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。     

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。     

基于近红外光谱技术检测蓝莓可溶性固形物含量

采用近红外漫反射光谱技术对辽宁丹东蓝莓基地的六个蓝莓品种(埃利奥特、达柔、爱国者、北蓝、杜克、蓝丰)进行光谱分析,快速无损测定蓝莓可溶性固形物含量,利用一阶导数进行光谱预处理,主成分分析(PCA)和偏最小二乘法(PLS)建立蓝莓可溶性固形物预测模型。结果表明,所建模型的相关系数(Corr.Coeff.)为0.91518、校正集标准偏差(RMSEC)为0.801、预测集标准偏差(RMSEP)为1.06。该方法快速、准确、无损,能准确地预测蓝莓中可溶性固形物含量。     

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。     

基于Android平台微型近红外光谱仪的开发与应用

在Android平台上对C11708MA微型近红外光谱仪进行系统开发,实现光谱仪控制、样品指标测量、调用模型文件并显示样品可溶性固形物的预测结果等功能。利用近红外漫反射无损检测技术对镇江句容果园水蜜桃样品的可溶性固形物含量进行相关研究,运用化学计量学方法建立了水蜜桃可溶性固形物含量的近红外模型,并对模型的性能进行了评价。结果表明,采用偏最小二乘法(PLS)建立模型,光谱预处理的最佳条件为:移动窗口平滑(MAF)和Savitzky-Golay一阶导数。所建模型的校正相关系数(R_c)和预测相关系数(R_p)分别为0.931 1和0.880 2,校正标准偏差(RMSEC)和预测标准偏差(RMSEP)分别为0.441 0和0.531 0。开发的App程序运行稳定,预测结果准确,可应用于水蜜桃内部品质可溶性固形物含量的快速、无损、活体检测。     

应用便携式近红外仪检测生鲜羊通脊肉的嫩度

在北京市内收集生鲜羊通脊肉样品98个,研究应用便携式近红外仪快速无损检测生鲜羊通脊肉嫩度,结合化学计量学的方法建立可以快速无损检测生鲜羊通脊肉嫩度的近红外光谱检测模型。在建模过程中,研究了平滑、求导和信号校正等不同光谱预处理方法对模型的影响。结果表明:最佳的光谱预处理方法为均值中心化、Savitzky-Golay(SG)一阶导数、SG平滑和正交信号校正。应用偏最小二乘法建模所得模型的校正集标准偏差0.90、验证集标准偏差2.39、校正集相关系数(R c)=0.94、验证集相关系数(R p)=0.64、主因子数为4,说明模型具备较好的预测准确性,可应用于生鲜羊通脊肉嫩度的快速无损检测中。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

基于近红外光谱技术(NIRS)对工夫红茶含水率、游离态氨基酸、茶多酚品质成分评价研究

目的:提出一种利用近红外光谱技术无损快速检测工夫红茶含水率、游离态氨基酸、茶多酚品质的新方法。方法:实验样品共计240个,手动选择180个样品作为校正级,剩余60个样品作为预测集;利用OPUS 7.0软件优化出各模型最佳波数段和最佳预处理方法,平滑点数17,维数1,结合含水率、游离态氨基酸、茶多酚含量建立预测模型,分析预测模型的预测性能。结果:各预测模型预测精准度高,均可用于工夫红茶含水率、游离态氨基酸、茶多酚品质预测。其中,各模型校正相关系数(Rc)为92.76%~99.28%,校正均方根误差(RMSEC)为0.016~0.0437;预测相关系数(Rp)为97.41%~98.46%,预测均方根误差(RMSEP)为0.00915~0.0168。各模型校正集和预测集均有较高的拟合度,模型预测性能游离态氨基酸含水率茶多酚。结论:近红外光谱图结合含水率、游离态氨基酸、茶多酚品质含量建立的各预测模型预测性能优,适合工夫红茶品质评价。     

应用近红外光谱对老陈醋进行定性定量的检测研究

利用近红外光谱结合DA和PLS算法在不同光谱预处理方法下,对山西老陈醋醋龄进行定性判别分析,并建立陈醋可溶性固形物(SSC)及pH值的定量模型.结果表明:原始光谱、5点平滑以及SNV校正建立的DA模型性能良好,校正集判别正确率为100％,预测集判别正确率为88.89％;原始光谱建立的可溶性固形物的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99988和0.99960,RMSEC,RMSEP和RMSECV分别为0.0421,0.0911和0.0777;5点平滑建立的pH值的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99733和0.97411,RMSEC,RMSEP和RMSECV分别为0.0151,0.0386和0.0468.     

基于近红外漫反射光谱的面包老化过程中非冻结水含量无损检测

目的 建立一种基于近红外光谱技术快速无损测定面包老化过程中的非冻结水含量的方法。方法 应用近红外漫反射光谱技术采集新鲜面包在放置2h、2d、3d、4d、5d、6d、7d时的光谱，对比导数、S-G平滑(Savitzky Golay smooth)、标准正态变量变换(Standard normal variable transformation，SNV)及多元散射校正(Multiplicative scatter correction，MSC)预处理方法，利用偏最小二乘回归法(Partial least square regression，PLSR)和多元线性回归法（Multiple Linear Regression，MLR）建立面包老化过程中的非冻结水含量的预测模型，并对比两种模型预测结果。结果 利用PLSR建模相较MLR建模结果较好，建立的模型预测结果较好，模型的校正集相关系数（Rc）和均方根误差（RMSEC）分别为0.9386和0.0236 , 验证集相关系数（Rv）和均方根误差（RMSEP）分别为0.9271和0.0245。结论 通过近红外光谱技术结合偏最小二乘法建立面包老化过程中的非冻结水含量模型可作为面包老化过程中的非冻结水含量无损快速测定的可行性方法，其含量变化可以有效预测面包老化，为面包老化的无损检测提供了新的可行方案。     

甘薯水分和还原糖协同向量NIR快速检测方法

利用近红外光谱技术建立新鲜甘薯水分和还原糖含量的预测模型,实现快速检测与分析,为甘薯品质分析和种质资源筛选提供便捷。选用不同品系甘薯样品146份,109份作为校正样品,37份作为验证样品。运用不同光谱预处理方法、协同区间偏最小二乘最优波长选择法以及主成分回归和偏最小二乘法建立甘薯水分和还原糖模型。结果显示,所建甘薯水分(还原糖)最优模型的决定系数、预测均方根误差和标准差比率分别为0.974(0.885),1.154(0.270)和6.334(3.148)。表明2种模型具有较好的检测性能,近红外光谱模型的预测值与其相应的化学值有较好的相关性,适用于大批量甘薯选育时水分和还原糖含量的快速检测。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

基于变量筛选的温州蜜桔品质的光谱快速检测

目的利用可见/近红外光谱技术结合变量筛选算法建立预测模型。方法采集7个不同批次蜜桔样本的漫透射光谱,预处理优化后,以无信息变量消除法(uninformative variable elimination,UVE)、竞争性自适应重加权法(competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共3种策略来进行光谱有效波段的筛选,建立蜜桔可溶性固形物含量(soluble solid content,SSC)的偏最小二乘预测模型(partial least square,PLS)。结果比较全变量模型和3个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果,相比全变量模型,建模变量数减少了96.5%,其预测集相关系数R_P提升至0.732,预测集均方根误差(root-mean-square error,RMSEP)下降至0.873~0Brix。结论结合多重变量选择算法,可以进一步压缩建模变量数,简化模型,提高模型预测精度,实现区域蜜桔品质的光谱快速检测。     

Infrared spectroscopy technique for the nondestructive measurement of fat content in milk powder

The aim of this study was to investigate the potential of the infrared spectroscopy technique for nondestructive measurement of fat content in milk powder. Fat is an important component of milk powder. It is very important to be able to detect the fat content in milk powder using a rapid and nondestructive method. Near and mid infrared spectroscopy techniques were used to achieve this purpose. Least-squares support vector machine (LS-SVM) was applied to developing the fat-content prediction model based on the infrared spectral transmission values. The results based on LS-SVM were better than those of back-propagation artificial neural networks. The determination coefficient for prediction of the results predicted by the LS-SVM model was 0.9796 and the root mean square error was 0.836708. It was concluded that infrared spectroscopy technique could quantify the fat content in milk powder rapidly and nondestructively. The process is simple and easy to operate. Moreover, the prediction results were compared between near infrared and mid infrared spectral data. The results showed that the performances of model with both mid infrared and near infrared spectral data were a little worse than that of the whole infrared spectral data. The results could be beneficial for designing a simple and nondestructive spectral sensor for the quantification of fat content in milk powder.     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

近红外光谱结合化学计量学技术快速测定面条中马铃薯全粉的含量

马铃薯干物质的主要成分为淀粉,将其与面粉混合后采用传统工艺制作成的马铃薯面条,使用化学检测方法很难测定马铃薯面条中马铃薯全粉的含量和面粉的含量。本研究旨在建立一种快速检测面条中马铃薯全粉含量的方法,为市场监督部门提供技术支撑。以不同马铃薯全粉含量的面条样品236份为实验材料,采集样品近红外漫反射光谱,结合化学计量学软件建立并优化预测模型。结果表明:近红外光谱图范围为9403.6～5446.2 cm-1时,采用最小-最大归一化预处理光谱,建立的预测模型稳定性强预测精度高,预测模型的外部验证决定系数(R2val)为0.9775、预测均方根误差(RMSEP)为1.28%,斜率为0.95,模型的相对分析误差(relative prediction deviation,RPD)为4.74。采用近红外漫反射光谱技术可以快速预测面条中马铃薯全粉的含量,可以为市场监督部门提供技术支持。