近红外技术对南疆冬枣糖度无损检测的研究

筛选具有代表性的100个新疆南疆和田冬枣作为试验样品,采用近红外光谱分析技术对冬枣样品的糖度进行分析。结果表明:通过相关系数法选取特征波长区间的波数分别为5 303~5 600 cm-1、6 205~6 302cm-1、7 308~7 405 cm-1,然后作多元散射校正、一阶导数和Savitzky-Golay卷积平滑法预处理后,建立的偏最小二乘法(PLS)校正模型效果最好,校正标准偏差(SEC)为0.613,预测标准偏差(SEP)为0.573,相关系数(R)为0.967,具有良好的预测效果,满足生产实践的要求。试验表明,近红外光谱分析技术适合南疆冬枣的糖度无损检测。     

食用油酸值与过氧化值近红外光谱模型转移研究

在使用近红外光谱技术进行食用油酸值与过氧化值检测时,仪器制造与检测环境的差异导致不同仪器建立的校正模型无法共享。为解决食用油酸值与过氧化值模型转移问题,使用125个食用油样本于主机建立偏最小二乘校正模型,采用光谱空间转换法进行模型转移,并与斜率/截距算法、直接标准化算法、分段直接标准化算法、极限学习机自编码器算法进行对比。结果表明,采用光谱空间转换法进行模型转移后,验证集酸值与过氧化值的预测均方根误差分别从0.583 6 mg/g和15.801 0 mmol/kg降低到了0.167 0 mg/g与9.989 3 mmol/kg,说明光谱空间转换法可以有效应用于食用油酸值与过氧化值间的模型转移,使不同仪器之间实现模型共享,这对于近红外光谱应用于食用油品质快速检测具有实际意义。     

芝麻油掺伪的近红外透射光谱检测技术

采用近红外光谱技术结合间隔偏最小二乘法分别建立芝麻油中掺入大豆油、玉米油和花生油的定量检测模型。实验配制不同比例的掺假芝麻油混合样品,采集样品在4 000～12 000 cm-1范围内的近红外透射光谱,把数据分为校正集与预测集。将4 420～12 000 cm-1波段的光谱进行各种预处理,最佳方法为平滑预处理,并利用间隔偏最小二乘波长筛选法(iPLS)选取光谱特征波段,最后采用偏最小二乘法建立掺假芝麻油的定标模型。结果显示:3种掺假芝麻油的PLS模型预测相关系数分别达到0.998、0.999、0.999,预测均方根误差分别为0.24%、0.24%和0.19%,具有较高的预测精度。实验证明近红外光谱技术对芝麻油掺假的快速检测具有可行性。     

霉变板栗的近红外光谱和神经网络方法判

利用近红外光谱检测了带壳板栗的品质.在波数为12000～4000cm-1范围内采用近红外漫反射法采集了合格板栗和霉变板栗的光谱,用6种光谱预处理方法分析数据,比较了板栗近红外光谱在不同预处理方法下所建模型的识别率.试验结果表明经矢量归一化预处理所建模型识别效果最好,对预测集中的合格板栗、表面霉变板栗、内部霉变板栗的预测正确率分别为94.74%、94.44%、92.31%.     

LS-SVM和BP-ANN在草莓糖度NIR检测中的应用

为了提高草莓糖度近红外光谱定量模型的性能,采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1.结果表明,所建立的最小二乘-支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279％和0.272％,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能.     

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.     

基于NIRS的苹果酒特征香气生成动力学模型

在前期探明苹果酒特征香气种类的基础上,对苹果酒发酵过程中特征香气的近红外光谱检测模型进行了研究,结果表明选择波数为9747.1 ～7498.3cm-1和6102.0～5446.3cm-1两段谱区,采用一阶导数和多元散射校正处理光谱后,利用偏最小二乘法建模效果较好,其中校正集R2为0.920 5,交叉验证均方根差为4.87 mg/L;验证集预测值与实测值的R2为0.938 8,预测均方根差为3.76 mg/L,表明利用近红外光谱法建立的模型达到了良好的预测效果.研究了苹果酒发酵过程中特征香气的产生特性,基于Luedeking-Piret方程,建立了描述苹果酒特征香气生成的动力学模型(R2为0.993 0),经检验表明该模型能够很好地拟合苹果酒发酵过程特征香气的生成状况.     

银杏叶总黄酮含量近红外光谱检测的特征谱区筛选

通过区间偏最小二乘法(iPLS)谱区筛选方法、反向区间偏最小二乘法(biPLS)谱区筛选方法和联合区间偏最小二乘法(siPLS)谱区筛选方法优化光谱特征区间,建立黄酮含量分析模型,并与波数范围为4 000～8 000 cm-1的全光谱偏最小二乘(PLS)模型进行比较。结果表明,采用siPLS谱区筛选方法将全光谱均匀划分21个子区间,选择两个子区间(7、12区间)联合时,建立的siPLS谱区筛选模型预测效果最佳,其交互验证均方根误差和预测均方根误差分别为2.950 0和3.000,校正集和预测集相关系数分别为0.938 4和0.943 7。因此采用siPLS谱区筛选方法可以有效选择光谱特征区域,提高建模预测能力,实现银杏叶总黄酮含量的快速检测。     

微量有机磷农药残留近红外光谱快速检测方法

以滤纸作为农药载体,在波数4000～10000cm-1范围内获取其近红外光谱曲线。分别采取偏最小二乘回归法和最佳波段差值回归法建立农药质量比的预测模型。偏最小二乘回归法在经过多元散射校正和变量标准化预处理后得到的预测结果较好,预测相关系数为0.954,通过最佳波段差值回归法得到的预测相关系数为0.904。两种建模方法都得到了较好的预测结果。     

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。     

基于无参数高效算法的近红外光谱模型传递研究

模型传递可解决不同近红外光谱仪间多元校正模型无法共享的问题。以食用油为研究对象,对其酸值和过氧化值模型进行传递分析。在主机上建立偏最小二乘多元校正模型,利用无参数高效模型传递(PFCE)算法中NS-PFCE无标样算法和FS-PFCE有标样算法分别实现模型传递,探讨了标准化样品数量对模型传递效果的影响。并与经典的3种有标样传递算法和2种无标样传递算法进行对比。结果表明,经NS-PFCE无标样传递后,从机酸值与过氧化值预测集均方根误差分别从0.613 mg/g和16.153 mmol/kg下降到0.275 mg/g和9.523 mmol/kg;而经FS-PFCE有标样传递后,从机酸值与过氧化值预测集均方根误差分别下降到0.274 mg/g和8.945 mmol/kg。且随着标准化样品数量的增加,经PFCE算法传递后预测集均方根误差越低。无参数高效模型传递算法联合应用单一的无标样算法和有标样算法两种传递方式,增强了传递模型的适应性和包容性,同时有效地降低主机光谱与从机光谱之间的差异,实现了不同光谱仪间校正模型的共享。     

不同品种猪肉pH值高光谱检测的模型传递修正算法

针对猪肉pH值高光谱检测模型受品种差异影响存在适用性差的问题,比较了不同算法,提出了一种基于光谱值校正的模型传递算法,以用于品种之间的模型传递。以山黑猪为主品种建立PLS模型,用该模型直接预测零号土猪样本时,预测相关系数仅为0.415,预测均方根误差为0.180 4,预测精度较差。分别用斜率/截距(S/B)算法、模型更新算法以及光谱值校正传递算法对山黑猪模型进行修正或传递并进行了比较。采用S/B法时,山黑猪模型对零号土猪的预测相关系数仍为0.415,预测均方根误差由0.180 4降至0.134 3,下降了25.54%。采用模型更新算法时,把14个零号土猪样本添加到山黑猪校正集,修正后的山黑猪模型对零号土猪样本的预测性能较优,Rp由0.415提高至0.797,提高92.05%,预测均方根误差由0.1804降低为0.1121,下降了37.86%。采用光谱-理化值共生距离法结合DS算法的光谱值校正传递算法时,山黑猪模型对零号土猪样本的预测相关系数由0.415提高至0.837,提高了101.69%,预测均方根误差由0.1804降低至0.0856,下降了52.55%。结果表明,光谱值校正的传递算法能够有效消除品种之间光谱差异,提高了山黑猪模型的适用性,且传递修正效果优于S/B算法和模型更新算法。     

基于TrAdaBoost算法的近红外光谱模型传递研究

随着近红外光谱检测仪种类的增多,不同仪器间的校正模型存在无法共享问题,可利用模型传递解决.以食用油为研究对象,在主机上建立油酸质量比的极限学习机校正模型,利用迁移学习中的TrAdaBoost算法把主机模型传递到从机上,探讨标准化样品数量对模型传递效果的影响,并与直接标准化算法、缺损数据重构算法和极限学习机自编码器的模型...     

ATR-FTIR光谱法快速测定农药溶液含量

用衰减全反射傅里叶变换红外光谱技术对26个浓度范围为0.03～6mg/kg的毒死蜱溶液和20个浓度范围为2～20mg/kg的炔螨特溶液进行定量快速检测。其中,两种农药溶液分别随机抽取5个样本作为预测集。采用差谱、基线校正和矢量归一化对光谱数据进行预处理,分别建立了以峰面积和峰高与浓度的定量分析模型,以峰面积建立定量模型的毒死蜱和炔螨特溶液的相关系数分别为0.995 8和0.989 5,RMSEC分别为0.168 5,0.643 2,RMSEP分别为0.196 5,1.125 6;以峰高建立定量模型的毒死蜱和炔螨特溶液的相关系数分别为0.9975,0.987 1,RMSEC分别为0.130 5,0.712 8,RMSEP分别为0.268 6,1.183 1。实验结果表明,衰减全反射傅里叶变换红外光谱技术可用于农药溶液的快速初步测定。     

基于拉曼光谱的食用调和油原料组分快速定量检测方法

应用激光拉曼光谱技术结合偏最小二乘法实现了食用调和油中5种原料油（花生油、芝麻油、菜籽油、大豆油和玉米油）的定量检测。首先选取食用油脂肪酸信息丰富的169.58～1813.61cm-1谱区,再通过一阶导数+Norris 3点预处理对该谱区进行滤波去噪,净化拉曼光谱信息,采用偏最小二乘法建立食用调和油中各原料组分的拉曼定量检测模型,其中花生油、芝麻油、菜籽油、大豆油和玉米油的检测模型的校正集相关系数分别为0.9998、0.9418、0.9988、0.9998、0.9961,验证集相关系数分别为0.9435、0.8593、0.9542、0.9676、0.9429,均方根误差分别为0.117、0.218、0.128、0.125、0.179。研究结果表明,激光拉曼光谱法结合化学计量学方法快速、准确地测定食用调和油中各原料组分的含量具有可行性,且预测能力良好。     

班菲尔脐橙可溶性固形物近红外光谱特征谱区选择

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度.     

基于可见/近红外光谱技术的板栗产地识别

采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600~1 100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析（PLSDA）进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响。结果显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA模型性能最优,校正集和验证集的决定系数分别为0.884和0.863,均方根误差分别为0.170和0.191。不同波长范围也会影响模型的预测和识别性能,在波长区间为750~1 000 nm的光谱所建立的PLSDA模型性能要高于全波长光谱所建立的模型性能,其中经过Savitzky Golay平滑预处理后,模型性能的提高最为明显,且其与原始光谱在校正集和验证集的敏感性和特异性均达到最优,即识别率均可达到100%。因此,可见/近红外光谱分析技术能够对板栗产地进行鉴别。     

北京典型耕作土壤养分的近红外光谱分析研究

以北京郊区试验田采集的72个土壤样品为实验材料,应用傅里叶变换近红外光谱技术,分析了土样的全氮、全钾、有机质和pH值养分含量。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。分析结果:土壤的全氮模型R2为95.44%,RMSECV为0.014 1,RMSEP为0.016 8,RPD为4.68;有机质模型R2为89.63%,RMSECV为0.37,RMSEP为0.47,RPD为3.11;全钾模型R2为85.62%,RM-SECV为0.173,RMSEP为0.204,RPD为2.64;pH值模型R2为87.33%,RMSECV为0.031,RMSEP为0.053,RPD为2.81。