激光诱导击穿光谱联合一元回归方法定量检测大豆油中的铁含量

采用激光诱导击穿光谱(LIBS)技术对大豆油中的铁(Fe)含量进行定量检测。实验中用一系列不同Fe浓度的大豆油样品,采用二通道高精度光谱仪采集其LIBS光谱信号。根据样品LIBS谱线图,确定了Fe的两个特征谱线404.58和406.36 nm,并应用不同的一元回归方法对两个特征谱线分别建立一元指数回归定量分析模型、一元线性回归定量分析模型和一元二次回归定量分析模型。研究结果表明,Fe Ⅰ 404.58及Fe Ⅰ 406.36的一元指数、一元线性及一元二次回归模型的预测平均相对误差分别为29.49%,8.93%,8.70%和28.95%,8.63%,8.44%。Fe Ⅰ 406.36建立的回归模型预测结果优于Fe Ⅰ 404.58,三个回归模型中一元二次回归模型性能最优。由此可见,LIBS技术检测大豆油中的Fe元素具有一定的可行性,一元二次回归定量分析模型可以有效提高Fe元素预测浓度的精度。     

近红外光谱结合变量选择方法定性检测食用油中高效氟吡甲禾灵残留

利用近红外光谱技术结合变量选择方法对食用油中高效氟吡甲禾灵残留进行定性检测研究。在4000~10000 cm-1光谱范围内采集114个食用油样本的近红外透射光谱。分别采用竞争自适应重加权法(Competitive Adaptive Reweighted Sampling,CARS)、子窗口重排分析(Subwindow Permutation Analysis,SPA)和蒙特卡罗无信息变量消除(Monte Carlo Uninformation Variable Elimination,MC-UVE)3种变量选择方法在全波段范围内筛选出与食用油中高效氟吡甲禾灵相关的重要变量,最后应用偏最小二乘-线性判别(Partial Least SquaresLinear Discriminant Analysis,PLS-LDA)方法分别对筛选后的特征波数变量建立食用油中高效氟吡甲禾灵残留的判别模型,并与常用定性判别方法的结果进行比较。研究结果表明,近红外光谱技术结合变量选择方法定性检测食用油中高效氟吡甲禾灵残留是可行的,且检测精度高。CARS-PLS-LDA方法所建立的判别模型性能最优,其预测集的正确率、灵敏度及特异性均为100.00%,且建模所用波数变量数最少,仅为全波段的0.82%。此外,CARS方法优于SPA及MC-UVE方法,但3种方法均能有效筛选关键变量,减少建模波数变量数,简化判别模型,提高判别模型的精度及稳定性。     

双脉冲激光诱导击穿光谱结合多元定标法定量分析大豆油中的铅

应用双脉冲激光诱导击穿光谱(DP-LIBS)对大豆油中的铅(Pb)含量进行检测。配制9个大豆油样品,采用一定规格圆柱形桐木对样品中Pb进行富集,然后通过Ava-Spec二通道高精度光谱仪采集其LIBS光谱信号。根据样品的LIBS谱线图和美国国家标准技术研究所(NIST)原子光谱数据库,确定选用CaⅡ393.284 nm,CaⅡ396.752 nm,NⅡ399.399 nm和PbⅠ405.685 nm的特征谱线强度作为自变量,得到Pb含量的多元线性回归定量分析模型,并通过方差分析和t检验验证分析模型的可行性。结果表明,采用Pb元素直接定标法得到的平均相对误差约为16%,拟合度R2为0.981 8;采用多元线性回归模型得到的平均相对误差为7.25%,拟合度R2为0.997 1,3个检验样品的相对误差均在合理范围内。采用多元校正分析模型可以充分利用光谱中的有效信息,降低基体效应的影响,从而提高LIBS分析的准确性。     

近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展

农产品/食品品质问题一直受到人们的广泛关注,而由品质问题引起的农产品/食品安全事故越来越多,所以急需对农产品/食品品质进行快速无损检测。目前常用的快速检测方法有化学比色分析法、近红外光谱法、免疫学分析法、生物传感器技术、生物芯片检测法以及生物学发光检测法等。近红外光谱分析技术因具有分析时间短、无需样品预处理、非破坏性、无污染以及成本低等特点, 已成为一种快速的现代分析技术, 广泛应用于农产品/食品领域的品质检测。国内外许多学者对其进行了深入的研究,并且从实验室的静态研究向在线检测研究方向发展。文章概述了近红外光谱分析技术在水果、鱼类、畜肉类、牛奶、谷物以及奶酪酒精发酵上的在线品质检测/监控应用上的研究进展,指出了近红外光谱分析技术尚存在的问题,并对今后的近红外光谱分析技术作了展望。提出近红外光谱分析技术将会与网络技术相结合,实现近红外分析模型的在线更新与升级, 指出光谱成像技术将成为21世纪近红外光谱分析技术的发展趋势。     

光谱及成像技术在果蔬损伤检测研究中的应用现状与展望

果蔬在收获、运输、贮藏、分拣、包装和销售过程中均会遭受不同程度的挤压、碰撞或摩擦,从而造成果蔬损伤,如挤伤、开裂、擦伤等外部损伤,同时,在生长过程中会产生黑心、水心、褐腐、霉心等内部损伤。果蔬损伤初期特征不明显,外观与正常果实基本无异,然而随着时间的推移,损伤组织恶化扩散,最终导致整个果实腐烂变质,又进而接触感染其他果实,造成周边甚至整箱果蔬病变,对果蔬产业造成巨大的经济损失。果蔬采后损伤检测方法多种多样,其中人工检测最为简单常用,但是该方法不仅耗时耗力,容易造成错判和漏判现象,而且无法实现肉眼不可见的皮下或内部损伤检测。近年来,随着计算机技术的快速发展,越来越多的无损检测技术被广泛应用于果蔬损伤检测,其中最为常用的当属光谱和成像技术。光谱成像技术通常结合图像处理、光谱分析、化学计量学方法、统计分析等手段,利用损伤果蔬和正常果蔬的图谱信号差异实现损伤检测,具有无损、快速等优点,能解决人工检测耗时耗力且准确率低的问题。在此主要概述了8种光谱及成像技术（近红外光谱、拉曼光谱、荧光光谱、高光谱成像、空间频域成像、核磁成像、X射线成像和热成像）在果蔬损伤检测的最新研究进展,包括检测原理及其技术特点,总结分析了各技术在果蔬损伤检测方面的应用情况,并展望未来发展趋势,以期为果蔬损伤无损检测提供借鉴与参考。     

激光诱导击穿光谱结合CARS变量选择方法定量检测奶粉中的镁

为监测奶粉中的镁(Mg)元素含量,本研究利用激光诱导击穿光谱(LIBS)技术对奶粉中Mg元素进行定量检测。对于每个样品,采用压片机在20 MPa压力下进行压片处理,然后利用高精度光谱仪在200~750 nm波段范围内获取压片样品的LIBS光谱。根据LIBS光谱特征,将光谱划分为4个波段,并进行初步的波段优选和光谱预处理分析。在此基础上,采用竞争性自适应重加权算法(CARS)对波长变量进行优选,再应用偏最小二乘法(PLS)建立奶粉中Mg元素含量的预测模型,并对预测集样本进行预测。研究结果表明,LIBS技术结合CARS变量选择方法可以用于奶粉中Mg元素含量的定量检测,最优CARS-PLS预测模型的校正集和预测集的决定系数及平均相对误差分别为0.9999,0.20%和0.9742,3.29%,优于原始光谱所建立的PLS模型,且所用波长变量仅为PLS模型的7.7%。由此表明,CARS方法能有效选择有用的波长变量,可简化预测模型及提高预测模型的稳定性。本研究为奶粉中镁元素含量的快速定量分析提供参考。     

基于内标法和CARS变量优选的倍硫磷含量LIBS检测

利用共线双脉冲激光诱导击穿光谱（LIBS）技术对溶液中的倍硫磷含量进行定量检测研究。采用石墨对倍硫磷溶液进行富集,利用双通道高精度光谱仪获取样品的LIBS光谱。以碳元素谱线（CⅠ247.856 nm）为内标对210~260 nm波段谱线进行校正,然后利用竞争性自适应重加权算法（CARS）筛选与倍硫磷相关的重要波长变量,最后应用最小二乘支持向量机（LSSVM）建立倍硫磷含量的定标模型,并与基本定标法及内标法建立的单变量定标模型进行比较。研究结果表明,共线双脉冲LIBS技术可以用于溶液中的倍硫磷含量检测。基本定标法建立的最优定标模型的拟合度R²为0.935 04,预测集样品的平均预测相对误差（PRE）为41.50%;内标法建立的最优单变量定标模型的拟合度R²为0.993 61,预测集样品的平均PRE为14.91%;内标-CARS-LSSVM定标模型的拟合度R²为0.998 6,预测集样品的平均PRE为8.06%。对比上述3类定标模型,内标-CARS-LSSVM定标模型性能最优,内标法建立的定标模型次之,而基本定标法建立的定标模型最差。由此可知,CARS方法可以有效筛选倍硫磷相关的重要变量,内标法结合CARS及LSSVM方法可以改善定标模型性能,提高预测精度。     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

脐橙放置方位对近红外光谱检测结果的影响

研究了不同放置方位对近红外光谱检测脐橙可溶性固形物(soluble solids content, SSC)结果的影响。按照脐橙果梗、窝底与入射光线所成角度的不同,分成垂直(90°)、平行(0°)和任意(不包含0°和90°)三种放置方位,并采用USB4000微型光纤光谱仪在465～1 150 nm范围内以半透射方式分别采集三种放置方位的脐橙光谱。脐橙样品数为336个,其中228个样本作为校正集,其余108个样本作为预测集。应用偏最小二乘回归并结合不同的预处理方法建立不同方位下的脐橙SSC预测模型,结果表明果梗、窝底与光源所成角度为垂直时脐橙SSC预测模型性能较优,其最好的模型相关系数r_c=0.93,RMSEC=0.37%,r_p=0.88,RMSEP=0.49%。     

共线双脉冲LIBS结合变量筛选定量检测腐霉利含量

腐霉利（Procymidone）作为一种新型的农产品杀菌剂,具有防止农产品受病虫害的作用,但其在施药过程中容易使用不当危害环境和人的健康。为加强对腐霉利农药的检测,本研究应用共轴双脉冲激光诱导击穿光谱技术（LIBS）对溶液中的腐霉利含量进行定量检测研究。为配置不同浓度的腐霉利样品,将有效成分含量为98%腐霉利粉末与二甲苯按照不同比例混合并完全溶解。由于液体样品在激光击打的过程中容易将液体溅出,具有一定的危险性。因此,实验将液体样品转化为固体样品,利用石墨吸附腐霉利溶液,然后采用八通道高精度光谱仪采集样品的LIBS光谱,并利用不同预处理方法对光谱数据进行预处理。为提高腐霉利的检测精度,选择氯元素信号最强的两通道（744.555~935.843,893.107~1 057.058 nm）光谱数据,分别采用归一化函数（normalization）、基线校正（baseline correction）、标准正态变量变换（SNV）、多元散射校正（MSC）方法进行光谱预处理,并应用PLS方法建模。通过比较各预处理方法数据后,综合考虑,选择Baseline方法为最佳预处理方法。在baseline预处理方法的基础上使用无信息变量消除算法(UVE) 联合竞争性自适应重加权采样(CARS)算法剔除无信息的波长变量,筛选与腐霉利相关的重要波长变量,最后应用偏最小二乘回归建立溶液中腐霉利含量的定量预测模型。建模结果表明：经光谱预处理和UVE-CARS方法优选后,可将原4096个波长变量个数减少至13个,变量压缩率为99.68%;经UVE-CARS变量优选后建立的PLS模型的校正集的决定系数和均方根误差分别为0.990 5和0.66,预测集的决定系数和均方根误差分别为0.990 3和0.67,其模型性能优于原始光谱建立的PLS模型。结果表明,利用共轴双脉冲LIBS技术定量检测溶液中的腐霉利含量具有一定的可行性,经UVE和CARS方法筛选后可以有效提取腐霉利的特征变量及相关影响变量,剔除冗余及噪声影响变量,简化定量分析模型且提高了定量分析模型的稳定性。