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1 100~2 500 nm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。     

近红外光谱技术实时测定土壤中总氮及磷含量的初步研究

及时、准确探测土壤中的氮、磷含量,有利于精准施肥决策,提高肥料利用率。研究表明近红外技术能够探测土壤的物理和养分状况。针对不同土地利用类型,在北京大兴地区采集85份土壤样品,测定土壤氮、磷养分及其近红外漫反射光谱,并利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮(N)和总磷(P)的近红外光谱校正模型。所建模型的交叉检验决定系数(R2_CV)分别为0.862 6(N),0.668 5(P)。用未参与建模的10个样品对模型进行外部检验,总N、总P的预测相关系数(r)分别为0.969 8,0.830 7,预测标准误差(RMSEP)分别为0.009 5%(N),0.008 6%(P),RPD值(检验集样品化学测定值标准差/预测标准误差)分别为3.78(N),1.69(P)。结果表明,采用适当的光谱分析方法可以实现用近红外技术对土壤总N的精确探测及对土壤总P的粗略估测。     

近红外光谱定量检测腌腊肉制品品质的研究

以中国传统腌腊肉为对象,研究用近红外光谱分析技术快速准确检测肉制品品质的可行性。腊肉是富含脂肪的肉制品,其酸价是目前国标中必须检测的品质指标,它可以反映腊肉在加工储藏过程中脂肪氧化酸败的情况, 对腊肉的品质尤为重要。腊肉样品经过简单的粉碎后在BRUKER傅里叶变换近红外光谱仪上扫描,获得其近红外光谱参照国标法测定酸价和水分含量,采用附加散射校正光谱预处理方法,建立了腊肉酸价和水分含量的PLS回归模型。酸价模型预测集中样品的预测值与标准值的相关系数r2为0.98,预测标准差RMSECV为0.25;水分含量模型预测集中样品的预测值与标准值的r2为0.90,RMSECV为0.02。成对t检验统计结果表明近红外光谱分析技术可以用于腊肉制品品质的快速检测。     

近红外反射光谱法测定苜蓿干草主要纤维成分的研究

采集不同生育期、不同品种和不同干燥方式（烘干、阴干、晒干）的苜蓿干草样品60份,研究了利用近红外反射光谱法分析苜蓿干草中纤维素、半纤维素和木质素含量的可行性。实验结果显示,纤维素的交互验证相关系数（R_CV）、外部验证决定系数（r2）以及验证集样品标准差（SD）与预测残差均方根（RMSEP）的比值（RPD）分别为0.97,0.97,4.44,木质素为0.94,0.94,4.08,表明利用NIRS技术可以准确分析苜蓿干草中纤维素和木质素的含量。半纤维素的R_CV,r2,RPD分别为0.29,0.12,1.09,说明该模型不能进行半纤维素的实际预测。利用近红外反射光谱法准确测定纤维素和木质素含量的结果,对苜蓿生产加工中的质量评价,以及苜蓿育种等研究中纤维品质的快速分析都具有重要意义。     

IR-UV联合法测定固相微萃取涂层中单体含量

合成了作为固相微萃取涂层的苯乙烯-丙烯酸丁酯-乙烯基三乙氧基硅氧烷三元共聚物。采用红外光谱(IR)和紫外光谱(UV)相结合的方法测定了聚合物中苯乙烯和丙烯酸丁酯的含量。由IR法测得样品中二者的摩尔比。采用双波长紫外光谱法测得苯乙烯的含量。由苯乙烯与丙烯酸丁酯的摩尔比及苯乙烯的含量得出样品中丙烯酸丁酯含量,进而得出乙烯基三乙氧基硅氧烷的含量。苯乙烯与丙烯酸丁酯的摩尔比测定的外标曲线方程为A_r=0.114m_r+0.032,相关系数r2=0.999 3;苯乙烯含量测定的标准曲线方程为ΔA=0.078 6c+0.081 2,相关系数r2=0.998 9。苯乙烯含量测定的相对标准偏差(RSD)为0.41%,加标回收率为97.8%～104.0%;丙烯酸丁酯含量测定的相对标准偏差(RSD)为0.39%,加标回收率为97.1%～99.6%。     

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。     

近红外漫反射光谱法测定川西高原产沙棘中异鼠李素含量

提出了用近红外光谱技术快速测定川西高原产沙棘中异鼠李素含量的方法。对异鼠李素含量在0.1%～0.8%范围内的川西高原产沙棘, 采用SiO₂拌样法,测定其在 12 000～4 000 cm-1的近红外吸收光谱, 采用偏最小二乘算法建立了校正模型, 比较了光谱不同预处理方法对校正结果的影响 。当采用消除常数偏移量处理方法时能最有效地提取光谱中的有效信息, 此时校正集相关系数(r2)为0.739 8, 校正集标准偏差(SEC)为0.107, 预测集标准偏差(SEP)为0.073。该方法与传统方法相比更加快速简便。     

PLS-GRNN法近红外光谱多组分定量分析研究

研究了偏最小二乘(partial least squares ,PLS)与广义回归神经网络(generalized regression neural networks, GRNN)联用在近红外光谱多组分定量分析中的应用。以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型。马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σ_i为0.1。PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为：0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为：0.003 26,0.065 5,0.031 4。结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法。     

光谱数据对油页岩含油率近红外光谱分析PLS建模精度的影响

目前油页岩关键的评价参数——含油率的检测方法均无法实现原位测量,无法满足油页岩资源的勘查和开采中样品检测的要求。便携式近红外光谱分析技术,为实现油页岩含油率的原位检测提供了可能性。由于光谱数据的不同形式与样品的成分含量值之间有不同的相关关系,样品不同成分的吸收特性表现在不同的近红外波段上,因此利用合成样品,针对反射率、吸光度、K-M函数等三种不同的光谱数据表示形式和四种不同的建模区间,研究它们对油页岩含油率PLS模型精度的影响情况。结果表明：对于合成样品,进行PLS建模的最佳光谱数据形式是反射率,最佳建模区间是组合特征区间,即适当的光谱数据形式及建模区间可提高模型的精度。     

棉籽油分含量近红外无损检测分析模型与应用

棉花是一种重要的油料作物。建立快速、无损检测棉花种子含油量的方法,对于棉花油分育种工作中的材料鉴定、筛选具有重要意义。利用近红外光谱仪采集118份不同油分含量棉花种籽的近红外漫反射光谱,结合化学方法测定验证,建立了棉籽油分含量快速无损检测的近红外模型。光谱预处理方法采用一阶导数＋多元散射校正(MSC),光谱范围5 446～8 848 cm-1,主成分维数为5,以基本覆盖陆地棉棉籽含油量范围的106份试验材料为校正样品集,利用偏最小二乘法(PLS)建立了棉籽仁油分含量近红外反射光谱(NIR)校正模型。校正模型决定系数R2=0.975,校正标准差SEC=0.67。用外部验证样品集进行外部验证,对所建模型的实际预测能力进行检验。结果表明,油分含量预测值与化学值相关系数r=0.978,预测结果误差范围0.1%～1.7%,建立的模型具有很好的预测性。利用建立的模型对784份育种材料进行了油分含量预测,结果显示,该模型应用可以加快棉花育种材料的油分鉴定。     

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。     

近红外光谱法快速测定新疆薰衣草精油主要组分

为建立快速测定新疆薰衣草精油中芳樟醇(linalool)、乙酸芳樟酯(linalyl acetate)含量的定量分析模型,采用近红外吸收光谱法(NIR)测定了165个精油样品,通过对近红外光谱吸收峰分析,在7 100～4 500 cm-1波数范围内化学信息量比较丰富且噪音低,可选择此波数段为分析区间。剔除8个异常样本后,通过聚类方法划分为105个校正集样本和52个验证集样本,结合气相色谱质谱(GC-MS)法测定的薰衣草精油linalool和linalyl acetate的含量,建立原始数据矩阵。对比不同的预处理方法对原始近红外光谱的过滤作用,其中正交信号变换(OSC)方法效果明显,对两种化合物的预测均方根误差(RMSEP) 分别为0.226和0.558,再用向前间隔偏最小二乘法(FiPLS)剔除与待测成分无关或呈非线性关系的波长点,最终得到8个间隔区间共160个波长点的数据子集。使用OSC-FiPLS优化处理的数据子集结合偏最小二乘法(PLS)建立新疆薰衣草精油中linalool和linalyl acetate的快速定量分析模型,在模型中二成分的隐变量数都为8。交互验证均方根误差(RMSECV)分别为0.170和0.416;预测均方根误差(RMSEP)分别为0.188和0.364。结果表明,经OSC和FiPLS预处理建立的PLS-NIR定量分析模型稳健性好,测定精度高,能快速测定薰衣草精油中linalool和linalyl acetate含量,并且具有良好的预测能力。可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。     

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.