食品检测中近红外光谱分析技术的应用研究

为了实现对食品成分、品质等方面的准确检测,为食品安全监管和质量控制提供有效的技术支持,引入近红外光谱分析技术,开展了该项技术在食品检测中的应用研究。通过样品制备、选择光谱采集设备、设置采集参数,采集食品近红外光谱,引入标准正态变量变换算法和自适应滤波算法,预处理采集的光谱数据,基于预处理后的数据,结合主成分分析法,构建食品成分特征与近红外光谱数据之间的数学模型,实现近红外光谱分析技术在食品检测的应用设计。实验结果表明,提出的研究应用后,食品成分检测结果与真实值更加接近,检测均方根误差较小,食品检测的准确性得到了显著提升。

花生籽仁黄酮含量近红外分析检测方法

黄酮是影响花生籽仁营养价值的重要指标,常用的分光光度法及色谱法测定黄酮含量费时费力,不适于育种过程中大批量的检测。构建其近红外测定模型可为快速检测籽仁黄酮含量提供重要的技术保障。该研究以290份不同黄酮含量的花生种质为材料,Al^(3+)显色法测定的黄酮含量在46.96~140.18 mgRT(RT:rutin)·(100 g)^(-1)之间。使用瑞典波通DA7250型号的近红外分析仪(950~1650 nm)扫描和采集花生籽仁的近红外光谱值,选用全波长光谱范围内偏最小二乘回归法(PLSR),对比单一和复合不同的预处理方法,比较不同模型的相关系数和误差来预测最佳模型,确定黄酮含量近红外光谱定标模型的最佳光谱预处理方法为“Savitzky-Golay Derivative+Baseline+De-trending”,校正集相关系数(R_(c))为0.884,标准误差(RMSEC)为4.998。模型构建过程中,采用含有Savitzky-Golay Derivative的组合光谱预处理方法可以显著提高模型预测的相关系数。利用50份花生样品对该模型进行外部验证,预测的相关系数R_(p)为0.904,而预测的均方根误差RMSEP为1.122。本研究所构建的近红外光谱模型能够无损、高效的测定花生籽仁中的黄酮含量,为选育高黄酮含量的花生品种奠定基础,并为μg·g^(-1)级物质含量的近红外模型构建提供借鉴。

近红外光谱分析技术在玉米品质检测中的应用研究进展

玉米是我国重要的粮食作物和动物饲料来源。为实现精准化营养和自动化加工,在玉米种植、仓储、深加工、饲用等领域,玉米的营养品质、安全指标及种子质量等备受关注。传统的化学检测方法会对样品产生破坏,耗时耗力,并且需要专业的技术人才进行操作,难以满足日益增长的玉米检测需求。近红外光谱分析技术具有检测速度快、操作简单、多组分同时分析等优点。本文主要综述近红外光谱分析技术在检测玉米的化学成分、安全指标、种子质量等方面的研究进展,旨在为近红外光谱分析技术在玉米的品质评价、种质选择等方面的检测应用提供参考。

近红外光谱分析技术在玉米青贮饲料检测中的研究进展

玉米青贮饲料因其丰富的营养物质、适口性好、更长的储存时间等优势,已成为反刍动物不可或缺的基础日粮,青贮饲料品质优劣直接影响反刍动物生产性能。近红外光谱分析技术因其快速、准确、非破坏性等特点,广泛应用于青贮饲料质量的检测。本文基于全株玉米青贮质量分级指数(CSQS)的指标,阐述应用近红外光谱技术构建玉米青贮饲料中的营养指标、发酵指标和安全指标预测模型,及其影响模型构建的关键因素,旨在为牧草建立近红外营养成分参数预测模型提供参考依据。

基于VSPAI的近红外光谱小麦蛋白质分析方法研究

基于模型集群分析思想,利用变量选择比自适应迭代法(VSPAI)结合偏最小二乘法(PLS)建立了小麦蛋白质含量的近红外光谱预测模型。VSPAI利用蒙特卡罗采样法随机选取样本子集,运用PLS建立样本子集的回归模型,并计算各变量回归系数的平均值和标准差,求出每个变量的初始权重,并与加权自助采样法相结合选取最佳特征变量。结果表明,VSPAI-PLS模型与竞争性自适应重加权采样结合PLS、变量组合集群分析结合PLS、变量组合集群分析迭代保留信息变量法结合PLS、引导软阈值算法结合PLS模型相比,VSPAI-PLS模型的预测精度提高了39.9%、5.9%、25.4%、46.9%。综上,将VSPAI-PLS模型应用于小麦蛋白质的近红外光谱无损检测具备可行性。

煤质近红外光谱分析中数据挖掘技术的应用

为全面了解煤炭性质,提高煤炭加工利用率,掌握煤炭品质规律显得尤为重要。近红外光谱分析技术应用优势显著,能够为煤质分析提供技术保障。研究发现,近红外光谱分析中数据挖掘技术发挥了重要的作用,进一步为建模提供了数据支撑。基于此,本文主要基于人工智能与灰分反射光谱特征的煤炭质量分析这一项目进行研究,旨在为煤质分析工作的开展提供参照和指导。基于低碳减排、节能环保理念,煤炭能源生产和消费趋势逐渐向低碳、环保方向发展。煤炭作为我国的主体能源,合理开发利用煤炭能源,可以更好兼顾生态效益、经济效益以及社会效益。有研究指出,加强煤质分析,是加快推动煤炭产业转型升级的关键,因此,探寻准确率高、快速高效的煤质分析技术至关重要。

近红外谷物品质分析仪已建模型应用性分析

【目的】验证FOSS-Infratec^(TM) Nova近红外谷物品质分析仪已建小麦、玉米、高粱模型的精确性和稳定性。【方法】对比仪器中两个检测单元(容重模块TWM检测单元和STM样品传送单元)间小麦、玉米、高粱的水分、蛋白质、淀粉含量检测结果,并对STM检测单元中不同光程下水分、蛋白质、淀粉含量与化学方法检测值进行对比。【结果】小麦在STM单元18 mm光程下、玉米在STM单元29 mm光程下样品水分、蛋白质、淀粉含量检测值与TWM和化学方法检测值间差异不显著(P>0.05),高粱在STM不同光程下样品水分、蛋白质、淀粉含量检测值与化学方法检测值拟合度不高且相关性不一致。【结论】小麦和玉米已建模型分析性能稳定、结果可靠;高粱模型检测性能较差,需进一步校准或重建模型。

浅析近红外分析仪在玉米质量检测中的应用

玉米是一种重要的农作物,在社会经济中具有不可替代的地位。因此,确保其品质稳定至关重要。随着科技的发展,近红外分析仪在玉米淀粉含量和水分检测方面得以广泛应用。因此,本文分析了近红外分析仪的工作原理,并构建了相关实验,旨在证明近红外分析仪的价值。

近红外光谱分析仪在水泥生料质量控制中的应用

介绍了NIR近红外光谱分析技术的特点及发展历史,提出了近红外光谱分析技术应用于出磨水泥生料质量检测控制时需关注的技术要点。近红外光谱分析仪安装于生料出磨斜槽处时,取样器宜为自动取样送样设备,取样点应尽量靠近NIR检测点,保持NIR检测位点为微负压状态,NIR分析仪工作时需进行降温处理,以确保NIR分析结果在误差允许范围内。对比分析了PGNAA中子活化分析技术和NIR分析技术的优缺点,结果表明,NIR分析技术的市场准入更便捷,综合成本优势更明显,后期维护更简易,具有广阔的应用前景。

花生含油量全基因组选择及近红外光谱筛选的育种技术探究

花生含油量对单位面积产油量至关重要。该性状受多个微效基因控制,但可用的紧密连锁标记十分有限,传统的分子标记辅助选择育种准确性不高。全基因组选择作为一种新的育种方法,可实现对数量性状的早期预测;近红外光谱分析可对作物品质性状(如含油量等)进行无损检测。通过两者优势互补,建立花生含油量全基因组选择和近红外光谱筛选联合的育种技术,探讨影响花生含油量全基因组选择预测准确性的因素,为花生分子育种奠定理论基础。本研究以216个重组自交系为材料构建训练群体;分别以139、464和505株F_(2)、F_(3)和F_(4)为材料构建育种群体;利用自主开发的“PeanutGBTS40K”液相芯片进行基因分型,开展含油量全基因组选择育种模型分析;通过联合全基因组选择和近红外光谱筛选技术,开展花生含油量性状的育种应用,并评价其育种效果。结果显示,对训练群体进行基因分型后,总共获得30,355个高质量SNPs,并用于11个全基因组预测的模型选择分析。含油量预测准确性最高的模型为rrBLUP,其次是randomforest和svmrbf。以重组自交系为预测群体,F_(2)、F_(3)和F_(4)各世代含油量的预测准确性分别为0.116、0.128和0.119;以重组自交系叠加上一轮的育种群体为预测群体,各世代含油量的预测准确性分别为0.116、0.131和0.160。全基因组选择联合近红外筛选要比单独的全基因组选择对各世代的含油量选择效果提高1.8%、2.7%和3.4%;与单独的近红外筛选相比,差异不显著(0.10%、0.06%和0.07%);而近红外筛选与全基因组选择相比,含油量可显著提高1.7%、2.6%和3.3%。通过联合全基因组选择和近红外光谱筛选育种,F_(3)和F_(4)分别比F_(2)的含油量提高1.2%和1.0%。F_(4)总共获得16个入选改良株系,有10个株系含油量≥55.0%,其中2个株系(SF_(4)_201和SF_(4)_379)的理论产量分别比对照增产7.0%和11.1%。本研究通过建立花生含油量性状的全基因组选择-近红外光谱筛选联合育种技术,可有效实现花生含油量性状的遗传改良。

改进模糊推理分类器进行木材树种近红外光谱开集分类识别研究

开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。

近红外光谱结合气相色谱对浓香型白酒基酒定性鉴别分析

以52个来自四川不同产区浓香型基酒为研究对象,采用光栅型近红外光谱仪采集样品近红外光谱,结合气相色谱-火焰离子化检测器(GC-FID)对酒样中挥发性组分进行检测。利用红外光谱分析软件-Bruker OPUS建立近红外光谱合格性测试模型,并对样品挥发性风味成分进行层次聚类分析(HCA)及主成分分析(PCA)。结果表明,样品中共检测出挥发性物质31种,包括醇类9种、醛类3种、酸类8种和酯类11种。HCA和PCA结果显示,对46个建模酒样分类结果一致,对验证样鉴别效果好且可与近红外合格性测试模型相互验证,说明该鉴别模型准确有效。酯类、酸类和醇类物质是造成样品近红外光谱差异性的重要原因,这一结论可为近红外光谱实现浓香型基酒快速分类鉴别提供科学依据。

近红外在线分析系统在三羟甲基丙烷生产中的应用

三羟甲基丙烷的实时反应情况,一直是困扰生产安全和质量控制的关键技术难题,传统的化学检测方法无法满足实时在线监测的要求。采用在线近红外分析系统,可实时在线分析三羟反应釜中各组分含量的变化,较好地解决了三羟甲基丙烷生产的关键技术难题。

近红外光谱分析技术在线测定颈痛颗粒流化床制粒过程中的水分

目的利用近红外光谱分析技术快速测定颈痛颗粒流化床制粒过程中水分的含量。方法以颈痛颗粒为研究对象,对流化床生产设备的视窗进行改造,采用Micro NIR PAT-U对生产过程进行在线监测,利用偏最小二乘法建立颈痛颗粒流化床制粒过程中水分的定量分析模型。结果最终建立的水分含量PLS定量模型RMSEC、RMSECV、RMSEP、R^(2)_(c)、R^(2)_(cv)、R^(2)_(p)分别为0.2454%、0.2871%、0.2798%、0.9091、0.8806、0.9046,外部验证的平均相对误差为3.0%。结论近红外光谱分析技术可以替代水分测定仪,对颈痛颗粒流化床制粒过程中水分的含量进行在线、快速、准确地测定。

近红外光谱分析在食品检测中的主要应用

本文围绕红外光谱的区分、近红外光谱分析技术的发展、近红外光谱分析技术的应用原理,对红外光谱分析技术进行了介绍。在此基础上,本文对近红外光谱分析技术在食品检测中的具体应用方式进行了分析,希望为相关从业人员提供一定的参考,全面提高对食品安全性、原产地的检查准确度,为保障我国食品市场的稳定性做贡献。

现代近红外光谱分析在食品检测中的应用

随着国民经济的不断发展以及国民生活水平的提升,人们越来越重视食品安全问题,这也使得食品检测成为了国民的关注重点之一。现代近红外光谱技术是一种新型食品检测技术,本文主要对现代近红外光谱技术的应用价值与应用措施进行了简要分析。

喷气燃料近红外光谱分析的整体不确定度评定

针对喷气燃料近红外光谱分析是仪器本身与分析模型两部分共同作用的一种间接校正分析,提出对喷气燃料近红外光谱分析方法误差应采用测量不确定度来评定。以喷气燃料20℃运动粘度近红外光谱分析为例,从整体测量不确定度的角度,充分考虑近红外光谱分析方法中各种不确定度来源,将近红外光谱仪、标准数据测定和NIR定量分析模型3个方面的不确定度确定为NIR测量结果整体不确定度的3个分量,并分别计算各分量的相对不确定度,其中对NIR定量分析模型引入的不确定度分量采用基于验证数据的β-CTI不确定度评定方法进行评定。得到的近红外光谱仪、标准数据测定和NIR定量分析模型引入的不确定度分量分别为0.11%、0.36%和0.683%,各自在整体不确定度中所占权重分别为10%、31%和59%。最后得到喷气燃料近红外光谱分析的整体相对合成不确定度为1.56%。从不确定度分量的大小可以看出,NIR定量分析方法的准确性在很大程度上依赖于所建分析模型。喷气燃料的近红外光谱分析整体不确定度的评定可有效评价该类分析方法的准确性和可靠性,并可为其他物质近红外光谱分析测定的不确定度评估提供借鉴。

基于近红外在线装置苹果糖度模型参数优化研究

糖度(SSC)是苹果内部品质主要评价指标之一,近红外光谱技术是预测苹果SSC的首选技术,优化近红外光谱采集装置的参数,可以提升模型的性能。采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1150 nm),研究不同参数条件下(运动速度、积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响,优化动态在线装置的参数。210个红富士苹果被分为两批,第一批90个苹果样品,经过Kennard-Stone算法(K-S)算法分为建模集和预测集,用于研究不同运动速度、不同积分时间对苹果SSC含量在线预测模型的影响。在0.3和0.5 m·s^(-1)两种运动速度下,使用多元散射校正(MSC)、小波变换(WT)、标准正态变量变换(SNV)对采集到的光谱进行预处理,对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS),结果表明:装置的运动速度为0.5 m·s^(-1)所建立的预测模型性能较优,在四种不同积分时间中,积分时间为120 ms时,经SNV预处理所建立的模型性能最优,其预测集的相关系数和均方根误差分别为0.968和0.331。第二批苹果120个,经K-S分为建模集和预测集,选择运动速度为0.5 m·s^(-1),积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究,结果发现:在光照强度为4.5 A时,采集到的光谱相对其他光照强度组有较大的变化,光谱在640和800 nm处的波峰基本消失。在光照强度为6.5 A时,经SNV预处理后建立的模型性能最优。再使用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)对采集的光谱数据进行波长筛选后,建立苹果SSC模型,结果表明:CARS-PLS所建立的模型性能较好,其预测集的相关系数和均方根误差分别为0.991和0.149,同时简化了模型,提高了模型的稳定性。研究表明:对动态在线设备进行参数优化,有助于提高苹果模型的预测精度,该研究有助于对苹果品质在线分选提供技术支持。

影响近红外光谱分析结果准确性的因素

本文论述了影响近红外分析准确性的各种因素,着重分析讨论了标样的组分含量、数量、样品的物性、样品预处理方法、测试条件和仪器自身等因素对近红外光谱分析准确度的影响和预防措施,为近红外光谱分析技术的广泛应用提供理论指导。

现代近红外光谱分析的信息处理技术

介绍了现代近红外光谱分析技术的要点 ,流程 ,以及建立数学模型的优化层次与建模层次。最后 ,阐明了在我国应用与发展近红外技术的策略 ,即“产业化”与“民主化”相结合。