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。     

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。     

发动机润滑油水分快速检测方法研究

提出了一种基于可见-近红外光谱分析技术快速鉴别发动机润滑油含水量的新方法.采用美国ASD公司的便携式光谱仪对5种不同含水量的润滑油进行了光谱分析,各取30个样本数据.采用偏最小二乘回归法对样本数据进行处理,随机抽取100个样本用于建模,余下的50个样本用于模型验证.试验结果表明,模型的相关系数达到了0.874206,预测均方根误差RMSEP为0.013565,说明提出的方法具有较好的鉴别作用,为发动机润滑油含水量的快速鉴定提供了一种新方法.     

采用表面增强拉曼光谱技术快速检测脐橙果皮中抑霉唑残留

由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留，不慎食用后会对人体产生危害。因此，本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化，分别确定了最优的检测条件为反应时间2 min，金胶加入量400 μL，NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件，以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares，air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution，SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction，MSC）处理后的6组光谱数据为研究对象，分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression，SVR）模型并对预测性能进行比较后发现，air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set，R_P）最大，预测集均方根误差（Root-Mean-Square Error of Prediction，RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis，PCA）特征提取，选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression，MLR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）三种建模方法分析比较其对应的预测性能，其中SVR模型的预测集R_P可高达0.9156，预测集RMSEP为4.8407 mg/kg，相对标准偏差（Relative Standard Deviation，RPD）为2.3103，表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值，越能有效提高模型预测准确性。试验结果表明，利用SERS结合PCA及SVR建模，可实现对脐橙果皮中抑霉唑残留的快速检测。     

基于CARS-PLS的食用油脂肪酸近红外定量分析模型优化

采用CARS波长变量挑选方法优化建模,对食用油中4种主要脂肪酸（棕榈酸、硬脂酸、油酸和亚油酸）进行近红外定量分析。应用预测浓度残差法剔除奇异样本后,对样品集光谱进行标准化预处理,通过CARS优选出的波长变量分别建立4种脂肪酸的偏最小二乘法（PLS）模型。与采用OPUS软件自动优化建模相比,CARS法所建模型的决定系数（R2）、交叉校验均方根误差(RMSECV)和预测均方根误差(RMSEP)都优于后者所建模型。CARS法有效地简化了模型,且所挑选出的特征波长较少。     

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。     

树形对适收期黄花梨糖度VIS/NIR光谱检测的影响研究

针对树体的光通透性影响果实糖分的积累,不同树形的果实品质存在差异的问题,研究了树形对适收期黄花梨糖度可见/近红外光谱检测模型的影响。采集了适收期前后6个批次、不同树形(开心形和棚架形)的黄花梨果实480个进行实验,两类树形果实糖度差异显著(p0.05),采用同一树形黄花梨建立的模型预测均方根误差(RMSEP)分别为0.69°Brix、0.64°Brix,相对分析误差RPD分别为2.08、1.97;单一树形全部样品建立的模型对不同树形样品的RMSEP分别为1.31°Brix、1.07°Brix,RPD分别为1.14、1.36;2类树形联合模型RMSEP为0.59°Brix,RPD为2.38。结果表明,树形对适收期黄花梨糖度预测模型的精度和稳健性均有较大影响,对进一步研究近红外光谱技术在田间水果采收期品质及最佳采收期检测的应用有一定的参考价值。     

近红外透射光谱无损检测赣南脐橙糖度的研究

探讨了近红外透射光谱无损检测赣南脐橙内部糖度指标的可行性,并建立近红外透射光谱与赣南脐橙内部糖度指标之间的关系.以80个赣南脐橙为研究对象,利用透射光谱测定法获取完整赣南脐橙的近红外光谱(200～1100nm),选取不同的光谱波段范围对水果样本的透射光谱进行有效信息的提取,并结合多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘法(PLS)3种不同的数学校正方法对赣南脐橙的糖度(SC)进行定量分析.实验结果为:在550～900nm波段范围内,PLS校正模型的预测精度最好,其相关系数为0.9032,预测样本均方根误差为0.2421.实验结果表明,近红外透射光谱可以作为一种准确、可靠、无损的检测方法,用于检测赣南脐橙内部的糖度指标.     

基于近红外高光谱图像的黄瓜叶片色素含量快速检测

利用高光谱图像技术和高效液相色谱法(HPLC)快速检测了新鲜黄瓜叶中叶绿素a、叶绿素b、β-胡萝卜素和叶黄素4种色素含量。采集了120片黄瓜叶的近红外高光谱图像数据以及用HPLC精确测定黄瓜叶中色素含量;提取高光谱图像中50×50像素感兴趣区域(ROI)的平均光谱与4种色素含量分别建立偏最小二乘(PLS)预测模型;为了提高模型的稳定性和预测精度,分别采用区间偏最小二乘(iPLS)、向后区间偏最小二乘(BiPLS)和联合区间偏最小二乘(SiPLS)对各种色素对应的特征波段进行优选,同时对光谱划分数进行了优化。结果表明BiPLS和SiPLS对应模型的预测效果较好,对叶绿素a、叶绿素b、β-胡萝卜素和叶黄素4种色素的预测集相关系数RP分别为0.825 7、0.813 4、0.811 6、0.826 2。     

基于GSA的厌氧发酵原料碳氮比NIRS快速检测

在以预处理后玉米秸秆、秸秆粪便混合物为原料进行厌氧发酵生产沼气时,为了对厌氧发酵原料碳氮比进行快速检测,将近红外光谱(NIRS)与偏最小二乘(PLS)回归相结合构建快速检测模型,并基于遗传模拟退火算法(GSA)构建遗传模拟退火区间偏最小二乘算法(GSA-iPLS)和双重遗传模拟退火偏最小二乘算法(DGSA-PLS)分别用于特征谱区优选和特征波长点优选,以提高回归模型的检测精度和效率。全谱1844个波长点经GSA-iPLS进行谱区优选后,得到641个波长变量,再经DGSA-PLS进行特征波长点优选后,得到628个波长变量。DGSA-PLS回归模型验证集的决定系数(R2p)为0.920,预测均方根误差为7.178,相对分析误差为3.805。与全谱建模相比,DGSA-PLS模型的RMSEP减小了15.87%。通过波长优选,参与建模的波长点数量显著减少,有效降低了变量维度和模型复杂度,提升了预测精度和预测能力。本文通过优选碳氮比的敏感波长变量,有效提高了预测模型的鲁棒性,为直接、快速、准确测量厌氧发酵原料的碳氮比提供了新途径。     

用近红外透射光谱快速检测内燃机润滑油性能

通过对内燃机曲轴箱润滑油近红外吸收光谱的分析，研究了润滑油近红外吸收光谱随发动机工作时间变化的规律，为快速分析发动机润滑油的性能提供了一种新颖、可靠的分析方法，试验使用8个不同工作时间间隔的发动机润滑油样本，建立了润滑油的使用时间与近红外光谱之间的数学关系，为确定润滑油的换油时间提供了理论依据。     

利用表面增强拉曼光谱定量检测植物激素脱落酸

植物激素脱落酸(Abscisic Acid,ABA)在调控植物生长和发育方面具有重要作用.然而,ABA在植物组织中含量较低,迫切需要快速灵敏的检测方法.本研究建立了一种基于适配体识别和表面增强拉曼光谱(Surface-Enhanced Raman Spectroscopy,SERS)检测的ABA快速、定量检测方法.AB...     

渗油醋胶囊高光谱快速检测技术

针对渗油醋胶囊具有与合格醋胶囊相似颜色,难以用肉眼或者计算机视觉进行快速检测的问题,利用高光谱图像信息对化学成分的敏感性,采用高光谱图像技术捕捉渗油醋胶囊在430~960 nm波段下的特征信息,结合线性判别分析(LDA)、K最近邻判别法(KNN)建立渗油醋胶囊的判别模型。在K值为3、主成分因子数为2时,KNN模型对应的校正集识别率和预测集识别率分别达到100%。研究表明,高光谱图像技术可以有效表征渗油醋胶囊表面外渗成分的光谱特征,实现对渗油醋胶囊的快速检测。     

鸭肉中金霉素残留量LSSVR-同步荧光法测定

为实现鸭肉中金霉素残留含量的快速测定,提出了应用同步荧光法结合最小二乘支持向量回归(LSSVR)来建立鸭肉中金霉素残留含量的定量分析模型.首先应用三维同步荧光法对波长250 ～ 450 nm的同步荧光光谱进行分析,确定检测鸭肉中的金霉素含量的最佳波长差△λ为70 nm;然后使用sym8小波的2层分解对原始同步荧光光谱进行光谱预处理,对预处理后的光谱采用遗传算法(GA)结合交互验证均方根误差(RMSECV)方法选择了16个波长作为检测模型的输入特征向量;最后对LSSVR、BP和SVM_SteveGunn 3种模型进行性能比较,以LSSVR模型的预测效果最好,其预测集的决定系数R2和预测均方根误差分别为0.949 1和2.5660.试验结果表明,同步荧光法结合LSSVR模型检测鸭肉中的金霉素残留含量是可行的.     

LIBS结合化学计量学方法在土壤镉检测中的应用

土壤的重金属污染影响农业和食品安全,对重金属污染的快速检测是一个亟需解决的问题。该研究应用激光诱导击穿光谱（Laser induced breakdown spectroscopy,LIBS）结合化学计量学方法对土壤中的镉（Cd）元素进行定量分析。根据土壤重金属污染的不同程度,制作含有Cd元素的15个浓度梯度的土壤样本,并采集各个样本的LIBS谱线。采用光谱预处理方法来减少试验误差和噪声。选取了Cd元素的分析谱线与分析谱线区间,建立基于偏最小二乘回归（Partial least squares regression,PLSR）和反向传播人工神经网络（Back propagation-artificial neural network,BP-ANN）方法Cd元素含量回归模型。分析表明,非线性BP-ANN模型的预测性能优于线性PLSR模型,这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。研究表明,LIBS技术结合多元化学计量学方法能够对土壤重金属镉进行准确检测,这为分析检测类似重金属元素提供思路,也为开发大田土壤营养元素和重金属检测仪器提供理论基础和技术支撑。      

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。     

近红外光谱法快速检测大米蛋白质含量

采用不同粒度的大米样品，用近红外光谱分析方法建立了其蛋白质含量的模型。大米蛋白质含量的模型预测值与化学测定值之间的相关系数达到0．94，预测标准差、平均相对误差及平均绝对偏差分别为0．43、2．1％和0．21。解决了传统的蛋白质化学测定方法检测时间较长的问题。