基于近红外光谱分析技术测定库尔勒香梨硬度

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、粗皮、脱萼、宿萼、突顶果）的硬度进行测定。由于近红外光谱数据量大且原始光谱噪声明显、测定水果时散射严重等导致光谱建模时关键波长变量提取困难。以新疆库尔勒香梨为研究对象,为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响,首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法,进行香梨近红外光谱的特征波长变量选择方法的比较与研究。研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量,将校正均方根误差（RESMC）、预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准,并最终确定最优波段选择方法及最佳预测模型。基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中6.6%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果,其中R2,RMSEC和RMSEP分别为0.91,1.03和1.01。进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现,BiPLS-GA不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,使得建模变量从301个减少到20个。极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。因此该方法能够有效地用于近红外光谱数据变量的选择。证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量,去除与库尔勒香梨硬度无关的近红外光谱信息,显著地提高库尔勒香梨硬度定量模型的预测精度。这不仅为新疆地区特色梨果库尔勒香梨的快速、精确、无损优选分级提供一定的技术支持,同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。     

固相萃取-气相色谱法定量分析橄榄油中饱和烃矿物油和芳香烃矿物油

建立了固相萃取(SPE)净化、程序升温进样结合气相色谱-氢火焰离子化检测器(PTV-GC-FID)定量分析橄榄油中饱和烃矿物油(MOSH)和芳香烃矿物油(MOAH)污染残留的方法。样品经正己烷溶解后,利用环氧化反应结合自制的分子筛SPE柱和0.3%AgNO_3硅胶SPE柱交替净化方式,消除了样品中脂质、蜡酯、烯烃、天然烷烃等干扰,并实现MOSH和MOAH的有效分离,氮吹浓缩后,经程序升温进样口大体积进样注入GC-FID分析,外标法定量。优化了环氧化试剂用量、环氧化反应时间、固相萃取洗脱体积等实验参数。结果表明,矿物油标准参考物Gravex 913润滑油在2.0~500.0 mg/L范围内呈良好线性关系,MOSH和MOAH的检出限分别为1.0和0.3 mg/kg,定量限分别为3.0和1.0 mg/kg,加标回收率分别为93.2%~103.7%和78.5%~81.3%,相对标准偏差分别为2.7%~5.0%和2.9%~4.0%。本方法净化效果好、试剂用量少、操作简单、检出限低,能有效分离植物油中MOSH和MOAH,适用于橄榄油中矿物油的定量检测。     

超高效液相色谱-电喷雾串联质谱法直接测定黄酒和葡萄酒中氨基甲酸乙酯

建立了超高效液相色谱-电喷雾串联质谱(UPLC-ESI-MS/MS)直接测定黄酒和葡萄酒中氨基甲酸乙酯含量的方法。黄酒和葡萄酒样品经蒸馏水简单稀释后,过0.22 μm微孔滤膜,直接进行UPLC-MS/MS分析检测。以Waters Acquity UPLCTMBEH C18色谱柱为分析柱,乙腈和0.1%(v/v)乙酸水溶液为流动相,采用电喷雾正离子(ESI+)模式电离,多反应监测(MRM)模式检测,以氨基甲酸丁酯(BC)作为内标进行定量。结果表明: 方法在2～500 μg/L的范围内线性关系良好(相关系数大于0.995),其对黄酒和葡萄酒的检出限为1.7 μg/L,定量限为5.0 μg/L,可达到黄酒和葡萄酒中氨基甲酸乙酯的检测要求。当添加水平为10、20和100 μg/L时,黄酒和葡萄酒中待测组分的回收率为90%～102%,日内精密度(n=6)为0.8%～4.5%,日间精密度(n=6)为1.4%～5.6%。该方法样品处理简单,前处理过程不使用有机溶剂,测定快速、准确,灵敏度高,非常适合黄酒和葡萄酒中氨基甲酸乙酯的快速检测和定量分析。     

近红外光谱波段优化在白酒酒醅成分分析中的应用

为了提高白酒酒醅主要成分的快速检测技术水平,利用近红外光谱法对白酒酒醅中的水份、淀粉、酸度和酒精度进行定量分析,通过PLS建立酒醅成分定量分析模型,同时采用CARS、间隔偏最小二乘变量选择法(iPLS)和无信息变量消除法(UVE),实现光谱特征波段选择,并利用多元散射校正(MSC)、导数以及标准正态变量变换(SNV)等预处理方法进行模型优化。用决定系数(R2)、预测标准偏差(RMSEP)以及最佳主因子数对模型进行评价,确定最佳建模方法。结果表明：波段筛选能够对模型起到优化作用,并提高模型运算速度,其中CARS优化效果最为明显,酒醅水份、淀粉、酸度和酒精度的R2分别达到0.885,0.915,0.951,0.954;RMSEP分别为0.630,0.519,0.228,0.234,有效地提高了模型的稳定性与准确度。经过优化,所建模型预测效果好,能够满足白酒酒醅主要成分的快速检测要求,在实际应用中有一定的参考价值。