基于近红外光谱检测技术鉴别洋槐蜜中掺入大米糖浆的可行性研究

利用近红外光谱技术(near infrared spectroscopy,NIR)并结合化学计量学方法鉴别洋槐蜜中掺入大米糖浆的可行性研究。以来自不同蜂场的20个洋槐原料蜜样品与大米糖浆混合成7个不同浓度梯度(10∶0,9∶1,7∶3,1∶1,3∶7,1∶9,0∶10 g·g-1)共121个样品为研究对象,利用近红外光谱仪和光谱处理软件分别不同浓度梯度的对掺假样品进行光谱扫描和数据转换,并进行主成分分析(PCA),结合典型判别分析进行区分。结果表明,经过主成分分析后,前2个主成分的得分累计贡献率达97.23%,但掺假样品在第一、第二主成分得分散点图的区域划分不明显。用典型判别分析进一步判别,所有样本均得到准确的判别,准确率为100%,6个典型判别函数中前两个判别函数的累积贡献率达到91.6%,同时在第一类和第二类典型判别函数的分组图中,不同浓度梯度的掺假蜂蜜能够被较好的判别。表明该方法能够快速、有效鉴别大米糖浆在洋槐蜂蜜中的掺假,具有一定可行性和实用性。     

近红外光谱结合化学计量学的常见中国蜂蜜掺杂糖浆鉴别

目前我国蜂蜜市场掺假现象严重,研究一种快速、准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。采用近红外光谱（NIR）结合化学计量学方法对常见的天然蜂蜜以及掺假（掺杂常见糖浆）蜂蜜进行建模识别,并比较偏最小二乘-判别分析（PLS-DA）及支持向量机（SVM）对糖浆掺假蜂蜜鉴别模型的影响。首先,采集来自中国10个省份、20种常见蜂蜜的112个天然纯蜂蜜样品,以及6种常见糖浆样品按不同糖浆含量（10%,20%,30%,40%,50%,60%）配制的112个掺假蜂蜜样品,共计224个样品;通过近红外光仪器扫描获得所有样品的近红外光谱数据（波长范围400~2 500 nm）;然后,分别采用一阶导数（FD)、二阶导数（SD）、多元散射校正（MSC)、标准正态变化(SNVT)四种方式对原始光谱进行预处理;再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型,比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法（GS）、遗传算法（GA）、粒子群算法（PSO）三种寻优算法进行优化。分析结果表明：光谱数据进行预处理后所建立的模型准确率均有明显提升,而对于SVM模型,惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。在PLS-DA算法中,经FD光谱预处理后建立的模型效果最好,最佳PLS-DA模型准确率为87.50%;在SVM算法中,经MSC预处理后,再通过GS寻优,获得惩罚参数c为3.0314,核函数参数g为0.3298的条件下所建立的模型效果最好,最佳SVM模型准确率为94.64%。由此可见,非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型,同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。     

蜂蜜真伪的近红外光谱鉴别研究

如何有效鉴别蜂蜜真伪是目前我国蜂产品质量控制的难题之一。提出了一种用傅里叶变换近红外光谱结合判别偏最小二乘法(DPLS)快速鉴别蜂蜜真伪的新方法。首先采集了71个商品蜜样品的近红外光谱数据,其中包括27个纯蜂蜜和44个掺假蜂蜜,然后5次随机划分建模集样本和验证集样本,并对建模样本进行不同光谱预处理,选择并优化不同波段范围和主成分数,用DPLS法建立了5组蜂蜜样本的真伪鉴别模型,外部交叉验证法预测模型。通过对结果进行比较分析,5组校正模型中真蜂蜜和掺假蜂蜜的总体识别准确率分别为91.49%,94.68%,92.98%,93.86%,94.87%;预测样本的识别准确率为86.96%～93.75%,其中模型2,3,4中掺假蜜的识别准确率达100%。研究结果表明,该方法可作为鉴别商品蜜真伪的一种快速筛选技术,在我国蜂蜜质量监控中具有重要意义。     

近红外光谱法测定蜂蜜中主要成分的可行性研究

以153个单植物源和混合植物源蜂蜜样品为研究对象,使用３种近红外光谱仪(FT型、CCD型、PDA型)采集蜂蜜的透反射和透射光谱,并应用近红外定量分析技术进行蜂蜜中主要成分(水分含量、果糖含量、葡萄糖含量)的检测研究。用偏最小二乘回归(partial least square repression, PLSR)方法分别建立了蜂蜜水分含量、果糖含量、葡萄糖含量的近红外定量分析模型。结果表明,水分含量、果糖含量、葡萄糖含量的相关系数(r)分别达到0.978 5, 0.931 1和0.890 7,预测误差均方根(RMSEP)分别为0.410 8(%), 1.914 4(%)和2.531 9(%)。研究表明基于近红外光谱的蜂蜜主要成分快速无损检测准确度高,具有很高的实用价值。     

红外光谱技术在蜂蜜质量检测中的研究进展

蜂蜜的品质检测和掺假判别对于保证产品质量、保障其食用安全性具有重要意义。传统的化学分析、抽样检测方法限于成本较高、操作复杂等原因,已不能满足生产实践中大范围检测的需求。近年来,蜂蜜检测技术正向快速化、高通量方向发展。光谱分析技术具有快速、非接触测量的优点,已在石化领域获得了广泛应用,在蜂蜜品质检测方面具有较大的应用潜力。并综述了近红外光谱分析技术和中红外光谱分析技术在蜂蜜定量和定性检测研究中的进展。主要包括这两种光谱分析技术在蜂蜜产品的品质检测、掺假判别、植物源判别、产地判别等方面的研究进展,通过这几方面的介绍,对红外光谱技术在蜂蜜分析检测中的检测原理、技术路线、准确度、影响因素及发展方向进行了综合分析。     

近红外光谱检测蜂蜜中可溶性固形物含量和水分的应用研究

提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性同形物含量(SSC)的新方法,同时对蜂蜜中的水分也进行了研究.在不同光谱范围内,通过对原始光谱的不同预处理,用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型,所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内,光谱预处理采用Norris平滑+一阶微分+多元信号校正,SSC模型的交互验证决定系数(RCV2)、交互验证误差均方根(RMSECV)、验证集决定系数(RP2)、验证误差均方根(RMSEP).SSC模型分别为0.998 6,0.190,0.998 5和0.127,水分模型分别为0.998 4,0.187.0.998 6和0.125.近红外光谱能实现蜂蜜中SSC和水分的准确测定.水分模型预测结果略好于相关文献的报道.     

茶叶定性和定量近红外光谱分析方法研究

分别采集了茉莉花茶、苦丁茶、龙井和铁观音4个种类茶叶共120个样本,利用NIRSystems6500型近红外光谱分析仪对样本进行光谱测量,应用近红外光谱分析技术对茶叶进行定性和定量分析。采用主成分分析法,结合聚类分析法,对4种类别的茶叶进行定性鉴别,通过对不同光谱数据预处理方式和不确定因子系数进行比较,确立了最优定性判别定标模型。同时,采用修正的偏最小二乘法,比较不同光谱预处理方法对定标模型的影响,建立了茶叶中水分、茶多酚和咖啡碱含量的定量分析模型,并对未知样本进行预测。定性分析模型的种类识别准确率达到100％,定量分析模型的决定系数均大于0.91,相对分析误差RPD均大于3。结果表明,利用NIRS分析技术可以快速定性和定量分析鉴别茶叶的类别和成分含量。     

近红外光谱检测技术在聚合物领域的应用研究进展

近红外光谱(NIR)检测技术能够提供样品丰富的结构和组成信息,且具有分析速度快、样品无需处理等突出特点,在聚合物领域有了越来越广泛的应用。综述了该技术在聚合物合成到成型加工再到回收利用整个生命周期过程中各个环节的应用研究进展。在聚合物的合成和加工过程中,近红外光谱检测技术可用于材料参量的定量测量,且由于光纤良好的化学和热稳定性,使其能够在强腐蚀、高温、高压等危险环境下进行在线实时监测。对于聚合物合成,选择聚合反应转化率、聚合产物粒径和聚合物组成三个关键参量,概述了近红外光谱在线测量上述参量的相关研究进展;对于聚合物加工,主要讨论了反应性挤出加工过程中近红外光谱在线测量聚合物分子量、残余单体含量、接枝率等反映材料加工状态参量的应用研究。在聚合物的回收利用过程中,近红外光谱可用于废旧塑料制品的定性分类识别,围绕该应用分析了其国内外的研究现状。指出了近红外光谱检测技术在应用中存在的问题,并提出几点建议,最后对该技术在聚合物领域的发展方向进行了展望,并认为随着研究工作的深入和在线测量仪器的发展,近红外光谱检测技术将在聚合物领域有着更加广阔的应用前景。     

近红外光谱的甲醇汽油定量检测与分析方法

甲醇汽油因其辛烷值高、成本低等优势成为新型化石燃料替代物,其甲醇含量的精确检测是决定其品质的重要环节,甲醇汽油组分的精确定量检测与分析对于缓解我国传统石油资源短缺但需求量增多的现状具有重大的现实意义。甲醇汽油中甲醇检测的常规方法如酒醇仪测定法、速测盒测定法等,操作复杂,准确定性低。近红外光谱分析具有测量速度快、灵敏度高、可连续测量等诸多优点,在石油化工领域定性、定量分析中具有巨大应用潜力。为研究甲醇汽油近红外光谱无损定量检测方法,配制了0.5%～30%组分的甲醇汽油标准样品,设计了甲醇汽油近红外光谱数据采集系统并采集60个组分的甲醇汽油近红外光谱数据;利用移动平均平滑法、 S-G卷积平滑法(Savitzky-Golay)和多元散射校正(MSC)对甲醇汽油近红外光谱数据进行预处理分析,研究了BP人工神经网络(ANN)和主成分回归(PCR)模型的决定系数和均方根误差,对两种算法的结果和预测效果进行对比。结果显示：各模型的均方根误差均小于1%, SG平滑-主成分回归预测模型拟合度最好,其决定系数为0.998 98;基于SG卷积平滑算法和神经网络算法建立的模型预测值与真值偏差最小,其均方根误差...     

基于近红外光谱判断分析煤种的鉴别研究

煤种信息为煤炭质量评价、进出境税收征管提供技术支撑。传统煤种鉴别方法需测定煤炭样品干燥无灰基挥发分、低煤阶煤透光率、粘结指数、恒湿无灰基高位发热量等指标,能耗大,检测周期长,不利于口岸快速通关。基于不消耗化学试剂、快速、低成本等优势,采用近红外光谱鉴别煤种受到广泛关注,但目前还未有针对全球不同产地来源煤炭的煤种鉴别应用,煤炭近红外光谱特征与煤种的相关关系仍有待挖掘。采集了来自澳大利亚、俄罗斯、印度尼西亚等9个国家410批进口煤炭代表性样品,涉及褐煤、烟煤和无烟煤3个煤种,对比分析了不同煤种煤炭样品的漫反射近红外光谱特征,发现不同煤种煤炭样品近红外光谱在吸光度、光谱斜率、特征峰上存在差异。结合样品成分信息、X射线衍射、近红外光谱进行数据挖掘,发现近红外光谱吸光度与煤炭中固定碳含量呈正相关,光谱斜率与煤炭芳构化呈负相关,煤炭芳构化增加导致长波长方向的吸收系数增大,光谱斜率变小,光谱特征吸收峰主要为水分和有机物质含氢基团的特征信息,特征峰强度取决于煤炭中水分和挥发分含量。采用主成分分析（PCA）进行数据降维,光谱变量从1 557个降到394个,对前10个主成分进行逐步判别,筛选出PC1,PC2,PC3,PC4,PC6,PC7,PC8,PC9和PC10代替原始数据作为模型输入变量,建立煤种鉴别的Fisher判别分析模型,建模样品验证准确率为98%,交叉验证准确率为97.8%,测试样品验证准确率为99.1%。PCA载荷图表明：PC1和PC2主要与煤炭挥发分含量相关,其次是水分含量。判别函数1（57.7%）与PC1的相关性最强,判别函数2（42.3%）与PC2的相关性最强,说明不同煤种中挥发分含量和水分含量的差异是近红外光谱进行煤种鉴别的内在依据。     

基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R²)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于...     

废旧纺织品近红外光谱定量分析的新模型

根据废旧纺织品所含成分对它们做分类回收和处理可节省大量纺织原材料。目前,在废旧纺织品的回收过程中往往使用人工分拣方法。这种方法成本高且效率低。近红外光谱分析是21世纪发展最迅速的技术之一,可以在不破坏样本的情况下快速测定样本的成分及每种成分的含量。利用该技术对废旧纺织品进行分析,预先判断废旧纺织品所含的成分及各种成分的含量,可为废旧纺织品的大规模精细分类回收提供帮助。多模型方法通过将各子模型的预测值做加权平均得到最终的预测值,用该方法建立的近红外光谱分析模型一般具有较好的稳定性。以废旧纺织品样本的锦纶含量为例,先用多模型方法建立了锦纶含量的近红外光谱分析模型。方法如下：将反射率向量按照波长划分为15组。用每组数据建立一个近红外光谱分析子模型。对子模型的预测值做加权平均得出锦纶含量的最终预测值。然后在多模型方法基础上,根据锦纶含量预测值与实验值之间的近似线性关系,通过用变量代替常量并对变量做标准化处理,给出了一种便于优化的预测锦纶含量的近红外光谱分析新模型。优化后的每个子模型中的参数比优化前减少了6个,这样可防止模型过拟合。将上述两个模型与常见的用偏最小二乘法建立的模型进行了对比。交叉验证的结果表明：（优化后的）新模型的拟合优度的平均值为0.820 7,单纯使用多模型方法所建模型的拟合优度的平均值为0.769 1,用偏最小二乘法建立的模型的拟合优度的平均值为0.746 7。因此, 使用多模型方法建立的模型的预测效果好于用偏最小二乘法建立的模型的预测效果。新模型的预测效果明显好于其他两个模型的预测效果。该研究主要创新之处是新模型的建立和优化。文中建模方法有望用于废旧纺织品样本其他成分的含量预测。     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测

基于橄榄油的近红外光谱数据,用判别分析(Discriminant analysis)方法把20个样品成功地分为特级初榨橄榄油和普通橄榄油两类,正确率为100％。同时测定了纯橄榄油中分别掺入菜籽油、玉米油、花生油、山茶油、葵花籽油、罂粟油的混合油的近红外光谱,掺杂油体积百分数范围为0～100%。选择最佳的光谱波段组合用偏最小二乘(PLS)法分别建立定量分析模型,预测相对误差范围在-5.67%～5.61%之间。研究结果表明,基于化学计量学方法和近红外光谱数据可为橄榄油的品质鉴定和掺杂量检测提供了一种简便、快捷、准确的方法。     

近红外光谱技术在中草药分析中的应用

中草药分析与鉴定对中草药质量控制意义重大,传统分析方法由于过程复杂、需要丰富的经验等不利因素,无法满足快速分析和在线分析的要求。近红外光谱技术具有预处理简单、分析速度快、适用于固体漫反射技术和光纤技术等特点,已经在中草药有效组分的快速测定、在线质量控制、药材真伪鉴别、产地及质量鉴定等方面得到广泛应用。文章介绍了近红外光谱技术的基本原理和分析方法,综述了近红外光谱技术在中草药定量及定性分析方面的具体应用。     

结合分类与局部PLS的近红外光谱定量分析

近红外光谱分析技术是近年来发展起来的一种快速检测技术。为了提高近红外光谱定量分析的精度,文章首先用支持向量机法对测试样本进行分类,然后选用与待测样本性质相近的同类部分校正集样品建模来预测待测属性值。为了克服分类错误样本的影响,提出了一种新的混合PLS算法(称为H_PLS法)。该算法由基于分类的局部PLS法(称为C_PLS法)和基于全部训练样本集的局部PLS法(称为D_PLS法)组成,通过比较C_PLS法和D_PLS法的输出,计算测试样本的待测属性值。针对一批汽油样本的实验结果表明,在分类完全正确时C_PLS法的预测精度高于D_PLS法,然而存在分类错误时C_PLS法的预测精度将会显著下降。H_PLS法结合了C_PLS法和D_PLS法的优点,即使存在分类错误样本,使用该方法也可以将复相关系数从D_PLS法的0.973 4和C_PLS法的0.965 6提高到0.985 8。