活菌饮料中乳酸菌活菌数的光学快速定量检测

利用傅里叶变换近红外分析仪与紫外-可见分光光度计,以市售活菌饮料为研究对象,进行饮料中乳酸菌活菌数的快速定量检测。对活菌饮料的原始光谱分别进行Savitzky-Golay（SG）平滑结合一阶求导（FD）、多元散射校正（MSC）及正交信号校正（OSC）预处理,利用偏最小二乘法建立乳酸菌活菌数定量预测模型,并对最优模型进行优化与外部验证。结果表明：对于活菌饮料中乳酸菌活菌数,采用OSC预处理的傅里叶变换近红外光谱建立的PLS模型效果最好。利用竞争自适应重加权法（CARS）进行波长筛选与模型的优化,校正集相关系数（Rc）为0.9974,校正集均方根误差（RMSEC）为0.0211,验证集相关系数（Rp）为0.9837,验证集均方根误差（RMSEP）为0.0508。利用未参与建模的市售样品对优化后的傅里叶变换近红外预测模型进行外部验证,预测值相关系数为0.9068,均方根误差为0.0108。结果表明：傅里叶变换近红外光谱能够快速、准确地检测活菌饮料中乳酸菌数活菌数,为活菌饮料生产销售流通中的质量监测提供一种快捷方便的方法。     

基于LVF-NIR的樱桃可溶性固形物含量无损速测模型的建立与优化

目的建立基于便携式近红外光谱仪的樱桃可溶性固形物含量无损快速定量检测模型,从而实现樱桃品质的无损快速检测。方法以北京通州产红灯樱桃、黄玉樱桃为研究对象,采用便携式线性渐变分光近红外光谱仪采集光谱数据,并采用折光仪测定其可溶性固形物含量;采用偏最小二乘回归结合全交互验证算法将光谱数据与可溶性固形物含量测定值建立定量校正模型,采用外部验证集对模型的预测性能做进一步测试。结果红灯樱桃可溶性固形物含量模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.9194、0.79、0.8920、0.92、3.54,黄玉樱桃可溶性固形物含量模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.8618、0.76、0.8246、0.86、2.70;两种樱桃可溶性固形物含量合并模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.9125、0.81、0.8946、0.89、3.38。结论基于便携式线性渐变分光近红外光谱仪数据所建校正模型具有较好的准确度,可满足樱桃可溶性固形物含量的无损快速检测需求。     

废旧聚酯纤维制品近红外定量分析模型的建立及验证

为解决废旧纺织品回收利用中纯聚酯的分拣问题,以聚酯、棉、锦纶、羊毛、聚酯/ 棉混纺、聚酯/ 锦纶混纺、聚酯/ 羊毛混纺织物共计276 个样品为研究对象,利用近红外光谱仪获取样本的原始近红外光谱图,通过化学计量学软件CM-2000 对样本原始近红外光谱图进行预处理,并用偏最小二乘法作为校正方法建立废旧聚酯纤维制品近红外定量分析模型。所建模型的校正集相关系数为0.994,验证集相关系数为0.989,校正标准偏差为1.832,验证标准偏差为2.065,内部预测正确率为90.58%。用未参与建模的173 个样本（7 种织物）对模型进行外部验证,验证正确率为88.44%,而对纯聚酯样本的外部预测正确率可达96%。结果表明,该模型可以较准确地将纯聚酯织物从废旧纺织品中鉴别出来。     

近红外法测定豆浆蛋白质、脂肪和可溶性固形物含量

利用傅里叶变换近红外光谱仪采用积分球漫反射方式对60个豆浆样品进行光谱的采集,结合常规分析结果分别建立了3种成分的近红外校正模型。结果表明:豆浆蛋白质、脂肪及可溶性固形物光谱分别经过消除常数偏移量、一阶导数和矢量归一化(SNV)预处理后建模效果最好。蛋白质、脂肪和可溶性固形物含量的校正模型决定系数(R2)分别为:0.966 4、0.950 0和0.950 7,交叉验证均方根差(RMSECV)依次为0.076 9、0.087 4和0.316;对模型进行外部验证,验证集化学值和模型预测值之间差异不显著,说明模型可以用于豆浆中蛋白质、脂肪和可溶性固形物含量的检测。     

光致劣变大米的无损判别及不同遮挡方式有效性研究

目的 基于线性渐变分光便携式近红外光谱仪,建立光致劣变大米无损判别模型,并评估不同遮挡方式对大米光致劣变的预防效果。方法 以北方粳米、南方粳米、籼米、糯米、紫米、黑米为研究对象,分别各采用直接暴露于紫外光下、纸遮挡、白布遮挡、红布遮挡、玻璃遮挡、聚乙烯塑料遮挡方式制备实验组样品。采用线性渐变分光便携式近红外光谱仪采集大米样品近红外光谱。首先对6种大米分别建立单品种大米的光致劣变判别分析模型并优化数据预处理和光谱波段;然后将6种大米合并一起建立判别模型;最后采用优化模型预测各种遮挡的大米样品,以评估不同遮挡方式对大米光致劣变的预防效果。结果 基于全谱数据的标准正态变量结合去趋势校正预处理,所建判别模型的效果最佳, 6种大米判别模型的马修斯相关系数皆达到100.0%;而将6种大米一起建立判别模型,所建模型的预测性能有所下降。对每种大米采用各自优化模型对不同遮挡方式的实验组样品进行预测的结果表明,玻璃遮挡、聚乙烯塑料遮挡对大米光致劣变的预防有效率在97.0%以上,而纸遮挡、白布遮挡、红布遮挡在大米光致劣变的预防方面效果甚微。结论 基于近红外技术建立单品种大米光致劣变无损判别模型具有较高的预测...     

肉骨粉常规营养成分近红外模型的建立及验证

采用傅里叶近红外漫反射技术,以最小偏二乘法结合不同光谱预处理建立了肉骨粉粗蛋白质、粗脂肪、水分、粗灰分、钙、总磷的近红外定标模型,结果显示:6种常规营养成分的决定系数分别为0.946 9、0.926 1、0.974 1、0.972 3、0.857 1、0.830 9,交叉检验的均方根误差(RMSECV)分别为0.863、0.303、0.123、1.08、0.663、0.368,相对分析误差(RPD)大于2.5,外部验证集验标决定系数均在0.94以上,表明模型预测值与化学值间存在良好的函数拟合性,所建立的模型可靠、稳健,可用于肉骨粉营养成分的快速分析。     

漫反射红外光谱法结合PLS测定稻谷脂肪酸值研究

为了快速、简便、无污染地测定稻谷中脂肪酸含量,提出基于漫反射傅里叶变换红外光谱法(DRIFTS)和近红外漫反射光谱法(NIDRS)测定稻谷脂肪酸值快速检测方法。同时探讨了反向区间偏最小二乘法(BiPLS)对中红外光谱区域的优化效果。傅里叶变换原始光谱模型经7点平滑预处理及BiPLS优化,得到的最佳模型的R~2、RMSECV、RMSEP分别为0.998、3.65、3.69。近红外光谱经一阶导数和多元散射校正预处理后建立最佳模型,其R~2为0.97,RMSECV为3.43。在验证实验中,傅里叶变换红外光谱预测值与国标测定值的相对标准偏差为1.16%,近红外光谱预测值与国标测定值的相对标准偏差为1.70%。结果表明,DRIFTS能够更加准确检测脂肪酸值。     

基于偏最小二乘法的板栗近红外光谱分析模型的建立

目的:应用近红外光谱技术和化学计量学方法,建立板栗品质分析的近红外光谱模型。方法:采用傅里叶变换近红外光谱仪,采集样品的近红外漫反射光谱,再用传统理化分析方法测得样品的各项品质参数,采用偏最小二乘法(PLS)建立定标模型,内部交叉验证法对模型进行检验。结果:对板栗分别建立了水分、淀粉、硬度和糖度的PLS模型,4种PLS模型都非常理想,模型的相关系数均大于0.99。结论:采用近红外光谱法可以实现板栗品质指标的快速无损检测。     

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MEMS微镜技术的近红外光谱检测奶粉中的三聚氰胺

为实现奶粉中三聚氰胺的无损定量快速检测,搭建了一款便携式光学仪器。采用基于MEMS微镜的微型光学平台及手持式探头、光纤及样品池等搭建的傅里叶变换近红外光谱仪,在1 000～2 500 nm波长范围内采集样品光谱,结合光谱预处理、特征波段筛选及主成分数选取来优化光谱信息,依照偏最小二乘法结合交叉验证建立定量模型。在1 400～1 600 nm和1 900～2 400 nm波段内,二阶导数+Savitzky-Golay九点平滑的预处理方法下,当主成分数为5时,交叉验证相关系数为0.965 2,交叉验证均方差为8.22,外部验证结果预测偏差均小于5%,模型预测性能良好。基于MEMS微镜的便携式近红外光谱仪能实现奶粉掺假三聚氰胺定量检测。     

近红外光谱法对鸡肉品种的快速无损鉴别

选取爱拔益加肉鸡（又名AA肉鸡）、京海黄鸡和狼山鸡鸡胸肉各40 个肉样,应用便携式近红外光谱仪在1 000～2 500 nm波长条件下分别对鸡肉肉块和肉糜进行光谱扫描,并测定肉样的颜色、蛋白质、脂肪和水分含量。各选择90 个肉样作为建模集,采用偏最小二乘判别分析法分别建立了鸡肉肉块和肉糜的品种鉴别模型。所建的两个模型对校正集和验证集样本的鉴别准确率均分别为100%和97.7%,对剩余预测集的各30 个肉样进行鉴别分析的鉴别准确率均为90%。     

基于近红外光谱的煎炸油极性组分定量分析模型构建

为了建立煎炸油中极性组分的快速检测方法,通过热处理和模拟煎炸方式,采集氧化程度不同的油样并用 国标法分析样品极性组分,采集样品近红外透射光谱,经光谱预处理,利用偏最小二乘法建立煎炸油极性组分定量 分析模型并对模型进行验证。结果表明：在波长范围为4 963～4 616、5 2 22～5 037 cm－1和5 688～5 499 cm－1,采 用一阶求导和Savitzky-Golay（7,5）平滑光谱处理,校正集相关系数为0.996 5,校正均方根差为1.84%,验证集R为 0.993 6,验证均方根差为1.92%,模型预测效果良好,利用近红外透射光谱测定煎炸油极性组分可行。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

Feasibility study of discriminating the manufacturing process and sampling zone in ripened soft cheeses using attenuated total reflectance MIR and fiber optic diffuse reflectance VIS–NIR spectroscopy

The use of visible–near infrared (VIS–NIR) and mid infrared (MIR) spectroscopies for rapid characterisation of 15 traditional and stabilised retail soft cheeses, manufactured with different cheese making procedures was described. A fiber-type, VIS–NIR spectrophotometer (Zeiss Corona 45 VIS–NIR) in a measurement range of 315–1700 nm and a Fourier transform spectrometer (IFS 66V/S, Bruker, Belgium) in a measurement range between 3000 and 900 cm⁻¹ were used to scan spectra in reflectance mode at the external (E) and central (C) zones of the investigated cheeses. The principal component analysis (PCA) applied to the normalised spectral data set (VIS–NIR and MIR) did not provide a good discrimination of cheeses. Therefore, the factorial discriminant analysis (FDA) was applied separately to the first 5 principal components (PCs) of the PCA performed on the VIS–NIR and MIR data sets. Regarding the MIR spectra, the percentage of samples correctly classified into six groups (three for the E and three for the C zones) by the FDA was 64.8% and 33.3% for the calibration and validation samples, respectively. Better classification was obtained from the VIS–NIR spectra since the percentage of samples correctly classified was 85.2% and 63.2% for the calibration and validation samples, respectively. Finally, a concatenation technique was applied on the first 5 PCs of the PCA performed on the VIS–NIR and MIR data sets. This technique allowed a quite satisfactory classification of the investigated cheeses according to their manufacturing process and their sampling zone. In this case, correct classifications (CC) of 90.7% and 80.6% were obtained for the calibration and the validation samples, respectively.     

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。     

红外光谱结合统计分析对不同产地玛咖的鉴别分类

采用傅里叶变换红外光谱法,对采自云南及秘鲁共139 份玛咖样品进行产地鉴别研究。采用多元散射校正结合二阶导数和Norris平滑预处理光谱,通过剔除噪声明显的光谱波段,筛选出适宜的主成分数为8。基于最优主成分数,采用间隔偏最小二乘（interval partial least-squares,iPLS）法对3 650.59～651.82 cm－1光谱进行优化分析。结果显示,筛选98 份样品在1 855.19～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1光谱建立的间隔偏最小二乘判别分析（interval partial least-squares discriminant analysis,iPLS-DA）分类模型,其R2、校正均方根误差和预测均方根误差分别为0.958 4、0.785 8和1.164 2。通过41 份样品验证,验证正确率与原光谱建立的分类模型保持一致,均为87.80%。为进一步提高分类模型的精度,在iPLS筛选的光谱波段基础上,分别采用遗传算法（geneticalgorithm,GA）和蛙跳算法（shuffled frog leaping algorithm,SFLA）对光谱信息进行优化,结果显示,采用GA筛选频率大于4和5的光谱信息,筛选的光谱数据点分别为62 个和29 个;利用SFLA筛选概率大于0.1和0.15的光谱信息,筛选的光谱数据点分别为77 个和27 个。验证结果显示,采用GA-PLS-DA（62 个数据点）和GA-PLS-DA（29 个数据点）建立的PLS-DA分类模型识别正确率分别为95.12%和97.56%,采用SFLA-PLS-DA（77 个数据点）和SFLA-PLS-DA（27 个数据点）建立的分类模型识别正确率分别为92.68%和97.56%。对比上述方法可知,采用iPLS-DA、GA-PLS-DA和SFLA-PLSDA建立的分类模型均具有较好的预测性能,其中GA-PLS-DA（29 个数据点）和SFLA-PLS-DA（27 个数据点）建立分类模型能更准确地鉴别不同产地的玛咖。该方法的建立为玛咖红外光谱产地鉴别提供一种新的思路,所筛选的光谱变量可为不同产地玛咖内在化学成分（组分）差异性分析提供基础依据。     

近红外光谱技术快速测定鹅肉嫩度

目的：应用近红外光谱技术快速检测鹅肉的嫩度值。方法：采集完整鹅肉的近红外光谱（950～ 1 650 nm）,光谱经多种校正预处理后,再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模 型。结果：采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好,嫩度定量校正数学模型的模 型决定系数为0.908 0,内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测,预测值与实 测值的相关系数达到0.971 1,预测值平均偏差为21.673 g,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,可用于评价鹅肉的嫩度。     

基于特征脂肪酸的掺伪芝麻油快速鉴别模型建立

脂肪酸是植物油中的主要营养成分,不同种类的食用油中所含的脂肪酸含量也不相同,本研究据此对芝麻油掺入大豆油、花生油、棉籽油的油样应用近红外光谱技术建立测定4 种脂肪酸含量的方法。以气相色谱法测定的脂肪酸含量作为化学值,校正集样品数为122,验证集样品数为38,结果表明：掺假芝麻油油样的亚麻酸
（C18∶3）、花生酸（C20∶0）、木焦油酸（C24∶0）和肉豆蔻酸（C14∶0）对近红外有特异吸收。分别建立4 种脂肪酸含量的模型,通过对模型进行优化,校正集样品的化学值与近红外的预测值的相关系数（R2）分别为R2（C18∶3）=0.989、R2（C20∶0）=0.995、R2（C24∶0）=0.993、R2（C14∶0）=0.996。验证集样品的化学值与近红外的预测值的R2分别为0.984、0.949、0.956、0.988。4 种脂肪酸含量的预测平均相对误差依次为6.0%、5.6%、4.4%、4.8%。     

基于有效波长选择的近红外光谱枸杞总糖含量快速检测

为建立枸杞总糖含量快速准确的检测方法,采用近红外光谱为检测手段,以114 个不同产区枸杞样品为研究对象。采用积分球漫反射模式采集样品近红外光谱,利用化学计量学方法确定光谱信息与总糖含量之间的关系,通过载重图法及相关系数法进行有效光谱选择,比较确定枸杞总糖光谱建模有效波段,建立枸杞总糖近红外光谱定量检测模型,并利用国标方法进行验证分析。结果发现：对全样品光谱进行Norris Gap Derivative求导预处理后,采用相关系数法选择8 700～4 000 cm－1波段进行建模。当主成分数为8时,建模效果较好,模型的校正集决定系数与验证集决定系数均高于0.91。结果表明,基于近红外光谱技术的枸杞总糖含量快速检测是可行的。