基于激光近红外的稻米油掺伪定性-定量分析

该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。分别将大豆油、玉米油、菜籽油、餐饮废弃油掺入稻米油中,按照不同质量比配置189个掺伪油样,利用激光近红外光谱仪采集光谱;对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、正交信号校正 (OSC)、标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取,分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型,并选用网格搜索算法对SVR模型参数组合(C,g)进行寻优,建立最优参数模型。研究表明,建立的SVC模型预测集和校正集的准确率分别达到了95%和100%;对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测,两种方法均能够实现含量预测,SVR模型的预测能力更好,相关系数R高于0.99,均方根误差(MSE)低于5.55×10-4,预测精度高。结果表明,采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析,同时为其他油脂的掺伪分析提供了方法。     

可见/近红外光谱的葡萄籽油掺伪检测系统

葡萄籽油掺假种类繁多,手段隐蔽,成为食品安全检测的重要难点之一,为规范食用油市场,提供一种方便、可靠的葡萄籽油品质鉴别方法尤为重要。针对色谱和质谱等传统品质分析方法的耗时、试剂消耗大、专业性强等不足,以及实现无损分析的近红外光谱仪价格昂贵、操作环境要求高等缺点,研究设计一套低成本、高准确度的可见/近红外光谱仪检测系统来实现葡萄籽油品质掺假鉴别。首先,依托USB6500-Pro探测器搭建可见/近红外光谱仪硬件平台,并基于Qt设计一套简洁的人机交互界面,用以实现光谱数据的采集、处理以及葡萄籽油掺假鉴别结果的显示;其次,针对硬件和检测环境带来的光谱噪声,系统采用小波变换滤除噪声,减小光谱失真;最后,考虑到现有的基于机器学习的品质鉴别模型往往依赖已知的油类训练样本集来实现对不同掺假类别油类的预测,而利益驱使下层出不穷的掺假手段使得新的、未出现在原训练集中的掺假类别样本不断涌现,现有的品质鉴别方法将很难给出准确的判别结果。因此,研发的检测系统中设计一种能实现已知和新的掺假油品光谱的鉴别方法,该方法分为分类和校正两步:先用建模数据库中的训练集建立极限学习机(ELM)分类器模型,实现初步掺假类别的分类;然后再利用自动聚类算法对分类结果进一步校正。若与校正数据集产生一个聚类中心,则证明分类结果正确且属于建模数据库中的已知掺假类别;若产生两个聚类中心,则分类结果不正确,样本为新掺假类别,未出现在建模数据库中,最终得到准确的掺假类别结果。为检验系统性能,用搭建的可见/近红外光谱仪硬件平台采集了纯葡萄籽油和掺入不同比例的大豆油、玉米油、葵花籽油和调和油的葡萄籽油的5类光谱数据,每一类30组共计150组数据,将得到的可见/近红外光谱数据先进行小波阈值法去噪和多元散射校正(MSC)预处理后输入到设计的检测系统中。假定前4类作为建模数据库中的已知掺假类别以及第5类作为新掺假类别,先利用K-S算法将已知掺假类别的每类样本划分成训练集20组和测试集10组,用训练集共80组样本建立ELM分类模型,将40组测试集输入到ELM实现初步判别,判别结果再进一步聚类分析校正,只有一个聚类中心,说明了模型判别准确,且对已知类别能够100%识别;当30组新掺假类别样本输入到ELM模型时,均判别成了纯葡萄籽油,进一步聚类分析校正,产生了两个聚类中心点,说明ELM模型误判,定性判定第5类为新掺假类别。实验结果表明,研发的葡萄籽油掺伪检测系统操作简单、快速,不仅对已知掺假类别能够100%识别,而且对新掺假类别能够实现定性判别。     

可见-近红外光谱分析技术对鱼油掺假定量快速无损检测方法研究

对掺入不同含量大豆油和菜籽油的鱼油进行鱼油掺假含量的可见-近红外光谱(Vis-NIR)研究。向3个不同品牌鱼油中分别掺入不同比例的大豆油,另外3个不同品牌中分别掺入不同比例的菜籽油,共获得300个样本。对所采集样本的光谱数据分别采用原始光谱,以及平滑,变量标准化(SNV),多元散射校正(MSC),一阶求导和二阶求导等预处理算法进行处理后,建立偏最小二乘回归(PLSR)模型。基于全波段光谱的鱼油中大豆油和菜籽油掺假含量预测的最优模型分别为全波段PLSR模型和MSC-PLSR模型,其预测相关系数(R_p)分别达到0.938 6和0.959 3。进一步采用连续投影算法(SPA)分析鱼油中大豆油和菜籽油掺假样品的光谱,并分别获得了11个和15个光谱特征波长变量。基于特征变量的PLSR模型的R_p分别为0.941 2和0.932 6。试验研究表明, 可以采用Vis-NIR技术实现对鱼油掺假物含量的检测。     

太赫兹时域光谱技术对紫米掺假的检测研究

紫米是生活中常见的食材,具有丰富的营养价值。由于紫米价格较高导致染色紫米大量流入市场。本文使用太赫兹时域光谱技术结合化学计量学方法探索紫米掺假的快速检测方法。采用太赫兹时域光谱技术(THz-TDS)采集0～7 THz范围内紫米掺假的光谱数据,并选择0.5～2.5 THz波段的吸收系数谱和折射率谱进行分析并采用化学计量学方法对光谱数据进行建模分析。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)、多元散射校正(MSC)等方法进行光谱预处理,结合偏最小二乘判别分析(PLS-DA)对紫米、紫米掺染色大米和紫米掺染色黑米进行定性分析。定性分析结果显示,通过主成分分析(PCA)的三种样品平面分布存在明显差异;经过基线校正的光谱数据建立的PLS-DA模型效果最佳,误判率为0。接着使用偏最小二乘法(PLS)结合SG平滑、 Baseline、 Normalization、 MSC等预处理方法分别对紫米中掺染色大米和紫米中掺染色黑米的光谱数据建立PLS定量模型。结果显示,采用基线校正预处理方法的PLS建模效果最佳,紫米掺染色大米的预测集相关系数为0.936,预测集均方根误差(RMSEP)为0.095。紫米掺染色黑米的预测集相关系数为0.914,预测集均方根误差为0.096。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的紫米掺假含量光谱数据建立最小二乘支持向量机(LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明采用基线校正处理后LS-SVM模型效果最佳,紫米中掺染色大米的预测集均方根误差(RMSEP)为0.092,预测集相关系数(R_p)为0.979;紫米中掺染色黑米的预测集均方根误差(RMSEP)为0.093,预测集相关系数(R_p)为0.948。对比发现对紫米掺假的含量建立LS-SVM预测模型较PLS模型的稳定性更好、精确度更高。研究表明,太赫兹时域光谱结合化学计量学方法可为紫米掺假的定性定量分析提供快速精确的分析方法。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R2)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于对比。与上述对比方法相比,WA-CNN取得最优的模型预测结果,最终获得了RMSEP=1.32%±0.12%,R2=0.96±0.01,RPD=4.92±0.41的掺假定量预测结果。此外,实验结果还表明,相比于传统CNN,WA-CNN在训练过程中对于训练集及测试集损失函数都具有更快更稳定的收敛速度。在20%～80%的不同训练样本数量情况下,WA-CNN相比于三种对比方法均取得最优的模型预测结果。     

浸入式可见/近红外光谱的雨生红球藻叶绿素含量研究

探讨了采用浸入式可见/近红外光谱技术对雨生红球藻叶绿素含量快速检测的可行性。通过选择最优的预处理方法,比较全波段偏最小二乘回归(PLS)建模和连续投影算法(SPA)提取特征波长后PLS建模的结果,选出最优模型。SPA-PLS模型对叶绿素a与叶绿素b含量预测效果均优于全波段PLS模型,叶绿素a,b的RPD值分别达到2.946 1和1.902 3。表明,光谱在预处理后结合建模算法能够实现叶绿素a,b含量较好的预测,叶绿素a的预测效果要好于叶绿素b。     

近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测

基于橄榄油的近红外光谱数据,用判别分析(Discriminant analysis)方法把20个样品成功地分为特级初榨橄榄油和普通橄榄油两类,正确率为100％。同时测定了纯橄榄油中分别掺入菜籽油、玉米油、花生油、山茶油、葵花籽油、罂粟油的混合油的近红外光谱,掺杂油体积百分数范围为0～100%。选择最佳的光谱波段组合用偏最小二乘(PLS)法分别建立定量分析模型,预测相对误差范围在-5.67%～5.61%之间。研究结果表明,基于化学计量学方法和近红外光谱数据可为橄榄油的品质鉴定和掺杂量检测提供了一种简便、快捷、准确的方法。     

基于近红外光谱和子窗口重排分析的山茶油掺假检测

为打击山茶油掺假,保障消费者的合法利益,利用近红外光谱和子窗口重排分析(SPA)对山茶油的复杂掺假(掺入大豆油、菜籽油、花生油及混合油)进行检测。采集85个纯山茶油和315个掺假山茶油样本的近红外光谱,利用SPA变量选择方法对样本光谱的波长变量进行筛选,再由偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假检测模型,并与竞争性自适应重加权算法(CARS)和无信息变量消除(UVE)变量选择方法的结果进行比较。研究结果表明,近红外光谱联合SPA方法可以用于山茶油的复杂掺假检测,预测集样本的分类错误率、灵敏度及特异性分别为0、1和1。SPA方法优于UVE方法,与CARS方法相当,是一种有效的变量选择方法,能简化模型并提高模型的预测精度和稳定性。     

近红外光谱结合改进鲸鱼算法优化模型BAS-WOA-SVR检测藤椒油掺伪

鉴于藤椒油市场良莠不齐,以近红外光谱技术为基础,藤椒油为研究对象,展开对藤椒油掺伪检测研究。首先将纯藤椒油作为基底油,按比例配置掺入大豆油、玉米油、葵花籽油得到油样,采集藤椒油掺伪样品的近红外光谱数据;光谱数据经归一化处理后采用标准正态变换(SNV)、多元散射矫正(MSC)进行预处理,然后采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)进行特征数据提取,组合不同预处理算法与特征数据提取算法,通过支持向量机回归(SVR)建立藤椒油掺伪预测模型。结果表明：MSC-CARS-SVR模型校正集和预测集的决定系数(R²)最高,校正集R²达到了0.756 1,预测集R²达到0.705 2;均方根误差(RMSE)最小,校正集RMSE达到0.743,预测集RMSE达到0.794。为了提高模型的准确性,采用鲸鱼算法(WOA)和改进鲸鱼算法(BAS-WOA)优化SVR模型,改进的鲸鱼算法以每一次鲸鱼群的最优鲸鱼作为当前天牛须的出发位置,分别探索左右须前进,计算前进后的目标函数,如果目标函数优于当前最优鲸鱼的值,则用前进后的天牛...     

不同光程对山茶油掺假近红外检测精度的影响

利用近红外光谱在不同光程下对山茶油中掺杂大豆油的掺伪量进行定量检测研究,着重分析光程对掺伪量检测精度的影响。将大豆油按一定质量分数掺入山茶油获取实验样本,掺伪质量分数范围为1%～50%。利用QualitySpec型光谱仪采集样本在不同光程(1,2,4,10 mm)下的透射光谱,通过对比不同建模方法、预处理方法及建模波段范围所建立的掺伪量定量预测模型,分析光程对掺伪量检测精度的影响。研究结果表明,光程由1 mm增加到4 mm时,掺伪量定量预测模型性能随着光程的增加而逐渐变好,检测精度逐步提高;光程由 4 mm增加到10 mm时,掺伪量定量预测模型性能变差,检测精度下降,4 mm为较优的光程。在1,2,4和10 mm下所建立的较优掺伪量定量预测模型的预测集决定系数 (R2_P)和预测均方根误差(RMSEP)分别为0.923, 0.977, 0.989, 0.962和4.58%, 2.54%, 1.72%, 3.20%。     

Adulteration of sesame oil with corn oil detected by use of two-dimensional infrared correlation spectroscopy and multivariate calibration

An innovative methodology was developed to detect adulteration of sesame oil with corn oil based on two-dimensional mid-infrared correlation spectroscopy with multivariate calibration. Forty pure sesame oils and 40 adulterated sesame oils with corn oil were prepared and the infrared absorption spectra were measured at room temperature, respectively. The synchronous two-dimensional mid-infrared correlation spectra were calculated to develop multivariate calibration models for adulteration of sesame oil with corn oil. The results showed the higher classification accuracy of 96.3% for the prediction set using two-dimensional mid-infrared correlation spectra and N-way partial least square discriminant analysis, versus 88.9% using traditional one-dimensional mid-infrared spectra and partial least squares discriminant analysis. Also, the multivariate calibration models were developed for quantitative analysis of sesame oil adulteration with corn oil. The root mean square error of prediction was 0.98% v/v using two-dimensional mid-infrared correlation spectra and N-PLS, and 1.15% v/v using traditional one-dimensional mid-infrared spectra and PLS. The results of our analyses indicated that the proposed method could provide better predictive results than traditional one-dimensional mid-infrared spectra and multivariate calibration.     

可见和近红外透射光谱结合区间偏最小二乘法(iPLS)用于橄榄油中掺杂煎炸老油的定量分析

为探寻一种快速可靠的分析方法用于橄榄油中掺杂煎炸老油含量的测定,实验采用可见和近红外透射光谱分析技术结合区间偏最小二乘法(interval partial least squares, iPLS)、联合区间偏最小二乘法(synergy interval partial least squares, SiPLS)和反向区间偏最小二乘法(backward interval partial least squares, BiPLS),对掺杂不同含量煎炸老油的橄榄油建模分析,并对不同模型比较优选。采集样品400~2500 nm范围内的光谱,对光谱数据进行Savitzky-Golay(SG)平滑去噪。剔除奇异样本后,采用sample set partitioning based on joint X-Y distance(SPXY)法划分样本集,以不同的iPLS优选建模区域,建立煎炸老油含量预测模型。结果表明：对掺杂不同含量煎炸大豆油的橄榄油,采用划分20个区间,选择2个子区间[4, 16]建立的SiPLS模型预测效果最好,相关系数(R_p)达0.998 9,预测均方根误差(RMSEP)为0.019 2。对掺杂不同含量煎炸花生油的橄榄油,采用划分20个区间,选择2个子区间[2, 16]组合建立的SiPLS和BiPLS模型具有相同的预测效果,预测均方根误差(RMSEP)为0.0120,均优于iPLS模型。此外,与SiPLS模型相比,BiPLS模型运算量少,速度快。由此可见,基于掺杂油样品的可见和近红外透射光谱,分别采用组合区间偏最小二乘法(SiPLS)和反向区间偏最小二乘法(BiPLS)优选建模光谱区域,可以对橄榄油中掺杂煎炸大豆油和煎炸花生油含量进行准确测定。而且,实验过程无需对掺杂油样品进行预处理,无环境污染,操作简单,快速无损。     

可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油

山茶油是我国特有的优质食用油,而压榨山茶油营养品质优于浸出山茶油。采用可见/近红外光谱技术对压榨和浸出山茶油进行鉴别研究。在350～1 800 nm波段范围内采集压榨和浸出山茶油样本的透射光谱,利用无信息变量消除(UVE)方法进行波长变量优选,剔除无用波长变量,并应用偏最小二乘-线性判别分析(PLS-LDA)建立鉴别分类模型。最后,利用鉴别分类模型对未参与建模的26个预测集样本进行鉴别。研究结果表明,UVE-PLS-LDA是一种有效的鉴别分类方法,所建立的鉴别分类模型能较好地对压榨和浸出山茶油进行鉴别,校正集和预测集样本的鉴别正确率均为100%。因此,可见/近红外光谱联合UVE-PLS-LDA方法鉴别压榨和浸出山茶油是可行的。     

果皮对脐橙可溶性固形物可见/近红外检测精度的影响

利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测,探索果皮对脐橙SSC检测精度的影响。采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱,并从光谱和模型性能两方面分析果皮的影响。对未剥皮和剥皮脐橙平均光谱进行比较,并提取前20个主成分进行多元方差分析;应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型,对预测模型性能进行比较,并对预测集样本的预测残差平方进行方差分析。结果表明,在5%置信水平下,果皮对脐橙SSC检测精度的影响是显著的。未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0.888,0.456%和0.944,0.324%。     

拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

基于可见-近红外光谱技术的水稻穗颈瘟染病程度分级方法研究

采用Vis-NIR技术对水稻穗颈瘟染病程度分级方法进行了研究。分别基于原始光谱,变量标准化(SNV)预处理后和多元散射校正(MSC)预处理后的光谱,应用无信息变量消除法(UVE)结合连续投影算法(SPA)对Vis-NIR光谱区进行有效波长的选择。选择后的波长作为输入变量建立最小二乘-支持向量机(LS-SVM)模型。结果表明SNV-UVE-SPA建立的LS-SVM模型预测效果最好。通过SNV-UVE-SPA从全波段600个波长中选择了6个最能够反应光谱信息的波长(459, 546, 569, 590, 775和981 nm)。SNV-UVE-SPA-LS-SVM组合模型对预测集样本预测得到的确定系数(R2_p),预测集的预测标准差(RMSEP)和剩余预测偏差(RPD)分别达到了0.979,0.507和6.580。结果表明,采用Vis-NIR光谱技术对水稻穗颈瘟染病程度进行分级是可行的。通过UVE-SPA得到的有效波长能够很好地代替全波长。     

短瓣金莲花指标成分的红外光谱快速分析

将现代红外光谱分析技术与化学计量学方法相结合,建立利用红外光谱对短瓣金莲花药材的指标成分进行快速定量分析的方法。 以高效液相色谱法获得短瓣金莲花指标成分（荭草苷、牡荆苷）的含量作为参考数据,以傅里叶变换红外光谱技术获取其红外光谱图,在此基础上利用化学计量学方法将指标成分与红外光谱图数据关联,构建指标成分的快速预测模型。 以不同比例甲醇-水作为溶剂,采用室温浸提、加热回流、超声辅助工艺提取获得36个短瓣金莲花药材提取物。利用高效液相色谱法测试短瓣金莲花提取物的荭草苷和牡荆苷含量,并以傅里叶变换红外光谱仪辅以水平衰减全反射附件测试各样品的红外光谱图。分别选取29个提取物样品作为检验集,其余为校正集,采用TQ Analyst EZ Edition软件进行建模。以交叉验证相关系数（R2）和交叉验证误差均方根（RMSEC）为指标选择光谱预处理方法、定量分析方法和建模波段,用预测误差均方根（RMSEP）考核模型的预测效果。通过筛选得到优化的光谱预处理方法为标准正态分布校正（SNV）和二阶导数（13点平滑）,定量分析方法为偏最小二乘（PLS）方法,荭草苷和牡荆苷的最佳波段分别为2 050~650和1 900~650 cm-1。以PLS法构建的荭草苷和牡荆苷模型的相关系数分别为0.919 8和0.970 8,模型预测结果的相对偏差分别在-2.0%~3.2%和-3.4%~4.7%之间。鉴于红外光谱技术所具有的测试迅速、微观宏观指纹特性、定性定量皆可分析、对环境无污染等特点,利用红外光谱法可对中药提取物的指标成分进行快速、准确、环保、高效的分析,为中药的质量控制提供了新的思路和解决方案。