提出了以纳米色敏传感器捕获挥发气体为中间介质的可见/近红外光谱检测霉菌感染小麦的新方法。 以霉菌感染的小麦为研究对象, 在恒温恒湿条件下储藏不同的时间; 通过纳米化处理过的色敏传感作为中间介质捕获小麦霉变后产生的特征挥发气体, 采用可见/近红外光谱检测分析挥发气体与纳米色敏传感结合前后的可见和近红外区域光谱变化特征, 结合多变量分析模型预测小麦的霉菌菌落数。 以灰绿曲霉和白曲霉为目标菌种, 分别接种至无菌小麦以培养出不同带菌量的小麦样本, 分别储藏3～9 d。 根据前期的预实验, 采用对特征霉变挥发气体敏感的色敏材料(8-(4-硝基苯基)-4,4-二氟硼二吡咯甲烷(NO2BDP)和8-(4-硝基苯基)-4,4-二氟-6-溴硼二吡咯甲烷(NO2BrBDP))组成的纳米传感器捕获特征挥发气体。 采用无皂乳化法合成纳米级微球聚苯乙烯-丙烯酸处理色敏材料, 提高色敏传感器捕获特征挥发气体的能力, 以纳米化前后的NO2BDP和NO2BrBDP四种色敏材料构建传感器阵列。 采集不同带菌量的小麦样本的可见/近红外光谱, 运用多变量分析方法对光谱信息进行变量筛选, 用平板菌落计数法测定菌落总数分别建立灰绿曲霉和白曲霉菌落总数的定量预测模型。 实验结果表明, 以纳米化NO2BDP和NO2BrBDP组成的传感器阵列为中介采集的带菌小麦的特征光谱波段建立的联合区间-无信息变量消除法偏最小二乘模型(Si-UVE-PLS)效果最佳, 此时预测集的交叉验证平方根(RMSECV)为0.444 4 lgcfu, 实测值与预测值的相关系数Rp为0.981 1。 采用2个纳米化和2个非纳米材料组成的色敏传感阵列结合联合区间-遗传算法偏最小二乘模型(Si-GA-PLS)检测白曲霉菌落总数取得最佳检测结果, RMSECV为0.434 9 lgcfu, Rp为0.977 2。 表明通过可见/近红外光谱与纳米色敏传感器技术结合的方法, 能够良好的完成对挥发性气体的定量检测研究, 实现霉变小麦的品质监控。Spectroscopy Technology

为评判近红外光谱技术对柑橘糖度的无损检测结果能否满足消费者感官需求并在此基础上利用变量筛选方法简化近红外光谱柑橘糖度模型。 设计了近红外光谱采集与感官品尝试验。 单因素方差分析感官品尝结果表明, 消费者对柑橘糖度的适应度存在个体差异, 但不受性别影响; 剔除异常样本组并计算柑橘糖度最低感官品尝的均方根偏差(RMSED)为0.633。 为使近红外光谱检测结果满足消费者需求, 要求光谱模型的预测均方根误差(RMSEP)小于RMSED, 并结合光谱预处理与变量筛选方法, 得到SPA-MLR模型性能最佳, 预测相关系数(Rp)为0.86、 RMSEP为0.567, 耗时仅6.8 ms, 其结果既可满足消费者的感官需求, 也使模型得到简化, 为今后在线检测提供依据。

哈夫单位、蛋黄指数和失重率是评价鸡蛋新鲜度的重要指标。通过采集反映鸡蛋内部品质的近红外（550~985 nm）透射光谱对其进行了无损、快速定量分析。通过Savitzky-Golay光谱平滑方法和一阶微分对光谱进行预处理，采用联合区间偏最小二乘法（SI-PLS）选取合适的光谱或波长区间进行建模；并将选取的特征变量通过主成分分析，获取光谱的有效信息作为反向传播人工神经网络（BP-ANN）的输入变量进行非线性建模。比较两种模型的预测效果发现SI-PLS模型的性能优于BP-ANN模型。实验结果表明：应用近红外透射光谱评价鸡蛋的新鲜度是可行的。

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度, 在识别模型建立过程中, 引入一类支持向量机(OC-SVM)算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。 首先获取鸡蛋在10 000～4 000 cm-1范围内的近红外漫反射光谱, 通过主成分分析方法提取光谱数据中的特征信息, 优选了3个主成分作为模型的输入向量, 然后采用OC-SVM区分新鲜蛋和非新鲜蛋。 在模型建立过程中, 对相关参数进行了优化, 试验结果显示在相同条件下, OC-SVM模型识别结果较传统的支持向量机模型好。 最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80%, 传统的支持向量机对新鲜度的识别率为100%, 对非新鲜度的识别率却为0%。 研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的; OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。