不同塑料基体木塑复合材料（WPC）的识别及主要组分的定量分析对于废弃WPC产品的分类回收、 高效再利用, 以及产品生产过程中的质量控制、 产品销售和使用过程中规范市场秩序和维护消费者合法权益, 具有重要意义。 建立不同塑料基体WPC的主要组分的通用定量分析模型, 有助于降低检测成本, 扩大模型的适用范围。 然而。 目前国内外关于不同塑料基体的WPC定性识别研究, 尚未与WPC主要组分的定量分析相联系, 未能构建完整的技术体系。 WPC主要组分定量分析研究尚局限在单一塑料基体WPC的定量分析模型。 针对此种情况, 分别以聚乙烯（PE）和聚丙烯（PP）为增强体, 杉木为生物质填料, 加入一定量的添加剂后, 采用挤出成型法分别制备了20个不同杉木/PE配比和20个不同杉木/PP配比的WPC样品。 采用溴化钾压片法获取了40个WPC样品的红外光谱, 利用多变量统计软件对光谱数据先进行一阶导数处理, 再进行变量标准化。 利用主成分分析法（PCA）对杉木/PE和杉木/PP两种复合材料进行了分类, 由于PP和PE化学结构的差异明显, 两种复合材料在二维主成分空间中呈带状分布, 每种WPC样品处于相对独立空间, 分类正确率达100%。 利用偏最小二乘法（PLS）建立了两种复合材料通用定量分析模型, 木粉和塑料的校正模型的决定系数R2分别为0984和0985, 校正标准偏差SEC分别为1034%和1206%; 木粉和塑料的预测模型的R2均为0956, 交互验证标准偏差SECV分别为1779%和1792%; RPD值分别为483和485。 为更客观准确地检验模型的预测能力, 随机选取10个样品对所建通用定量分析模型进行外部验证。 结果显示, 模型预测准确性高, 木粉含量的预测相对偏差在±8%以内, 塑料含量的预测相对偏差在±7%以内。 建立了一套PE基和PP基WPC快速准确的识别方法和通用定量分析模型, 为红外光谱法应用于WPC生产、 质检及回收再利用过程中的定性识别和定量分析奠定了技术基础。

木塑复合材料(wood plastic composites, WPC)中生物质和塑料的比例影响其物理力学性能和价格。 建立一种快速、 准确的方法预测WPC中生物质和塑料的含量对于WPC市场的进一步发展具有重要作用。 现有的检测方法主要为热分析法, 然而, 热分析法固有的缺陷(包括检检测时间长、 测精度低、 操作复杂等)严重限制了其应用范围。 为此, 本研究采用红外光谱(FTIR)结合偏最小二乘法(PLS)对毛竹/聚丙烯(PP)复合材料样品中毛竹及PP的含量进行了快速测定。 以毛竹为生物质填料、 PP为基体材料, 同时加入一定量的添加剂, 采用挤出成型法制备了42个不同毛竹/PP比例的WPC样品。 采用KBr压片法收集42个WPC样品的红外光谱数据, 利用PLS-2和完全交互验证方式建立样品中毛竹及PP含量和光谱数据间的相关性模型。 内部交互验证结果表明, 对原始光谱进行一阶导数和SNV预处理后, 选择1 800～800 cm-1 波段建立的模型性能最佳。 毛竹和PP含量的校正模型决定系数R2均为0.955, 校正标准偏差SEC分别为1.827和1.848。 毛竹和PP含量的预测模型决定系数R2均为0.950, 交互验证标准偏差SECV分别为1.927和1.950, RPD值均为4.45。 外部验证结果表明, 毛竹和PP含量相对预测偏差均低于6%, FTIR结合PLS法可以同时快速、 准确地预测毛竹/PP复合材料中毛竹及PP含量。

为了探索一种简捷、 快速、 高效的西红柿品质检测方法， 应用近红外光谱技术与光纤传感技术相结合的新方法， 快速测量西红柿果浆样品中营养成分的含量。 实验所用的主要仪器为近红外光纤光谱仪， 波长范围为900～2　500 nm。 以164个西红柿样品为标准样品， 进行了光谱采集及相应的化学值测定。 实验数据采用偏最小二乘法（PLS）进行回归，　建立西红柿果浆中总酸及可溶性糖含量的数学模型， 并对回归方法进行统计分析。 结果为： 西红柿果浆中总酸验证集的决定系数（R2）为0.967， 均方根误差（RMSEC）为0.133， 预测均方根误差（RMSEP）为0.103； 总糖验证集的决定系数（R2）为0.976， 均方根误差（RMSEC）为0.463， 预测均方根误差（RMSEP）为0.460。 均达到了较好的预测结果， 表明该方法对定量分析西红柿果浆中多组分含量是可行的。 基于该方法快速、 简便及可对同一样品多组分含量同时分析的优点,它是一种极具发展前途的传感器， 正在逐渐成为国际传感器领域的研究热点。

地沟油检测是我国食品安全最为关注的话题之一, 它给人们的生活健康带来了极大的危害。 国内现有的检测手段也仅停留在定性检测水平上, 只能确定地沟油的有无, 还难以进行定量检测。 本实验利用近红外光谱技术与光纤传感技术相结合的新方法对勾兑混合油中地沟油的含量进行了定量分析。 将煎炸老油与九三大豆油按照一定的体积比进行勾兑, 共计50个样本, 采集其近红外透射光谱, 分别采用偏最小二乘法(PLS)和BP人工神经网络建立了煎炸老油含量的定量分析模型, 校正集决定系数分别为0.908和0.934, 验证集决定系数分别为0.961和0.952, 均方估计残差(RMSEC)为0.184和0.136, 预测均方根误差(RMSEP)都为0.111 6, 符合应用要求, 同时还结合主成分分析法(PCA)对煎炸老油与食用植物油进行了鉴别, 识别准确率为100%。 实验研究证明近红外光谱技术不仅可以准确快速的定性分析地沟油, 还能定量的检测地沟油的含量, 在油脂的检测方面具有很大的应用前景。

通过拟合带鱼糜及其鱼糕制品的近红外漫反射光谱与建立近红外的定量模型, 用于带鱼糜及其鱼糕制品中磷酸盐含量的快速无损检测。 以定标集和验证集的相关系数(rC, rV)及标准误差(SEC, SEP)作为评价模型优劣的根据。 结果表明, 采用偏最小二乘法(PLS)所建立的模型效果最佳, 带鱼糜及其鱼糕制品的定标模型的相关系数分别为0.983和0.960, 预测标准误差分别为0.032和0.101; 验证集的相关系数分别为0.951和0.954, 预测标准误差分别为0.058和0.097。 利用近红外光谱技术快速无损测定带鱼糜及其鱼糕制品中的磷酸盐含量是可行的。

借助近红外透射光谱技术得到香精样品的原始光谱, 选取波段范围为8 800～8 540和7 500～5 085 cm-1, 用主成分分析（PCA）法定性识别其中是否添加DEHP或DINP, 正确率100%。 同时测定了DEHP和DINP（浓度范围在0～100 mg·kg-1之间）在食用香精中的含量, 并以偏最小二乘法（PLS）建立定量分析模型, DEHP和DINP预测结果的相对误差分别在－17.6%～15.8%和－7.6%～9.9%之间, 预测均方根误差分别为1.39和0.98。 为检测食用香精中增塑剂的含量提供了一种可同时定性与定量的快速、 简便、 廉价、 准确的分析方法。

橄榄油兼有食用和保健的作用,价值与价格远远高于其他食用油,所以橄榄油中以劣充好的现象十分普遍。可采用近红外光谱法测定初榨橄榄油中掺杂芝麻油、大豆油和葵花籽油的光谱数据,运用改进的BP算法———Levenberg-Marquardt方法,建立PCA-BP人工神经网络方法对其进行定性判别。同时采用偏最小二乘法(PLS)建立了初榨橄榄油中芝麻油、大豆油、葵花籽油含量的近红外光谱定标模型,用交互验证法进行验证。结果表明,BP人工神经网络有很好的定性鉴别能力,PLS建立的芝麻油、大豆油、葵花籽油定标模型的相关系数分别为98.77,99.37,99.44,交叉验证的均方根误差分别为1.3,1.1,1.04。该方法无损、快速、简便,为橄榄油掺杂的检测提供了一种新的途径。