近红外光谱和电子鼻技术用于葡萄酒发酵过程中酒精度的定量分析

采用近红外光谱和电子鼻对葡萄酒的酒精发酵过程进行了动态采样检测,通过主成分回归和偏最小二乘回归对酒精度变化进行了监控和预测研究。分别建立了近红外光谱、电子鼻以及二者融合数据对酒精度定量分析的主成分回归和偏最小二乘回归模型。结果表明,近红外光谱数据和电子鼻数据的主成分回归和偏最小二乘回归模型的相关系数(r)均大于0.99,但校正均方根误差(RMSEC)和预测均方根误差(RMSEP)较大。近红外光谱和电子鼻数据融合后,模型质量得到提高,建立的偏最小二乘模型r为0.999 2,RMSEC和RMSEP分别降低为0.206%和0.205%(v/v),定量精度较高。近红外光谱和电子鼻均适用于红酒发酵过程中对酒精度的定量分析,且二者结合应用能提高定量精度。     

近红外光谱法快速测定啤酒的主要品质参数

文章分别在空气背景和蒸馏水背景下使用不同光程样品池(1,5 mm),选择不同光谱分辨率(8,16,32 cm-1)采集了83个不除气啤酒样品的近红外光谱,并应用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)方法,对啤酒的真实浓度、原麦汁浓度以及酒精度三种主要成分进行了回归分析,并建立了相应的定标与预测模型。结果发现：不同背景、不同分辨率、不同光程条件下的定标预测结果相近,逐步多元线性回归方法定标预测结果好于偏最小二乘法。在实验室实现了应用近红外光谱对不除气的少量啤酒样品(约2 mL)同时快速无损检测啤酒的三个重要指标。文章的结果为应用和进一步开发啤酒成分近红外在线分析仪奠定了基础。     

近红外光谱法测定苜蓿中的叶含量

叶含量是一项对苜蓿的营养价值和家畜采食量、消化率都很重要的指标,目前常用的手工茎叶分离后测定叶含量的方法非常费时费力。利用近红外光谱分析技术(NIRS)对人工配制叶含量为15%～55%的41个苜蓿样品, 建立了苜蓿中叶含量的预测模型。用15,25, 35个定标样品分别建立的3个模型的RMSEP分别为1.02, 1.97, 0.51,RPD依次为5.50,2.85,25.93,外部验证的决定系数r2为0.978 9,0.984 4,0.998 9。结果表明,15个定标样品已经能够建立准确测定苜蓿叶含量的近红外预测模型,且模型的准确性随着数量增加而升高。     

近红外光谱法快速测定植物油中脂肪酸含量

应用近红外光谱技术建立了快速测定植物油中4种脂肪酸含量的方法。应用气相色谱法测定52个植物油样品中棕榈酸(C16：0)、硬脂酸(C18：0)、油酸(C18：1)和亚油酸(C18：2)的含量作为其化学值(真值)。建模集样品数为41,检验集样品数为11,通过对模型的优化,结果表明建模样品集脂肪酸的化学值(真值)与近红外预测值的相关系数r分别为：r(C16：0)=0.891,r(C18：0)=0.837,r(C18：1)=0.982,r(C18：2)=0.971。检验样品集脂肪酸的化学值与近红外预测值的相关系数分别为0.921,0.891,0.946和0.949。实验结果表明气相色谱法测得的植物油中四种脂肪酸含量与近红外预测值之间存在较好的线性关系。应用近红外光谱法测定植物油中主要脂肪酸的含量是可行的。该方法既快速、方便,又可进行同一样品的多组分分析,有很好的应用前景。     

近红外漫反射光谱法测定麦冬的多糖含量

采用近红外光谱分析技术对麦冬多糖进行定量分析.对麦冬的原始漫反射光谱采用了一阶导数、二阶导数、平滑、散射校正等多种光谱解析手段,初步选择了建模波段,并结合偏最小二乘回归法对麦冬多糖进行了定标建模分析.结果表明,光谱经过一阶导数+标准乘性散射校正(MSC)+SG平滑处理,选取4 000～4 900,5 100～6 900,7 050～10 000 cm-1波段建模得到的定标模型效果最佳,分析结果精度较高,R2,RMSEC,R2CV,RMSECV,主因子数分别为0.996,0.237,0.973,0.583,6.模型经过验证样品集检验,预测相关系数达到0.968 8.     

近红外光谱法快速测定原油密度的应用研究

建立近红外光谱法快速测定原油20℃密度的方法,在市售原油光谱数据库的基础上,添加广西石化常炼原油品种,采用拓扑法建立分析模型。用该方法和标准方法对炼厂原油密度进行了三个月的对比测试,115个实际样品的预测标准偏差为0.0024g/cm3。近红外光谱法测定原油密度具有分析速度快,测定方法简便,重复性好等特点,能够满足炼厂对原油密度快速测定的要求。     

生化废水COD的近红外光谱法测定

采用近红外光谱测定在紫外光谱区表现为弱吸收响应的生化废水的化学需氧量（COD）。通过主成分分析-欧氏空间距离类聚法筛选出具有代表性的样本,从系统独立变量数的角度判断了主成分数,结合变量标准化-基线扣除的预处理方法消除光谱信号背景干扰,建立了偏最小二乘校正模型。在系统主成分数为6时,水样的COD实测值与预测值之间的相关系数为0.9348,预测标准差（RM SEC）为61.89m g/L,模型有较好的预测能力。     

近红外光谱法快速测定羊草干草品质的研究

试验共采集我国北方不同区域、不同生育期、不同干燥方式的羊草干草150份,利用近红外漫反射光谱(NIRS)技术,采用偏最小二乘回归算法(PLS),在国内首次建立了适配范围广的羊草干草的粗蛋白(CP)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)的校正模型,并对模型的预测能力进行了验证.结果表明,所建模型的预测结果与常规...     

近红外光谱法的甜菜糖度快速测定

为了实现甜菜依据含糖量定等分级,甜菜收购环节的按质论价,促进甜菜制糖行业的良好健康发展,应用近红外光谱技术对甜菜糖度的快速检测进行了系统研究,确定了一种快速、无损、准确的测量甜菜糖度的方法。采集具有代表性的28个甜菜品种,820个甜菜样品作为校正集,70个样品作为预测集,扫描得到甜菜校正集样品的近红外原始光谱,选择合适的光谱预处理方法,采用偏最小二乘法建立甜菜糖度的定量预测数学模型,以校正模型的内部交互验证均方根误差(RMSECV)、决定系数(R2)和外部预测标准误差(SEP)为指标对模型的性能进行评价,并对模型的预测效果进行了比较。采用一阶导数和标准正态变量变换对光谱进行预处理并结合偏最小二乘法所建立的定量预测数学模型的预测能力较好。甜菜糖度定量校正数学模型的模型决定系数为0.908 3,内部交互验证预测均方根误差为0.376 7。用此数学模型对预测集70个样品进行预测,预测值与实测值的相关系数达到0.921 4,预测标准误差为0.439,预测值和实测值之间不存在显著性差异(p＞0.05)。结果表明：近红外光谱法作为一种简单、快速、无损、环保的检测方法,能够良好的评价甜菜的糖度。建立的模型具有很高的精确性,可以满足甜菜糖含量测定的需要,该方法可以实现甜菜收购环节的定等分级和按质论价。     

杉木综纤维素和木质素的近红外光谱法测定

用近红外光谱法对杉木中综纤维素和木质素含量进行了快速测定。用常规湿化学方法测定了48个杉木木材样品的综纤维素和木质素,用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。综纤维素校正模型和预测模型的相关系数分别为0.96和0.93;预测标准误差分别为0.39和0.50;木质素校正模型和预测模型的相关系数分别为0.99和0.90;预测标准误差分别为0.10和0.28。结果表明,近红外光谱法可以快速分析木材中综纤维素和木质素含量。     

基于改进U-Net++和近红外光谱技术的羊毛含量快速定性分析方法研究

羊毛制品因其柔软、保暖性好等优点广受欢迎,羊毛含量是衡量这类产品质量的重要依据。目前市场上羊毛制品质量参差不齐,传统检测方法具有破坏性大、主观性强等缺点,已无法满足实时快速评估目标羊毛制品质量情况的需求。近红外光谱技术是一种无需破坏样品结构、可模型封装操作的快速测量方法。将近红外光谱技术和深度学习技术融合,提出了一种基于注意力机制和U-Net++网络的羊毛含量快速定性分析方法。在数据准备方面,使用手持便携式光谱仪采集羊毛制品样本的光谱数据,其波段范围为908.1～1 676.2 nm,并根据其含量的不同对原始样本进行了等级划分。为减少光谱采集方式对建模数据集的影响,针对同一样本在距探头5, 6, 8, 9和19 mm 5种高度,分别采集了5次光谱数据,并使用马氏距离法剔除异常样本,最终共5 125组光谱数据用于建模。在模型选择方面,U-Net++网络可通过下采样、跳跃连接和上采样等环节实现对光谱数据的特征提取,并进一步对样本进行分类预测。然而,该网络使用了大量密集的跳跃连接,易产生模型参数冗余、低层特征被重复使用等问题。鉴于此,在原始网络的基础上引入了注意力门控模块,可以更有效地提取特...     

分光光度法检测白酒中甲醇的准确度探讨

甲醇含量是白酒检验项目中最重要的质量指标 ,而国家在白酒质量标准中 ,采用分光光度计检测甲醇一项的方法中制定得不够详细、具体 ,在实践中发现标准也有需要修改和探究之处     

近红外光谱技术定量测定杨梅汁可溶性固形物

采用近红外光谱分析技术对浙江省不同产地的杨梅汁进行了光谱测定和定量分析,通过计算样品的杠杆值、学生残差和马氏距离来判别异常样品,采用偏最小二乘法(PLS)对杨梅汁的可溶性固形物进行建模分析,选取不同的分辨率和波段范围对光谱进行有效的信息提取和分析,确定了最佳的回归因子数和用于定量分析的最优波段范围。结果显示： 杨梅汁样品中有一个为异常样品,在建模时予以剔除;用于杨梅汁可溶性固形物检测的最佳分辨率和最优波段分别是4 cm-1和4 000～12 267.46 cm-1,最佳的回归因子数是8,该PLS模型的相关系数为0.957 85,校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和交互验证标准偏差(RMSECV)分别是0.431,0.925和1.07°Brix。研究表明近红外光谱检测技术能用于杨梅汁可溶性固形物的定量分析。     

砂岩的近红外光谱特征及其含水量反演

沉积岩石的强度往往会受到水的影响,含水量不同其影响程度也不相同。因此,沉积岩石的含水量测定对于后续评估其物理力学特性具有重要的价值。在岩石含水量测定方面,传统的方法往往费时、费力,而且破坏了工程结构的完整性。近红外光谱分析技术是一种非常有潜力的方法,具有实时、无损等优点。基于近红外光谱分析技术对砂岩的光谱特征以及含水量的反演进行了研究。首先,通过室内试验获取了砂岩试样不同饱和度的近红外光谱曲线;然后,对原始光谱曲线进行了异常曲线剔除以及一阶导数预处理,消除噪声、环境等因素的影响;其次,对R1（1 400 nm）和R2（1 900 nm）附近的两个吸收峰进行光谱特征变量提取以及归一化处理,消除量纲和域值的影响;接着,基于最大信息系数对提取的光谱特征变量进行分析和筛选;最后,基于筛选后的光谱特征变量采用自行搭建的BP神经网分类器对砂岩的含水量进行了反演。结果表明：（1）含水砂岩的近红外光谱吸收曲线在1 400和1 900 nm附近有着明显的吸收峰,位于1 400 nm附近的吸收峰,谱带比较宽缓,位于1 900 nm附近的吸收峰,谱带比较尖锐;随着含水量的增加,近红外光谱曲线在1 400和1 900 nm附近吸收峰的吸收强度也在增加,具有明显的正相关性,可作为砂岩含水量分析、反演的主要谱段。（2）根据计算的最大信息系数值,1 400 nm附近的峰高与含水量的相关性最强,同样1 900 nm附近的峰高与含水量的相关性最强;1 400 nm附近的峰面积、峰高和1 900 nm附近的峰高、峰面积、半高宽、右肩宽,共6个光谱特征变量,其最大信息系数值＞0.9,可作为BP神经网络反演砂岩含水量的特征变量。（3）利用最大信息系数筛选出1 400和1 900 nm附近两个吸收峰的特征变量进行BP神经网络建模,所建立的砂岩含水量反演模型训练集准确率为90.3%,测试集的准确率为83.9%,说明基于近红外光谱分析技术砂石含水量的反演方法是可行的。     

基于近红外特征光谱的番茄苗氮含量快速测定方法研究

为了提高近红外光谱技术快速测定番茄苗氮含量的准确度和稳健性, 比较分析竞争自适应重加权采样法(CARS)、蒙特卡罗无信息变量消除法(MCUVE)、向后间隔偏最小二乘法(BiPLS )和组合间隔偏最小二乘法(SiPLS)四种特征波长挑选方法, 筛选与番茄苗氮含量相关的特征光谱。在十种不同氮素处理水平下(尿素溶液浓度0～120 mg·L-1), 培育60株番茄苗样本(每个处理6株), 使其分别处于不同程度的过量氮素、氮素适度、缺氮素和无氮素状态。分别采集每株番茄苗样本的叶片, 扫描其12 500～3 600 cm-1波段的近红外光谱。比较四种方法所建立的番茄苗氮素定量分析模型可知: CARS和MCUVE挑选的特征变量所建定标模型的性能比BiPLS和SiPLS挑选的特征变量所建定标模型的性能更优, 但是预测性能远低于后者。其中, 基于BiPLS建立的番茄苗氮素含量预测模型性能最佳, 相关系数(r)、预测均方根误差(RMSEP)和性能对标准差之比(RDP)分别为0.952 7, 0.118 3和3.291 0。因此, 近红外光谱技术结合特征谱区筛选可以有效地提高番茄苗叶片氮素含量的定量分析模型指标, 使模型更实用化。但是, 特征波长挑选方法不具有普适性。基于单个波长变量筛选的方法所建立的模型较为敏感, 更适用于样本状态较为均匀的待测对象;而基于波长区间筛选的方法所建的模型相对抗干扰性更强, 更适用于样品状态不均匀, 重现性较差的待测对象。因此, 特征光谱筛选只有与样本状态及建模指标结合, 才能使其在建模过程中发挥更好的作用。     

基于近红外特征光谱的番茄苗氮含量快速测定方法研究

为了提高近红外光谱技术快速测定番茄苗氮含量的准确度和稳健性,比较分析竞争自适应重加权采样法(CARS)、蒙特卡罗无信息变量消除法(MCUVE)、向后间隔偏最小二乘法(BiPLS )和组合间隔偏最小二乘法(SiPLS)四种特征波长挑选方法,筛选与番茄苗氮含量相关的特征光谱。在十种不同氮素处理水平下(尿素溶液浓度0～120 mg·L-1),培育60株番茄苗样本(每个处理6株),使其分别处于不同程度的过量氮素、氮素适度、缺氮素和无氮素状态。分别采集每株番茄苗样本的叶片,扫描其12 500～3 600 cm-1波段的近红外光谱。比较四种方法所建立的番茄苗氮素定量分析模型可知：CARS和MCUVE挑选的特征变量所建定标模型的性能比BiPLS和SiPLS挑选的特征变量所建定标模型的性能更优,但是预测性能远低于后者。其中,基于BiPLS建立的番茄苗氮素含量预测模型性能最佳,相关系数(r)、预测均方根误差(RMSEP)和性能对标准差之比(RDP)分别为0.952 7,0.118 3和3.291 0。因此,近红外光谱技术结合特征谱区筛选可以有效地提高番茄苗叶片氮素含量的定量分析模型指标,使模型更实用化。但是,特征波长挑选方法不具有普适性。基于单个波长变量筛选的方法所建立的模型较为敏感,更适用于样本状态较为均匀的待测对象;而基于波长区间筛选的方法所建的模型相对抗干扰性更强,更适用于样品状态不均匀,重现性较差的待测对象。因此,特征光谱筛选只有与样本状态及建模指标结合,才能使其在建模过程中发挥更好的作用。     

基于LVQ与SVM算法的近红外光谱煤产地鉴别

传统煤产地鉴别方法一般以发热量、挥发分、粘结指数、哈氏可磨指数和坩埚膨胀序数作为分类指标,过程复杂耗时较多、耗费巨大的人力、物力并且无法直接快速的得到煤样产地等问题,借助近红外光谱技术快速无损检测的优势,利用基于SVM的留一算法对光谱数据集进行异常样本剔除,得到包含正确光谱信息的煤样光谱数据集,构造基于SVM算法与LVQ算法的定性分析模型,完成基于近红外光谱分析技术的煤产地的快速鉴别,无需对煤样的各种指标进行汇总并且人为预测。针对SVM分析模型中存在随机参数优化问题,引入PSO算法对SVM模型中的损失参数C和核函数半径g进行改进,得到最优参数,最后引入计算准确率的方法对比以上模型并进行评价分析。实验一共收集了加拿大、俄罗斯、澳大利亚、印度尼西亚、中国内蒙等5个地区的煤样光谱数据集,数据集共计305组煤样样本,其中异常样本共计10组,分别选择各国煤炭光谱的前31组作为训练样本,后6组数据作为测试样本,结果表明各分类模型的分类准确率均能达到75%以上,其中基于PSO算法改进的SVM分析模型的准确率可达到96.67%,仅一个样本出现问题,可快速高效地实现基于近红外光谱分析技术的煤产地的鉴别。     

南疆沙尘区骏枣叶片水分含量检测的近红外光谱预处理方法对比

南疆地区沙尘多、灰尘大,枣树叶片表面经常覆盖一定程度的粗颗粒度沙尘,为了有效去除沙尘、灰尘在枣树叶片水分光谱测量过程中产生的散射噪声和基线漂移,研究一种适用于风沙较大地区的枣树叶片水分含量的快速检测方法,以不同灌溉梯度下的枣树叶片为研究对象,通过近红外光谱仪获取120个叶片样本的1 000～1 800 nm的光谱数据,并同步测量叶片水分含量,采用归一化、移动窗口平滑、SavitZky-Golay（SG）卷积平滑、SG求导、标准正态变量校正(SNV)和多元散射校正(MSC)等方法对原始光谱进行预处理,分析对比不同方法对散射噪声的处理能力,采用偏最小二乘回归分析方法筛选了敏感波段和建立预测模型。实验结果表明,枣树叶片水分含量强吸收峰为1 443 nm,波谷为1 661 nm;归一化光谱并未消除1 000～1 400 nm波段的散射噪声;移动窗口平滑和SG卷积平滑并未改进光谱曲线,散射噪声仍然存在;SG导数光谱的光谱特征峰和特征谷明显左移,光谱曲线不够平滑,噪声明显;SNV和MSC方法具有较好的散射噪声消除能力。偏最小回归分析方法筛选特征波长的结果表明（设置筛选波长数量为5）,基于原始光谱未筛选到1 443 nm的强波峰和1 661 nm的波谷附近的波段;基于归一化光谱在1 450 nm波峰附近筛选的波长有一定的偏差,在1 661 nm波谷附近的筛选的波长明显高于1 700 nm;基于移动窗口和SG卷积平滑光谱在1 443 nm具有一定的筛选能力,但并未筛选到1 661 nm附近的波长;导数光谱并未筛选到1 443和1 661 nm波段;SNV和MSC在波峰和波谷位置附近均筛选了敏感的光谱波段,其中MSC略优于SNV方法恰好在波峰和波谷位置,共筛选了1 002, 1 383, 1 411, 1 443和1 661 nm五个特征波段,也证明了MSC方法散射噪声和基线漂移处理能力最优,提高了敏感波长的筛选能力。偏最小二乘回归模型结果表明,不同预处理方法的RMSE值均较低,SNV和MSC方法改进了模型的预测结果,R2高于0.7,其中基于MSC方法的模型具有最高的R2和最低的RMSEP和RMSEPCV,R2=0.750 4,RMSEP=0.034 3,RMSECV=0.021 5,预测结果较优。证明MSC方法对沙尘和颗粒度引入的散射噪声具有较好的去除能力,可改进波长的筛选、提高预测模型精度,为南疆沙尘区的枣树叶片水分含量的无损检测提供了有效方法。     

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。     

不同种皮颜色花生糖含量近红外模型的构建

花生籽仁中的糖含量是影响食味品质的重要指标,建立快速测定糖含量的方法可有效提高食用型花生的检测效率。样品外观颜色是影响近红外分析的重要因素之一,按样品外观颜色分类定标(校正)更有利于提高模型的预测性能。研究选择不同糖含量的花生种质332个,采用色差仪将花生种质按种皮颜色分成黑紫色、红色和粉色三大类。采用3,5-二硝基水杨酸法、蒽酮乙酸乙酯法、蔗糖酶法分别测定籽粒中的总糖、可溶性糖及蔗糖含量。总糖含量分别在6.42%～39.53%(黑紫色籽粒)、 9.66%～39.71%(红色籽粒)和8.52%～38.84%(粉色籽粒)之间;可溶性糖含量分别在2.4%～14.32%(黑紫色籽粒)、 2.94%～13.75%(红色籽粒)和2.19%～14.53%(粉色籽粒)之间;蔗糖含量分别在0.92%～7.53%(黑紫色籽粒)、 1.05%～7.23%(红色籽粒)和0.95%～7.99%(粉色籽粒)之间,变异系数均在33%以上。采用瑞典波通DA7250型近红外分析仪(950～1 650 nm)采集籽粒的近红外光谱值,选用基于全波段的偏最小二乘回归法(PLSR),通过对比单一和复合预处理方法,对比模型的相...