近红外光谱和聚类分析法无损快速鉴别不同辅料奶粉

以添加不同辅料奶粉的近红外图谱作为聚类分析的对象,化学成分的含量不同,红外的谱图就会有差异.在建立混合成分模型的基础上,采用SIMCA聚类分析法对添加不同辅料奶粉进行了快速的分类研究.对市场250种不同种类奶粉进行近红外扫描,并做了重现性测定.含有乳糖或蔗糖的不同辅料的奶粉的近红外谱图,从表观上难以进行指纹特征提取,需采用模式识别技术来进行智能识别.从中随机抽取160张谱图进行聚类分析,并对未知样品进行预测.结果表明:尽管各样品的近红外谱图很相似,难以直接区别,但采用近红外光谱和聚类分析相结合的方法可以鉴定添加不同辅料的奶粉.从模型图上看,两个不同辅料奶粉之间没有重叠,互不干扰,各样品之间光谱聚类的结果较理想,盲样检测的正确率可达90%以上.如果能够获得足够多的样本,增加训练集样本数和采样的代表性,加强操作的标准程度,该法的准确率将会大大提高.近红外光谱与聚类分析法相结合可以快速、无损识别奶粉中添加的不同辅料,是一种有效的奶粉质量检测技术.     

近红外光谱通用模型在农产品及食品检测中的研究进展

我国人口基数大,农产品和食品的需求量多。农产品和食品的质量与安全与人们的日常生活息息相关。如何实现使用无损、快速、环境友好型、高通量的检测方法对农产品和食品的品质进行检测,是当代社会的发展需要。传统的检测分析方法存在着耗时耗力、检测的样品不能再次出售、产生次品漏检的现象等缺点。近红外光谱分析技术作为一种快速无损的检测手段,逐渐被一些学者以及相关行业人员所重视。然而,近红外光谱分析方法大多数只针对于单一物料建立数学模型。对于数量庞大且种类众多的农产品和食品而言,如不同地域、不同年份、不同温度、不同加工方法、不同成分组成甚至是不同品种,这种相对传统的近红外分析方法无疑会增加建模的工作量。随着计算机技术、光谱仪硬件、化学计量学以及互联网技术的发展,相关学者已经开始着手于近红外光谱通用模型的研究与开发来解决这一问题,即建立一个近红外通用模型,能够对多种物料的同一指标或多种指标进行检测。相比于传统的近红外光谱模型,通用模型具有建模成本低、工作量小等优点,特别使近红外光谱技术在农产品和食品领域中应用以及推广方面具有重要的意义。针对近红外光谱通用模型在农产品和食品检测中的研究进行综述,通过比较传统模型建模方法与通用模型建模方法,分别就建立通用模型过程中样品信息的获取、模型的建立以及样品信息的预测三大建模步骤中使用的方法进行总结,并归纳了近红外光谱通用模型在建模步骤中的要点。近红外光谱通用型模型在农产品以及食品品质检测方面的研究尚处于发展阶段。也提出对于通用模型开发与研究的一些建议,并就近红外光谱通用模型预测方法在检测领域的发展趋势进行了进一步展望。     

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究。采集浙江省文城地区农田土壤样品近红外光谱数据,土壤样品数为394个。为简化模型,采用遗传算法结合连续投影算法挑选出18个特征波长建模,应用偏最小二乘回归建立有机质预测模型,建模集的决定系数为0.81,均方根预测误差为0.22,剩余预测偏差为2.31,预测集的决定系数为0.83,均方根预测误差为0.20,剩余预测偏差为2.45。研究发现,遗传算法结合连续投影算法在简化模型同时,模型的预测评价指标同采用全谱波长建模并没有明显降低。因此,遗传算法结合连续投影算法挑选的特征波长可以应用于近红外光谱检测土壤有机质含量。     

基于主成分正交信号校正算法和加强正交信号校正算法对柑桔酸度的检测

应用便携式近红外光谱分析仪对112个柑桔进行无损检测,运用主成分正交信号校正、加强正交信号校正结合广义回归神经网络的方法分别建立柑桔酸度定量分析模型。结果表明:采用EOSC方法能够使模型具有良好的预测能力并能够防止对数据造成过度校正。EOSC柑桔酸度模型校正集相关系数Rc=0.888 0,预测集相关系数Rp=0.885 6,RMSEP=0.081 65。研究结果表明EOSC预处理方法结合广义回归神经网络可以用于柑桔样本的酸度测定。     

烟叶重要香味物质的近红外快速测定

建立近红外光谱技术快速无损检测烟草重要香味成分茄酮的方法.收集近500个具有代表性样品的光谱,建立其相应指标的近红外模型.在所有的校正模型中,原始谱图经过二阶导数和偏最小二乘(PLS)处理,20个外部样品用于所建模型的验证,实际和预测的平均相对偏差＜5%.该结果表明,近红外光谱技术能够应用于烟草重要香味成分茄酮的分析.作为一种快速高效的方法,香味成分的近红外光谱快速测定将为卷烟配方设计和质量控制提供有力的支持.     

基于近红外自相关谱检测奶粉中的三聚氰胺

发展了一种基于近红外自相关谱定性定量分析掺三聚氰胺奶粉的检测方法。分别配置40个纯奶粉样品和40个不同质量百分比浓度的掺三聚氰胺奶粉(10-4%~40%,w/w)样品,采集了所有样品的一维近红外漫反射光谱,以奶粉中掺入的三聚氰胺浓度为外扰进行相关计算,选择随浓度变化敏感的7 000~4 200cm-1为建模区间。在提取自相关谱信息的基础上,建立了定性定量分析掺三聚氰胺奶粉的偏最小二乘模型,并与常规一维近红外谱模型的预测结果进行了比较。所建立的方法对未知样品的识别正确率为100%,预测均方根误差(RMSEP)为0.63%;而一维近红外谱的识别正确率为96.2%,RMSEP为0.84%。研究结果表明:相对于常规一维近红外谱,所建立的方法能提供更好的预测结果,其原因可能是自相关谱能提取更多的特征信息。     

毛竹化学成分光谱分析的快速建模方法研究

研究了毛竹综纤维素和木质素含量近红外光谱定量分析方法的建立。选用不同竹龄、纵向和横向部位的54个竹材粉末样品，用湿化学方法测定其综纤维素和木质素含量。在综纤维素和木质素含量的分布范围内，从低值、中间值和高值中挑选11个代表性样品，11个样品按预定比例混合得到21个混合样品，混合样品的综纤维素和木质素含量计算得到，再挑选22个目标成分含量不同的样品组成54个样品的校正集。用偏最小二乘法分别建立样品综纤维素含量、木质素含量和近红外漫发射光谱之间的相关模型。结果表明，综纤维素含量的预测模型的相关系数（Rp）为0.92，标准偏差（SEP）为1.04％;木质素含量的预测模型的Rp为0.93，SEP为0.91％，与常规方法建立的模型预测精度相似。说明利用样品混合的方式可快速增加校正集样品的数量、改善校正集样品的分布状况，继而建立稳定可靠的近红外定量分析模型。     

基于光谱技术的芒果糖度酸度无损检测方法研究

提出了一种用近红外光谱技术结合遗传算法和人工神经网络模型的芒果糖度酸度快速无损检测的新方法。首先用偏最小二乘法计算芒果糖度酸度光谱数据的主成分得分值,以此获取芒果的近红外指纹图谱,再结合遗传算法优化人工神经网络技术(GA-BP)进行检测。PLS分析表明,主因子选取18时对糖度具有较好的聚类作用,而主因子数17个时对酸度的聚类效果好。选取最佳主因子作为芒果糖度酸度的神经网络的输入,建立三层GA-BP人工神经网络模型。用135个芒果样本的糖度酸度用来建立遗传算法优化神经网络的芒果糖度酸度检测模型,对未知的45个芒果样本进行糖度酸度的预测。结果表明,提出的遗传算法和人工神经网络模型相结合的光谱分析方法具有很好的预测能力,为芒果糖度酸度检测方法提供了一种新方法。     

苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究

可溶性固形物和糖酸比是苹果内部品质主要评价指标之一。为此进行苹果糖酸比和可溶性固形物可见/近红外漫反射和漫透射对比检测研究。180个冰糖心和红富士样品被分成建模集和预测集(136∶44),分别用于建立偏最小二乘模型和验证模型的预测能力。在运动速度5个/秒时,采集了冰糖心和红富士两种样品的可见近红外光谱。漫反射和漫透射可见近红外光谱经多元散射校正、标准正态变量变换、基线校正等预处理后,建立了偏最小二乘回归模型。未参与建模的44个样品用于评价模型的预测能力,经比较,漫透射检测方式优于漫反射检测方式,主要因为漫透射检测方式能更有效地克服杂散光。可溶性固形物模型预测相关系数达到0.936,预测均方根误差为0.476°Brix;糖酸比模型预测相关系数达到0.785,预测均方根误差为10.94。研究结果表明:应用可见/近红外漫透射光谱技术,可实现苹果可溶性固形物和糖酸比在线检测。为大宗水果内部品质分选提供了技术支持和参考依据。     

基于太赫兹光谱的奶粉中葡萄糖及蔗糖定性定量检测方法

奶粉富含人体所需的五大营养物质，是婴幼儿主要的营养来源之一，奶粉中的营养成分对婴幼儿的生长发育具有重要影响，除乳糖外的糖类含量超标可能对婴幼儿健康产生不良影响。由于奶粉成分复杂，目前的色谱法和近红外光谱法检测技术都难以满足奶粉糖分快速无损检测的要求，因此亟须探索一种奶粉中葡萄糖、蔗糖含量快速无损检测方法。太赫兹波对不同大分子物质的吸收峰具有“指纹”特性，可利用该特性对不同的大分子物质进行识别。应用太赫兹时域光谱技术（THz-TDS）并结合化学计量学方法对奶粉中葡萄糖、蔗糖两种糖分的定性定量检测方法进行了研究。实验装置采用TAS7500TS太赫兹光谱系统，实验样品为不含糖的婴幼儿奶粉和纯度大于99%的葡萄糖、蔗糖晶体及不同梯度浓度的奶粉-葡萄糖、奶粉-蔗糖混合物，实验分别采集了3种纯品样品及15种不同梯度浓度的奶粉-葡萄糖、奶粉-蔗糖混合物样品的太赫兹时域信号，每个样品采集三次并取平均值作为其时域光谱信号，经快速傅里叶变换（FFT）得到各样品的太赫兹频域信号，再根据Dorney提出的光学参数提取公式计算得到各样品的吸收系数谱和折射率谱。最后分别基于两组混合物样品的吸收系数谱和折射率谱数据，采用偏最小二乘法（PLS）建立相应的定量分析模型，校正集和预测集样品比例为2∶1。实验结果表明，奶粉在太赫兹波段无明显特征吸收峰，葡萄糖和蔗糖分别在1.45，1.8，1.98，2.7 THz和1.5，1.9，2.6 THz频率处有较强的特征吸收峰，可根据两种物质的太赫兹指纹特征峰进行定性分析。不同梯度浓度的两组混合物的整体吸收峰位置与葡萄糖、蔗糖纯品太赫兹吸收峰位置基本一致，具有稳定的吸收特性。基于吸收系数谱和折射率谱数据建立偏最小二乘法模型，均可实现奶粉中葡萄糖和蔗糖的定量分析，且由折射率谱建立的葡萄糖、蔗糖定量回归模型效果均优于由吸收系数谱建立的模型效果，其中，奶粉-葡萄糖混合物中葡萄糖含量PLS模型的校正集相关系数（R_c）及均方根误差（RMSEC）分别为0.99和0.18%，预测集R_P及RMSEP分别为0.96和0.66%，奶粉-蔗糖混合物中蔗糖含量PLS模型的校正集R_c及RMSEC分别为0.96和0.55%，预测集R_P及RMSEP分别为0.99和0.25%，葡萄糖和蔗糖定量模型的预测效果均较为理想。研究结果表明THz-TDS技术可有效用于奶粉中葡萄糖和蔗糖定性定量分析，为运用THz-TDS技术开展奶粉掺假及品质快速检测方法研究提供参考。     

GA-PLS结合PC-ANN算法提高奶粉蛋白质模型精度

提出一种偏最小二乘法（PLS）和人工神经网络（ANN）结合用于近红外光谱（NIRS）的分析方法，以提高奶粉蛋白质模型的预测精度。首先采用基于遗传算法的波长选择法（RS-GA）优化光谱数据，建立GA-PLS模型预测奶粉蛋白线性部分;然后在RS-GA法选择的波段上进行主成分分析（PCA），以主成分的得分矩阵作为ANN模型输入层，以GA-PLS预测值与真实值之差作为输出层，建立PC-ANN模型预测其非线性部分。最终预测结果为两个模型预测值之和，以模型的预测标准偏差（RMSEP）作为评价指标，以便考察新方法的有效性。同时建立线性的全谱模型（Fr-PLS），其Fr-PLS、GA-PLS和GA-PLS＋PC-ANN模型的RMSEP分别为0.511，0.440和0.235。结果表明：考虑奶粉蛋白含量近红外模型的非线性部分，可以显著提高模型的预测精度，该方法也可为其它复杂体系模型精度的提高提供借鉴。     

近红外光谱波段优化选择在驴奶成分分析中的应用

近年来,驴奶引起了越来越多研究者的注意.与牛奶相比,驴奶的营养成分更接近母乳,且有着许多独特的优势.由于驴奶与牛奶成分差别较大,适用于牛奶的模型无法直接应用于驴奶的成分分析中.但目前还未见将近红外光谱分析技术应用到驴奶成分分析中的研究报道.文章采用傅里叶变换近红外光谱法,快速测定了新疆疆岳驴奶中脂肪、蛋白质、能量和灰分的含量.其含量分布范围分别为:1.15%～2.54%,0.34%～2.67%,355.87～565.17 cal·kg-1,0.28%～0.57%.光谱扫描区为3 899.6～12 493.4 cm-1,扫描间隔1 cm-1.采用PLS回归算法对光谱信息阵X提取主成分时附加约束,使X的主成分与待分析组分Y相关.并利用优化波段和不同预处理方法优化组合,建立了PLS回归预测模型,并与PLS全谱区建模预测进行了比较.结果表明波段优化组合建模分析效果整体优于全谱区建模结果,驴奶样品中脂肪、蛋白质、能量和灰分的近红外光谱定量分析模型预测值与化学分析实测值在水平α=0.05下显著相关,其含量分析模型的校验集(RMSEP)值分别为0.18,0.117,23.5,0.040 6,表明预测值有较好的精度.结果表明建立近红外光谱定量分析模型用于驴奶样品成分分析是可行的,波段优化选择与全谱建模分析效果比较表明,建立定量分析模型对波段优化组合选择是必要的,当模型中包含了与组分无关的信息时,对模型定量分析将起干扰的作用,会影响模型的分析效果.因此进行谱段信息选择建立相应组分分析模型是数据预处理的有效环节.样品各组分标准值的测定结果的准确度和精确度都影响近红外定量分析的准确度.以近红外光谱法进行定量建模分析时,扩大组分含量的分布范围,提高标准数据的分析精度和准确度都是很必要的.     

近红外漫反射光谱无损检测乳粉蛋白质的研究

利用近红外漫反射光谱技术对奶粉蛋白质含量的快速无损检测进行了研究.挑选来自国内不同地区的29种奶粉,以化学分析值作参比,采用偏最小二乘回归算法建立奶粉光谱信息和蛋白质含量的定量模型,预测均方根差(RMSEP)为0.687%.采用波长选择对模型进行优化后,波长点从1 558个减为11个,大大加快了运算速度,同时还在一定程度上提高了模型的精度.为了减小颗粒大小不均匀和粒子表面非特异性散射的影响,对光谱数据进行了标准正态变量(SNV)变换和多元散射校正(MSC),结果表明这两种方法是有效的,得到RMSEP减小了约37%.研究结果表明,近红外漫反射光谱测定奶粉中蛋白质含量实时、快速,能满足工业过程分析中的测量精度要求,为提高奶粉质量分析水平提供了新的途径.     

傅里叶变换近红外光谱仪扫描条件对数学模型预测精度的影响

以小麦粉状样品为例 ,研究了傅里叶变换近红外光谱仪在不同分辨率 ,不同的激光频率下扫描样品对近红外光谱用于分析小麦样品蛋白质含量的影响。结果表明 :以 4 ,8,16cm- 1 的分辨率扫描样品或当激光频率改变幅度在 1cm- 1 以内时对小麦蛋白模型的影响不显著 ,样品粒度对模型影响较大     

噪声对近红外光谱分析的影响及相应的数学处理方法

以玉米籽粒的粉末样品为例,对噪声较高近红外光谱分析仪进行近红外分析的可行性进行了分析.结果表明,采用四次平均光谱,不采取其他数据处理,使用PLS算法,自编软件CAU-NIR可以得到很好的预测模型.通过与其他噪声较低近红外分析仪预测结果的对比,噪声较高的光栅型近红外光谱分析仪预测样品的相关系数高达98%,变异系数为6.2%.因此当近红外光谱分析仪器的信噪比低于105时,借助一定的软件技术,仍然可以用于定量分析.     

温度对叶片近红外光谱的影响

近红外光谱分析技术是发展最快的定性和定量分析技术之一,在各个领域得到了广泛应用。但近红外谱区自身信息的特点决定了其吸收强度弱、信噪比低、谱峰严重重叠等缺点,这使得近红外光谱易受样品来源、样品种类、样品状态、装样条件和样品温度等的影响,造成光谱的不确定性。文章以温度对叶片近红外光谱的影响为研究内容,详细考察了不同温度下样品的叶绿素的校正和预测模型。结果发现温度对模型精度有一定的影响,样品的温度在10和20℃下模型的精度较高,10℃下模型精度效果最好,但是所用的主成分也较多。当实验温度达到25℃时,模型的校正和预测精度都相对较差。利用判别分析对各个温度下的光谱进行分类。发现20℃下采集的光谱没有分到其他温度区外,其他的都有不同程度的跨区,这说明除20℃外,其他温度下测得的光谱差异不明显。试验对叶片近红外检测的条件和应用做了初步的探索性工作,为今后提出温度修正模型提供理论基础。     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响.文章研究了温度变化(2～42℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度.研究表明,温度与光谱信息存在一定相关性,其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP1=0.72,RMSEP2=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP1=0.69,RMSEP2=0.68;相比未进行温度补偿模型均提高了预测精度.结果显示:温度对苹果近红外光谱影响呈非线性变化,剔除温度变鼍法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度.     

利用近红外光谱快速检测牛奶中三聚氰胺的可行性研究

采集了22个合格液态牛奶样品,并制备了50个掺入不同含量三聚氰胺(0.1～1 500 mg·kg-1)的牛奶样品,应用近红外光谱仪扫描其透射光谱,研究利用近红外光谱快速检测牛奶中三聚氰胺的可行性.采用偏最小二乘法建立近红外光谱与牛奶中三聚氰胺含量之间的定量模型,结果表明近红外光谱受检测限的限制,难以准确预测牛奶中掺入的三聚氰胺的含量.而应用近红外光谱,结合判别偏最小二乘法建立定性模型,则可以实现对合格牛奶及掺入三聚氰胺的牛奶的定性鉴别,正确识别率达100%.因此,基于近红外光谱的检测方法可以初步判断牛奶中是否含有三聚氰胺,作为高效液相色谱法的补充,为定量检测做初步的筛查,可大大提高检测效率.     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。