近红外光谱检测鲜枣酵母菌的动力学模型

酵母菌是引起鲜枣发酵的主要微生物。以室温(20 ℃)贮藏的鲜枣为研究对象,应用近红外光谱,建立了检测鲜枣内酵母菌的动力学模型,从而预测室温贮藏鲜枣的保鲜期,以确保鲜枣的品质安全。通过对近红外光谱预处理方法和特征波数的优选,分别建立了室温贮藏下鲜枣内酵母菌的近红外光谱定量检测模型和反映其变化规律的动力学模型。结果表明,在全光谱范围内,采用多元散射校正光谱预处理方法,通过多元线性回归,建立的鲜枣内酵母菌菌落总数的近红外光谱模型预测效果最好,其中校正集的相关系数为0.950,均方根误差为2.560,预测集的相关系数为0.863,均方根误差为2.477。结合鲜枣的近红外光谱,其零级反应动力学模型可以较好地描述酵母菌的变化情况,鲜枣光谱吸光度值与贮藏时间的动力学模型为B_t=171.395-124.445x₁-109.945x₂-32.763x₃-7.899x₄-1.426x₅-4.857x₆+0.045t,其相关系数为0.996,标准偏差为2.561。酵母菌安全限量为100 000 cfu·g-1,当酵母菌菌落总数初始值小于等于10 cfu·g-1时,预测鲜枣在室温下的贮藏时间为8 d,也可根据鲜枣中的酵母菌菌落总数初始值的不同实现实时监测鲜枣内部酵母菌菌落总数信息及其安全的贮藏时间。     

微波辅助提取壶瓶枣多糖及其抗氧化性

采用微波辅助法提取了壶瓶枣多糖,并对壶瓶枣粗多糖(CP)、脱蛋白多糖(DP)对·OH、O-2·和DPPH·3种自由基的清除作用进行了研究.结果表明:壶瓶枣CP和DP对3种自由基都有明显的清除作用,清除率与多糖浓度存在明显的量效关系.壶瓶枣CP和DP对·OH、O-2·和DPPH·的半清除率(IC50)值分别为0.2312、0.9326、0.1830mg/mL和0.5049、0.2016、0.0694mg/mL.CP清除能力为DPPH·＞· OH＞O-2·,DP清除能力为DPPH· ＞O-2·＞·OH.     

分光光度法测定壶瓶枣中的总黄酮

建立壶瓶枣总黄酮含量的测定方法.用70％的乙醇提取总黄酮,以芦丁为对照品,在510nm处测定.平均加标回收率为98.41％,RSD为0.74％,总黄酮的含量为0.264％.该方法准确可靠,可以作为壶瓶枣总黄酮含量测定的检测方法.     

高光谱成像技术对鲜枣内外部品质检测的研究

外部缺陷以及内部可溶性固形物的含量对提升鲜枣的采后附加值和鲜枣后续生产加工具有重要的意义,因此,为了实现同时对鲜枣内外部品质进行快速、准确识别,利用高光谱成像技术(450-1,000 nm)对壶瓶枣的“自然损伤”和可溶性固形物含量同时进行检测研究。首先,对光谱数据进行主成分分析(PCA)得到前7个主成分光谱值,对图像数据采用灰度共生矩阵(GLCM)提取到7项图像纹理指标(对比度、相关性、能量、同质性、方差、均值、熵)。然后,分别使用光谱主成分值、图像纹理特征值、以及主成分与纹理特征融合值建立偏最小二乘支持向量机(LS-SVM)模型对壶瓶枣的外部缺陷(“自然损伤”)和内部品质(可溶性固形物含量)进行检测研究。结果表明：使用主成分与纹理特征融合值建立的LS-SVM模型可作为通用模型同时对壶瓶枣内外部品质进行检测研究,其“自然损伤”判别正确率为92.5%,可溶性固形物预测集的预测相关系数(R_p)和预测均方根误差(RMSEP)分别达到了0.944和0.495。表明,采用高光谱成像技术可以建立通用模型同时对壶瓶枣的内外部品质进行检测,该研究为壶瓶枣的无损检测提供了理论参考。     

基于近红外光谱的腐乳白坯硬度检测研究

考察了硬度与腐乳白坯中水分含量和蛋白质含量的相关关系,探讨了利用近红外光谱技术检测白坯硬度的可行性。通过水分以及蛋白质的相关吸收峰建立预测白坯硬度的数学模型;在建模过程中重点讨论了多元散射校正(MSC)、一阶求导和波段选择等优化处理对建模的影响,利用偏最小二乘法得到的最优模型的建模相关系数r=0.935,建模标准差RMSEC＝0.019 3,预测标准差RMSEP=0.023 6,其分级正确率达到94.72%;利用主成分分析法结合判别分析法建立的定性判别模型,分级正确率也达到了90.12%。上述分级结果均好于感观评价的方法,表明近红外技术可以实现白坯硬度的快速无损检测。     

不同贮藏温度下滩羊肉pH值的近红外高光谱动力学模型建立

为了比较4℃、15℃两种贮藏温度下滩羊肉pH值的变化,优选出滩羊肉贮藏期间的最优模型,采用pH酸度计测量样本pH值,建立两种贮藏温度下传统动力学的零级和一级模型;应用近红外(900～1 700 nm)高光谱成像采集两种贮藏温度下滩羊肉的光谱数据,剔除异常值后进行光谱预处理;使用连续投影算法(SPA)提取特征波长,建立全波段和特征波长的偏最小二乘(PLSR)预测模型;对比分析得到的最优光谱模型与动力学模型相结合,确定滩羊肉光谱动力学模型。结果表明,4℃和15℃的传统动力学模型的相关系数分别为0.502和0.912;4℃下原始光谱经PLSR建模后效果最优,相关系数R_c为0.821,R_p为0.863,15℃经SG-S(3,7)+De-trending(4)预处理后经PLSR建模效果最优,相关系数R_c为0.876,R_p为0.819。因此,高光谱结合传统动力学的模型检测羊肉pH值的方法是可行的,该模型可以预测15℃下滩羊肉的贮藏期。     

近红外光谱预测猕猴桃硬度模型的简化研究

为简化猕猴桃硬度的预测模型,利用标准正态变量变换对猕猴桃1 000～2 500 nm近红外光谱进行预处理,在优选建模波段和采用净分析物预处理（NAP）降低建模主因子数两个方面简化猕猴桃硬度偏最小二乘（PLS）模型。结果表明,优选5 189～5 370 cm^-1,4 549～4 620 cm^-1,6 049～6 230 cm^-1,6 999～7 730 cm^-1,6 249～6 614 cm^-1等5个波段进行建模,NAP/PLS模型性能最佳,主因子数为5,校正集相关系数R2和均方根误差RMSECV分别为0.819 41和0.701 77,预测集相关系数R2和均方根误差RMSEP为0.780 67和0.882 71。与简化前的PLS模型相比,模型不仅更加简洁,而且预测能力和精度均有所提高。     

高光谱结合二维相关光谱检测灵武长枣中半纤维素的含量

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。采用定量瘀伤装置获得0,Ⅰ,Ⅱ,Ⅲ,Ⅳ级瘀伤长枣模型,通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。蒙特卡洛异常值检测法剔除异常样本后,分别用随机划分法（RS）,Kennard-Stone法（KS）、光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。采用基线校准（Baseline）、去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）,优选最佳样本集划分及预处理方法。利用2D-COS将光谱信号扩展到第2维,在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。采用竞争性自适应加权算法（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩方法（iVISSA）、变量组合集群分析法（VCPA）以及iVISSA+BOSS,iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取,并建立基于特征波长的PLSR模型。结果表明,样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优,故最佳样本集划分方法为3∶1,预处理方法为Baseline,用于后续特征波长提取。通过2D-COS分析发现3个与半纤维素相关的自相关峰（401,641和752 nm）;在2D-COS敏感区域（401～752 nm范围内）,采用BOSS,CARS,iVISSA,VCPA,iVISS+BOSS,iVISS+CARS,iVISS+VCPA分别提取了14,26,39,12,15,22和11个对应的特征波长,占总波长的18.9%,35.1%,52.7%,16.2%,20.2%,29.7%和14.8%。对比2D-COS和特征波建立的PLSR模型,2D-COS+iVISSA-PLSR模型效果较好,其R2_C=0.747 9,R2_P=0.604 7,RMSEC=0.043 8,RMSEP=0.060 3。研究表明,利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。     

近红外光谱鉴别鲜枣品种及裂果研究

我国的鲜食枣品种多样, 不同的品种其肉质有差异, 其食用品质也有差别。此外, 鲜枣收获时有裂果,裂果导致其果肉外露,腐烂变酸,失去食用价值, 并且腐烂变质的水果,很容易传染给完整果,因此有必要将裂果和完整果进行分开贮藏,以减少损失。本研究采用近红外光谱快速鉴别鲜枣品种及裂果。以室温(20 ℃)贮藏的鲜枣为研究对象,应用近红外光谱,对2个不同品种的鲜枣进行光谱分析, 采用平滑法、多元散射校正、一阶微分和二阶微分方法对光谱进行预处理, 再用回归关系法和主成分分析法进行波数选择,建立3层人工神经网络鉴别模型, 结果表明, 鲜枣品种和裂果鉴别的正确率均可达100%, 可鉴别鲜枣品种和裂果, 以减少鲜枣贮藏的损失。说明近红外光谱可以实现鉴别冬枣和梨枣品种, 以及正确的识别完整果和裂果,为鲜枣的分类贮藏和加工提供理论依据。     

广义二维相关光谱技术及其应用

广义二维相关光谱技术目前逐渐成为光谱分析中广泛应用的研究方法,综述了其历史发展、基本原理、获取谱图方法、数学计算过程、谱图性质及其解释规则,并介绍了二维红外、近红外、拉曼和荧光光谱相关光谱技术在各个领域中的应用,展望了广义二维相关光谱技术的发展趋势。     

乌拉尔甘草单粒种子硬实特性的近红外光谱分析

以乌拉尔甘草种子为材料,采用近红外光谱结合定性偏最小二乘法对244粒种子(硬实种子和非硬实种子比例为1∶1)的硬实性进行了鉴别研究,并特制一样品杯用于单粒种子的光谱采集,以降低人为误差。研究结果表明,4次重复平均光谱所建模型鉴别率显著高于单次光谱所建模型,光谱范围采用4 000～8 000 cm-1时模型效果较好,校正集、检验集、预测集样本的鉴别率分别为95.53%,95.94%和94.53%,采用不同建模样品所建模型其预测准确率均在90%以上,硬实种子和非硬实种子的预测准确率分别为92.50%和96.56%。种子大小和颜色均会影响模型的鉴别率,种子颜色的影响相对更大。     

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。     

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。     

应用近红外光谱投影模型法分析烟叶的产区与风格特征

以在2003年—2012年向国内17个主要烤烟产地,五大烟叶生态产区,收集的4 733个烟叶样品的近红外光谱为试验对象, 其中浓香型烟叶光谱1 580条, 清香型2 004条, 中间香型1 149条;应用基于主成分及Fisher准则(PPF)的方法建立烟叶生态产区和风格特征的投影分析模型,以生态产区模型的分析结果阐释了烟叶香型风格划分的合理性,并依据风格特征模型得到的预测样品投影值与模型中各类投影均值之间的欧氏距离,对预测样品给出最近和次近类别及描述风格特征程度的量化分值,结合模型中各类投影值的离散度以及设定阈值,将预测结果细化为典型浓、浓偏中、中偏浓、典型中、中偏清、清偏中、典型清、清透浓、浓透清等9类或超模型范围样品;应用2102在实际复烤生产加工及各烟叶原料基地中收集的不同部位、不同产地的35个烟叶样品验证了分析结果的合理性。该种分析方式,不仅可以实现预测样品的判别分析,并且可得到关于预测样品更细化的风格特征信息,可对烟草工业企业实现原料的跨区组合及叶组配方等提供指导。     

水分对土壤近红外光谱检测影响的二维相关光谱解析

为了能进一步分析水分对土壤近红外光谱检测的影响,分别从三个地方(桃园堡、 牧场和农大示范田)采集了三种土壤,经过筛、 烘干后分别配制了含水率为20%, 15%和10%的土壤,然后采用ASD公司的FieldSpec3光谱仪在保证其他检测条件不变的情况下,对不同含水率下不同采集地的土壤进行了检测,获得了其不同含水率下的动态光谱图。 最后视水分为外部干扰,应用二维相关光谱的理论对其进行了分析。 结果表明,在350～2 500 nm波段范围内,三个不同采集地土壤的同步二维相关光谱图比较类似,都在2 210和1 929 nm附近处出现较强的自动峰,在1 415 nm附近处有较弱的自动峰;从三处自相关峰的密集程度来看,1 929 nm处对应的官能团对水分最敏感,2 210 nm处次之,1 415 nm处最不敏感。 该研究明确找出了水分对土壤近红外光谱检测影响的敏感波段和敏感程度,为今后消除水分影响建立抗水分干扰模型提供了依据。     

棉籽油分含量近红外无损检测分析模型与应用

棉花是一种重要的油料作物。建立快速、无损检测棉花种子含油量的方法,对于棉花油分育种工作中的材料鉴定、筛选具有重要意义。利用近红外光谱仪采集118份不同油分含量棉花种籽的近红外漫反射光谱,结合化学方法测定验证,建立了棉籽油分含量快速无损检测的近红外模型。光谱预处理方法采用一阶导数＋多元散射校正(MSC),光谱范围5 446～8 848 cm-1,主成分维数为5,以基本覆盖陆地棉棉籽含油量范围的106份试验材料为校正样品集,利用偏最小二乘法(PLS)建立了棉籽仁油分含量近红外反射光谱(NIR)校正模型。校正模型决定系数R2=0.975,校正标准差SEC=0.67。用外部验证样品集进行外部验证,对所建模型的实际预测能力进行检验。结果表明,油分含量预测值与化学值相关系数r=0.978,预测结果误差范围0.1%～1.7%,建立的模型具有很好的预测性。利用建立的模型对784份育种材料进行了油分含量预测,结果显示,该模型应用可以加快棉花育种材料的油分鉴定。     

可见-近红外光谱的小麦硬度预测模型预处理方法的研究

硬度是评价小麦品质的一个重要质量参数,对小麦的分类、最终用途以及小麦籽粒组成的研究都非常重要。为实现小麦硬度的快速、准确检测,在详细分析小麦籽粒成分对红外光吸收特性的基础上,研究建立径向基函数(RBF)神经网络模型实现对未知样品硬度的准确检测,并着重分析了不同光谱信号预处理方法对模型预测精度的影响。从各小麦主产区收集111个小麦样品,扫描样品获得可见-近红外光谱,采用马氏距离判断并剔除异常光谱;利用优化后的SPXY划分样品集合,得到校正集84个样品,预测集24个样品;利用连续投影算法(SPA)从262个光谱波点中提取47个特征光谱;分别使用一阶导数、二阶导数和标准正态变量变换(SNV)及其不同组合对光谱进行预处理,验证不同预处理方法之间的相互影响,寻找最优的预处理方法组合。校正集预处理后的特征光谱数据作为RBF模型的输入,采用硬度指数法测定的对应样品硬度作为输出建立模型。预测结果显示当采用SNV和SPA处理光谱数据时模型的效果达到最优,评价指标判别系数(R2)、预测标准差(SEP)和相对分析误差(RPD)可分别达到0.90, 3.02和3.11,表明基于可见-近红外光谱的RBF神经网络模型能够准确地预测小麦的硬度,与传统检测方法相比具有方便、快速、无损等优点,为小麦硬度的检测提供一条更为便捷与实用的方法。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。首先,采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机（LS-SVM）建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数（R2_p）和均方根误差（RMSEP）分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法（Shenk’s）、直接标准化（DS）、斜率/偏差算法（S/B）进行模型传递。然后,根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长,优选出单一变量（SV）24个、共性变量（CV）23个、融合变量（FV）29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果（R2_p=0.78~0.80,RMSEP=1.07%~1.13%）明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法（CV-WC）进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差（R2_p=0.03~0.34,RMSEP=2.44%~4.67%）;基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果（R2_p=0.47~0.73,RMSEP=1.30%~1.90%）好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳（R2_p=0.73,RMSEP=1.30%）,CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。     

低电压下氮气放电的发射光谱分析

建立了一套直流放电产生氮气等离子体装置,该装置以碳纳米管修饰ITO电极为阳极,铝平板为阴极,两极间距~80 μm。在室温低电压(低于150 V)对氮气进行气体放电,利用发射光谱法对氮气放电过程中的活性物种进行了诊断研究。在直流电压下,观测到氮气发射光谱中能量最强最清晰的谱带N₂(C3Π_u),强度比较弱的Gaydon’s Green带系N₂(H₃Φ_u-G3Δ_g),以及820 nm附近氮原子的发射谱线(4p-4p0),发现氮分子的亚稳态是导致一系列激发态氮原子和氮气电离的主要因素,与交流电下(1.1 kV)产生的发射光谱相比,直流电下氮原子谱线光谱较强,且在500~800 nm范围检测到一个宽的分子谱带。考察了氧气与氢气对氮气发射光谱的影响,氧气对氮气的激发态有猝灭作用,使氮气发光强度降低,但其发射光谱图的谱型相似,都检测到氮气的第二正带系、Gaydon’s Green带系及氮原子谱线。当氮气与氢气的体积比为1∶1时,氮气的第二正带系及Gaydon’s Green带系都会受到很大的影响,说明加入的氢气可抑制氮等离子体激活,导致氮气的发光强度明显减弱,Gaydon’s Green System消失不见。碳纳米管修饰的ITO电极能使击穿电压降低,在10 V的低电压下,通过光电倍增管可观察到气体弱电离产生的光信号。