近红外光谱技术测定水稻直链淀粉含量研究

以298份水稻种子为样本,用常规法测定直链淀粉含量,采用偏最小二乘法(PLS),优化建立精米直链淀粉含量近红外光谱预测校正模型.模型校正决定系数RC为0.95;校正标准差SEC为1.58;内部交叉检验决定系数RP为0.91,标准误差SEP为1.92.利用20个样品进行外部检验,预测值与真实值之间差异不显著,其相关系数达95%以上.定标模型预测性能较好,可以替代化学分析法快速测定水稻直链淀粉含量.     

稻米直链淀粉含量近红外检测模型的建立

以147份南方籼稻品种或组合的稻米为供试材料,利用偏最小二乘法(PLS),通过不同波长和不同预处方式建立稻米直链淀粉含量的近红外分析模型。结果表明:全谱段(950～1 650 nm)建模效果最好,其相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.947 7,1.162 3、0.700 2;采用多元散射校正法(MSC)法对全谱图进行预处理的效果较好,优化后的模型相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.981 9、0.100 9、0.6831,其相对分析误差(PRD)为3.6;将稻米直链淀粉含量的近红外光谱预测值与化学值进行配对T检验,P=0.3560.05(置信区间为95%),表明近红外光谱法与化学分析法得到的检测结果无显著差异,即应用近红外光谱快速检测稻米直链淀粉含量是可行的。     

水稻直链淀粉含量近红外模型的创建

利用近红外分析仪,对30份不同直链淀粉含量的水稻品系进行了光谱扫描,并用国标化学法对其直链淀粉含量的参比值进行了测定.通过近红外定标软件(WinISI III),采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化建立了水稻直链淀粉含量测定的近红外分析定标模型.其定标标准偏差(Standard error of calibration, SEC)、交叉检验标准误差(Standard error of cross-validation,SECV)和定标决定系数(Regression squared,RSQ)分别为0.277、1.492和0.979.利用建立的近红外定量分析模型,实现了对水稻航天育种后代材料的快速筛选与鉴定.     

橡实直链淀粉与支链淀粉的分离纯化

以茅栗等9种橡子为原料，提取出橡实淀粉，并分别用碘电位滴定法和Juliano比色法测定了直链淀粉含量，然后用正丁醇沉淀并经多次重结晶即可分离得到较高纯度的直链淀粉和支链淀粉，试验结果表明，各种橡实直链淀粉含量均在20％左右，而直链淀粉和支链淀粉得率分别为其直实含量的50％和40％左右，直链淀粉和支链淀粉的碘亲和力分别为18．94％－19．19％和0．35％－0．52％，蓝值分别在0．74－1．20和0．14－0．19之间，最大吸收波长分别在600－620nm和550－570nm之间，直链淀粉的纯度基本上都在95％以上。     

应用近红外透射光谱法测定水稻种子直链淀粉含量的初步研究

 以124份水稻种子为样本，利用FOSS-Tecator公司的Infratec1255型近红外谷物品质分析仪，对样本进行光谱扫描，并利用化学法测定了直链淀粉含量。借助于近红外定标软件(WinISI)，采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较，得到了小样本量水稻种子直链淀粉含量测定的近红外分析定标数学模型。其定标标准偏差（SEC）、交叉检验标准误差（SECV）和定标决定系数（RSQ）分别为1.489、1.761和0.885。     

稻米表观直链淀粉含量近红外光谱测定技术校正设置的优化

以 精米粉为样品,研 究了不同光谱预处 理和回归 统计方法 在用近红 外反射光谱 分析稻米 表观直链淀粉含量（ Ａ Ａ Ｃ）时,对建立回 归方程的影响⒚结果 发现,光谱预处理对 校正结果影响较 小,不同光谱数学处理以一级衍生值较好,但“波段”和“间隙”长短对结果影响不大⒚回归统计方法对建立回归方程的影响最为明显,其中以修正的部 分最小平方法（ Ｍ Ｐ Ｌ Ｓ）建立的回归方 程效果最好⒚因此,在 建立以精米粉为样本进行稻 米 Ａ Ａ Ｃ 近红 外分析时,“光谱散 射校正／数学处理／回归统 计方法”组合以“标准正态变量转 换／１,５,５,１／ Ｍ Ｐ Ｌ Ｓ”最佳⒚用此组合建 立的回归方程测 定稻米 Ａ Ａ Ｃ 时,检验工作标准误 （ Ｓ Ｅ Ｐ）可小至 ０．８４,而决定系数可高达 ９４％ ⒚     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析,并结合近红外透射光谱数据,采用改进偏最小二乘法（MPLS）分别建立糙米、精米的直链淀粉含量（AC）预测定标模型,并对其进行内部和外部验证.结果表明,杂交稻糙米及精米模型的定标相关系数（RSQ）分别为0.873和0.922,常规稻糙米及精米模型的RSQ则分别为0.924和0.939,定标标准偏差（SEC）分别为1.100,0.956,1.537,1.547;内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921,外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180,所建模型的相关性较高,预测值与真实值之间的误差小.常规稻模型可应用于大量育种材料快速、无损的早代筛选,杂交稻模型可用于新组合直链淀粉含量的快速鉴定,促进稻米品质改良,提高育种效率.     

基于近红外光谱苗期玉米叶片叶绿素含量的无损检测方法

试验以42片未经处理的苗期玉米叶片为试材,采用近红外光谱检测技术和SNV+Detrending的预处理方法,应用偏最小二乘回归分析方法建立定量分析模型,通过测定近红外光谱图,研究3 300~10 000 cm-1范围内苗期玉米叶片的光谱特性。结果表明,测定苗期玉米叶片叶绿素含量的决定系数R2为0.989,残差均方根RMSE为0.047,采用近红外光谱快速检测苗期玉米叶片叶绿素含量是可行的。     

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。     

能源高粱茎、叶中能源转化相关化学成分的近红外光谱模型构建与优化

为建立能源高粱茎、叶中能源转化相关化学成分的近红外光谱快速定量分析模型,并探索模型优化方法,选取27份甜高粱和28份生物质高粱材料,采用化学分析方法测定茎、叶样品中可溶性糖、纤维素、半纤维素、木质素和灰分含量,分析2类能源高粱在成分含量上的差异以及茎、叶各成分含量间的相关性。同时,利用偏最小二乘法(PLS)对能源高粱茎、叶的近红外光谱建立能源转化相关化学成分分析模型,通过光谱一阶导和光谱点“竞争性自适应权重(CARS)”筛选等方法对模型进行优化。结果表明,甜高粱与生物质高粱在茎中可溶性糖、纤维素、半纤维素、木质素和叶可溶性糖含量等指标差异极显著(P<0.01)。在近红外光谱模型建立过程中,“一阶导-CARS”双优化处理使模型交叉验证决定系数(R²_CV)达到0.82~0.99,茎中可溶性糖、纤维素、半纤维素和木质素模型以及叶中可溶性糖、纤维素和灰分模型的交叉验证相对分析误差(RPD_CV)和预测相对分析误差(RPD_V)均>3.0,显著提升了模型预测性能。     

近红外光谱法在烟草化学检测中的应用

通过对近红外光谱的分析,明确近红外谱分析技术的特点,近红外光谱在烟草化学检测中是重要的检测方式,具有十分广阔的发展和应用前景。     

基于近红外光谱的大豆茎秆化学组分含量检测模型构建与应用

[目的]大豆茎秆化学组分(纤维素、半纤维素、木质素和粗纤维等)与其茎秆抗倒伏能力密切相关,但由于目前大豆茎秆化学组分检测多采用传统的化学分析技术,测定过程操作复杂、耗时耗力、成本昂贵且易造成环境污染,不适合大规模育种应用,因此,通过构建一套低成本、快速、科学、无污染的大豆茎秆化学组分检测方法,为大豆种质资源茎秆组分分布...     

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。     

云南水稻直链淀粉含量近红外模型的创建研究*

 收集云南有代表性的水稻品种（系）210份,用常规法测定直链淀粉含量,采用偏最小二乘（PLS）法建立直链淀粉含量近红外光谱分析预测的校正模型,并对模型进行了预测准确性评价。结果表明AAC的模型校正决定系数Rc²为 0.962 2 ;校正标准差RMSEE为1.329;内部交叉检验的决定系数Rcv²为 0.925 6 ,标准差RMSECV为1.320。模型的检验相关系数达到90％以上,对云南水稻品质育种及种子资源相关研究具有实用价值。     

近红外光谱检测技术在烟草分析中的应用及发展趋势

近红外光谱技术是近年来发展最快的光谱技术,优势突出,被广泛应用于石油、化工、食品、烟草等行业.为全面了解近红外光谱技术在烟草领域的应用情况,综述了近红外光谱分析技术在烟草分析中的应用可行性及应用现状,既包括对烟草常规化学成分、重要致香成分、物理指标、卷烟烟气指标、无机元素等的定量检测,又包括对烟草品种、产地、部位、等级、卷烟制品真伪、卷烟辅助材料等的定性判别,并对近红外光谱检测技术在烟草分析领域的发展趋势进行了展望.     

近红外光谱技术在小麦品质育种中的应用研究

以14种蛋白质含量差异较大的小麦为材料,用凯氏定氮法和近红外光谱法分别测定了蛋白质含量.结果表明,近红外光谱与凯氏定氮法测定结果呈显著正相关,能够快速、准确、无损地测定完整小麦子粒的蛋白质,可以在育种早代用来鉴定、筛选大量中间材料.     

Rapid Non-destructive Detection for Molds Colony of Paddy Rice Based on Near Infrared Spectroscopy

Near infrared spectrometer technology under a wavelength range of 918-1045 nm was used to rapidly detect paddy rice that was stored at 5℃, 15℃ and 25℃. A total of 121 paddy rice samples were collected from artificial infection with moulds to build the calibration models to calculate the total number colony of moulds based on the principal component regression method and multiple linear regression method. The results of statistical analysis indicated that multiple linear regression method was applicable to the detection of the total number colony of moulds. The correlation of calibration data set was 0.943. The correlation of prediction data set was 0.897. Therefore, the result showed that near infrared spectroscopy could be a useful instrumental method for determining the total number colony of moulds in paddy rice. The near infrared spectroscopy methodology could be applied for monitoring mould contamination in postharvest paddy rice during storage and might become a powerful tool for monitoring the safety of the grain.     

近红外光谱技术在玉米种子活力检测中的应用研究

利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

近红外光谱分析技术在蔬菜品质检测中的应用研究进展

蔬菜是人类获取维生素、矿质元素、抗氧化剂和膳食纤维等的重要来源,一直是健康饮食的重要组成部分,其产业在国民经济中占有重要地位。随着生活水平的提高,人们在注重蔬菜质量安全的前提下,更加关注蔬菜的品质,口感好、风味浓郁、营养丰富的蔬菜品种是当今发展趋势,但是传统的蔬菜质检及理化特性检测过程耗时、成本高,无法满足蔬菜快速筛选的要求。综述了高效、绿色的近红外光谱分析技术在蔬菜安全品质检测(农药残留检测等)、蔬菜内在质构检测(硬度、水分、粗纤维检测等)、蔬菜风味检测(甜、酸、苦、辣滋味特征等)、蔬菜营养健康成分检测(维生素C、硫代葡萄糖苷、类胡萝卜素等)多个方面的应用,以期为蔬菜全产业链的高效发展提供新思路。