DOSC在花椒挥发油含量近红外光谱分析中的应用

应用近红外光谱分析技术,采用偏最小二乘法,对141份花椒粉末样品近红外光谱建立挥发油含量定量模型,交叉验证测定系数R2为0.936,交叉验证误差均方根RMSECV为0.421,经直接正交信号校正(DOSC)预处理后,相应的交叉验证测定系数R2提高到0.95,RMSECV减小为0.374.使用105份样品近红外光谱所建立的模型对36份样品的预测集进行预测,光谱采用DOSC预处理前后,预测测定系数R2由0.923提高到0.969,RMSEP由0.452减小到0.289,RSD由11.65%减小到7.44%,RPD由3.622增加到5.573.研究结果表明,使用DOSC预处理后的花椒挥发油含量近红外光谱定量模型的预测效果有较大的提高,且具有较好的稳定性和较强的预测能力,可用于实际的花椒挥发油检测.     

饲料总能近红外反射光谱定量分析模型的优化

利用近红外反射分析技术, 采用偏最小二乘(PLS)回归方法,分别对光谱进行附加散射校正、变量标准化、一阶导数和二阶导数处理,建立了饲料中总能的预测模型.通过比较,附加散射校正和一阶导数处理定标效果最优.定标集化学分析值与预测值之间的决定系数R2和标准差RMSEC分别为0.9060和0.153,相对分析误差为3.36;验证集化学分析值与预测值之间的决定系数r2和标准差RMSEP分别为0.8924和0.156,相对分析误差为3.22.结果表明,利用近红外光谱反射(NIRS)分析技术可以定量检测充料总能的含量.     

稻谷千粒质量近红外光谱定量分析

利用近红外漫反射光谱分析技术对稻谷千粒质量进行了测定和研究.通过对70个不同品种的稻谷样本进行近红外光谱扫描,将获得的光谱进行10种不同方法的预处理,然后应用PLS方法建立稻谷千粒质量预测的定标模型,根据交互验证决定系数(R2)和交互验证标准差(RMSECV)进行最佳定标模型选择,最后依据稻谷千粒质量预测值与真实值间的相关系数(r)和预测标准误差(SEP)进行模型预测能力评价.结果显示,在光谱区间11 998.9～7 497.9+6 101.7～5 449.8+4 601.3～4 246.5 cm-1、采用最小-最大归一化预处理方法建立的定标模型具有最大的交叉验证决定系数0.773和最小的均方根误差1.67 g;以最佳定标模型预测的稻谷千粒质量与真实值之间的相关系数为0.945,预测标准误差为0.76 g,表明近红外光谱分析技术可以用来进行稻谷千粒质量的快速测定.     

稻谷千粒质量近红外光谱定量分

利用近红外漫反射光谱分析技术对稻谷千粒质量进行了测定和研究。通过对70个不同品种的稻谷样本进行近红外光谱扫描，将获得的光谱进行10种不同方法的预处理，然后应用PLS方法建立稻谷千粒质量预测的定标模型，根据交互验证决定系数（R2）和交互验证标准差（RMSECV）进行最佳定标模型选择，最后依据稻谷千粒质量预测值与真实值间的相关系数（r）和预测标准误差（SEP）进行模型预测能力评价。结果显示，在光谱区间11998.9～7497.9＋6101.7～5449.8＋4601.3～4246.5cm-1、采用最小—最大归一化预处理方法建立的定标模型具有最大的交叉验证决定系数0.773和最小的均方根误差1.67g；以最佳定标模型预测的稻谷千粒质量与真实值之间的相关系数为0.945，预测标准误差为0.76g，表明近红外光谱分析技术可以用来进行稻谷千粒质量的快速测定。     

不同饲料原料日粮纤维水平的近红外测定方法

分别针对中性洗涤纤维（NDF）和酸性洗涤纤维（ADF）2个日粮纤维水平评价指标,开展适用于不同饲料原料的NDF和ADF近红外综合预测方法研究。收集包括玉米干酒糟及其可溶物、大豆皮、小麦麸、苜蓿草颗粒、喷浆玉米皮和甜菜粕共6种饲料原料,共计327个样品。按照Van Soest滤袋法测定每个样品的NDF和ADF,获取参考值,并进行统计学分析。利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。选择偏最小二乘法,结合导数处理、多元散射校正和变量标准化等不同的光谱预处理方法,构建定标模型。结果表明：6种饲料原料的NDF和ADF分布范围分别在21.20%~65.28%和6.40%~48.31%,洗涤纤维含量覆盖范围广。NDF近红外快速预测模型：最优预处理方法为二阶导数,模型验证集决定系数为0.963,预测标准误差为1.82,相对分析误差为5.2。ADF近红外快速预测模型：最优预处理方法为一阶导数结合变量标准化,验证集决定系数为0.985,预测标准误差为1. 63,相对分析误差为8.23。本研究表明基于近红外光谱这种无损分析技术,可构建适用于多种纤维类饲料原料的日粮纤维水平快速预测模型,该方法可为饲料工厂快速检测洗涤纤维、精细调控饲料中纤维水平提供有效的技术保障。     

不同光谱采集条件下麦秸低位热值NIRS快速检测

采集我国不同地区、不同品种的71个麦秸样品,选取其中54个为校正集,17个为独立的验证集。采用Spectrum 400型和Antaris Target型两种近红外光谱仪,分别对麦秸低位热值进行实验室静态和模拟在线快速预测分析。利用Spectrum 400型近红外光谱仪对麦秸低位热值进行实验室静态分析,建立的预测模型校正集决定系数为0.90,验证集相对分析误差为2.75。利用Antaris Target型近红外光谱仪对麦秸低位热值进行实验室模拟在线分析,建立预测模型,校正集决定系数为0.93,验证集相对分析误差为3.26。对这两种光谱采集条件下的近红外光谱快速分析模型进行了比较分析。     

基于近红外光谱的香蕉品质检测方法研究

研究提出了近红外光谱技术无损检测香蕉品质指标的新方法。采用The Unscramble 9.7分析软件,建立了香蕉糖度、坚实度和粘度的预测模型。根据定标集样品常规方法测定结果和所扫描得到的香蕉未剥皮和剥皮的光谱信号间的拟合关系,采用偏最小二乘法建立香蕉糖度、坚实度和粘度的定标模型,并用未参与定标的一组样品作为预测集对模型进行检验。未剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.94,0.95,0.93,剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.92,0.97,0.95,预测精度较高。结果表明,香蕉皮对其的影响不大,近红外光谱技术可应用于未剥皮香蕉品质检测,实现了香蕉品质的快速、无损检测,为香蕉品质的无损检测提供了理论依据。     

稻谷千粒质量近红外光谱预测模型的波长选择方法

为研究波长选择方法对稻谷千粒质量近红外光谱分析(NIRS)模型预测能力的影响,用偏最小二乘法(PLS),在600~1 100 nm的波长区间,建立稻谷千粒质量的全光谱近红外光谱预测模型,得到模型的内部交叉验证系数为0.714,外部验证决定系数为0.659,内部交叉验证误差和预测误差分别为1.809和1.756。采用相关系数法、互信息法、逐步回归法、无信息变量消除方法、遗传算法和间隔偏最小二乘法对建模波长区间进行选择和优化,再以同样的方法建立稻谷千粒质量NIRS预测模型。结果显示,通过波长选择和优化后,不仅参与建模的波长显著减少,而且所建模型的内部交叉验证和外部验证决定系数均有所增大,交叉验证误差和预测误差均有所减小。其中,采用遗传算法进行波长选择后,所建模型的内部交叉验证和外部验证决定系数最大,分别为0.729和0.710,交叉验证误差和预测误差则分别降低了9.50%和5.72%,是6种方法中最优的。表明经过波长选择后,可以提高稻谷千粒质量近红外光谱预测模型的预测能力。     

基于近红外光谱的花椒品质检测技术

首次提出了建立基于单籽粒红花椒的近红外光谱定量分析模型,用于花椒的挥发油含量检测。由于花椒表面的不规则性,且采用单籽粒花椒扫谱导致光谱信号差异较大,所以采用全谱分析。为此,结合异常样品剔除方法及模型优化方法,共建立了74份红花椒的挥发油近红外模型。实验表明,所建立的单籽粒花椒挥发油的近红外定标模型具有较好的稳定性和预测能力(RSD<10%,RPD>3),从而为花椒育种及品质检测提供了快速和便捷的途径。     

肉品质光谱检测中探头与样品距离对结果影响的校正

针对畜肉品质光谱检测中光纤探头与样品表面不同检测距离对预测结果影响较大的问题,分析了光谱曲线随检测距离变化的变化规律,提出光谱数据的校正方法。通过猪肉嫩度预测,验证校正效果。分别采集光纤探头固定时和光纤探头与样品表面检测点距离在4~18 mm变化范围内的猪肉背肌可见/近红外光谱。对每种情况下的光谱数据进行相同预处理,建立猪肉嫩度PLSR预测模型。探头固定时,预测集猪肉嫩度预测值和实测值相关系数为0.82,均方根误差为5.82 N。五次多项式拟合光纤探头与样品表面检测点距离在4~18 mm范围内380~1 050 nm各个波段的相对光谱数据,拟合相关系数R均大于0.999,均方根误差在0.018 7~0.242 2范围内。利用拟合方程校正后的光谱数据和最优嫩度预测模型对预测集进行预测,光纤探头与样品表面检测点距离在4~17 mm范围内时预测集嫩度预测值和实测值的相关系数在0.83~0.90之间,均方根误差在4.80~5.75 N之间。结果表明:对不同光纤探头与样品表面检测点距离采集的漫反射光谱数据进行校正,能够较好地克服光纤探头与样品表面检测点距离对猪肉嫩度预测模型的影响。