红外光谱技术在饮料酒鉴别中的应用进展

红外光谱作为鉴别技术被广泛地用于各种饮料的品质检测和定性鉴别中。文章对比了各种用于饮料酒鉴别的技术的优缺点,介绍了红外光谱技术鉴别饮料酒的技术流程,以及红外光谱技术在葡萄酒、啤酒、威士忌、白兰地、日本清酒、中国黄酒等饮料酒的产地、酒龄以及分级等方面的国内外研究现状,分析了红外光谱技术应用于饮料酒鉴别的种种优势和需要解决的问题,并展望了其在我国饮料酒鉴别中的应用前景。     

近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用

应用近红外漫反射光谱定量分析技术对两个产地三个品种枇杷的可溶性固形物进行无损检测试验研究.通过分析,发现在波长1 400～1 500 nm和1 900～2 000 nm两段范围,样品的可溶性固形物与光谱吸光度之间的相关系数较高;用偏最小二乘回归PLSR、逐步多元线性回归SMLR和主成分回归PCR三种方法分别建立这两个波段和全波段范围的模型,全波段的PLSR模型的效果较优.研究发现一阶和二阶微分光谱建立的模型均不如原始光谱建立的模型效果好.最终建立三个品种枇杷样品的原始光谱在全波段范围经17点平滑后的PLSR模型,模型的校正集和预测集的相关系数分别为0.96和0.95.研究表明近红外光谱检测技术可用于枇杷可溶性固形物含量的定量分析.     

基于近红外光谱和化学计量学的驴肉鉴别方法研究

驴肉具有极高的食用价值,资源的缺乏使其价格持续走高,由此引发的欺骗和掺假亟待解决。选取了不同部位(脖子、肋板、后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、猪肉(n=51)和羊肉(n=32)样品在4 000~12 500cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。比较了马氏距离判别分析、簇类独立软模式分类法、最小二乘-支持向量机方法分别结合平滑(5点、15点及25点)、一阶和二阶微分、多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7,5,3mm)肉糜样品的分类模型结果发现,原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优,校正集和预测集正确率分别为100%和98.96%;原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优,校正集和预测集判别正确率为100%和97.53%;原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优,校正集和预测集的判别正确率均为100%;而对于小粒径肉糜样品,原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。以上模型中的驴肉样品均得到了100%的判别正确率。研究结果表明,使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。     

基于BP-ANN和PLS的近红外光谱无损检测李果实品质的研究

可溶性固形物（SSC）和可滴定总酸（TA）含量是影响李果实品质的重要指标,经典的破坏性检测方法不适用于果实按品质分级,近红外光谱(NIRS)检测方法具有速度快、操作简便、可无损检测果实品质。为实现NIRS无损快速检测安哥诺李果实可溶性固形物和可滴定总酸含量,利用NIRS采集李果实的漫反射光谱,同时采用糖度计测定安哥诺李果实的SSC,采用滴定法测定了李果实TA含量,使用杠杆值和F概率值剔除异常样品,采用软件优化结合人工筛选光谱波段,使用了消除常数偏移量、减去一条直线、矢量归一化（SNV）、最大-最小归一化、多元散射校正（MSC）、一阶和二阶导数结合平滑处理、一阶导数结合减去一条直线和平滑处理、以及一阶导数结合SNV或MSC校正等光谱预处理方法,分别采用偏最小二乘法（PLS）和主成分分析结合反向传播人工神经网络（BP-ANN）建立李果实SSC、TA的定量分析模型。结果表明,李果实SSC和TA的最佳PLS建模效果波段范围分别为4 000～8 852和4 605～6 523 cm-1。SSC的PLS模型的最佳光谱预处理方法为MSC校正,最佳模型校正相关系数（R_c）为0.914 4,预测相关系数（R_p）为0.878 5,校正均方根误差（RMSEC）为0.91,预测均方根误差（RMSEP）为1.00。经一阶微分结合SNV和9点平滑的方法预处理后,TA的PLS模型效果最佳,R_c,R_p,RMSEC,RMSEP分别为0.860 3,0.819 6,0.80和0.86。提取了李果实SSC和TA光谱数据的主成分,并基于前10个主成分得分建立了李果实SSC和TA最佳BP-ANN定量分析模型,其R_c,R_p,RMSEC和RMSEP分别为0.976 7,0.889 7,0.75和0.99;TA的BP-ANN模型的相应参数值依次为0.974 3,0.897 7,0.62和0.83,与采用PLS算法建立的定量模型相比较,BP-ANN模型具有较高的R_c,R_p和较低的RMSEC,RMSEP,因此BP-ANN模型对SSC和TA指标的定量分析结果更佳。     

基于BP-ANN的草莓品种近红外光谱无损鉴别方法研究

研究了使用近红外漫反射光谱对不同品种草莓进行无损鉴别的方法,并分析了各品种草莓品质指标的差异性。在4 545～9 090cm-1光谱范围比较了反向传播人工神经网络、最小二乘支持向量机及判别分析的分类模型性能,发现拓扑结构为12-18-3的反向传播神经网络模型分类结果最优,校正集和预测集分类正确率分别为96.68%和97.14%,"甜宝"(n=99)、"丰香"(n=100)和"明星"(n=117)样品的单独判别正确率分别为94.95%,97%和98.29%。对三个品种样品的可溶性固形物、可滴定酸、pH值及固酸比品质指标进行了单因素方差分析,发现四个指标含量均存在明显差异,分析成分指标数据的主成分得分发现不同品种草莓存在明显的聚类趋势。结果表明,近红外光谱与反向传播人工神经网络结合可有效鉴别不同品种的草莓,且不同品种草莓化学成分含量的差异为近红外光谱分类提供了理化解释。     

短程有序结构中宽带二次谐波产生的研究

本文从理论和数值模拟上分析了一种短程有序铁电畴结构中二次谐波的产生过程。这种短程有序结构是由一系列一定长度的周期极化铁电畴结构和任意长度的单畴结构交替构成。研究了结构参数对频率变化过程中频谱带宽和转换效率的影响。结果表明,转换效率可以通过增加短程有序结构的晶体长度得到提高,而频谱带宽的大小可以通过调节周期极化结构的长度加以控制。     

鲜肉中不饱和脂肪酸近红外检测方法优化

不饱和脂肪酸是鲜肉脂肪的基本组成成分，其种类和含量直接影响鲜肉的风味和品质。不同于用时长，破坏样品的气相色谱法，近红外分析可快速，无损地对鲜肉中不饱和脂肪酸进行定量检测。选取了驴肉，牛肉，羊肉和猪肉鲜肉样品共63个，在4 000～12 500 cm-1波段上，分别采集了肉块样品和粉碎口径3 mm的肉糜样品在5，10，15，20，25，30，35 ℃下的近红外漫反射光谱，并使用气相色谱法作为参考检测了样品的不饱和脂肪酸含量。为优化模型性能，比较了不同温度下肉块和肉糜样品全波段光谱的棕榈油酸、亚油酸、油酸、二十四碳一烯酸和总不饱和脂肪酸的偏最小二乘模型参数，发现棕榈油酸和总不饱和脂肪酸的5 ℃肉糜光谱模型，亚油酸的35 ℃和油酸的25 ℃肉糜光谱模型，以及二十四碳一烯酸的15 ℃肉块光谱模型较佳，且温度对模型的影响不具有明显的规律性。在较佳模型的基础上，分别以220，440，881和1 762个变量为窗口区间，使用前向和反向区间偏最小二乘法对波长进行了优选，发现棕榈油酸、亚油酸、油酸和总不饱和脂肪酸以220个变量作为窗口的反向区间偏最小二乘模型，以及二十四碳一烯酸以440个变量为窗口的前向区间偏最小二乘模型较佳，且预测性能均优于全波段PLS模型。其中棕榈油酸的建模波段为：4 425～4 636，4 849～5 272，5 486～5 696.7，7 398.6～7 818，8 031.1～8 666.5，9 947～10 363.6，12 495.5～12 498.4 cm-1；亚油酸的建模波段为：4 000.6～4 423.9，5 273.4～5 698.6，7 398.6～9 090.8，10 576.7～10 787.8，12 495.5～12 498.4 cm-1；油酸的建模波段为：4 000.6～4 423.9，4 637～4 848.2，7 398.6～8 242.3，8 455.4～9 090.8，9 947～10 787.8，12 495.5～12 498.4 cm-1；二十四碳一烯酸的建模波段为：4 849.1～5 272.4 cm-1；总不饱和脂肪酸的建模波段为：4 000.6～4 423.9，4 637～5 698.6，9 097.5～9 515.1，9 940.3～10 575.7，11 646～12 060.6，12 273.7～12 498.4 cm-1。使用偏最小二乘法对优选波长光谱数据进行降维，利用得到的潜在变量作为各指标最小二乘-支持向量机模型的输入，并和各指标的区间偏最小二乘模型进行了性能的比较，发现最小二乘-支持向量机模型的各指标定量结果最优。棕榈油酸、亚油酸、油酸、二十四碳一烯酸和总不饱和脂肪酸最优模型的校正集相关系数和均方根误差，以及留一交叉验证相关系数，均方根误差及相对预测误差分别为：0.974，1.403 mg·(100 g)-1，0.973，1.428 mg·(100 g)-1，4.31；0.99，2.233 mg·(100 g)-1，0.99，2.263 mg·(100 g)-1，7.21；0.982，8.194 mg·(100 g)-1，0.982，8.223 mg·(100 g)-1，5.19；0.921，0.224 mg·(100 g)-1，0.92，0.225 mg·(100 g)-1，2.52；0.996，24.21 mg·(100 g)-1，0.995，26.045 mg·(100 g)-1，10.01。其中，亚油酸、油酸和总不饱和脂肪酸最优模型的交叉验证相对预测误差超过5，棕榈油酸最优模型的交叉验证相对预测误差接近5，二十四碳一烯酸的交叉验证相对预测误差接近3，各指标最优模型的预测性能较为令人满意。研究结果表明，波段优选，偏最小二乘降维以及最小二乘-支持向量机算法的结合可对鲜肉中单个不饱和脂肪酸及总不饱和脂肪酸指标的近红外光谱定量结果进行有效的优化。     

近红外光谱的李果实褐变鉴别方法研究

在采后冷藏过程中,李果实很容易发生褐变,这是影响其品质的重要因素之一。有关李果实褐变的传统检验手段绝大多数为破坏性检验,且主观性强、一致性差。为此,使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、快速鉴别。采集4 000~12 500 cm~(-1)波长范围内的124个李果实样品(褐变样品70个,非褐变样品54个)的近红外漫反射光谱,基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型,通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度,筛选出能够有效鉴别李果实褐变的新方法。结果表明:在对样品全波段光谱数据做主成分分析后,以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别,且后者判别效果更佳,其校正集和预测集的判别正确率分别为100%和97.56%,对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。因此,采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、无损、有效的鉴别。     

可见/近红外光谱分析技术鉴别转基因番茄叶

用可见/近红外光谱(Vis-NIR spectrum)漫反射方式对转基因番茄叶和非转基因番茄叶进行了快速、无损的定性分析。实验共对68个样品(转基因38个,非转基因30个)进行分类,用TQ 6.2.1光谱分析软件中集成的判别分析(Discriminant analysis)和偏最小二乘回归法(PLS)建立校正和预测模型。研究对比了不同光谱预处理方法(微分处理和多元散射校正(MSC))对分类结果的影响。实验结果发现用判别分析较最小二乘法判别结果较好,用InGaAs检测器获得的光谱经MSC后的分类结果最好,分类正确率为89.7%(转基因番茄叶86.8%,非转基因番茄叶93.3%)。结果表明VIS-NIR可以作为一种快速的无损检测方法鉴别转基因和非转基因番茄叶。