近红外光谱技术对红木家具的鉴别

[目的]建立一种快速鉴别一些易混淆的珍稀红木家具的方法。[方法]选择奥氏黄檀、刺猬紫檀、大果紫檀和非洲紫檀4种珍稀木材制作的红木家具,使用便携式光谱仪采集光谱,并进行预处理,建立初始模型。采用不同特征波长提取方法,提取有效信息后,利用SIMCA、PLS-DA建立红木鉴别模型。[结果]不同树种谱线形状类似,近红外光谱吸收强度不同。4种家具在SIMCA的校正集和验证集中的识别率均在92%以上,拒绝率高于98%;PLS-DA模型中识别率和拒绝率成效显著。[结论]采用近红外光谱对红木家具类别进行鉴别是可行的。     

基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

近红外光谱技术在水质监测中的应用

近红外光谱技术(NIRS)可通过建立校正模型实现对未知样品的定性或定量分析,在废水总氮、总磷的快速分析和废水综合指标BOD、COD、pH监测分析中,都能获得理想的结果,与国标法具有较高的相关性.综述了近红外光谱分析技术的特点及其在水质监测领域的应用,展望了近红外光谱分析技术在水质监测领域的广阔前景和研究领域.     

近红外光谱分析技术在饲料行业中的应用

近红外光谱分析技术可应用于饲料生产全过程的品质控制。近年来,我国大型饲料集团公司几乎都采用近红外光谱分析手段进行饲料原料、半成品及成品料中常量成分、微量成分和真伪掺杂的分析,并获得了较好的经济效益。介绍了近红外光谱分析技术在饲料分析中的原理和优势、仪器类型,并对其在饲料行业中应用的发展趋势进行了展望。     

应用可见/近红外光谱技术快速鉴别山西陈醋品种

为了实现对山西老陈醋品种的快速鉴别,应用可见/近红外光谱透射技术,结合化学计量学方法,进行了山西老陈醋品种的判别分类试验研究。对4个不同品种共240个山西老陈醋样品采集其光谱数据,结合主成分分析和神经网络技术分别对山西陈醋原始光谱、一阶微分光谱、二阶微分光谱进行了判别分析。结果表明:可见/近红外原始光谱结合主成分分析神经网络判别分析法的分析结果最优,校正集正确分类的百分比达92.1%,预测集达85.0%;二阶微分光谱分析结果最差。     

近红外光谱技术在畜牧生产中的应用

近红外分析技术是近10年来发展最为迅速的高新分析技术之一。文章介绍了近红外技术的发展、原理、分析方法和技术优势,重点阐述了它在畜牧生产中的具体应用、研究热点、发展前景。     

近红外光谱分析技术在茶叶中的应用

近红外光谱分析技术(NIR)是目前发展最快、最引人注目的光谱分析技术之一,已广泛应用于各个领域。阐述了近红外光谱分析技术的原理和特点,重点介绍了近红外光谱分析技术在茶叶及茶制品中的应用情况。     

近红外光谱的主成分分析——马氏距离分类法应用于品牌卷烟烟丝的快速鉴别

 研究了对成品卷烟烟丝进行快速分类鉴别的一种方法。利用傅里叶变换近红外光谱对国内部分不同品牌的卷烟烟丝主成分进行分析,应用主成分分析——马氏距离法分类建模,结果建立了两个不同的近红外光谱判别分类模型,一个用于同一厂家生产的3个品牌成品卷烟的分类鉴别,另外一个用于云南省某知名品牌卷烟同省外同一价位的6个知名品牌卷烟的判别分类鉴别。两个模型对校验集烟丝的类归属的正确率为100%,该研究方法对成品卷烟烟丝能够进行快速、准确的定性鉴别。     

近红外光谱技术及其在农作物中的应用

叙述了近红外光谱技术的原理与方法,并对近红外光谱技术在农作物领域的应用研究进行了介绍,指出近红外光谱技术作为一种非破坏性的检测技术将在农作物中有广阔的应用前景.     

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.     

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响，进一步提高水果分选模型精度，应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱，对光谱进行多种预处理后，分别建立苹果可溶性固形物的偏最小二乘法模型，再用苹果果径75~85 mm组中的建模集预测苹果果径分别为65~75、85~95 mm组中的预测集样品，最后用果径组65~75、75~85、85~95 mm中的建模集和预测集，分别作为混合苹果尺寸糖度预测模型的建模集和预测集，并利用特征光谱选择算法对模型进行简化，建立苹果糖度通用预测模型。结果显示：与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比，其相关系数R_p由0.805提高至0.943，预测集均方根误差值RMSEP由0.778减小至0.480，RPD由0.96增加至3.05，再对建立的通用模型进行简化，可以降低苹果尺寸对苹果糖度模型的影响，提高模型预测性能。     

基于近红外光谱法预测杨木的综纤维素含量

为快速测定人工林杨木的综纤维素含量,按国家标准测定了42 个杨木木材样品的综纤维素含量,并用近红 外光谱仪测定相应的光谱。在350 ~ 2 500、1 300 ~ 2 050、2 050 ~ 2 500 nm 3 个不同的光谱区域,采用未处理、 Baseline、一阶导数、二阶导数等光谱预处理方法,再用PLS1、PLS2、PCR 3 种不同建模方法建立相应的校正模型与 交互验证模型。结果表明:当光谱区域为1 300 ~2 050 nm、光谱数据未进行预处理、采用PLS1 的建模方法、主成分 数为8 时,建立的校正模型有最佳预测效果;采用建立的模型对未参与建模的样本进行预测,预测结果与实测结果 间的相关系数为0.818 8。      

毛竹、杉木木质素的近红外光谱法快速分析

该文用近红外光谱法对毛竹和杉木的木质素含量进行了快速测定.首先依据常规湿化学方法测定了54个毛竹和48个杉木样品的木质素含量,用近红外光谱仪采集相应的光谱,对原始光谱进行平滑预处理和二阶微分处理后,用偏最小二乘法和完全交互验证方式建立了相应的校正模型和预测模型.结果表明,毛竹和杉木木质素含量预测模型的相关系数R分别为0·97和0·90;预测标准误差SEP分别为0·65和0·28·将毛竹和杉木样品混合,建立的混合分析模型,R为0·98,SEP为0·83·结果表明,近红外光谱法可以快速预测杉木和毛竹中的木质素含量.     

近红外光谱分析法预测小叶章营养价值的研究

试验探讨近红外光谱分析法应用于预测小叶章营养价值的可行性,利用TQ Analyst分析软件采用偏最小二乘回归(PLS)方法建立小叶章营养成分的定量检测模型。结果表明,小叶章粗蛋白(CP)、粗脂肪(EE)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量的相对分析误差RPD值(SD/RMSEP)均大于3,校正模型外部验证决定系数R2均大于0.95;近红外光谱法能同时检测小叶章中CP、EE、NDF和ADF含量,检测误差小、结果准确可靠,与化学分析方法无明显差异且重现性好,可应用于小叶章营养价值快速定量检测。     

应用近红外光谱法定量检测牛奶中尿素氮的研究

【目的】建立牛奶中尿素氮的快速、无损检测方法,为牛奶中尿素氮的快速检测提供支持。【方法】对200个牛奶样品进行近红外扫描,并用多功能乳制品分析仪对牛奶样品中尿素氮的含量进行测定;剔除20个异常样品后,得到由180个牛奶样品组成的得分样品,将得分样品分为定标集(144个)和验证集(36个),将正交试验设计与主成分回归法(PCR)、偏最小二乘法(PLS)、改进偏最小二乘法(MPLS)3种定量校正方法和多种光谱预处理方法结合,建立牛奶中尿素氮的近红外检测模型,利用目标函数法对模型预测效果进行评定。【结果】建立了定量检测牛奶中尿素氮的最优模型,其定标相关系数(R2)和定标标准差(SEC)分别为0.986 4和0.238 4。用验证集对所建模型进行验证,其校正相关系数(RSQ)和预测标准差(SEP)分别为0.976 0和0.360 0。利用所有得分样品对预测结果进行监控,并绘制尿素氮测定值与模型预测值的线性相关曲线,相关系数r2为0.980 5。【结论】利用近红外光谱法建立的尿素氮定量检测最优模型具有很好的适用性和准确性,可用于牛奶尿素氮的快速定量检测。     

基于近红外光谱的不同建模方法检测土壤有机质和速效P含量的研究

【目的】采用近红外光谱和不同建模方法测定土壤中的有机质和速效P含量。【方法】分别采集江西不同地区的土样240个,采集土壤样品的近红外漫反射光谱,以对光谱数据进行主成分分析得到的前6个主成分(PCs)和偏最小二乘回归(PLSR)建模得到的6个潜在变量(LVs),分别作为反向传播神经网络(BPNN)和偏最小支持向量机(LS-SVM)的输入变量,共建立6个模型,分别为主成分回归(PCR)、PLSR、BPNN-PCs、BPNN-LVs、LS-SVM-PCs和LS-SVM-LVs,并对这些建模方法预测土壤有机质和速效P含量的结果进行评价,从中筛选出最佳模型。【结果】在预测土壤有机质和速效P含量时,LS-SVM-LVs模型的预测效果优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型。用LS-SVM-LVs模型得到的有机质、速效P预测集的决定系数(R2)和均方差(RMSE)分别为0.873 4,0.780 1mg/kg和2.92g/kg,4.97mg/kg。【结论】将近红外漫反射光谱和LS-SVM、PLSR相结合可用于测定土壤有机质和速效P含量。     

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。     

基于近红外光谱技术预测两种进口材气干密度

为了建立进口材气干密度近红外光谱校正模型,实现对进口材气干密度的快速预测,以进口阔叶材桃花心木和针叶材辐射松两种木材为研究对象,测定其气干密度真值结合近红外光谱技术,采用偏最小二乘法（PLS）在全波段（350～2 500 nm）建立两个材种的气干密度相应的校正模型,并采用外部验证,最终建立两种木材的气干密度的预测模型。结果表明：桃花心木木材的气干密度范围为0.433～0.840 g·cm^-3,辐射松的为0.260～0.600 g·cm^-3;不同方法建立的桃花心木木材气干密度近红外光谱校正模型相关参数均好于辐射松的;校正模型的外部验证表明,桃花心木木材气干密度预测模型精度较高,相关系数达到0.90,而辐射松木材气干密度预测模型相关系数为0.75。总之,进口阔叶材桃花心木木材的平均气干密度比针叶材辐射松的大。相较于针叶材辐射松,建立的阔叶材桃花心木木材气干密度预测模型更能较精准的预测其密度真值。     

近红外反射光谱法测定厚朴酚类物质

为了建立厚朴Magnolia officinalis药材品质快速有效的评价方法,采用近红外反射光谱技术测定厚朴酚及和厚朴酚的质量分数。通过在全波长条件下,运用不同数学预处理、光谱散射校正和统计方法对来发展定标回归方程,其中统计方法包括偏最小二乘法(PLS)、修正的偏最小二乘法回归分析法(MPLS)和主成分回归法(PCR)。在对比分析的基础上,得到最佳的数学方法为"3,6,6,1"组合,光谱散射校正方法为SNV D或SNV,统计方法为MPLS,厚朴酚类物质的定标决定系数RSQ均达到了0.97以上。该定标模型的外部独立检验相关系数也均达0.95以上。用近红外反射光谱技术测定厚朴药材酚类物质质量分数具有与化学法相近的准确性,可在实践中应用。图2表5参11     

Factors influencing near infrared spectroscopy analysis of agro-products: a review

The near infrared (NIR) spectroscopy technique has wide applications in agriculture with the advantages of being nondestructive, sensitive, safe and rapid. However, there are still more than 40 error sources influencing the robustness and accuracy of its calibration and operation. Environmental, sample and instrument factors that influence the analysis are discussed in this review, including temperature, humidity and other factors that introduce uncertainty. Error sources from livestock products, fruit and vegetables, which are the most common objects in the field of NIR analysis, are also emphasized in the second part. In addition, studies utilizing different instruments, spectral pretreatments, variable selection methods, wavelength ranges, detection modes and calibration methods are tabulated to illustrate the complications they introduce and how they influence NIR analysis. It is suggested that large scale of data with abundant varieties can be used to build a more robust calibration model, in order to improve the robustness and accuracy of the NIR analytical model, and overcome problems caused by confining analysis to too many uniform samples.