1 湖南农业大学食品科学技术学院食品科学与生物技术湖南省重点实验室, 湖南 长沙 410128
2 湖南省农业科学院湖南省农产品加工研究所, 湖南 长沙 410125
柑橘是世界第一大水果。 不同产地的柑橘内部品质和价格有所不同, 但其外观差别较小, 外行人较难通过肉眼实现准确鉴别分析。 DNA标记法与仪器分析操作复杂、 成本较高, 且对样品具有破坏性, 无法实现快速无损分析, 影响了产品的二次销售。 近红外光谱技术是一种快速无损的新型检测手段, 可以用于不同产地农产品的鉴别分析。 由于柑橘皮对光谱的干扰较大, 导致现阶段柑橘产地无损鉴别研究匮乏。 此外柑橘体积较大, 因此需要对光谱采样点进行优化。 为此, 基于近红外光谱技术与化学计量学方法, 提出了一种用于不同产地柑橘无损鉴别的新方法。 使用近红外光谱仪得到了120个来自云南、 湖南、 广西武鸣、 广西来宾的沃柑漫反射光谱数据。 采用单一和组合光谱预处理方式以消除光谱中的多种干扰; 采用主成分分析方法对数据进行降维处理, 并以此作为输入值结合Fisher线性判别分析方法构建柑橘产地鉴别模型, 并与主成分分析模型进行对比。 此外, 考察了不同光谱采样位置(赤道线4个采集点、 果梗部以及果顶部)对结果的影响。 结果表明: 主成分分析方法结合优化光谱预处理的方法不能实现不同产地柑橘的准确鉴别分析, 最优鉴别率仅为5%; 而采用主成分分析-Fisher线性判别分析方法, 利用赤道线4个点的平均光谱结合去偏置校正或多元散射校正预处理方法可实现不同产地柑橘的100%鉴别分析; 采用主成分分析-Fisher线性判别分析对6个点的平均光谱数据进行处理时, 采用原始光谱便可实现不同产地柑橘的100%鉴别分析。 为此, 通过对光谱预处理方法以及光谱采集点的优化, 利用主成分分析-Fisher线性判别分析方法即可建立准确的柑橘产地鉴别模型, 为不同产地柑橘的快速鉴别提供了新途径, 为后续各种柑橘类水果的鉴别分析提供了参考。
近红外光谱 沃柑 无损分析 主成分分析 线性判别分析 Near infrared spectroscopy Fertile orange Non-destructive analysis Principal component analysis Fisher linear discriminant analysis 光谱学与光谱分析
2021, 41(12): 3695
1 湖南农业大学食品科学技术学院食品科学与生物技术湖南省重点实验室, 湖南 长沙 410128
2 湖南省农业科学院湖南省农产品加工研究所, 湖南 长沙 410125
3 湖南省农业科学院湖南省农产品加工研究所, 湖南 长沙 410125、
4 上海烟草集团有限责任公司技术中心北京工作站, 北京 101121
绿茶是我国饮用范围最广、 最受欢迎的一类茶叶。 不同品种绿茶叶外观上差别较小, 非专业人员难以直接用肉眼进行辨别。 传统化学方法操作复杂、 检测费用较高, 对样品具有破坏性, 无法实现快速无损分析。 近红外光谱技术是一种简便、 快速、 无损、 重现性好、 可直接用于在线定性定量分析的新型分析技术。 由于种植方式以及土壤、 气候等生长环境的差异, 不同品种绿茶叶中含氢基团有机物的种类和含量也不相同, 因此可以通过扫描样品的近红外光谱, 得到不同品种绿茶叶的特征信息, 实现对不同品种绿茶叶的快速鉴别。 研究提出了一种基于近红外光谱与化学计量学技术对不同品种绿茶的快速无损鉴别方法。 使用近红外光谱仪得到了八个品种绿茶样品的光谱图, 用主成分分析方法对不同品种绿茶样品数据进行了聚类分析。 使用连续小波变换方法消除了光谱信号中的基线干扰, 从而提升聚类效果。 利用基于标准偏差与相对标准偏差的变量筛选方法进一步提高了聚类结果的准确性。 结果表明: 主成分分析后样品的第一主成分和第二主成分的方差贡献率之和在90%以上, 可以选取前两个主成分进行聚类分析。 直接采用原始数据进行聚类分析的准确率较低, 难以满足应用需要; 连续小波变换可以有效地消除光谱信号中的基线干扰。 与直接使用原始光谱聚类结果相比, 采用连续小波变换后聚类效果有显著提升, 但依旧不能实现所有品种茶叶样品的准确鉴别。 为了进一步提高方法的稳健性和分类结果的准确性, 选取了标准偏差和相对标准偏差较大的波长数据进行聚类分析。 在符合平均值大于1%的波长范围内, 剔除标准偏差小于5‰的波长, 进一步选择较大相对标准偏差值对应的波长点进行聚类分析。 采用这种方式, 可以仅使用几十个甚至是几个波长即可实现绿茶样品品种的准确聚类分析。 波长筛选方法可以大大提高主成分分析结果的准确性, 采用近红外光谱分析技术与化学计量学方法可以实现对不同品种绿茶的快速鉴别。 经过对各个光谱吸收区域波长所对应官能团分析后, 初步得出多酚、 酰胺类以及氨基酸类物质的种类不同或含量差异是形成绿茶品种差异的重要原因。 所提出的基于近红外光谱与化学计量学技术的方法具有较强的鉴别能力, 为绿茶的快速无损分析提供了一种新手段。
近红外光谱 绿茶 连续小波变换 波长筛选 主成分分析 Near infrared spectroscopy Green tea Continuous wavelet transform Wavenumber selection Principal component analysis 光谱学与光谱分析
2019, 39(8): 2584
1 中南林业科技大学理学院, 湖南 长沙410004
2 湖南明园蜂业有限公司, 湖南 长沙410025
3 湖南省食品测试分析中心, 湖南 长沙410025
为进一步检验近红外光谱技术（NIRS）快速检测蜂蜜掺假的能力, 利用近红外光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行了定性和定量检测。 偏最小二乘-判别分析法（PLS-DA）对真假蜂蜜预测集的判别总正确率为90.2%; 不同判别方法对掺假量等级预测集的判别总正确率都低于33.3%; PLS回归只对同一蜂蜜样本掺假的定量分析结果满意: 预测集真实值与预测值的相关系数（r）为0.982 9, 预测均方差（RMSEP）为1.394 2, 而对不同植物来源和同一植物来源的不同样本的掺假量的定量分析结果不满意。 研究表明, 蜂蜜中掺入甜菜糖浆后, NIRS可实现真假蜂蜜的快速鉴别, 而不能实现掺假量等级的鉴别及掺假量的定量分析。
近红外光谱 蜂蜜 掺假 甜菜糖浆 判别分析 定量分析 Near-infrared spectroscopy Honey Adulteration Beet syrup Discriminant analysis Quantitative analysis 光谱学与光谱分析
2013, 33(10): 2637
1 中南林业科技大学, 湖南 长沙410004
2 湖南省食品测试分析中心, 湖南 长沙410025
提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性固形物含量(SSC)的新方法, 同时对蜂蜜中的水分也进行了研究。 在不同光谱范围内, 通过对原始光谱的不同预处理, 用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型, 所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内, 光谱预处理采用Norris平滑+一阶微分+多元信号校正, SSC模型的交互验证决定系数(R2CV)、 交互验证误差均方根(RMSECV)、 验证集决定系数(R2p)、 验证误差均方根(RMSEP)SSC模型分别为0.998 6, 0.190, 0.998 5和0.127, 水分模型分别为0.998 4, 0.187, 0.998 6和0.125。 近红外光谱能实现蜂蜜中SSC和水分的准确测定。 水分模型预测结果略好于相关文献的报道
近红外透反射光谱 蜂蜜检测 可溶性固形物含量 水分 Near infrared transflective spectroscopy Honey analysis Soluble solids content Moisture 光谱学与光谱分析
2010, 30(9): 2377
1 中南大学 化学化工学院, 湖南 长沙 410083
2 湖南省食品测试分析中心, 湖南 长沙 410125
3 中南大学 数学科学与计算技术学院, 湖南 长沙 410083
应用近红外光谱分析技术结合化学计量学方法, 建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类, 然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理, 结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型, 并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好；蛋白质模型在小波基为db8及小波尺度为4、spread值为6时, 预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994, 预测均方根误差分别为0.007与0.004.预测结果表明, RBF网络结合小波变换进行建模预测, 模型简单、稳健且精度较好, 该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.
近红外光谱 奶粉 径向基神经网络 小波变换 Kernard-Stone法 near infrared(NIR) spectroscopy milk powder radical basis function neural networks wavelet transformation Kernard-Stone algorithm
1 湖南省农产品加工研究所， 湖南 长沙410025
2 首都师范大学化学系， 北京100037
3 北京中医药大学中药学院， 北京100102
应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。 利用Kernard-Stone法对训练集样本进行划分， 对光谱数据预处理方法进行了选择， 比较了平滑、 范围标度化、 自标度化、 一阶微分、 二阶微分以及这几种预处理相互结合的六种方法， 确定了以平滑、 一阶微分， 范围标度化作为国公酒近红外光谱的数据预处理方法， 采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm－1及9 712～9 808 cm－1。 应用最小二乘支持向量机建立模型， 所建模型的交叉验证误差均方根为0.000 1， 预测误差均方根为0.004， 预测集的相对偏差小于5%。 与组合的间隔偏最小二乘法、 径向基-人工神经网络和支持向量机进行了比较。 该方法快速、 无损且可靠， 可作为国公酒中橙皮苷含量快速测定的手段。
国公酒 橙皮苷 近红外光谱 最小二乘法支持向量机 Guogongjiu medical wine Hesperidin Near-infrared spectroscopy Least squares support vector machines 光谱学与光谱分析
2009, 29(9): 2471
