除酸性洗涤木质素之外,所建近红外预测模型对奶牛精料补充料常规营养成分以及TDN含量的快速测定具有重要的实际意义。     

Nutritional evaluation of commercial dry dog foods by near infrared reflectance spectroscopy

Near infrared reflectance spectroscopy (NIRS) was used to predict the nutritional value of dog foods sold in Chile. Fifty-nine dry foods for adult and growing dogs were collected, ground and scanned across the visible/NIR range and subsequently analysed for dry matter (DM), crude protein (CP), crude fibre (CF), total fat, linoleic acid, gross energy (GE), estimated metabolizable energy (ME) and several amino acids and minerals. Calibration equations were developed by modified partial least squares regression, and tested by cross-validation. Standard error of cross validation (SE(CV)) and coefficient of determination of cross validation (SE(CV)) were used to select best equations. Equations with good predicting accuracy were obtained for DM, CF, CP, GE and fat. Corresponding values for and SE(CV) were 0.96 and 1.7 g/kg, 0.91 and 3.1 g/kg, 0.99 and 5.0 g/kg, 0.93 and 0.26 MJ/kg, 0.89 and 12.4 g/kg. Several amino acids were also well predicted, such as arginine, leucine, isoleucine, phenylalanine-tyrosine (combined), threonine and valine, with values for and SE(CV) (g/kg) of 0.89 and 0.9, 0.94 and 1.3, 0.91 and 0.5, 0.95 and 0.9, 0.91 and 0.5, 0.93 and 0.5. Intermediate values, appropriate for ranking purposes, were obtained for ME, histidine, lysine and methionine-cysteine. Tryptophan, minerals or linoleic acid were not acceptably predicted, irrespective of the mathematical treatment applied. It is concluded that NIR can be successfully used to predict important nutritional characteristics of commercial dog foods.     

Analysis of bovine udder, plate and viscera using near infrared reflectance spectroscopy

The objective of this study was to evaluate near infrared reflectance spectroscopy (NIRS) as an accurate and inexpensive alternative to conventional chemical analyses of nonconsumer bovine tissue. Udder, plate and visceral samples were collected from mature, Charolais-Angus and Hereford-Angus crossbred beef cows at slaughter, ground and analyzed for concentrations of lipid, protein and dry matter using standard AOAC chemical procedures. Samples were analyzed using NIRS. The collection of samples was randomly split into separate calibration and validation sets. Nine calibration equations representing each constituent and tissue combination were developed, using first- or second-order derivative mathematical transformations, and those calibration equations were validated. Correlation coefficients of calibration (R) and validation (r) ranged from .95 to .98 and from .87 to .97, respectively, for all analyses except plate dry matter (r = .77). Standard errors of calibration and prediction ranged from 1.89 to 5.81%. Results from this study are interpreted to indicate that bovine udder, plate and visceral tissue composition can be accurately, quickly and efficiently predicted using NIRS technology.