近红外光谱结合化学计量学方法检测蜂蜜产地

为了实现蜂蜜产地的快速判别,应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地的判别模型。对不同小波基和分解尺度进行了讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度较好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度较好,为85.7%;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度较好,为90.5%。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地判别;近红外光谱技术具有快速判别蜂蜜产地的潜力。     

基于近红外光谱技术快速鉴别不同产地金银花

应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。     

基于小波变换的柑橘维生素C含量近红外光谱无损检测方法

为了探索快速检测柑橘维生素C含量的方法,利用不同分解水平的Daubechies3小波变换,对100个柑橘整果样品的近红外光谱信号进行了消噪处理,并利用消噪后的重构光谱对柑橘维生素C含量进行了偏最小二乘法交叉验证(PLC-CV)。结果表明,小波分解尺度水平不同,PLC-CV效果各不相同,在分解水平为4时,PLC-CV效果最好,其预测值与标准值的相关系数R达到0.9574,交叉验证预测均方差RMSECV仅为3.9 mg/(100 g)。因此,小波消噪后建立的近红外光谱模型能准确地对柑橘维生素C含     

基于红外光谱技术的蜂蜜理化性质快速检测

该论文以116个蜂蜜样品为对象，考察蜂蜜理化指标间的相关性，并采用红外光谱技术结合偏最小二乘回归法建立快速定量模型，探讨模型对蜂蜜理化性质指标的定量能力，比较近、中红外光谱在定量检测中的能力，从数据层融合角度考究光谱融合对定量精度的提升。主要研究结论如下：蜂蜜的部分理化性质间具相互关联性，色差、电导率和pH两两呈正相关，pH和可滴定酸，水分与黏度之间彼此呈负相关；近红外光谱技术（near-infrared spectrum，NIR）和中红外光谱技术（mid-infrared spectrum，MIR）对果糖、葡萄糖、还原糖、果糖/葡萄糖、水分、黏度、pH和色差具有良好的定量分析能力（R²＞0.9），对电导率、蔗糖、麦芽糖和可滴定酸的精度和模型相关系数尚可接受；二者单独对淀粉酶值、脯氨酸的定量结果较差，通过数据融合后，脯氨酸精度有所提升（Rc 0.825，Rp 0.664，RMSEC 38.68，RMSEP 49.57），淀粉酶值无优化（Rc 0.799，Rp 0.695，RMSEC 2.57，RMSEP 3.02）。MIR对糖的定量分析精度略优于NIR。研究证明将近、中红外光谱用于蜂蜜部分理化指标的快速定量是可行的，数据融合对模型产生积极影响，但仍存在很多理论和算法问题需要解决。     

用偏最小二乘法及傅立叶变换近红外光谱快速检测白酒酒精度

为了得到白酒工业中酒精度的快速检测技术,将偏最小二乘法与傅立叶变换近红外光谱相结合,通过解析白酒样品的近红外光谱图和对光谱进行不同的预处理,结果表明：用最大最小归一化法预处理光谱,光谱范围选择9747.1～7498.3 cm^-1和6102～5446.3 cm^-1,采用内部交叉验证建立模型,决定系数(R²)为99.99%,交互验证均方根差(RMSECV)为0.165%,主成分数为4,此条件下建模效果较好;模型进行验证结果表明预测集相关系数(R²)为99.80%,预测标准偏差(RMSEP)为0.264%,模型的预测效果很好,具有较高的精密度和良好的稳定性,能满足生产中白酒酒精度的快速检测要求。     

不同近红外模型在小麦湿面筋快速检测中的应用研究

本文提出了基于近红外光谱的不同建模方法对小麦湿面筋进行快速无损检测.本研究分别建立了偏最小二乘、BP神经网络和RBF神经网络3种回归模型,并进行分析比较.实验结果表明,3种校正模型都取得了较好的预测效果,预测相关系数分别为0.915 84、0.927 62和0.960 93;预测均方根误差分别为1.852 9、1.623 3和1.112.经过研究比较,基于RBF神经网络所建模型准确度最高并且用时较短,基本上可以完成粮食储备和食品加工行业对小麦及其制品品质的划分以及育种上的前期世代筛选.     

基于近红外光谱技术的淡水鱼品种快速鉴别

为探索淡水鱼品种的快速鉴别方法,该文应用近红外光谱分析技术,结合化学计量学方法,对7种淡水鱼品种的判别分类进行了研究。采集了青、草、鲢、鳙、鲤、鲫、鲂等7种淡水鱼,共665个鱼肉样品的近红外光谱数据,经过多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(orthogonal signal correction,OSC)、数据标准化(standardization,S)等20种方法预处理,在1 000~1 799 nm范围内分别采用偏最小二乘法(partial least square,PLS)、主成分分析(principal component analysis,PCA)和BP人工神经网络技术(back propagation artificial neural network,BP-ANN)、偏最小二乘法和BP人工神经网络技术对7种淡水鱼原始光谱数据进行了鉴别分析。结果表明,近红外光谱数据,结合主成分分析和BP人工神经网络技术建立的淡水鱼品种鉴别模型最优,模型的鉴别准确率达96.4%,对未知样本的鉴别准确率达95.5%。模型具有较好的鉴别能力,采用该方法能较为准确、快速地鉴别出淡水鱼的品种。     

赣南脐橙园土壤全磷和全钾近红外光谱检测

为建立一种能够同时快速检测土壤全磷和全钾的定量估计模型,该文采用近红外漫反射技术对赣南脐橙果园的土壤进行研究,对56个土样风干、过筛,然后进行光谱采集和化学分析。光谱经过Savitzky-Golay平滑后再用一阶微分变换的方法进行预处理,分别应用偏最小二乘回归（partial least square regress PLS）、主成分回归（principal component regression PCR）和最小二乘支持向量机（least squares support vector machine LS-SVM）3种方法,在4 000～7 500 cm-1波数范围内,建立赣南脐橙果园土壤全磷和全钾快速定量检测模型。结果发现在建立土壤全磷模型时,PLS和PCR的预测模型效果均不理想,但LS-SVM建立的模型较为理想, 其预测相关系数（correlation coefficient of prediction RP）为0.884,预测集均方根误差（the root mean square error of prediction RMSEP）为0.341,预测相对分析误差（residual predictive deviation RPD）为2.59。在建立土壤全钾模型时,PLS、PCR和LS-SVM 建立3种模型效果均理想,其中以LS-SVM模型最理想,其预测相关系数（RP）为0.971,预测集均方根误差（RMSEP）为0.714,预测相对分析误差（RPD）为5.12。研究表明,采用LS-SVM建立的土壤全磷和全钾模型对实现土壤全磷和全钾含量快速检测具有可行性。     

特征波长筛选在近红外光谱测定梨硬度中的应用

为了提高应用近红外光谱分析技术快速测定梨硬度的精度和稳定性,该研究采用联合区间偏最小二乘和遗传算法（siPLS-GA）在校正模型中用来筛选特征光谱区域和波长,通过交互验证法确定模型的主成分因子数和筛选的波长,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。基于siPLS-GA的最优模型包含4个光谱区、96个变量和10个主成分因子。该模型结果显示：最佳预测模型相关系数（Rp）和RMSEP分别为0.9083和0.5573。研究结果表明,近红外光谱技术结合siPLS-GA建模用于无损、快速测定梨的硬度是可行的。     

羊肉色泽傅立叶变换近红外光谱定量分析方法研究

以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。     

近红外光谱法在土壤有机质研究中的应用

近红外光谱技术(Near Infrared Reflectance Spectroscopy,NIRS)具有快速、低成本、无损等优点。目前利用NIRS获取土壤信息已成为国内外学者研究的重点,但是在我国利用NIRS对土壤成分进行定量分析才刚刚起步。本文简要介绍了近红外光谱分析的基本原理、模型的建立及评价,详细论述了该技术在预测土壤有机质及其组分方面的应用,并对NIRS在我国土壤有机质定量研究方面的应用前景进行了展望。     

基于近红外光谱分析的土壤全氮含量估测研究

应用近红外光谱分析技术对比研究基于土壤风干样本和鲜样来预测全氮含量的可行性。选取水稻土为研究对象,首先分析了不同水分土壤的光谱特征,显示随水分含量增加,吸光度升高,且鲜样的吸光度高于干样。通过比较不同预处理方法,对土壤干鲜样分别采用逐步多元回归(SMLR)和偏最小二乘法(PLSR)建立了相应的近红外模型。结果表明,利用近红外光谱均可预测干鲜土壤样本的全氮含量,特别是利用偏最小二乘法建立的标定模型,预测精度高,反演性较好,鲜样和干样外部验证决定系数分别达到0.89和0.91,相对误差仅为6.92%和5.92%,研究结果可以为田间土壤全氮含量的估测提供技术依据和参考。     

近红外反射光谱分析在土壤肥料学的应用及发展方向

近红外反射光谱分析是一种"巨人"分析法,在土壤肥料及植物营养科学具有广阔的应用前景。对近红外反射光谱分析在土壤肥料及植物营养学科中的应用,存在问题,及其在土壤肥料及植物营养学科领域的发展方向进行了评述。     

近红外光谱联合CARS-PLS-LDA的山茶油检测

为了寻找快速判别山茶油掺假的检测方法,本研究利用近红外光谱技术对掺杂大豆没油山茶油进行掺假检测研究.试验在350～1 800 nm波段范围内采集样本的透射光谱,利用CARS方法筛选重要的波长变量,应用偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假的判别模型,并与未经变量优选的判别模型进行比较.结果表明,近红外光谱技术联合CARS-PLS-LDA方法可以有效判别纯山茶油和掺假山茶油,校正集、预测集及独立样本组样本的判别正确率、灵敏度及特异性均为100％.CARS-PLS-LDA判别模型性能优于未经变量优选的判别模型,表明CARS方法可以有效筛选重要波长变量,能简化判别模型及提高判别模型的稳定性和判别精度.本研究可为山茶油掺假快速检测提供理论依据.     

大米直链淀粉含量的近红外光谱分析

大米的直链淀粉含量是影响大米蒸煮和加工特性的最重要因素之一,常被用作蒸煮米质构特性评价指标。该文对不同粒度、不同类型大米样品进行了近红外光谱分析,建立了大米直链淀粉含量的预测模型,（精米样品）预测值与化学分析值的相关系数达0.95。预测标准差、平均相对误差分别为0.56和3.1%。     

基于近红外光谱技术的灵芝提取物掺假定量快速无损检测研究

为了探索快速测定灵芝提取物掺假(淀粉)含量的方法,采用近红外光谱扫描掺杂0%、5%、10%、20%、40%、60%、80%淀粉的灵芝提取物,对其光谱进行预处理和波段选择,并结合偏最小二乘法(PLS)建立灵芝提取物掺假定量快速无损检测方法。结果表明,使用多元散射校正(MSC)预处理方法,波数范围8 000~7 500、6 000~5 500和5 000~4 000cm~(-1),主因子数为8时,建立的偏最小二乘法模型的校正决定系数(R_(cal))、校正均方根差(RMSECV)、验证决定系数(R_(val))和验证均方根差(RMSEP)分别为0.9962、0.0249、0.9960和0.0241。运用该模型对验证集样品进行预测并统计分析,可知预测值与实际掺假值之间无显著差异。本研究为灵芝功能食品市场检测提供了方法基础。     

不同傅里叶变换红外光谱法研究土壤光谱特征的比较与应用

为了将傅里叶变换红外光谱技术更好地应用于土壤中官能团的定量分析,通过比较3种不同傅里叶变换技术下土壤特征吸收峰的差异,来选取最佳的光谱技术应用于土壤的相关研究。采用透射(T-FTIR)、衰减全反射(ATR-FTIR)和漫反射(DR-FTIR)3种光谱技术分别对有机物(苯甲酸、硬脂酸)和土壤(辽东栎)进行了分析。并将辽东栎和草地土壤样品按不同比例混合,使用T-FTIR和DR-FTIR对混合土样进行光谱测定,用于定量分析研究。结果表明:(1)有机物样品在3种光谱技术中均出现特征吸收峰,苯甲酸在1 600～1 400 cm^-1出现苯环C=C骨架特征峰,硬脂酸在2 900～2 800 cm^-1显现甲基的特征峰。有机物中羧酸-COOH内羰基-C=O在1 720～1 680 cm^-1出现伸缩振动吸收峰,羟基-OH分别在1 430～1 410 cm^-1,940～930 cm^-1附近出现面内和面外弯曲振动吸收峰。有机物在T-FTIR技术中需要用溴化钾(KBr)对其稀释。(2)辽东栎土壤样品在T-FTIR和DR-FTIR技术测试中发现,其土壤谱图中有较多有效特征吸收峰,土壤样品在T-FTIR技术中也需要用KBr进行稀释并使样品均匀的分布在锭片中; 而ATR-FTIR技术测试中仅出现个别有效特征吸收峰,不利于对土壤谱图鉴别与进一步分析。(3)辽东栎和草地土壤样品按不同比例混合的测试结果表明:T-FTIR和DR-FTIR技术测试中质量分数与峰面积比呈正相关,线性拟合分别为R²=0.70和R²=0.88。土壤在3种不同红外技术中,DR-FTIR光谱具有较好的土壤特征吸收峰,对土壤样品可以不用KBr稀释。测试步骤简单易操作,可用于土壤样品定量分析研究。     

花生籽仁中蔗糖含量近红外预测群体模型的建立及在突变体筛选中的应用

籽仁蔗糖含量是影响花生食味品质的重要因素。为了建立花生籽仁中蔗糖含量的高效检测技术,本研究采集了149份花生籽仁的近红外光谱,结合化学法测定籽仁蔗糖含量,采用偏最小二乘法 (PLS) 构建花生籽仁蔗糖含量近红外预测群体模型。结果显示,预测模型的决定系数(R²)为0.898,校正标准偏差(SEC)为0.253,20份外部验证材料的预测值和化学值的R²为0.873,预测模型具有较高的可信度,运用该模型筛选徐花17号诱变群体,从1 965份M₂单株籽仁中获得4份的突变体。本研究为优质食味花生种质资源的筛选和品种选育奠定了基础。     

玉米种子活力近红外光谱智能检测方法研究

为了实现玉米种子活力的快速无损检测,提出利用近红外光谱和BP神经网络来建立玉米种子活力智能检测模型。首先通过人工老化将样本按老化程度分为3种级别,采集样本的近红外光谱。分别通过卷积平滑(S-G)和多元散射校正(MSC)及二者组合的方法消除光谱噪声和去除奇异光谱。然后分别用主成分分析(PCA)和离散多带小波变换(DWT)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的不同构建出6种BP神经网络种子活力检测模型。试验结果表明,组合预处理方法与主成分分析特征提取结合构建的模型最优,其识别的准确率为95.0%,平均识别时间为26.25ms。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。