掺果葡糖浆蜂蜜的快速检测方法

[目的]探索掺果葡糖浆蜂蜜的快速检测方法。[方法]在对广泛收集的纯净蜂蜜样品主要理化指标检测分析的基础上,建立了蜂蜜中水分、还原糖、蔗糖和淀粉酶值近红外光谱检测模型,并利用所建模型对添加不同比例果葡糖浆的蜂蜜进行检测,验证利用近红外光谱技术检测蜂蜜掺果葡糖浆的预测效果。[结果]蜂蜜中水分、还原糖、蔗糖、淀粉酶值、酸度、羟甲基糠醛的变异系数均较小,基于淀粉酶值所建的蜂蜜近红外光谱检测模型的预测效果最好,预测均方根误差小,可用于对蜂蜜是否掺果葡糖浆进行鉴别。[结论]基于淀粉酶值所建的蜂蜜近红外光谱检测模型可快速检测蜂蜜是否掺果葡糖浆。     

真空包装冷却羊肉pH值和颜色的近红外快速无损检测

【目的】羊肉新鲜度理化指标传统测定中存在操作繁琐、需使用化学试剂、样品被破坏与接触等问题。研究真空包装冷却羊肉pH值和颜色的近红外快速无损检测。【方法】以新疆小尾寒羊作为研究对象,利用近红外光谱技术(NIRS),研究储藏过程中真空包装冷却羊肉理化指标的快速无损检测,针对化学指标pH和物理指标颜色亮度(L*),采用光谱预处理和特征波段筛选方法优化和简化各指标含量预测模型。【结果】pH和L*均以组合使用遗传算法(GA)与连续投影算法(SPA)筛选特征波段建立的多元线性回归模型(MLR)最佳,优于单一波段筛选方法,其预测集相关系数均为0.91,预测集均方根误差分别为0.13和1.91。【结论】近红外光谱技术具有绿色、无损、同时分析多指标的检测优势,可替代传统检测手段实现对肉品理化指标的快速无损准确检测。     

大麦籽粒总淀粉含量近红外快速无损检测模型的构建

在通过标准化学方法测定大麦籽粒总淀粉含量的基础上,利用近红外光谱仪采集了大麦籽粒的近红外光谱数据,并将大麦籽粒的近红外光谱数据与总淀粉值进行了相关性分析,创建了大麦籽粒淀粉含量近红外光谱分析校正模型。该模型的校正决定系数达0.878 3,校正标准差为0.715,交叉验证决定系数达0.690 8,交叉验证标准差为1.120,相关性达极显著水平。由此可见,本研究采用的分析模型可靠,且具有分析速度快、效率高、成本低、对环境不造成任何污染等特点,可替代传统方法对大麦籽粒总淀粉含量进行快速无损检测。     

基于近红外光谱法的山茶籽油理化指标快速检测

为实现山茶籽油理化指标的快速检测,采用近红外光谱结合偏最小二乘分析法(PLS)建立山茶籽油中碘值、酸价、过氧化值的定量分析模型。结果表明,碘值、酸价和过氧化值分别以5 966~9 000、4 447~5 665、4 447~5 605 cm~(-1)范围内采用一阶求导和S-G平滑处理所得模型最佳。外部验证显示,基于前述模型所得的碘值、酸价和过氧化值的预测值与实测值的相关系数(R~2)分别为0.999 2、0.997 7、0.996 9,验证效果良好,表明模型可用于山茶籽油理化指标的快速、准确测定,可为山茶籽油真伪鉴别及掺假检测提供方法支持。     

基于漫透反射采谱方式结合近红外光谱法快速测定黄酒成分

提出使用一种漫透反射附件结合近红外仪器积分球模块的方式采集黄酒光谱数据,并应用近红外技术结合偏最小二乘方法(PLS)建立一种能够同时测定成品黄酒酒精度、总酸、总糖和氨基酸态氮的定量分析模型。结果显示:优化后4种指标模型交互验证的决定系数(R~2)分别为0.98、0.92、0.94和0.93,交互验证标准偏差(RMSECV)分别为0.27、0.24、1.36和0.025;模型外部验证时,预测标准偏差(RMSEP)分别为0.28、0.21、1.27和0.03,预测相对分析误差(RPD)分别为8.62、3.47、3.07和3.25,模型预测能力较好。研究结果表明文章提出的全新光谱采集方式有助于降低企业仪器使用成本,提高实验效率,同时建立的黄酒成品定量分析模型可以用于黄酒常规指标的日常快速检测,为黄酒生产过程中提供一种快速检测手段。     

茄衣烟叶 7 种化学成分近红外预测模型的建立

【目的】常规化学检测方法检测茄衣烟叶内总氮、钾、总糖、还原糖、总碱、氯和镁等 7 种化学成分含量的过程复杂、费时费力,而近红外光谱技术操作简单、检测快速。旨在建立一种近红外光谱检测模型,对茄衣烟叶内 7 种化学成分的含量实现快速定量分析。【方法】以云南雪茄茄衣烟叶为试材,采用常规化学方法检测茄衣烟叶 7 种化学成分含量,再利用近红外光谱技术结合偏最小二乘法对茄衣烟叶中 7 种化学成分含量及其光谱数据进行近红外模型分析,通过比较模型均方根误差和相关系数确定预测性能最佳的模型。【结果】7种化学成分分别采用原始光谱、一阶导数、一阶导数、原始光谱、原始光谱、一阶导数 + 中值滤波和一阶导数+ 中值滤波预处理方法建立的模型预测效果最佳,最佳主成分数分别为 20、7、4、24、21、9 和 7。7 种模型的训练集相关系数分别为 0.9441、0.8589、0.7664、0.9511、0.9547、0.9031 和 0.8620,交叉验证均方差分别为 0.1288、0.2846、0.0280、0.0096、0.1894、0.2965 和 0.0795;验证集相关系数分别为 0.8958、0.7675、0.7181、0.7928、0.7282、0.8062 和 0.7980,验证集均方差分别为 0.1789、0.3011、0.0324、0.0193、0.3855、0.3990 和 0.0999。模型外部验证结果表明,7 种化学成分预测值与化学值的平均相对标准偏差值皆小于 32%。【结论】利用近红外光谱技术对茄衣烟叶 7 种化学成分含量进行快速定量分析是可行的,该模型对 7 种化学成分含量具有良好的预测效果,可为茄衣烟叶 7 种化学成分含量快速定量分析提供参考。     

近红外光谱技术快速预测团头鲂新鲜度

采用近红外光谱技术和化学计量学方法,探究团头鲂新鲜度指标快速检测方法。选取不同的季节、产地、规格、贮藏时间的150个团头鲂样品,采集样品1 000～1 799 nm范围的近红外光谱数据,应用偏最小二乘法建立pH、TVB-N、TBA和K值的新鲜度指标定量分析模型,经不同光谱预处理方法优化和CARS挑选特征波长后,模型的相关系数分别为0.961、0.881、0.955和0.946,交叉验证均方根误差分别为0.049、1.659、0.047和2.558,模型具有较好的预测能力,为淡水鱼新鲜度快速无损检测提供了一种有效的方法。     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000~4 000 cm~(-1)波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数为0.884 8,外部验证决定系数为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法.[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测.[结果]在10 000～4 000cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数(R2cv)为0.884 8,外部验证决定系数(R2val)为0.876 1.[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测.     

利用近红外光谱技术测定浓缩天然胶乳中干胶含量的研究

建立了一种使用近红外光谱技术即时测定浓缩天然胶乳干胶含量的方法。以国家标准方法测定天然胶乳的干胶含量作为标准值,用偏最小二乘法(PLS)建立近红外光谱与天然胶乳干胶含量的多元信号校正模型,并使用内部交叉验证及外部验证集验证评价模型,对天然胶乳中干胶含量进行测定对比分析。结果表明,模型相关系数达0.977 8,模型的预测均方差为0.105,交叉验证均方差为0.106,说明该模型具有较高的预测水平。通过F检验和t检验进一步对比模型检测值和国标法检测值,2种方法的分析结果差异不显著性。近红外光谱技术测定浓缩天然胶乳干胶含量准确度、精确度良好,可应用于实际生产与交易中的快速检测。     

基于近红外光谱法快速检测藜麦纤维含量（英文）

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000~4 000cm~(-1)波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数(R~2cv)为0.884 8,外部验证决定系数(R~2val)为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

基于近红外光谱法的藜麦脂肪含量快速检测

为了探索一种快速测定完整藜麦(Chenopodium quinoa Willd)子粒脂肪含量的方法,采集100个藜麦样品的近红外光谱,运用近红外光谱法建立数学模型并进行预测。结果表明,在10 000~4 000 cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗脂肪近红外光谱定量模型,校正和预测效果最佳,所得的粗脂肪近红外定量模型的交叉验证决定系数(R2cv)为0.939 3,外部验证决定系数(R2val)为0.9235。建立的脂肪近红外光谱模型,可以用于藜麦脂肪含量的快速检测。     

基于近红外光谱技术的杉木总酚含量模型构建与应用

【目的】木样总酚含量化学测定耗时长、过程复杂,建立杉木木样总酚含量的快速无损检测模型,对实现木材无损检测及木材腐朽预测具有重要意义。【方法】试验以114个杉木（Cunninghamia lanceolata）木样为研究对象,用福林酚法测定样品总酚含量,利用MPA傅立叶变换光谱仪对杉木木材进行漫反射光谱数据采集。将木样分为校正集和验证集,通过不同光谱预处理方法和建模方法建立总酚的定量模型,选择出最优模型并用验证集对其进行验证。【结果】测定的114个杉木木样中总酚含量变异幅度大,可用于构建近红外模型。对114个杉木木样进行近红外光谱扫描,得出建模光谱范围为9403.9~7498.4 cm-1、6102.1~5446.4 cm-1及4605.5~4242.9 cm-1。对杉木木样的近红外光谱进行预处理,得出最优组合:标准正态变量转换法（SNV）和一阶导数,采用偏最小二乘回归法（PLS）建立模型最优。校正集和交叉验证集的决定系数分别是0.8679和0.7549;校正均方根误差（RMSEE）和交叉验证均方根误差（RMSECV）分别为0.448和0.586,数值均较小且接近,说明模型具有很好稳定性;预测均方根误差（RMSEP）和相对标准偏差（RPD）分别为0.521和2.16,说明模型可进行定量分析。【结论】采用近红外光谱技术检测杉木总酚含量可行,能为木材化学成分快速测定提供一种有效、无损方法。受拟合规则影响,构建的模型虽然不能用于精确定量测定,仍可应用于日常科研和生产检测,在木材材质预测及良种选育等方面具有广阔应用前景。     

基于可见/近红外光谱西葫芦硬度的无损检测模型的建立

利用近红外光谱(350～2 500 nm)系统采集180个西葫芦样本的光谱数据,运用多种预处理方法对原始光谱数据进行处理,建立西葫芦果肉硬度的PCR、SMLR和PLSR预测模型;并通过对不同的建模模型进行分析,对西葫芦硬度进行快速检测,实现可见/近红外光谱技术对西葫芦的硬度品质在线无损检测。结果表明,经过卷积平滑法和标准正态变换(S-G+SNV)处理建立的PLSR硬度预测模型效果最好,校正集相关系数为0.979,预测集相关系数为0.976;验证模型结果预测相关系数为0.886,预测均方根误差为0.126。运用可见/近红外光谱技术对西葫芦硬度指标的预测研究具有可行性,研究结果可为今后在线快速无损检测果蔬硬度提供理论依据。     

基于改进偏最小二乘法的甜椒可溶性固形物和总酸的近红外光谱检测

以黄色甜椒为研究对象,利用改进偏最小二乘法(MPLS)建立其近红外漫反射光谱无损检测可溶性固形物(SSC)和总酸含量的数学模型。在400~2 500 nm以及400~980 nm+1 108~1 900 nm 2个波长范围内分别建立了甜椒的SSC和总酸质量分数的定标MPLS模型,并用最优模型进行预测。结果表明,最优的预处理是在400~980 nm+1 108~1 900 nm下建立的模型,SSC采用SNV处理的定标模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.926 9和0.186 2,预测集的相关系数RP和预测标准误差(SEP)分别为0.924 8和0.158 9;总酸则是采用None处理的模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.868 0和0.012 5,预测集的相关系数RP预测标准误差(SEP)分别为0.903 8和0.011 1。试验结果说明,基于改进偏最小二乘法对甜椒鲜果SSC和总酸含量的近红外漫反射快速无损检测是可行的,近红外光谱与SSC和总酸含量呈显著相关性。     

近红外光谱法快速检测藜麦蛋白含量

[目的]建立一种藜麦粗蛋白含量快速、无损、简便的测定方法,为藜麦的资源评价和品质育种提供技术支持.[方法]以100份藜麦种质资源为材料,其中80％为校正集,20％为验证集,扫描得到藜麦近红外原始光谱,利用OPUS/QUAN T5.5光谱定量分析软件建立藜麦蛋白质含量的快速检测模型.[结果]采用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法测定数据建立藜麦粗蛋白近红外定量模型,校正和预测效果最好,藜麦粗蛋白近红外定量模型的交叉验证决定系数为0.9182,外部验证决定系数为0.9151.[结论]基于近红外光谱法(NIRS)测定藜麦籽粒的蛋白含量是完全可行的.     

烤烟烟叶平衡含水率的近红外模型

采用近红外漫反射光谱技术,对烤烟烟叶平衡含水率进行了快速无损检测。以烘箱法测定值作参照,采用偏最小二乘回归算法建立一阶导数光谱信息与平衡含水率间的定量校正模型,模型的相关系数为0.911 6,交互验证均方差为0.363。对模型进行外部验证,数理统计结果表明,预测结果与常规检测方法结果差异不显著,说明可以用近红外光谱技术快速测定烤烟烟叶的平衡含水率。     

基于近红外漫反射光谱和化学计量学方法的晒红烟常规化学指标的快速测定

利用傅里叶变换近红外漫反射光谱仪测定了138个晒红烟样品的近红外光谱,采用化学计量学方法去除7个异常值,运用K–S算法,将131个晒红烟样品分为校正集样品和预测集样品;采用偏最小二乘法,把烟叶光谱值与化学分析法测得的常规化学指标值建立定量模型,定量分析了晒红烟的总氯、总氮、总植物碱、总钾、总糖、还原糖和蛋白质含量;运用光谱预处理方法以及变量筛选方法提高模型的准确性。结果表明,近红外法测定的结果与常规方法测定的结果一致,模型的相关系数均大于0.90,可快速测定晒红烟样品的常规化学指标。     

近红外光谱结合特征变量筛选方法测定茶汤中的氨基酸含量

采用透射方式获取茶汤的近红外光谱,利用特征变量筛选方法从茶汤的近红外光谱中提取氨基酸光谱信息,建立茶汤中氨基酸含量的快速检测模型.分别利用间隔偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)从茶汤的近红外光谱中提取微弱的氨基酸信息,建立其近红外光谱定量分析模型.结果表明,利用两种方法筛选的特征变量都避开了水的强吸收峰影响,但利用siPLS方法建立的模型性能明显好于iPLS的.最优的siPLS模型对校正集样本的相关系数为0.912,交互验证均方根误差为0.185;用预测集中独立样本检验模型性能,其相关系数为0.887,预测均方根误差为0.202.研究结果可为液体茶饮料中的成分实时快速检测提供参考.     

基于SOM与BP神经网络的葡萄酒质量评价

葡萄酒有着非常高的营养价值,而决定其营养价值的主要因素是葡萄酒的质量指标。葡萄酒的主要质量指标大体可分为感官指标和理化指标。根据酿酒葡萄和葡萄酒的理化指标,对给定的葡萄酒样品进行质量评价。采用自组织特征映射网络(SOM)对给定的酿酒葡萄样品进行分类,并对酿酒葡萄和葡萄酒的理化指标以及葡萄酒的质量进行聚类,同时采用BP神经网络对结果进行了验证。研究表明,红葡萄与红葡萄酒的理化指标之间的相关性比白葡萄与白葡萄酒的理化指标之间的相关性要大得多;酿酒葡萄和葡萄酒的某些理化指标(白葡萄酒的总糖、红葡萄酒的蛋白质和pH值)、葡萄酒的果香、发酵香物质对葡萄酒质量有显著影响。