近红外反射光谱快速测定四种大豆制品中寡糖含量的研究

试验探讨了近红外反射光谱测定大豆制品中寡糖(蔗糖、棉籽糖及水苏糖)含量的可行性。2012年—2014年,从国内20个代表性大豆制品加工厂收集并筛选了160个大豆制品(包括去皮豆粕、膨化豆粕、发酵豆粕及膨化大豆各40个),同时为使样品集中的寡糖含量均匀分布,采用发酵豆粕和普通豆粕混合的方法,配制人工混合豆粕样品40个,使用偏最小二乘法,采用不同导数或去散射方法对光谱进行预处理并建立近红外定标模型。在光谱预处理中,针对不同寡糖,导数处理、多元散射校正及矢量归一化方法得到良好的预测效果。所建立的近红外定标模型的蔗糖、棉籽糖和水苏糖的定标决定系数(R2_cal)分别为0.99,0.95和0.98,交互验证决定系数(R2_cv)分别为0.98,0.94和0.97,交互验证RPD_cv值分别为7.24,4.13和5.98,表明适用于大豆制品(除发酵豆粕外)中寡糖的日常检测。     

青饲大豆主要品质参数的近红外光谱快速分析

饲料是畜牧生产的物质基础,饲草原料和饲料产品营养价值的检测与评估是饲料生产中的重要环节,面对饲草资源中粗蛋白含量低和大量依靠进口饲料的局面,大豆作为优质的高蛋白豆科饲草是畜牧业生产利用的重要资源.不同青饲大豆及其不同刈割期的饲用品质参数可以评价青饲大豆的饲用性能,但目前主要以化学方法进行检测,过程繁琐,试验周期长、易造...     

单粒大豆的近红外光谱特征及品种鉴别研究

随着大豆生产及豆制品加工业的发展,大豆的品质育种已越来越被育种家所重视。传统的破坏性抽样检测方法已难以满足育种过程中早代材料的快速筛选要求。近红外光谱技术已在大豆品质检测中得到了广泛应用,但都是针对大量样本的,不能满足育种过程中对少量甚至单粒大豆品质检测的需求。文章采用AOTF近红外光谱仪对单粒大豆的漫反射光谱进行了研究。实验中测定了两个品种的大豆,分别是60粒"垦鉴豆43"和60粒"中黄13"。根据单粒大豆的近红外光谱,结合软独立建模分类法(SIMCA)建立定性分析模型,可准确鉴别大豆的品种。其研究中对"垦鉴豆43"和"中黄13"的识别正确率为100%。通过在不同部位多次测定单粒大豆的光谱,表明对于单粒种子的测定,光谱的准确获取及光谱的代表性是关键。大豆籽粒的表面形态对光谱扫描影响很大。对于表面光滑的大豆,光谱的重复性较好,而存在表面缺陷的种子,多次扫描得到的光谱存在明显差异。作为育种中快速筛选方法的需要,可在外观鉴定剔除表面缺陷的种子后,采用近红外光谱对内部成分进行检测,从而降低外部形态对光谱扫描的影响。     

三维小样本元学习模型的大豆食心虫虫害高光谱检测

为降低大豆食心虫对大豆产量以及品质的影响,实现对大豆食心虫虫害的快速检测,提出了一种基于三维关系网络小样本元学习（3D-RN）模型的大豆食心虫虫害的检测方法。首先分别对附着虫卵的,附着食心虫幼虫的,被啃食的及正常的大豆各20颗进行高光谱图像采集,提取感兴趣区,建立基于高光谱图像的3D-RN模型。最终模型的正确率达82%±2.50%。对比与模型无关的元学习和匹配网络元学习模型,3D-RN模型能够充分度量样本特征间的距离,识别效果大大提升。研究表明,基于高光谱图像的3D-RN模型能够在少量样本情况下实现对大豆食心虫虫害的检测,将小样本元学习与高光谱结合的方法为虫害检测提供一种新思路。     

萃取-酸水解法提取纯化豆粕中大豆异黄酮甙元

乙醇水溶液回流提取 ,萃取 -酸水解方法 ,从豆粕中分离纯化具有重要生物活性的大豆异黄酮甙元。优化大豆异黄酮甙元的最佳提取条件 :液料比为 1∶ 1 6 ,以 70 %乙醇回流提取 6 h,HCl- N- 5 0 3在 30℃水解萃取 2 h,在中性条件下冻干得产品。方法简单安全低成本 ,与其他文献方法比较 ,所得产品回收率及纯度令人满意     

保健品原料中大豆异黄酮的HPLC法测定

建立了一种同时测定保健品原料中大豆异黄酮6种成分的高效液相色谱测定方法,该方法可以使常见的大豆异黄酮6种主要成分大豆甙、黄豆黄甙、染料木甙、大豆甙元、黄豆黄素、染料木素得以分离和检测.采用甲醇水作流动相,梯度洗脱,Necleosil-C18色谱柱(250mm×4.6mm;5μm),流速为1.0mL/min,紫外检测器,检测波长254nm.结果表明各组分线性关系良好,相关系数(r=0.9872-0.9998),加标回收率在93%-113.6%,相对标准偏差在1.36%-3.89%.该方法简便、准确,可作为同时测定6种大豆异黄酮含量的方法.     

一种基于CCD的实时测量光栅常数的方法

光栅常数是检验光栅质量的重要参数之一.该文介绍了一种实时检测光栅参数的方法,即利用面阵CCD采集光栅衍射图像信息,通过计算衍射±1级光斑与主极大光斑的能量比得出光栅常数.这种方法具有检测速度快、系统简单、精度高等特点,可用于生产线上光栅的实时检测.     

高光谱成像技术在果蔬品质与安全无损检测中的原理及应用

水果和蔬菜的品质与安全是消费者最为关心的问题。传统的化学检测方法是一种费时费力的破坏性检测技术。随着成像和光谱技术的快速发展,高光谱成像技术已经广泛应用于农产品品质与安全的快速无损检测中。高光谱成像技术融合了传统的成像和光谱技术的优点,可以同时获取被检测物体的空间信息和光谱信息,因此该技术既可以像检测物体的外部品质,又可以像光谱技术一样检测物体的内部品质和品质安全。目前,已经有大量的基于高光谱成像技术检测水果和蔬菜品质与安全的研究性论文发表,为了深入了解高光谱成像技术的检测原理并跟踪国内外最新的研究进展,综述了高光谱成像技术在水果和蔬菜外部品质、内部品质和品质安全检测中的原理、发展和应用。另外,还简要介绍和讨论了高光谱成像系统的构成、常用的数据分析方法、发展趋势及面临的挑战。     

近红外透射技术分析大豆籽粒

本文建立了近红外透射技术 (NIT)分析大豆样本的新方法 ,批量地分析了大豆子粒的水分、蛋白、脂肪 ,定标误差分别为 0 .36 9、0 .5 78、0 .4 6 0 ,相关系数分别为 0 .95 8、0 .913、0 .912。通过 30个样本的独立样品集的定标验证 ,预测误差分别为 0 .4 0 4、0 .6 2 2、0 .5 0 8,相关系数分别为 0 .95 2、0 .90 1、0 .90 8。结果表明 ,近红外光谱技术用于测试大豆品质是可行的 ,可用于育种的早代选择     

太赫兹光谱技术用于干旱胁迫下大豆冠层含水量检测研究

近年来水资源短缺问题日益严重,部分地区由于农业灌溉用水不足导致庄稼减产农民利益受损。大豆是一种需水量较大的农作物,一旦水分亏缺将直接影响大豆植株的形态和生长发育,从而造成大豆品质降低和产量减少。大豆叶片的水分状况可真实地反映植株水分受土壤水分亏缺的影响程度,因此,大豆冠层叶片水分含量的快速获取成为一种需要。太赫兹辐射在水中的强烈衰减使其成为一种非常灵敏的非接触式探针,可以快速、无损地检测叶片含水量。因此基于太赫兹光谱这一新技术进行大豆冠层叶片含水量的检测研究,用于实时监测田间大豆的健康状况。实验选用中黄13号大豆进行栽培,为尽可能模拟田间不同程度的干旱胁迫状况,将开花期大豆进行5个不同梯度：正常供水、轻度干旱胁迫、中度干旱胁迫、重度干旱胁迫、严重干旱胁迫(分别占田间最大持水量的80%,65%,50%,35%,20%)的水分灌溉,每个梯度设置3个重复。利用人工称重法与便携式土壤水分速测仪结合将土壤含水量调控到各水分梯度要求。然后,将实验大豆植株运回实验室并利用透射式太赫兹时域光谱仪进行样本扫描,每个梯度采集18片冠层叶片,共90个样本,以2∶1的比例分为校正集和预测集。在获取各样本时域光谱数据后,根据Dorney和Duvillaret提出的模型进行了光学参数的提取,得到各样本的吸收系数谱以及折射率谱。定性分析了太赫兹时域光谱、吸收系数、折射率随水分胁迫程度不同的变化情况。实验发现：随着水分胁迫程度的降低,时域光谱的峰值呈不断衰减趋势,且均低于空白参考峰值,同时有明显的时间延迟。吸收系数值随干旱胁迫程度的加剧逐渐降低;折射率值同样随干旱胁迫程度的加剧逐渐降低。并利用偏最小二乘(PLS)和多元线性回归(MLR)方法定量研究了时域光谱、吸收系数、折射率光谱数据与叶片含水率的相关关系。结果表明,太赫兹波对大豆叶片水分差异十分敏感,基于时域光谱最大值和最小值的MLR预测精度最高,预测集相关性(r_p)达-0.939 3,均方根误差(RMSEP)为0.049 5。研究表明太赫兹光谱技术应用于大豆冠层叶片含水量观测具有良好的可行性,为开展大豆冠层含水量信息快速获取,实现科学节水管理与灌溉决策提供了新的检测手段和实验依据。     

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。     

应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究

利用傅里叶变换近红外漫反射光谱结合不同数学建模算法对不同部位取样的猪肉肉糜进行定性判别建模,并建立猪肉肉糜品质指标脂肪、蛋白质和水分含量的定量检测模型。结果表明:不同部位取样猪肉肉糜判别分析PLSDA模型性能良好,最优模型校正集判别正确率为100%,预测集判别正确率为96%;比较两种方法结合,不同光谱预处理建立各品质指标的定量模型,LS-SVM模型性能优于PLSR模型,脂肪和水分含量最佳预测模型校正及预测相关系数r均高于0.9,蛋白质含量最优模型校正及预测相关系数r,RMSEC,RMSEP和RMSECV分别为0.722,0.593,1.595,1.550和1.888,模型精度需进一步提高。研究表明利用傅里叶变换近红外漫反射光谱快速判别不同部位猪肉肉糜的方法是可行的,脂肪和水分含量定量分析模型从预测精度、稳定性及适应性考虑均具一定的通用性,具有良好的市场应用前景。     

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。     

基于近红外光谱和变量优选的棉麻混纺织物棉含量快速检测

纺织品纤维成分的快速检测对其生产过程质量监控、贸易和市场监督均具有重要的意义。利用近红外光谱技术联合变量优选对棉麻混纺织物中的棉含量进行快速检测研究。采用NIRFlex N-500型傅里叶近红外光谱仪在4 000～10 000 cm-1光谱范围内采集样本的反射光谱,对样本光谱进行范围初选和预处理分析。在此基础上,利用UVE(uninformative variables elimination),SPA(successive projections algorithm)及CARS (competitive adaptive reweighted sampling)方法对光谱变量进行优选,再应用PLS(partial least squares)建立棉麻混纺织物中的棉含量预测模型。最后,采用最优预测模型对未参与建模的样本进行预测。研究结果表明,4 052～8 000 cm-1光谱范围为棉含量较优的建模光谱范围。CARS变量选择方法能较为有效地提高预测模型的精度,CARS-PLS模型的校正集、预测集相关系数和均方根误差分别为0.903,0.749和8.01%,12.93%。因此,近红外光谱联合CARS变量优选可以用于棉麻混纺织物棉含量的快速检测,CARS方法可以有效简化预测模型,提高预测模型性能。     

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。     

基于近红外技术快速测定不同鲜肉中脂肪含量

随着畜禽肉和肉制品食用量的迅速增长,人们对肉品质量提出了更高的要求;对于肉制品,消费者最为关心是肉品质量, 当前中国对肉品品质在线检测方面的研究和应用则相对较少,尚无针对肉品品质在线无损检测开发的设备。也没能真正投入到肉品的生产加工过程。研究不同肉品脂肪的近红外快速检测模型。并采用标准化学方法进行差异分析。通过近红外技术对猪肉、牛肉、羊肉进行扫描,采用国标法(索氏提取法)对鲜肉脂肪含量进行化学值的测定,以PLS(偏最小二乘法)作为建模方法,并通过不同的光谱预处理手段分别建立了猪牛羊肉的近红外光谱参数与样品的脂肪含量之间的对应关系模型。结果表明,对于猪肉来说,选择4 260～6 014 cm-1波段+一阶导+Norris所建的模型效果最好,其校正相关系数和预测相关系数分别为0.955 6和0.961 6;对于牛肉来说,选择5 226～7 343 cm-1波段+一阶导+S-G所建的模型效果最好, 其校正相关系数和预测相关系数分别为0.923 5和0.942 7;对于羊肉来说,选择5 207～7 362 cm-1波段+一阶导+Norris所建的模型效果最好,其校正相关系数和预测相关系数分别为0.915 7和0.939 6;对于鲜肉来说,选选用波段为5 156～6 065 cm-1+二阶导+S-G所建模型效果最好,其校正相关系数和预测相关系数分别为0.916 3和0.919 4。以上所有模型的校正相关系数均大于0.91,模型都具有较高的精密度,符合不同肉制品在实际生产的需求,具有分析速度快、检测成本低、分辨率高、无损的优点。     

基于小波压缩的马铃薯全粉还原糖近红外光谱检测研究

为探讨小波压缩算法结合近红外光谱技术在马铃薯全粉还原糖含量检测中的可行性,采用傅里叶变换近红外光谱仪采集了250份马铃薯全粉样品的近红外光谱。分别优化了消失矩、小波系数和主成分因子数,优化结果为10,100和20。基于db小波函数将1 501个马铃薯全粉的近红外光谱变量压缩成100个小波系数。分别以1 501个光谱变量和100个小波系数为变量分别建立了偏最小二乘(PLS)校正模型。以62个未参与建模的样品作为预测集,考察模型的预测能力。经比较,小波压缩结合PLS的校正模型预测结果最优,模型预测相关系数为0.98,预测均方根误差为0.181%。实验结果表明小波压缩算法结合近红外光谱技术有效地保留了有效光谱信息,实现了光谱数据降维,简化了马铃薯全粉还原糖PLS校正模型,提高了模型的预测能力。     

基于FTIR的芝麻油真伪鉴别和掺伪定量分析模型

把低价油掺入到高价油是食用油脂中的常见掺伪现象,芝麻油由于品质好价格高,市场上时有假冒伪劣产品,因此应用FTIR并结合化学计量学,建立了芝麻油的真伪和掺伪的快速分析方法。首先分析了芝麻油与大豆油、葵花籽油在4 000～650 cm-1范围的FTIR谱图,由于食用植物油都是不同脂肪酸甘油三酯的混合物,其谱图极为相似,很难发现芝麻油与其他油脂的明显差异。但是不同食用油的脂肪酸组成不同,其1 800～650 cm-1红外指纹特征区也有所不同,因此可以选择该区域,对红外光谱数据用化学计量学方法进行分类识别。通过建立主成分分析(PCA)和簇类独立软模式识别(SIMCA)模型,进行了芝麻油的真伪鉴别,该模型聚类效果较为理想,识别正确率达到了100％;采用标准正态化校正(SNV)和偏最小二乘法(PLS),经过PCA分析计算,芝麻油中掺入大豆油、葵花籽油的掺伪检测限均为10%;利用FTIR和PLS,建立了芝麻油掺的定量分析模型,该模型预测值与实际值有着良好的对应关系,预测相对误差为-6.87％～8.07％之间,说明定量模型可行。本方法能够实现芝麻油的快速真伪鉴别和掺伪定量分析,其优点是模型一旦建立,分析简便、快速,可以满足大量样品的日常监测。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

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_...