近红外光谱技术定量检测果味啤中的果汁含量

该文以近红外光谱分析技术快速测定菠萝啤中果汁含量为目的,采用了后向间隔偏最小二乘(backward interval partial least squares,Bi-PLS)、组合间隔偏最小二乘(synergy interval partial least squares,Si-PLS)以及遗传算法(genetic algorithm,GA)提取特征波长以提高模型性能。研究结果表明,基于Si-PLS提取的特征波长结合偏最小二乘法(partial least squares,PLS)建立的定量分析模型效果最好,从原始光谱范围4000~10000 cm^-1内筛选出3个特征光谱区间,分别为(4484~4960,5600~6051,7844~8080)cm^-1,共94个特征变量,比原始1501个波长变量减少了93.7%,验证集的均方根误差和决定系数分别为0.18%、0.89,范围误差比为3.17。实验结果表明,近红外光谱分析技术用于测定果味啤中的果汁含量是可行的,这为快速高效测定菠萝啤果汁含量提供了一种方法依据。

霉变出芽花生的近红外光谱无损检测研究

为了能够客观、快速、无损、便捷地检测花生仁霉变和出芽,研究了一种基于傅里叶变换近红外光谱技术和K最近邻（KNN）模式识别方法的霉变和出芽花生识别方法。依据花生的感官特征和前人研究经验,将花生分为正常、轻度霉变、重度霉变和发芽四类,采用傅里叶变换近红外光谱仪的积分球漫反射方法采集花生光谱（波段4 000~10 000 cm-1）。利用二阶导数算法进行光谱预处理,建立联合区间偏最小二乘（Si-PLS）识别模型,并得到特征光谱区间。然后在特征光谱区间的基础上运用主成分分析进行数据空间降维,最后建立KNN识别模型。KNN模型训练集与预测集识别率均为98.84%,表明应用近红外光谱技术和KNN法检测霉变和出芽花生效果良好,具有可行性。