基于近红外光谱仪对彩棉色度的测定技术研究

为建立1种快速检测棕色彩棉纤维色度值的方法,收集150份代表性样本,进行了光谱采集及相应化学色度值测定,采用二阶平滑导数及多元散射校正等方法对光谱预处理,采用偏最小二乘法对试验数据进行回归分析,建立棕色彩棉纤维的色度近红外反射光谱校正模型。结果表明：色度值近红外校正模型相关系数为0.984,校正标准误差0.638,交叉验证标准误差0.813,预测值标准误差为0.589。说明预测集样本达到较好的预测效果。表明应用该模型对棕色彩棉色度值具有很好的预测性,该应用模型可以快速检测棕色彩棉纤维色度。     

基于近红外光谱的红茶干燥中含水率无损检测方法

为实现工夫红茶干燥中含水率的快速检测,提出了基于近红外光谱红茶干燥中含水率无损检测方法。随机抽取6次干燥处理中的226个样本,进行波长1 000~17 99 nm近红外光谱扫描后按照国标法测定含水率。对原始光谱数据进行标准正态变量变换(SNVT)预处理,利用全局偏最小二乘法(PLS)、联合区间偏最小二乘法(si PLS),分别构建水分近红外预测模型并验证。结果表明:用两种方法检测含水率,其准确度都可靠,但利用si PLS法将全光谱划分为13个区间,联合4个区间用6个主成分数构建的水分预测模型效果更优,其预测集的相关系数R和预测均方根误差RMSEP值分别为0.9593和0.0395,说明模型预测精度高,可以实现红茶干燥中含水率的快速无损检测。     

基于近红外光谱大豆蛋白质、脂肪快速无损检测模型的优化构建

为实现大豆蛋白质、脂肪含量的快速无损检测,采集350～2 500 nm光谱范围内的大豆近红外光谱。运用经典Kennard-Stone算法选取建模样本及验证样本,对近红外原始光谱进行卷积平滑(savitzky and golay, SG)+一阶微分、变量标准化(standard normal variate, SNV)+去趋势算法(de-trending,DT)、正交信号校正(orthogonal signal correction,OSC)处理;然后通过竞争性自适应重加权采样方法(competitive adaptive reweighted sampling,CARS)筛选出特征波长,比较偏最小二乘法(partial least squares,PLS)、BP神经网络法所建模型,最终获得对于大豆蛋白质、脂肪含量的快速、无损检测的最佳模型。结果表明:(1)经CARS特征波段挑选后,波长的变量个数由1 981个减少为100个以下,变量压缩率大于94.95%;(2)CARS波段选择能够提高建模精度,基于挑选的特征波段所建立模型的决定系数均0.9;(3)OSC+CARS+PLS与OSC+CARS+BP该类数据处理组合方式在一定程度上能够实现大豆蛋白质、脂肪的快速、无损检测。优化构建的该模型能够精准快速无损的检测大豆蛋白质、脂肪含量,对大豆品质评估以及作物改良具有重要意义。     

基于近红外光谱技术建立沉香含油量预测模型

为建立沉香(Aquilaria sp.)含油量的近红外光谱预测模型,在950~1 650 nm的光谱范围内,使用DA7200 NIRS分析仪收集了64个沉香样本的光谱数据,采用偏最小二乘法(PLS)建立回归模型,并选择最佳预处理方法和最佳主成分数,建立沉香含油量近红外光谱模型。结果表明,采用卷积平滑法(S-G)对光谱进行预处理且当最佳主成分数为7时,可达到最优模型,其校正集相关系数(RC)和校正集均方根误差(RMSEC)分别为0.980 9和0.958 9,交互验证集相关系数(RV)和交互验证集均方根误差(RMSEV)分别为0.697 4、1.029 0。说明预测值与测量值具有显著的相关性,该模型的预测准确度较高,可以满足对沉香结香品质进行快速预测的要求。     

苎麻纤维素含量近红外预测模型的建立与探讨

本文旨在探讨用近红外光谱技术建立预测模型快速测定苎麻中纤维紊含量的可行性.以80个样品组成校正集采用偏最小二乘法(PLS)建立近红外光谱信息与纤维素含量之间的定量预测模型,该模型的相关系数为0.9726.利用该模型对22个样品的纤维素进行预测,预测值与化学测定值之间的平均相对误差为1.17%.结果表明,利用近红外光谱技术建立预测模型可以快速测定苎麻纤维素含量,对苎麻育种和优质资源的筛选利用具有重大意义.     

基于近红外光谱的芒果采后品质与贮放潜力预判的无损检测模型

可溶性固形物含量（soluble solids content, SSC）和pH是决定芒果内在品质的关键因素,贮放潜力是果商进行芒果销售决策时首要的参考指标。本研究以海南省三亚市代表性的芒果品种‘台农’为材料,利用NIRMagic2400型近红外光谱仪,连续采集果实从采摘到完熟过程中在600~1100 nm波长的近红外吸收光谱,以经典方法实测果实SSC和pH,建立芒果采摘后SSC、pH变化和贮放潜力预判的无损检测模型。结果表明：在600~670 nm的波长范围内,采摘后未后熟的芒果对近红外光的吸光度随波长的增加而增加,并在670 nm达到峰值,随后吸光度快速降低,在725 nm左右达到谷值;采摘后达到完熟的芒果在600-700 nm波长范围内吸光度持续下降,并在700 nm处达到谷值。受果皮颜色差异等影响,不同芒果个体在704~746 nm区域的吸光度出现较大的分离,之后在725~1025 nm整体呈缓慢上升的趋势,在1025 nm左右达到第二个峰值。实测结果显示SSC在芒果采摘后0~5 d快速增,第6和第7天变化较小,期间的前4 d的pH保持稳定增加,之后迅速提升。使用Kennard-Stone算法将芒果样本的SSC和pH实测数据划分为校正集和预测集,测试多元散射校正、标准正态变换、SG卷积导数、SG卷积平滑等9种对近红外光谱数据进行预处理的方法,发现矢量归一化最适合SSC光谱数据的处理,多元散射校正最适合pH光谱数据的预处理,建立的SSC和pH的最佳偏最小二乘法（PLS）模型的校正相关系数分别为0.952和0.936,校正均方根误差分别为1.055和0.184,预测相关系数分别为0.959和0.918,预测均方根误差分别为0.974和0.202;采用偏最小二乘法建立的芒果贮放潜力预判模型的正确率为96.9%。以上结果表明,基于近红外光谱所建立的芒果无损检测模型能够较可靠地检测芒果采摘后的SSC、pH动态变化及贮放潜力。研究结果对提升基于内在品质的芒果分级与选品能力,预测芒果的最佳销售时间及选择销售市场等都具有重要意义。     

绿茶茶多酚含量近红外光谱快速无损检测方法研究

应用现代近红外光谱分析技术,对156份绿茶样品直接进行光谱扫描,采用偏最小二乘法（PLS）建立了茶多酚含量的定标模型,并讨论了不同的散射处理、导数处理和平滑处理等光谱预处理方法对模型的影响,最后对最优模型的预测性能进行了验证。原始光谱在经过多元散射校正、二阶导数和8点平滑光谱预处理下的模型较优,其定标标准差（SEC）为1．33％,定标相关系数（RC）为0．932,预测标准差（SEP）为1．61％,预测相关系数（RV）为0．913,预测偏差（Bias）仅为0．375％。结果表明,应用近红外光谱法可以实现绿茶中茶多酚含量的快速无损检测,建立的定标模型能够达到实际应用中的精度要求。     

大麦籽粒抗性淀粉含量快速测定方法研究

为探索快速高效测定大麦籽粒中抗性淀粉含量的方法，利用衰减全反射中红外（attenuated total reflection mid-infrared spectroscopy,ATR-MIR）和近红外（near-infrared spectroscopy,NIR）光谱技术，分别用3种不同方法进行预处理，建立大麦样品的抗性淀粉含量快速测定红外模型，通过不同预处理预测模型的校正和内部交叉验证结果的比较，依据决定系数（r）和均方根误差（RMSE）筛选出基于ATR-MIR和NIR光谱的最佳预测模型，再对最佳预测模型进行外部验证。结果表明，经基线位移校正+范围归一化（BOC+RN）预处理后的PLS模型为最佳ATR-MIR预测模型；经标准正态变换+Savitzky-Golay法一阶求导（SNV+1thD）的预处理模型为最佳NIR预测模型。用验证集材料对BOC+RN和SNV+1thD最佳预测模型的预测效果进行外部验证，光谱预测值与化学测定值之间没有显著差异，说明两种方法均可以用于大麦籽粒抗性淀粉含量测定；ATR-MIR光谱比NIR光谱具有更好的预测能力。     

基于近红外光谱技术的白茶总黄酮含量快速测定

本文依靠近红外光谱技术对白茶进行总黄酮含量的快速判别。对 91 份来自不同厂家、不同年份和不同等级的 白茶进行总黄酮含量的测定，并采集白茶近红外光谱图，运用 TQ analyst 8.0 软件进行分析，比较了不同光谱预处理方 法，最终采用偏最小二乘法建立白茶总黄酮含量的定量模型。研究结果表明，所建立的总黄酮定量模型的相关系数为 0.999 77，校正均方根差为 0.043 5，验证均方根差为 0.180，验证集平均相对误差为 2.89%。该模型预测结果较好，能 够准确、快速、无损地对白茶总黄酮含量进行定量分析。     

基于近红外漫反射光谱法的大豆粗蛋白和粗脂肪含量的快速检测

为满足大豆品质育种快速筛选的需求,本文详细探讨了利用近红外漫反射光谱法对大豆粗蛋白和粗脂肪含量实现快速测定的可行性。采用凯氏定氮法和索氏抽提法测定了120份大豆粗蛋白和粗脂肪的含量,分别采集大豆整粒和粉末两种状态的近红外光谱,然后运用化学计量学方法PLS建立近红外光谱与化学值之间的关系模型。其中粉末大豆样品建立的粗蛋白校正模型的决定系数R^2为0.978 7,校正标准误差RMSECV为0.003 8,该模型对24份待测样品进行测定的预测标准误差RMSEP为0.002 84;粗脂肪校正模型的R^2为0.934 1,RMSECV为0.003 69,RMSEP为0.003 53。整粒大豆建立的粗蛋白校正模型的R^2为0.872 4,RMSECV为0.009 07,RMSEP为0.007 49;粗脂肪校正模型的R^2为0.876 5,RMSECV为0.005 08,RMSEP为0.004 66。对比发现,建模样品的状态对近红外模型的预测性能有重要影响,样品在粉末状态下建立的粗蛋白和粗脂肪近红外模型的预测效果更好。另一方面,由于整粒样品建立的近红外模型的R^2均在0.87以上,因此当样品量较少没有足够样品可用于粉碎时,该模型可以满足对整粒大豆品质进行粗测的需求。该结果对大豆育种早代筛选工作具有重要意义。