透反射近红外光谱法快速测定大豆油中的脂肪酸

应用透反射技术在1 100～2 500nm波谱段采集大豆油近红外光谱,采用改进的偏最小二乘法算法,建立了近红外光谱快速测定大豆油中五种主要脂肪酸含量的方法。以气相色谱法测定的158个大豆油样品中棕榈酸(C16∶0)、硬脂酸(C18∶0)、油酸(C18∶1)、亚油酸(C18∶2)和亚麻酸(C18∶3)含量作为其化学值,建模集样品数为138,检验集样品数为10,盲样验证集样品数为10;通过对定标模型的优化,五种脂肪酸的交互定标决定系数(1-VR)分别为0.883 9,0.583 0,0.900 1,0.977 6,0.959 6,交互定标标准误差(SECV)分别为0.42,0.29,0.83,0.46,0.21;盲样验证集样品五种脂肪酸的近红外预测值与化学值的相对标准误差均小于5.50%。结果表明,近红外预测值与化学值之间存在较好的线性关系,所建立的方法快速、方便、可靠,可用于大豆油的掺伪鉴别。     

近红外光谱法快速分析葛根中的有效成分

本文应用近红外光谱技术建立了快速检测葛根中有效成分的方法。研究了优化分析葛根总异黄酮、葛根素和大豆苷含量数学模型的各种条件，包括建模样品集的选择、化学值的定标、测量的方法及条件等，结果表明：建模样品集的化学值（又称真值）与近红外预测值的相关系数分别为：葛根总异黄酮r=0.975，葛根素r=0.984，大豆苷r=0.966；检验样品集的化学值与近红外预测值的相关系数分别为：0.982,0.975和0．981。说明所建模型具有实际应用价值。     

近红外光谱测定猪眼肌肌内脂肪中脂肪酸含量

为了快速无损测定猪眼肌肌内脂肪中脂肪酸含量,提出了近红外光谱技术检测的新方法.选用气相色谱法作为猪眼肌肌内脂肪中脂肪酸测定的标定方法,采用漫反射光纤探头采集由低密度聚乙烯塑料袋包装的猪眼肌样品的光谱,来测定眼肌内脂肪中脂肪酸的含量.利用光谱专用分析软件Unscrambler9.6,对采集的光谱用平滑,二阶微分法进行预处理,用偏最小二乘法(PLS)建立其定量检测模型.用于本实验的样本总数为82,将异常点除去后,将样品分为校正集和检验集.用校正集的样品来建立定标方程,再用它来预测检验集样品的值.结果表明,脂肪酸C14:0,C15:1,C16:0,C16:1,C18:0,C18:1,C18:2,C18:3,C20:1,C20:4,SFA,MUFA和PUFA校正模型的相关系数分别为0.57.0.76,0.71,0.77,0.62,0.81,0.86,0.91,0.85,0.91,0.67,0.81和0.95.可见,用该方法测定肌内脂肪中脂肪酸有较高的测定精度,因此,应用近红外光谱对猪眼肌肌内脂肪中脂肪酸含量的快速无损检测具有可行性.     

近红外光谱法测定有机混合物中的正己烷、环己烷、甲苯的含量

用近红外光谱法对具有不同含量水平的环己烷、正己烷、甲苯、苯的四氯化碳混合溶液中的环己烷、正己烷、甲苯进行了定量分析。对于体积百分含量在1.4％～20％之间的环己烷,校正集真值与预测值相关系数r=0.9969,RSD=0.34％;对于体积百分含量在0.04％～0.96％的正己烷,校正集真值与预测值相关系数r=0.9999,RSD=0.83％;对于含量在26.0～259.8mg·L~(-1)的甲苯,校正集真值与预测值相关系数r=0.9921,RSD=4.63％。近红外光谱可以检测到26.0mg·L~(-1)的含量水平,其预测值为25.9mg·L~(-1),相对误差为0.38％。结果表明,用近红外光谱快速、准确、同时测定不同含量水平的组份可以获得较理想的结果。     

基于OSC-PLS算法对大麦蛋白质含量进行定量分析的研究

用色散扫描型仪器采集大麦样品的近红外光谱,扫描出的光谱携带了大量样品化学值信息,采用正交信号校正（OSC）预处理方法对这些原始光谱进行处理,剔除噪声等不相关因子以后建立偏最小二乘（PLS）近红外光谱分析模型（OSC-PLS）,预测大麦蛋白质的含量,并与传统PLS建模方法进行对比。基于OSC-PLS算法的蛋白质含量近红外光谱分析模型的测定系数R2为0.901,检验集的化学值与模型预测值的相关系数r达到0.971 7,分析模型的预测标准偏差SD为0.545 0,相对标准偏差RSD为4.2%。结果表明,OSC-PLS回归方法能在较大程度上消除无关因素的影响,在简化模型的同时提高了模型的可解释性,能够建立准确的大麦蛋白质含量近红外预测模型,可代替经典分析方法,满足农产品快速分析的需要。     

近红外光谱法预测云南香料烟中总糖、还原糖和总氮

应用近红外光谱法预测云南香料烟的总糖、还原糖和总氮。250份样品作为建模样品,41份作为验证样品,结果表明:总糖、还原糖和总氮的近红外预测值与化学测定值之间的最大绝对误差分别为1.07%、0.90%、0.10%;两测定值配对t检验结果显示近红外光谱法(预测值)与行标法(实测值)之间差异不显著;从验证样品中选择一个样品,进行总糖、还原糖和总氮含量的重复性测定,RSD均小于1%,所建模型能进行香料烟中总糖、还原糖和总氮含量的快速测定并可作为实验室质量控制的一种方式。     

利用近红外漫反射光谱法预测紫花苜蓿茎组分营养价值的研究

研究旨在探讨利用全株紫花苜蓿(Medicago sativa L.)样品的近红外漫反射光谱信息,建立能够预测其茎组分营养价值的校正模型的可行性.将66份不同年份、品种、茬次和生育期的紫花苜蓿全株样品徒手分离茎叶后,按一定的茎叶比重新混合成198份实验样品(建模样品138份,检验样品60份).采用傅里叶变换近红外漫反射光谱技术(FT-NIRS),结合偏最小二乘法(PLS),建立了茎组分粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗灰分(CA)和体外可消化干物质(IVDDM)含量的预测模型.除NDF含量的预测模型外,其他4个指标预测模型的建模效果和实际预测均较好,交叉检验相关系数(rCV)为0.852 3～0.900 7,交叉检验标准误差(RMSECV)为0.72%～3.96%,检验样品的预测值与化学值的相关系数(r)为0.925 5～0.951 2.而NDF含量预测模型的RCCv,RMSECV,r分别为0.821 4,3.70%和0.902 0,模型只可用作粗略估测.     

六味地黄丸指纹图谱的近红外光谱分析方法的建立

建立了一种近红外光谱测定六味地黄丸指纹图谱的方法。应用毛细管电泳法建立六味地黄丸指纹图谱,计算其相似度,同时测定其近红外光谱,建立六味地黄丸指纹图谱相似度与近红外光谱之间的数学模型。通过对模型的优化,建模集样品的相关系数(r)、校正标准差和平均相对误差分别为0.9046,0.058和6.12%,表明六味地黄丸指纹图谱相似度实测值与预测值之间有较好的线性关系。研究结果表明以基于指纹图谱的近红外光谱法用于六味地黄丸的质量控制具有可行性。     

近红外光谱法非破坏性测定黄豆籽粒中蛋白质、脂肪含量

采用傅里叶近红外漫反射光谱非破坏性分析 ,能够提供完整籽粒黄豆样品成分的含量信息 ,结合偏最小二乘回归法 (PartialLeast Squares,PLS) ,以 39个不同品种的完整籽粒黄豆样品建立蛋白质和脂肪含量近红外定量分析模型 ,其中蛋白质、脂肪含量分析模型的测定系数R2 分别为 99 30 ,97 5 2 ,相对标准偏差RSD分别为 0 76 %和 1 3% ,检验集的化学值与模型预测值的相关系数r分别为 0 94 73,0 86 95。用所建模型对 2 6 4个不同品种的黄豆样品进行预测 ,并采用R error指标来估计分析结果的误差 ,其中蛋白质和脂肪模型预测的最小相对误差分别为 0 0 4 %和 2 4 6 % ,最大相对误差分别为 2 4 5 %和 4 2 5 %。该结果对育种过程中的早代筛选工作有重要意义     

玉米杂交种品质性状的近红外光谱分析技术研究

以我国常用玉米自交系、杂交种样品为材料,采用偏最小二乘（PLS）回归法,建立了近红外反射光谱测定玉米完整籽粒的粗蛋白、粗淀粉和油分含量的校正模型。并利用40个玉米杂交后代材料对3个模型的实际预测效果进行了验证,预测值与化学值间的相关系数（r）可达0．98（粗蛋白）、0．93（粗淀粉）和0．97（油分）,最大相对误差仅为2．46％（粗淀粉）～7％（油分）。文章还从理论上研究了以数量相对较少的亲本自交系为建模样品、建立可适用于分析大量杂交种样品的近红外数学模型的可行性,提出了作物近红外光谱某些特征具有遗传性这一新的观点。     

应用可见-近红外光谱技术进行白醋品牌和pH值的快速检测

提出了一种基于可见-近红外透射光谱技术快速判别白醋品牌和测定pH值的方法。应用可见-近红外透射光谱获取不同品牌白醋的透射光谱曲线,并对获得的原始光谱数据进行平滑、变量标准化以及一阶导数等预处理,然后利用主成分分析对原始光谱数据进行聚类分析,根据主成分的累计贡献率选取主成分数,并将所选取的主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,得到三层优化神经网络结构:5输入层节点,6隐含层节点和2输出层节点,各层传递函数均采用Sigmoid函数。利用该模型对预测集样本进行预测。实验结果表明在阈值设定为±0.1的情况下该模型对预测集样本品牌鉴别准确率达到了100%,pH预测值与实际测量值偏差小于5%,得到了理想的结果。所以利用可见-近红外光谱技术结合主成分分析和神经网络算法能够快速准确的判定白醋品牌和pH值。     

Main Components of Xinjiang Lavender Essential Oil Determined by Partial Least Squares and Near Infrared SpectroscopySCIEI北大核心CSCD

This work was undertaken to establish a quantitative analysis model which can rapid determinate the content of linalool, linalyl acetate of Xinjiang lavender essential oil. Totally 165 lavender essential oil samples were measured by using near infrared absorption spectrum(NIR), after analyzing the near infrared spectral absorption peaks of all samples, lavender essential oil have abundant chemical information and the interference of random noise may be relatively low on the spectral intervals of 7100-4 500 cm(-1). Thus, the PLS models was constructed by using this interval for further analysis. 8 abnormal samples were eliminated. Through the clustering method, 157 lavender essential oil samples were divided into 105 calibration set samples and 52 validation set samples. Gas chromatography mass spectrometry (GC-MS) was used as a tool to determine the content of linalool and linalyl acetate in lavender essential oil. Then the matrix was established with the GC-MS raw data of two compounds in combination with the original NIR data. In order to optimize the model, different pretreatment methods were used to preprocess the raw NIR spectral to contrast the spectral filtering effect, after analysizing the quantitative model results of linalool and linalyl acetate, the root mean square error prediction(RMSEP) of orthogonal signal transformation (OSC) was 0.226, 0.558, spectrally, it was the optimum pretreatment method. In addition, forward interval partial least squares (FiPLS) method was used to exclude the wavelength points which has nothing to do with determination composition or present nonlinear correlation, finally 8 spectral intervals totally 160 wavelength points were obtained as the dataset. Combining the data sets which have optimized by OSC-FiPLS with partial least squares(PLS) to establish a rapid quantitative analysis model for determining the content of linalool and linalyl acetate in Xinjiang lavender essential oil, numbers of hidden variables of two components were 8 in the model. The performance of the model was evaluated according to root mean square error of cross-validation (RMSECV) 9 root mean square error of prediction (RMSEP). In the model, RESECV of linalool and linalyl acetate were 0.170 and 0.416, respectively; RMSEP were 0.188 and 0.364. The results indicated that raw data was pretreated by OSC and FiPLS, the NIR-PLS quantitative analysis model with good robustness, high measurement precision; it could quickly determine the content of linalool and linalyl acetate in lavender essential oil. In addition, the model has a favorable prediction ability. The study also provide a new effective method which could rapid quantitative analysis the major components of Xinjiang lavender essential oil.     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

Fourier‐Transform Near‐Infrared Spectroscopy as a Tool for Olive Fruit Classification and Quantitative Analysis

Abstract

The potential of diffuse reflectance near‐infrared spectroscopy combined with pattern recognition to discriminate between olives (Olea europaea L.) of different qualities has been tested. The sample set was formed of sound olive fruits and those showing the most common alterations of olives, which lead to decreased oil quality, namely freeze damages, harvest after falling on the ground, fermentation due to prolonged storage time, and olive tree diseases. Near‐infrared (NIR) spectra were recorded between 9900 and 4100 cm^?1. Preliminary studies of the data set structure were performed using hierarchical cluster analysis and principal component analysis. Discriminant analysis provided prediction abilities of 100% for sound, 79% for frostbite, 96% for ground, and 92% for fermented olives using a leave‐a‐fourth‐out cross‐validation procedure. Quantification of oil and water content in the olives was also approached by using partial least squares (PLS) regression. Results, in terms of predictive ability using a leave‐one‐out cross‐validation, were compared for calibration using the whole sample set and calibrations for the sound and damaged samples separately. Relative errors of prediction using all samples were 7.2% and 3.4% for oil content and humidity, respectively. Using only sound samples, relative errors of prediction of 3.8% and 2.8% for oil and water content, respectively, were obtained. Thus, better accuracy could be achieved when classification of the olive samples prior to quantitative analysis was performed. These results demonstrate the utility of NIR spectroscopy to differentiate olives of different qualities. Using NIR, a fast selection of sound olives in a quality‐orientated production facility becomes feasible.     

便携式近红外光谱仪的苹果糖度模型温度修正

样品温度对近红外光谱有很大影响,在近红外技术评价水果品质的实际应用时,需要修正温度变化对模型预测结果的影响。便携式近红外光谱仪采集不同温度下(0～30℃)苹果的漫透射光谱,采用二阶导数和卷积平滑进行预处理。选取20℃下代表性样本的光谱数据,建立基准PLS模型。斜率/偏差法分别计算苹果糖度PLS模型在0,10和30℃下的修正方程。分析结果表明:斜率/偏差法对0,10和30℃下外部样本预测结果进行修正,预测精度得到显著提高,其修正前后的Q值分别为0.525cv 0.810,0.680cv0.822,0.669cv 0.802。温度修正模型可以有效提高预测精度,也扩展了近红外仪器的适用性,为自主研发便携式近红外光谱仪提供参考。     

Applications of Near‐Infrared Spectroscopy in Refineries and Important Issues to Address

Abstract

This review primarily concerns NIR (near‐infrared) applications in refineries. Initially, this article reviews the fundamental aspects for analysis of hydrocarbon mixture by NIR spectroscopy, such as spectral sensitivity in various spectral regions, signal‐to‐noise ratio, and spectral resolution. Though there are applications of NIR to diverse petroleum products, this review subsequently focuses only on applications to four major products: gasoline, diesel, naphtha, and crude oil, which are the most interesting from a refiner's viewpoint. In each application, discussion of important issues to consider for proper and optimal NIR measurement is included. Finally, the issue of calibration transfer is discussed.     

基于可见近红外光谱分析技术的马铃薯品种鉴别方法

基于可见-近红外光谱分析技术,提出了一种快速鉴别马铃薯品种的方法。以三种不同品种共计352个样本的马铃薯作为主要研究对象,随机将其分为建模集(307个样本)和预测集(45个样本)。对其中的建模集样品进行可见-近红外光谱分析,将获取的光谱图像通过多元散射校正(MSC)和窗口大小为9的Savitzky-Golay(S-G)一阶卷积求导方法预处理,消除颗粒大小、表面散射及光程变化对漫反射光谱影响,降低原始光谱曲线的随机噪声影响。然后用偏最小二乘法(PLS)对数据进行降维、压缩,使用主成分分析方法(PCA)获得的前4个主成分累计贡献率达到96%以上,并从前4个主成分图谱中提取20个吸收峰作为输入变量,经过试验,得到一个20(输入)-12(隐含)-3(输出)结构的3层BP神经网络。最后利用该模型对预测集样本进行品种鉴别,识别正确率达到100%。此方法能较为快速、准确地鉴别马铃薯的品种,为马铃薯品质检测与鉴别提供了新思路。