NIRS在广金钱草水分含量测定中的应用

研究并建立近红外光谱技术在广金钱草药材水分含量的测定方法。利用烘干法测定试验样品的水分含量,并采集近红外光谱数据,采用一阶导数法预处理,结合偏最小二乘法建立广金钱草中水分含量的定量分析模型。结果表明:所建立的校正模型,内部交叉验证决定系数达到0.970,校正均方差为0.254,预测均方差为0.278,内部交叉验证均方差为0.582。验证集重复性标准偏差为0.069,平均回收率为99.96%,t检验显示P0.05,精密度及重复性RSD分别为1.23、1.45%,RPD3。建立的广金钱草药材水分含量测定的近红外光谱模型稳定、准确、可靠,适用于对广金钱草药材的水分含量测定。     

近红外光谱法对巴戟天药材中水分含量的快速测定

建立了巴戟天(Morinda officinalis How.)药材中水分含量的近红外定量模型,可快速测定巴戟天中水分含量.按照《中华人民共和国药典》(2010版)规定采用烘干法测定166批巴戟天药材的水分含量,采集并用多元散射校正法、二阶导数法预处理近红外光谱,结合偏最小二乘法建立了近红外水分定量分析模型.所建立的校正模型的内部交叉验证决定系数为0.985 5,内部交叉验证均方差为0.402 7,校正均方差为0.169,预测均方差为0.180.结果表明,该近红外水分定量模型稳定、准确,可快速进行巴戟天药材中水分含量的测定.     

巴山木竹蛋白质可见/近红外光谱定量分析模型研究

探讨了运用可见/近红外光谱分析技术建立巴山木竹蛋白质定量分析模型的可行性。运用传统方法实测了样品蛋白质含量,并运用光谱分析软件建立了样品蛋白质含量与光谱数据的PLS与PCR校正模型。基于主要性能指标对不同光谱预处理与建模方法进行评价,筛选出最优校正模型并使用验证集样品对校正模型的预测能力进行了验证。巴山木竹竹叶与竹秆蛋白质最优校正模型的决定系数(R_c~2)分别为0.935和0.862,交叉验证均方差(RMSEC)分别为0.351和0.172;经外部验证,预测模型决定系数(R_p~2)分别为0.916和0.874,验证集样品的相对分析误差(RPD)分别为3.562和2.840。表明应用可见/近红外光谱分析技术可以实现巴山木竹蛋白质含量快速检测。     

近红外在线检测技术在人参提取物生产中的应用

采用比色法和近红外漫反射、液体透射在线检测技术,分别测定93个不同产地、不同年生人参原材料固体样品和558个人参提取液样品的总皂苷含量和近红外光谱,结合偏最小二乘回归法,建立样品总皂苷含量与近红外光谱之间的数学模型。采用内部交叉检验对模型进行评价。评价结果显示:内部交叉检验的决定系数R2>0.95,交叉检验均方差(RMSECV)值分别为0.071 6和0.032 7,相对分析误差(RPD)分别为2.83和3.97。模型评价数据均有较好的表现,原材料、提取液检验样品近红外测定结果与化学参考值之间无显著性差异,近红外检测技术可以应用于人参原材料固体样品和人参提取液样品中总皂苷含量的快速测定。     

柑橘园紫色土Fe/Mn/Zn含量近红外光谱监测模型研究

 【目的】探索建立基于近红外光谱技术的土壤微量元素监测技术。【方法】采集三峡库区（重庆）主要加工甜橙基地果园背景土壤样品168个,随机选取100个作为建模样本,其余为检验样本;测定所有样本的近红外反射光谱和土壤Fe、Mn、Zn全含量;运用最佳光谱预处理方法和偏最小二乘法（partial least square method, PLS）及内部交叉验证方法建立校正模型,并进行模型精度检验。【结果】变量标准化（standard normal variables,SNV）为土壤Fe、Mn、Zn含量近红外光谱预测的最佳光谱预处理方法;运用SNV光谱预处理和偏最小二乘法（PLS）及内部交叉验证法建立的土壤Fe、Mn、Zn含量校正模型,95%置信区间内的预测精度分别为92.65%、95.59%和95.59%。【结论】利用近红外反射光谱技术进行土壤Fe、Mn、Zn含量检测可行且精度较高。     

近红外光谱法快速测定烟草中的常规化学成分含量

[目的]探讨近红外光谱法快速测定烟草中的常规化学成分含量.[方法]采用近红外光谱技术,选取单品种样品681个,结合偏最小二乘法(PLS),定量分析了烟草中总氯、烟碱、总钾、总糖、还原糖及总氮含量,并用实际样品对模型进行了验证.[结果]使用偏最小二乘法(PLS)为建模方法,建立了烟草中6种常规化学成分:总氯、烟碱、总钾,总糖、还原糖及总氮的近红外预测模型.6种组分最佳PLS预测模型的相关系数r分别为0.977 4、0.992 7、0.982 1、0.986 0、099 1和0.975 0.交叉检验的均方差(RMSECV)分别为0.057、0.126、0.160、1.170、0.994和0.127.[结论]所建模型精密度良好,近红外光谱法与行业标准方法所测值不存在显著差异,近红外光谱模型可以快速预测烟草中总氯、烟碱、总钾、总糖、还原糖及总氮的含量.     

基于近红外光谱法的玉米钾营养快速测定研究

本文利用近红外漫反射光谱对玉米叶钾营养含量进行快速测定的研究。以农大265玉米为材料,采用偏最小二乘回归法(PLS)建立玉米叶片中钾含量与光谱数据的校正模型,其决定系数Rc2=0.9783,交叉验证决定系数Rv2=0.9133,交叉验证均方差RMSECV=1.6499,模型因子数Factor=12。结果表明,利用近红外漫反射光谱法快速测定玉米叶片中钾营养含量是可行的,为近红外光谱仪快速测定玉米叶钾含量提供了理论依据。     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]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纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数为0.884 8,外部验证决定系数为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

近红外光谱法检测果汁中的富马酸

应用傅立叶变换近红外光谱法测定40个果汁的近红外光谱数据,用OPUS/QUANT5.5定量分析软件将光谱与对应的化学成分值相关联,建立了果汁中富马酸的回归模型。富马酸含量近红外光谱分析模型的决定系数R2为97.53,交叉验证均方根RMSECV为0.00416。用该模型对10个未知样品进行了外部验证,外部验证的决定系数(R2)为99.1,均方差(RMSEP)为0.00294。内部交叉验证和外部验证均证明,近红外定量分析有较高的准确度,可应用于生产。     

花生自然风干种子芥酸含量近红外分析模型构建

采集67份自然风干花生种子的近红外光谱,并进行芥酸含量色谱测定。采用交叉检验,构建了多粒自然风干花生种子样品芥酸含量的近红外定量分析模型。经优化,最佳光谱预处理方法为"消除常量偏移法",芥酸含量谱区范围为4 242.8～11 980.2 cm~(-1),维数为10,模型的决定系数(R~2)为80.08,交叉检验根均方差(RMSECV)为0.0238。此模型可以很好地预测花生种子芥酸含量,为花生脂肪酸遗传改良提供快速的选择手段。     

基于PDS算法的不同光照下模型传递研究

针对在室外光照对样品使用近红外光谱检测带来误差的问题,提出基于模型传递来减少检测误差的方法。以圆黄梨为样品,分析样品在室内、室外阴影下的近红外光谱,建立室内光谱的PLS模型。采用分段直接校正(Piecewise Direct Standardization,PDS)算法,减小室内外光谱差距,使得室内PLS模型能预测室外光谱。结果表明,在室内建立的模型能预测经PDS算法传递后的室外光谱,预测决定系数(R2)和标准差(Root Mean Square Error of Prediction,RMSEP)分别为0.64和0.565 27,能有效地解决室外光照对光谱检测影响的问题。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

麻疯树种子含油量近红外光谱定标模型的建立

目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。      

近红外透射光谱技术测定黍稷蛋白含量的研究(英文)

[目的]探索快速测定完整黍稷籽粒蛋白含量的方法。[方法]采用近红外光谱分析技术建立数学模型并进行预测,比较原始透射光谱经导数处理结合不同回归算法对模型的影响。[结果]分别经一阶和二阶导数处理后利用偏小二乘法和改进的偏小二乘法,4 种方法的分析效果相近,最优的是一阶导数结合改进的偏最小二乘回归法,黍稷蛋白定标模型的定标相关系数(RSQ)为0.880 6,定标标准误差(SEC)为0.342 4,交互定标标准误差(SECV)为 0.375 1,外部预测标准误差(SEP)为 0.454。[结论]以完整黍稷籽粒为样品所建立的蛋白 NITS 模型,可以用于黍稷蛋白含量的快速检测。     

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。     

不同品系天然橡胶性能的研究

[目的]研究不同品系天然橡胶的性能。[方法]观察7个品系天然橡胶的新鲜胶乳的生理参数,将其离心浓缩后比较各个地区品系浓缩胶乳的性能,并且对浓缩胶乳硫化胶膜的物理机械性能进行研究。[结果]试验表明,云研77-4的蔗糖含量最高,热研7-33-97的硫醇含量最高,湛试93-114的总固干含最高,RRIM600浓缩胶乳的挥发脂肪酸值最高,热垦525胶膜的物理机械性能最好。[结论]研究可为橡胶栽培种植和产品性能需求选育高产、优质、优良的橡胶品系提供参考。     

应用近红外光谱和化学计量法测定甜玉米种子活力

【目的】建立一种利用近红外光谱和化学计量学检测甜玉米种子活力指数的方法,为种子批量无损筛选提供新方法。【方法】在反射和透射模式下分别收集甜玉米种子的近红外光谱,采用主成分分析和蒙特卡罗交叉验证方法对异常值进行识别与剔除;选取最合适的预处理方法和变量选择方法,建立并选取最优偏最小二乘法预测模型。【结果】对于漫反射活力指数定量分析模型,采用532份样品进行建模研究,其最佳预处理方法为多项式平滑导数(Savitzky-Golay derivative,SG)+均值中心化(Mean Center,MC),最佳变量选择方法为竞争自适应重加权抽样(Competitive adaptive reweighted sampling,CARS),其模型的性能参数校正相关系数(R_c)、交互验证相关系数(R_cv)、预测相关系数(R_p)、校正均方根误差(RMSEC)、交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.826、0.783、0.663、0.137、0.151和0.199。对于透射活力指数定量分析模型,采用41...     

基于透射光谱技术的温州蜜柑含水率检测

利用可见/近红外光谱透射技术检测温州蜜柑含水率。采用微分处理(differential processing,SD)、多元散射校正(multivariate scattering correction,MSC)、标准正态变换(standard normal variate,SNV)、SG卷积平滑以及标准化等预处理方法比较建立的偏最小二乘回归模型(partial least squares regression,PLS)的拟合准确度,并确定最佳预处理方法,同时采用竞争性自适应重加权采样算法(competitive adaptive reweighted sampling algorithm,CARS)提取特征波长,以此建立基于柑橘含水率的PLS模型、BP神经网络模型和最小二乘支持向量机模型(least squares support vector machine,LSSVM)。结果显示,使用经过SNV预处理后的光谱进行CARS筛选得到的359个波长建立的LSSVM模型预测效果最佳,校正集的相关系数和均方根误差分别为0.937 5和0.008 6,验证集相关系数和均方根误差分别为0.831...