近红外光谱的预处理对羊肉TVB-N模型的影响

为研究能否通过对算法参数的调整和算法的组合来减弱甚至消除便携式近红外仪和样品组织结构等对样品光谱信息的影响,提高模型的预测准确性和稳健性,实现现场快速无损检测生鲜羊肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)的目的。本研究应用不同参数组合的单一算法和不同算法组合对样品的光谱信息进行预处理并建模,从模型的预测准确性和稳健性2个方面探讨算法参数和算法组合对模型性能的影响,找出针对检测生鲜羊肉中TVB-N含量的最佳预处理方法。结果表明,不同的算法参数和算法组合对模型性能的影响差别很大,对样品的近红外光谱信息进行差分求导(窗口数为6,求导阶次为1)后,模型性能最佳。模型的校正标准差和验证标准差分别为1.21和1.31,校正标准差和验证标准差的比值为1.08小于1.2,主成分数为10,校正集相关系数和验证及相关系数分别为0.94和0.92。说明通过对算法参数的调整和对算法的组合可以有效提高模型性能,满足应用便携式近红外仪现场快速无损检测生鲜羊肉TVB-N含量的要求。

短波近红外光谱快速无损检测生鲜鸡肉胆固醇含量

采用短波近红外光谱对生鲜鸡肉中的胆固醇含量进行检测,使用便携式近红外光谱仪在近红外光谱短波区域采集236份生鲜鸡肉的光谱信息,采用化学计量学法建立鸡肉胆固醇的偏最小二乘法定量预测模型。结果表明:最佳光谱预处理方法为标准化和基线校正,并通过剔除两次异常值对模型进行校正,所建定标模型的校正集相关系数Rc=0.801 1,校正标准差(s_(EC))=6.699 8,验证集相关系数R_p=0.803 4,预测标准差(s_(EP))=7.529 6,主因子数MF=4,s_(EP)/s_(EC)=1.12,说明模型可靠性、稳健性和预测效果较好。

应用便携式近红外仪检测生鲜羊通脊肉的嫩度

在北京市内收集生鲜羊通脊肉样品98个,研究应用便携式近红外仪快速无损检测生鲜羊通脊肉嫩度,结合化学计量学的方法建立可以快速无损检测生鲜羊通脊肉嫩度的近红外光谱检测模型。在建模过程中,研究了平滑、求导和信号校正等不同光谱预处理方法对模型的影响。结果表明:最佳的光谱预处理方法为均值中心化、Savitzky-Golay(SG)一阶导数、SG平滑和正交信号校正。应用偏最小二乘法建模所得模型的校正集标准偏差0.90、验证集标准偏差2.39、校正集相关系数(R c)=0.94、验证集相关系数(R p)=0.64、主因子数为4,说明模型具备较好的预测准确性,可应用于生鲜羊通脊肉嫩度的快速无损检测中。

基于近红外光谱法快速检测毛涤织物中的纤维含量

为提高纺织面料成分的检测水平和分析速度,以134个毛涤混纺织物为研究对象,自行设计采样装置,采集其近红外光谱;然后,经一阶导数等光谱预处理方法,结合偏最小二乘法,建立了毛涤混纺织物中毛含量近红外的定量校正模型。为验证模型的实用性,对129个毛涤样品进行了预测,将预测结果进行方差分析,得到该方法与标准SN/T 0464-2003方法的结果不存在显著性差异的结论,并据此制定了纺织品原料组分近红外快速检测初筛方法的标准操作规程,经实际应用证明效果显著。

近红外光谱法快速分析有机肥料中有机质、总养分和pH值

建立了近红外光谱法结合偏最小二乘(PLS)法测定126种有机肥料中有机质、总养分和p H值的快速方法。采用K–S法分类,选取S–G平滑、S–G导数、多元散射校正和均值平均化4种前处理方法对粉碎后样品的近红外光谱信息进行预处理,以PLS法建立定量分析模型。结果表明,有机肥料中总养分的RC,SEC,RP,SEP,RPD分别为0.990,1.272%,0.985,1.084%,5.9;p H值的RC,SEC,RP,SEP,RPD分别为0.910,0.344%,0.737,0.428%,2.9。有机质项目根据国标方法分为小于40%、小于55%和大于55%3种样品进行分析,3种样品的RP分别为1.000,0.989,1.000;RPD分别为18.9,17.5,8.8。对比国标方法,有机质和总养分的测定精度满足实验室精确分析要求,p H值测定法可用于定量分析。NIR–PLS法实现了对有机肥料进行无损快速的检测分析。

近红外光谱分析技术在油品领域的应用

通过对近红外光谱分析技术原理、分析过程及油品分析解决方案的介绍，指出Sun NIR系列近红外分析仪的优点及其广泛适用于多领域的特点。

基于PLS的近红外光谱法测定有机肥料中的有机质和水分含量

提出了一种近红外光谱同时测定有机肥料中有机质和水分的无损快速分析新方法.采集全国1 7个省市的146个有机肥料样品的近红外光谱,采用标准正态变量变换（SNV）、去趋势校正（DT）、S-G平滑、S-G导数和均值中心化光谱预处理方法,并以偏最小二乘法（PLS）建立分析模型.有机质和水分含量模型的校正集标准偏差（SEC）、校正集相关系数（Rc）、验证集相关系数（RP）、预测标准偏差（SEP）和验证集相对分析误差RPD值分别为1.934％、0.992、0.987、6.;32和1.287％、0.854、0.934、3.00.结果表明,近红外光谱法可以快速的检测分析有机肥料中有机质和水分含量,并达到较高的预测精度.