近红外光谱法快速测定河南烟叶中木质素的含量

[目的]实现对河南烟叶中木质素含量的快速测定。[方法]首先改进了烟叶中木质素含量的测定方法,并对该方法测定的准确性进行了评定(对同一样品,8次平行测定的RSD值为3.58%),随后用此方法测定了河南地区95个初烤烟叶样品中的木质素含量,然后用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。[结果]试验建立的烟叶中木质素预测模型的相关系数达到96.13%,内部交叉检验均方根误差(RMSECV)为0.104,说明烟叶中木质素含量和近红外光谱之间存在较好的相关性。[结论]采用近红外光谱法可以快速预测河南烟叶中木质素含量。     

近红外光谱法预测粗皮桉木材的化学成分质量分数

采用近红外光谱法对粗皮桉木材中化学成分质量分数进行快速预测。用常规湿化学方法测定了粗皮桉木材样品的化学成分质量分数,结合近红外光谱仪采集相应的光谱,对原始光谱进行二阶导数预处理后,用偏最小二乘法建立相应的模型并对其进行外部验证。结果表明:粗皮桉木材综纤维素校正模型的相关系数为0.96,预测模型的相关系数为0.92,RPD为2.30。木质素校正模型的相关系数为0.91,预测模型相关系数为0.88,RPD为2.11。利用近红外光谱分析方法可以快速预测粗皮桉木材中综纤维素和木质素质量分数。     

近红外无损检测技术在棕壤速效磷分析中的应用

近红外技术具有快速、准确、无破坏等优点,该技术在测定土壤中氮、钾素方面的精确性已经得到认可,但在磷素的测定方面一直不能建立较好的预测模型。本研究中利用傅里叶变换近红外透射光谱仪测定129个棕壤土样取得光谱,采用PLSR等多元线性回归方法使光谱与化学方法测得的数据拟合建立定标模型,其中最好预测模型的决定系数(R2)和预测误差(SEP)分别为:R2=0.92,SEP=25.39 mg/kg。     

利用近红外光谱法对烟叶氮钾含量的快速测定

探讨了近红外光谱法无损快速测定烟叶氮钾含量的可行性,利用傅里叶变换近红外光谱仪测定建模集（104个）和检验集（40个）烟叶样品的近红外光谱,采用偏最小二乘法（PLS）把测得的烟叶光谱值与常规化学分析法测得的全氮和全钾数值拟合建立定标模型,经分析得出：预测模型分析氮的相关系数（R）为0.951,预测标准差（RMSEP）0.301;钾的相关系数（R）为0.928,预测标准差（RMSEP）为0.278。近红外法测定结果与常规方法已有较好的相关性,能为今后快速诊断烟叶的营养状况提供新技术。     

甘蓝型油菜脂肪酸组分近红外分析模型构建

对一批芥酸含量接近0、油酸含量在60％～80％的高油酸油菜脂肪酸组分建立近红外分析模型,旨在提高近红外模型用于高油酸油菜的预测性能,为高油酸育种提供快速品种选择手段.169份油菜样品扫描近红外光谱,采用气相色谱法测定脂肪酸组分含量,结合定标技术进行近红外建模.结果显示:油酸、亚油酸、亚麻酸的建模效果较好,定标相关系数RSQ分别为0.957、0.922、0.891,交叉检验和外部检验都具有较高的相关系数(1-VR,RSQ)和较低的标准差(SECV,SEP):1-VR分别为0.8926、0.8542、0.8008;RSQ分别为0.926、0.867、0.855;SECV分别为1.8638、1.5288、0.8672;SEP分别为1.540、1.506、0.725.所建模型可用于油菜高油酸育种早期材料的快速筛选,用于育种实践.     

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.     

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。     

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。     

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。     

甘蓝型油菜茎秆纤维组分含量和木质素单体G/S 近红外模型构建

【目的】探索近红外光谱分析技术在甘蓝型油菜茎秆纤维组分含量及木质素单体G/S测定中应用的可能性。【方法】采集近红外光谱,根据马氏距离GH（Global H）筛选出103份纤维组分含量材料和75份木质素单体G/S材料作为定标样品,采用Van Soest法和GC-MS法对茎秆纤维组分含量和木质素单体比例进行测定,统计结果表明定标样品化学测定值变异范围较大,3次重复差异较小,可用于近红外模型构建。运用不同光谱预处理方法和化学计量学方法建立校正模型,对比各模型性能参数,筛选出最优定标模型并用检验集对模型进行验证。【结果】采用修正偏最小二乘法（MPLS）建立模型最佳。中性洗涤纤维（neutral detergent fiber,NDF）、酸性洗涤纤维（acid detergent fiber,ADF）、酸性洗涤木质素（acid detergent lignin,ADL）与木质素单体G/S的交叉验证相关系数（1-VR）分别为0.864、0.861、0.872和0.920,定标相关系数（RSQ）分别为0.892、0.891、0.907和0.953。用检验集对模型进行验证,NDF、ADF、ADL及木质素单体G/S模型的外部检验相关系数（RSQ）分别为0.837、0.818、0.870和0.935,其预测标准差（SEP）为0.680、0.636、0.348和0.054。【结论】试验所建模型质量较好,能快速测量茎秆纤维组分含量和木质素单体G/S,可为油菜抗病抗倒伏育种研究提供技术支持。     

基于近红外光谱技术的杉木总酚含量模型构建与应用

【目的】木样总酚含量化学测定耗时长、过程复杂,建立杉木木样总酚含量的快速无损检测模型,对实现木材无损检测及木材腐朽预测具有重要意义。【方法】试验以114个杉木(Cunninghamia lanceolata)木样为研究对象,用福林酚法测定样品总酚含量,利用MPA傅立叶变换光谱仪对杉木木材进行漫反射光谱数据采集。将木样分为校正集和验证集,通过不同光谱预处理方法和建模方法建立总酚的定量模型,选择出最优模型并用验证集对其进行验证。【结果】测定的114个杉木木样中总酚含量变异幅度大,可用于构建近红外模型。对114个杉木木样进行近红外光谱扫描,得出建模光谱范围为9403.9～7498.4 cm^-1、6102.1～5446.4 cm^-1及4605.5～4242.9 cm^-1。对杉木木样的近红外光谱进行预处理,得出最优组合：标准正态变量转换法(SNV)和一阶导数,采用偏最小二乘回归法(PLS)建立模型最优。校正集和交叉验证集的决定系数分别是0.8679和0.7549;校正均方根误差(RMSEE)和交叉验证均方根误差(RMSECV)分别...     

基于近红外光谱不同波段的红松木材含水率预测分析

运用近红外光谱技术结合偏最小二乘法(PLS),对所采集光谱进行一阶导数和二阶导数处理,并对未处理原始光谱、一阶导数处理光谱和二阶导数处理光谱分别在7个不同波段范围内建立红松含水率预测模型.结果表明红松样本近红外光谱经一阶导数处理,波段在1 000～2 100nm范围内所建模型最优,其校正集相关性系数为0.992 5,校...     

采谱方式对竹材气干密度近红外预测模型精度的影响

该文对近红外光谱技术结合化学计量学分析方法快速预测毛竹材气干密度的可行性进行了研究,重点探讨不同采谱方式对所建模型预测精度的影响.为了便于对比,建模过程中光谱数据未经过任何预处理.结果表明,采谱方式影响着模型的预测精度.从竹材横切面采谱所建模型的预测精度最高,内表面（靠近竹黄面）居中,外表面（靠近竹青面）最差.但如果对竹材内外表面的光谱求平均后建模,则可以显著提高模型的预测精度.随后选择最优模型对随机抽取、未参与建模的30个未知样品的密度进行了预测,预测值与测量值的 相关性高,表明近红外光谱技术可以快速、准确地预测竹材的气干密度.      

利用近红外光谱技术预测杉木力学性质

利用三点弯曲实验方法测定了155个杉木样品的抗弯弹性模量和抗弯强度,并用近红外光谱仪采集其径切面和横切面的近红外漫反射光谱,以2/3的试样(103个)作为校正集建立抗弯弹性模量和抗弯强度的偏最小二乘法校正模型,以1/3的试样(52个)作为预测集对模型进行验证.结果表明,切面对模型预测效果的影响比较小,且与光谱区域的选择有关.对于可见近红外全波段光谱(350～2 500 nm)利用径切面比利用横切面光谱建立的力学性质模型的预测效果略好,对于短波光谱(780～1 050 nm)利用横切面比利用径切面光谱建立的模型的预测效果略好;降低波谱范围后,利用横切面短波近红外光谱建立的力学性质校正模型的效果与全波谱模型相比差异较小;利用径切面和横切面2个切面可见近红外全波段光谱、利用横切面短波光谱分别建立的杉木力学性质的校正模型,其预测相对分析误差在1.51～1.90之间,表明利用近红外光谱技术预测杉木木材的力学性质的能力属普通,可用之作为初步的检测工具.     

基于近红外技术的落叶松木材密度预测模型

运用近红外光谱对落叶松(Larix gemelinii Rupr)样品密度进行了研究,分别运用偏最小二乘法及主成分回归建立预测模型,并用建立的模型分别对每一个样品进行了预测。基于偏最小二乘法的校正模型及验证模型相关系数分别为0.964和0.918,校正标准误差及预测标准误差分别为0.016和0.021,模型预测值与实测值决定系数为0.93;主成分回归模型中,校正模型及验证模型相关系数分别为0.954和0.911,校正标准误差及预测标准误差分别为0.017和0.023,模型预测值与实测值决定系数为0.91。研究表明:基于主成分回归法与偏最小二乘法的近红外光谱分析建模,都可以实现对落叶松木材密度的有效预测,但相比较而言,偏最小二乘法略优于主成分回归法,所建立的模型对落叶松木材密度预测更加准确可靠。     

近红外在线检测装置参数对苹果糖度模型适用性的影响

目的 近红外(Near-infrared)光谱在线检测装置的检测速度和积分时间等因素会影响所建立苹果糖度模型的性能,本文旨在分析检测速度和积分时间对模型适用性的影响,以提高在线检测的精度。方法 近红外光谱在线检测装置检测速度和积分时间分别设置为0.3 m/s+100 ms、0.5 m/s+70 ms、0.5 m/s+100 ms、0.5 m/s+120 ms、0.5 m/s+150 ms,共5个实验组,试验所用苹果样本共180个,在350~1 150 nm波长下采集5个试验组苹果的近红外光谱,应用偏最小二乘法(Partial least squares,PLS)建立苹果可溶性固形物含量(Soluble solid content,SSC)的预测模型。结果 近红外在线检测装置积分时间对苹果糖度的检测存在阈值,当积分时间低于70 ms时,模型预测性能较差。预测模型中建模集与预测集的检测速度与积分时间相同时的预测效果优于二者不同时的。检测速度和积分时间会影响在线检测的精度,不同检测速度和积分时间下,光线在苹果内部的传输路线不同,会导致光纤探头获得的内部信息有所差异,使预测性能变差。在0.3 m/s+100 ms、0.5 m/s+100 ms、0.5 m/s+120 ms和0.5 m/s+150 ms 4个试验组中使用Kennard-Stone算法挑选出135个具有代表性的样本光谱,建立了混合检测速度和积分时间的预测模型,其预测集相关系数(R_P)均在0.85以上,预测集均方根误差(RMSE_P)均低于0.65。结论 本研究建立的混合检测速度和积分时间的预测模型可对苹果的糖度达到更好的预测,满足不同检测装置参数下苹果糖度在线检测的要求。     

基于傅里叶红外光谱预测翅荚木顺纹抗压强度

以傅里叶红外光谱研究为基础,测量翅荚木样本抗压强度与光谱数据,剔除异常值,选择多元散射校正对光谱数据进行预处理,采用SPA算法对光谱波数进行选择,利用PLS建立抗压强度预测模型,加入试样的厚度与宽度作为自变量进行比较。结果表明：采用SPA算法对预处理后的光谱数据进行波段选择可以加强光谱的预测能力,最后预测模型的决定系数与预测标准偏差分别为0.9000、1.5366,能够满足对翅荚木无损检测的需求,若添加样本的宽度与厚度作为自变量,建立的预测模型决定系数与预测标准偏差分别为0.9046、0.9325与1.7109、1.3685。     

基于近红外光谱技术的南荻生物质品质快速分析

为快速分析洞庭湖南荻的生物质品质(可溶物、纤维素、半纤维素、木质素、灰分含量和纤维素结晶度、聚合度),以采集的126份种质资源为材料,分别采用2种光谱预处理方法和3种特征光谱筛选方法优化原始光谱,基于不同组合方式优化光谱及原始光谱,结合偏最小二乘法构建近红外光谱分析模型,筛选针对7个品质指标的双重优化模型,基于灰色关联度法对126份种质资源进行工业化潜力评估。结果表明：洞庭湖南荻可溶物、纤维素、半纤维素、木质素、灰分含量及纤维素结晶度、聚合度均存在丰富的多样性,且大致呈正态分布,符合近红外建模的要求;基于直接差分法(DD)结合竞争性自适应重加权算法(CARS)优化的PLS模型对南荻可溶物含量的预测结果表现优异,其校正集的均方根误差(RMSEC)为0.27,决定系数(R2C)为0.99;交叉验证集的均方根误差(RMSECV)为0.77,决定系数(R2CV)为0.97,预测集的相对分析误差为5.07,相关系数(R2V)为0.88;基于DD结合变量组合集群分析混合迭代保留信息变量(VCPA–IRIV)优化的PLS模型在南荻的纤维素、半纤维素、木质素、灰分含量和结晶度、聚合度的预测中表现优异,模型的RMSEC为0.14~10.20,R2C为0.98~0.99,RMSECV为0.28~19.46,R2CV为0.94~0.98,R2V为0.87~0.98,相对分析误差(RPD)为4.84~15.65;表明基于双重优化光谱子集建立的近红外光谱模型能较好地预测南荻的生物质品质,且具有较高的稳定性;通过灰色关联度法对126份南荻种质资源进行评估,发现126个样本的工业化利用潜力分数大致呈正态分布,其利用潜力分数的均值为54.4,一级种质资源4个,二级种质资源40个,三级种质资源63个,四级种质资源14个,五级种质资源5个。