仇遜超

(哈爾濱金融學(xué)院計(jì)算機(jī)系，黑龍江 哈爾濱 150030)

東北紅松仁中脂肪含量較高，且大部分為不飽和脂肪酸、亞油酸和油酸，對(duì)人體的健康十分有益，其中不飽和脂肪酸對(duì)降低血脂、血壓和預(yù)防心血管疾病有一定的功效，而亞油酸在經(jīng)過(guò)人體的消化吸收后可以轉(zhuǎn)化為二十碳五稀酸(Eicosapentaenoic Acid，EPA)和二十二碳六稀酸(Docosahexaenoic Acid，DHA)，這2種物質(zhì)能夠促進(jìn)腦部和視網(wǎng)膜的發(fā)育，對(duì)視力退化以及老年癡呆癥有一定的預(yù)防作用[1]。此外紅松仁中脂肪含量對(duì)紅松籽的貯藏品質(zhì)有一定的影響，油脂酸敗會(huì)使松仁產(chǎn)生異味，縮短紅松籽的貯藏壽命[2]。因此，紅松仁中的脂肪不僅能夠作為評(píng)定紅松籽果實(shí)營(yíng)養(yǎng)價(jià)值的重要依據(jù)，還對(duì)決定紅松籽的貯藏時(shí)間起到重要作用。目前紅松仁脂肪的提取主要采用基于索氏提取的化學(xué)分析法，該方法步驟繁鎖、提取耗時(shí)較長(zhǎng)，并且由于需要大量揮發(fā)性溶劑，在檢測(cè)過(guò)程中會(huì)危害檢測(cè)人員的身體健康[3]，檢測(cè)后紅松仁也無(wú)法繼續(xù)使用。因此，建立一種簡(jiǎn)便、快速、安全、準(zhǔn)確、非破壞性的紅松仁脂肪含量檢測(cè)方法，十分必要。

近紅外光譜分析技術(shù)將化學(xué)計(jì)量學(xué)方法與近紅外光譜檢測(cè)技術(shù)相融合，通過(guò)分析被測(cè)物品的合頻或倍頻振動(dòng)吸收光譜，對(duì)物質(zhì)的組成、結(jié)構(gòu)進(jìn)行定量、定性分析，進(jìn)而實(shí)現(xiàn)被測(cè)物品的綠色檢測(cè)分析，該方法操作簡(jiǎn)便，過(guò)程快速，無(wú)需任何溶劑就可同時(shí)完成多項(xiàng)指標(biāo)的測(cè)定，且對(duì)樣品不會(huì)產(chǎn)生任何破壞[4]。孫曉明等[5]利用SupNIR-1000近紅外光譜儀,在1 000 nm至1 799 nm光譜范圍內(nèi)對(duì)牛肉和肉餡的脂肪含量進(jìn)行檢測(cè)研究，其整塊牛肉和肉餡的脂肪模型預(yù)測(cè)相關(guān)系數(shù)分別為0.810和0.972。張中衛(wèi)等[6]在900 nm至1 700 nm波長(zhǎng)范圍下，利用微型近紅外光纖光譜儀結(jié)合Y型探頭，對(duì)奶粉中脂肪含量進(jìn)行了漫反射光譜測(cè)定，所建脂肪模型的預(yù)測(cè)標(biāo)準(zhǔn)差為1.109。近年來(lái)研究人員利用近紅外光譜技術(shù)對(duì)堅(jiān)果也展開(kāi)了研究。郝中誠(chéng)等[7]在1 000 nm至1 800 nm波長(zhǎng)范圍內(nèi)建立了南疆溫185核桃水分近紅外模型，模型預(yù)測(cè)的平均偏差為0.35%。劉潔等[8]采用近紅外光譜法對(duì)栗仁及帶殼板栗水分進(jìn)行了定量分析，栗仁、帶殼板栗的水分模型驗(yàn)證集均方根誤差分別是1.83%、2.27%。傅誼等[9]應(yīng)用近紅外光譜技術(shù)構(gòu)建了板栗淀粉、糖度和硬度偏最小二乘模型，結(jié)果表明這3種模型的相關(guān)系數(shù)都達(dá)到了0.99以上。作者前期研究結(jié)果也證實(shí)利用近紅外光譜技術(shù)可以實(shí)現(xiàn)對(duì)東北紅松籽內(nèi)部蛋白質(zhì)[10]和水分[11]的定量檢測(cè)。采用近紅外分析技術(shù)對(duì)紅松仁脂肪進(jìn)行檢測(cè)的研究還未見(jiàn)報(bào)道。

本研究擬在900 nm至1 700 nm光譜范圍內(nèi)，利用便攜式光譜儀對(duì)紅松仁脂肪進(jìn)行定量檢測(cè)。采用求導(dǎo)、多元散射校正、變量標(biāo)準(zhǔn)化校正和矢量歸一化多種預(yù)處理方法對(duì)原始紅松仁光譜數(shù)據(jù)進(jìn)行處理，分析討論不同光譜預(yù)處理方法對(duì)紅松仁脂肪建模精度的影響，經(jīng)過(guò)對(duì)比分析選定最佳的預(yù)處理方法。在預(yù)處理結(jié)果的基礎(chǔ)上，利用間隔偏最小二乘法、反向間隔偏最小二乘法、無(wú)信息變量消除法，探討光譜波段篩選法對(duì)紅松仁脂肪建模精度的影響，通過(guò)比較分析進(jìn)而確定最優(yōu)的波段篩選方法以及適合建模的波段范圍，最終構(gòu)建出質(zhì)量較好的去殼紅松仁脂肪近紅外數(shù)學(xué)模型，從而實(shí)現(xiàn)對(duì)紅松仁脂肪的高效、準(zhǔn)確、快速定量無(wú)損檢測(cè)。

1 材料與方法

1.1 材料

生紅松籽樣品由黑龍江省伊春市涼水國(guó)家級(jí)自然保護(hù)區(qū)提供，試驗(yàn)前對(duì)全部紅松籽樣品進(jìn)行清洗、擦拭，并按照松子貯藏標(biāo)準(zhǔn)，將全部紅松籽樣品保存于相對(duì)濕度50%～60%、溫度-1～2 ℃條件下。為了滿足光譜數(shù)據(jù)的采集要求，獲取紅松籽樣品近紅外光譜信息前，先將其放置于實(shí)驗(yàn)室24 h，以保證其溫度和濕度與實(shí)驗(yàn)室環(huán)境相一致。選取紅松籽樣品5 168粒，進(jìn)行手工去殼，并完全去掉紅衣，從中挑選出134份樣品用于后續(xù)的檢測(cè)研究，并按照3∶1的比例對(duì)樣品進(jìn)行校正集與驗(yàn)證集的劃分，校正集樣品用以實(shí)現(xiàn)模型的構(gòu)建，驗(yàn)證集樣品用以實(shí)現(xiàn)對(duì)模型的驗(yàn)證。

1.2 試驗(yàn)設(shè)備

光譜儀器為德國(guó)INSION公司產(chǎn)品NIR-NT-spectrometer-OEM-system(圖1)，適用光譜波長(zhǎng)范圍為900～1 700 nm，探測(cè)器陣列為InGaAs陣列，光譜分辨率<16 nm，入口光纖為300 μm/330 μm，體積為67 mm×36 mm×22 mm(長(zhǎng)×寬×高)。該光譜儀器尺寸小，無(wú)可移動(dòng)器件，操作簡(jiǎn)單、便攜，價(jià)格低廉，可在復(fù)雜環(huán)境下工作，并且不受劇烈振動(dòng)的影響，適合紅松仁樣品的在線檢測(cè)。光源為鹵素光源，其工作電壓為24 V。鹵素?zé)艄庠磁c紅松仁樣品間采用Y型光纖連接，光纖的另一端與光譜儀連接，光譜儀與PC機(jī)間通過(guò)USB線實(shí)現(xiàn)連接。

圖1 NIR-NT光譜儀Fig.1 NIR-NT spectrometer

1.3 試驗(yàn)方法

1.3.1 紅松仁近紅外光譜數(shù)據(jù)的獲取方法 獲取紅松仁樣品光譜數(shù)據(jù)的過(guò)程中，保持實(shí)驗(yàn)室環(huán)境溫度在26 ℃左右。采集紅松仁光譜數(shù)據(jù)前，先將鹵素光源、近紅外光譜儀打開(kāi)預(yù)熱15 min，使其穩(wěn)定，對(duì)標(biāo)準(zhǔn)鍍金漫反射背景體進(jìn)行掃描，用于后續(xù)試驗(yàn)的背景參比；采用漫反射方式掃描，設(shè)定平均掃描次數(shù)為3次，光譜儀積分時(shí)間為30 ms。將紅松仁樣品至于探頭上，保證光源對(duì)紅松仁樣品的垂直照射，通過(guò)對(duì)樣品的4次重新擺放連續(xù)掃描，以實(shí)現(xiàn)對(duì)樣品的共12次掃描。紅松仁樣品光譜的測(cè)量示意圖如圖2所示，試驗(yàn)過(guò)程中，紅松仁與光源的距離在3 mm左右。

圖2 紅松仁光譜測(cè)量示意圖Fig.2 The schematic diagram of spectra measurement for peeled Korean pine seeds

1.3.2 紅松仁脂肪的化學(xué)測(cè)定方法 采用食品安全國(guó)家標(biāo)準(zhǔn)GB5009.6-2003中的索氏提取法，對(duì)紅松仁樣品的脂肪含量進(jìn)行測(cè)定。

2 結(jié)果與分析

2.1 檢測(cè)模型校正集與驗(yàn)證集樣品的劃分

采用基于歐式距離的Kennard-Stone(K-S)方法[12]劃分紅松仁脂肪含量近紅外光譜檢測(cè)模型的校正集和驗(yàn)證集。劃分結(jié)果(表1)顯示，紅松仁樣品脂肪含量分布在60%至71%之間，差異較廣，代表性較高，反映了紅松仁樣品選取的合理性，也表明這些紅松仁樣品能夠滿足構(gòu)建近紅外模型的要求；驗(yàn)證集紅松仁樣品的脂肪含量分布在60.58%至65.24%之間，其覆蓋范圍小于校正集紅松仁脂肪含量變化范圍(60.04%～70.93%)，表明紅松仁樣品校正集所構(gòu)建的脂肪含量檢測(cè)模型能較好地適用于驗(yàn)證集樣品。

表1 紅松仁脂肪含量近紅外光譜檢測(cè)模型的校正集和驗(yàn)證集

2.2 紅松仁近紅外光譜數(shù)據(jù)分析

采用漫反射方法采集紅松仁樣品的原始反射光譜數(shù)據(jù)(圖3)，光譜波長(zhǎng)范圍為906.90～1 699.18 nm，采樣間隔為6.83 nm。脂肪是由脂肪酸和甘油組成的三酰甘油酯，組成元素為C、H、O，其結(jié)構(gòu)長(zhǎng)鏈中的主要基團(tuán)為烴基。圖3中950 nm附近的微弱波峰為C-H鍵伸縮振動(dòng)的三倍頻[13]，根據(jù)文獻(xiàn)[14]可知，1 160 nm附近的波峰為C-H鍵二級(jí)倍頻吸收，1 660 nm附近的較小波峰為C-H鍵一級(jí)倍頻吸收。根據(jù)文獻(xiàn)[6]可知，脂肪C-H鍵倍頻吸收的特征譜帶在950～1 020 nm、1 070～1 440 nm、1 520～1 680 nm處。因此本研究選取的波長(zhǎng)范圍包含了脂肪的特征吸收區(qū)域，說(shuō)明紅松仁樣品的光譜數(shù)據(jù)能夠反映其脂肪的相關(guān)信息。此外，由于受到近紅外光譜區(qū)自身吸收強(qiáng)度弱、靈敏度低等的影響，原始近紅外光譜呈現(xiàn)出較為復(fù)雜的重疊信息，但是從整體光譜曲線來(lái)看其重復(fù)性較好，形態(tài)具有相似性和一定的規(guī)律性。

圖3 紅松仁樣品原始近紅外光譜數(shù)據(jù)Fig.3 The original spectrum of the peeled Korean pine seed samples

2.3 紅松仁近紅外光譜的預(yù)處理

采用矢量歸一化(Vector normalization)、一階導(dǎo)數(shù)(First derivative, 1-Der)、二階導(dǎo)數(shù)(Second derivative, 2-Der)、多元散射校正(Multiplication scatter correction, MSC)、變量標(biāo)準(zhǔn)化校正(Standard normalized variate, SNV)方法對(duì)原始紅松仁光譜進(jìn)行預(yù)處理，以消除附加散射變動(dòng)、光程變化、噪聲信息等對(duì)原始光譜數(shù)據(jù)的干擾。采用偏最小二乘回歸分析(PLS)，構(gòu)建多個(gè)紅松仁脂肪近紅外光譜模型，根據(jù)計(jì)算所得的各模型校正集相關(guān)系數(shù)(Rc)、驗(yàn)證集相關(guān)系數(shù)(Rp)、校正集均方根誤差(RMSEC)、驗(yàn)證集均方根誤差(RMSEP)參數(shù)，評(píng)定模型的優(yōu)劣，從而實(shí)現(xiàn)對(duì)最優(yōu)光譜預(yù)處理方法的選取。最優(yōu)參數(shù)的評(píng)價(jià)標(biāo)準(zhǔn)是：相關(guān)系數(shù)越大(越接近1)越好，均方根誤差越小(越接近0)越好。

通過(guò)對(duì)光譜數(shù)據(jù)進(jìn)行導(dǎo)數(shù)處理，可以消除基線和背景干擾，但處理效果會(huì)受到求導(dǎo)窗口寬度的影響，因此，需要對(duì)最佳窗口寬度進(jìn)行確定。依據(jù)模型的交叉驗(yàn)證均方根誤差(RMSECV)評(píng)定最佳求導(dǎo)窗口寬度，評(píng)定標(biāo)準(zhǔn)為RMSECV越小越好。由圖4可知，預(yù)處理中當(dāng)1-Der、2-Der窗口寬度分別取10、25時(shí)，構(gòu)建的脂肪PLS模型RMSECV值最小。

圖4 不同窗口寬度導(dǎo)數(shù)建模結(jié)果對(duì)比Fig.4 The results of derivative models in different window width

利用Matlab 7.10.0軟件平臺(tái)，對(duì)原始紅松仁光譜進(jìn)行多種不同預(yù)處理，分別構(gòu)建脂肪PLS模型。由表2可知，原始紅松仁光譜經(jīng)過(guò)歸一化、SNV、MSC預(yù)處理后，模型的質(zhì)量反而下降了，這是因?yàn)轭A(yù)處理后光譜的真正有效信息減少了，并且MSC建立的模型略劣于SNV建立的模型，這是由于二者的校正原理不同，SNV是將每條光譜看作滿足正態(tài)分布的數(shù)據(jù)來(lái)進(jìn)行處理的，即對(duì)每一條光譜數(shù)據(jù)進(jìn)行單獨(dú)處理，而MSC則是對(duì)一組樣品的全部光譜陣進(jìn)行整體預(yù)處理。經(jīng)過(guò)求導(dǎo)處理后模型的質(zhì)量提升了，說(shuō)明經(jīng)過(guò)求導(dǎo)預(yù)處理后特征信息被有效地提取了，也表明選用合理的預(yù)處理方法可以使模型的穩(wěn)健性和預(yù)測(cè)精準(zhǔn)度得到提高。但經(jīng)2-Der預(yù)處理后構(gòu)建的模型質(zhì)量低于1-Der構(gòu)建的模型，說(shuō)明在2-Der預(yù)處理過(guò)程中雖然消除了背景與基線的干擾，但也放大了噪聲。采用1-Der預(yù)處理后得到的紅松仁脂肪PLS模型最佳，其Rc為0.878 6，Rp為0.836 3，RMSEC和RMSEP分別為0.650 8、0.695 0。

2.4 紅松仁光譜數(shù)據(jù)的特征波段篩選

全波段范圍內(nèi)光譜數(shù)據(jù)信息量大，冗余信息較多，容易造成較長(zhǎng)的處理時(shí)間，以及大量的建模計(jì)算工作，對(duì)產(chǎn)品的在線快速檢測(cè)不利，此外某些波段區(qū)域的信噪比較低，對(duì)模型建立產(chǎn)生影響和干擾[15]。采用間隔偏最小二乘法(Interval partial least squares, iPLS)[16]、反向間隔偏最小二乘法(Backward interval partial least squares, BiPLS)[17]和無(wú)信息變量消除法(Elimination of uninformative variables, UVE)[18]對(duì)經(jīng)過(guò)預(yù)處理的光譜數(shù)據(jù)進(jìn)行特征波段篩選，以減少數(shù)據(jù)冗余，加快處理速度，提高模型精度。

分割數(shù)的大小直接影響到間隔偏最小二乘法(iPLS)、反向間隔偏最小二乘法(BiPLS)模型的效果。分割數(shù)較大時(shí)，不能有效地減少變量數(shù)目，使得計(jì)算量大、建模復(fù)雜；較小時(shí)，則會(huì)剔除掉信息量較好的區(qū)間。由圖5可知，iPLS、BiLPS分割數(shù)分別取15、10時(shí)，經(jīng)波段篩選后，構(gòu)建的相應(yīng)紅松仁脂肪模型最優(yōu)。

圖6為紅松仁光譜經(jīng)1-Der預(yù)處理后，在分割數(shù)為15時(shí)iPLS波段篩選結(jié)果，其中，虛直線為全光譜波長(zhǎng)范圍下經(jīng)過(guò)1-Der預(yù)處理后構(gòu)建模型的RMSECV，虛線以下的波段區(qū)間為篩選保留的區(qū)間。保留的波段組合區(qū)域是1、3、6、8，對(duì)應(yīng)的波長(zhǎng)范圍為906.90～1 002.52 nm、1 111.80～1 207.42 nm、1 419.15～1 514.77 nm、1 624.05～1 699.18 nm。圖7為紅松仁光譜經(jīng)1-Der預(yù)處理后，在分割數(shù)為10時(shí)BiPLS波段篩選結(jié)果，其中，陰影部分光譜為篩選保留下的波段。保留的波段組合區(qū)域是1、5、7、12，對(duì)應(yīng)的波長(zhǎng)范圍為906.90～968.37 nm、1 180.10～1 241.57 nm、1 400.08～1 474.40 nm、1 658.20～1 699.18 nm。

表2 多種預(yù)處理方法構(gòu)建的紅松仁脂肪PLS模型參數(shù)對(duì)比

圖5 不同分割數(shù)建模結(jié)果對(duì)比Fig.5 The results of models in different numbers of partition

圖6 iPLS波段選取結(jié)果Fig.6 The bands selection results of iPLS

圖7 BiPLS波段選取結(jié)果Fig.7 The bands selection results of BiPLS

UVE變量篩選方法依據(jù)的是對(duì)PLS回歸系數(shù)的穩(wěn)定性分析。圖8中虛曲線表示波長(zhǎng)變量穩(wěn)定性分布結(jié)果，實(shí)曲線表示引入的噪聲變量穩(wěn)定性分布結(jié)果，虛直線為閾值上、下限，在2條虛直線外的波長(zhǎng)變量會(huì)得到保留。圖9為原始紅松仁光譜經(jīng)1-Der預(yù)處理后的波段篩選結(jié)果，篩選保留的波長(zhǎng)范圍是906.90～1 111.80 nm、1 186.93～1 255.23 nm、1 330.36～1 371.34 nm、1 514.77～1 630.88 nm、1 651.37～1 699.18 nm。

2.5 全波段、特征波段建模結(jié)果比較分析與模型的驗(yàn)證

分別在全波段、特征波段范圍下建立紅松仁脂肪PLS模型，根據(jù)相關(guān)系數(shù)和均方根誤差的對(duì)比結(jié)果，進(jìn)而確定特征波段的選取方法。由表3可知，經(jīng)過(guò)波段篩選后模型的各個(gè)參數(shù)均得到了改善，變量數(shù)目減少的同時(shí)，也有效地提高了相關(guān)系數(shù)，降低了均方根誤差，說(shuō)明優(yōu)選波段有益于模型質(zhì)量的提高。BiPLS構(gòu)建的模型質(zhì)量最佳，這是由于經(jīng)BiPLS篩選保留的吸收譜帶分別與脂肪C-H鍵的基頻和倍頻相對(duì)應(yīng)，脂肪屬性中最重要的特征波段得到保留，多數(shù)冗余信息被有效地剔除。iPLS雖然消除了多數(shù)冗余信息，但由于將各分割波段區(qū)間單獨(dú)考慮，沒(méi)有考慮他們之間的聯(lián)系，導(dǎo)致波段選擇不夠準(zhǔn)確。UVE篩選方法保留了較多的變量，包含冗余信息較多，使模型的預(yù)測(cè)精度提升效果并不明顯。在BiPLS選取的波段范圍下，建立的紅松仁脂肪PLS模型Rc為0.911 4，Rp為0.882 0，RMSEP為0.646 8。因此，在構(gòu)建紅松仁樣品脂肪PLS近紅外模型的過(guò)程中，采用BiPLS波段選取方法能夠更有效地篩選出較為重要的特征響應(yīng)譜帶，更好地提升模型質(zhì)量。

圖8 UVE變量穩(wěn)定性分析Fig.8 The stability analysis of UVE variable

圖9 UVE波段選取結(jié)果Fig.9 The bands selection results of UVE

表3 全波段、特征波段構(gòu)建的紅松仁脂肪PLS模型參數(shù)對(duì)比

iPLS：間隔偏最小二乘法；BiPLS：反向間隔偏最小二乘法；UVE：無(wú)信息變量消除法。

圖10 紅松仁脂肪含量模型預(yù)測(cè)結(jié)果Fig.10 Model predication results of the fat content in the peeled Korean pine seeds

3 討 論

本研究利用近紅外光譜分析技術(shù)進(jìn)行紅松仁脂肪定量無(wú)損檢測(cè)試驗(yàn)。用便攜式近紅外光譜儀在900 nm至1 700 nm波長(zhǎng)范圍內(nèi)獲取紅松仁近紅外光譜數(shù)據(jù)，采用Kennard-Stone方法實(shí)現(xiàn)校正集與驗(yàn)證集的劃分。通過(guò)優(yōu)選光譜的特征波段，模型的預(yù)測(cè)性能和各項(xiàng)指標(biāo)參數(shù)得到提升，印證了在建模分析過(guò)程中波段篩選的重要性。通過(guò)比較不同預(yù)處理方法構(gòu)建的模型評(píng)價(jià)參數(shù)，發(fā)現(xiàn)只有選用合適的預(yù)處理方法，才能在保留有效光譜信息的同時(shí)，消除噪聲及干擾因素，構(gòu)建最佳近紅外模型。

研究結(jié)果表明：(1)針對(duì)原始紅松仁光譜選取合適的預(yù)處理方法，能夠提升模型的質(zhì)量，其中，經(jīng)過(guò)一階導(dǎo)數(shù)(1-Der)預(yù)處理的紅松仁脂肪PLS模型最優(yōu)；(2)iPLS、BiPLS、UVE波段篩選方法均可使建模變量的數(shù)量在不同程度上有所減少，降低建模工作的計(jì)算量，從而實(shí)現(xiàn)優(yōu)化模型質(zhì)量的目的，其中經(jīng)BiPLS波段優(yōu)選后建立的模型最為理想，保留了脂肪成分中C-H等功能基團(tuán)的倍頻吸收響應(yīng)譜帶，消除了大量冗余信息，實(shí)現(xiàn)了篩選波長(zhǎng)的目的，其建立的紅松仁脂肪PLS模型Rc為0.911 4，Rp為0.882 0，RMSEP為0.646 8，驗(yàn)證集預(yù)測(cè)平均偏差絕對(duì)值為0.53%。由此可見(jiàn)，本研究構(gòu)建的紅松仁脂肪含量近紅外預(yù)測(cè)模型的預(yù)測(cè)結(jié)果是可靠的，為紅松仁脂肪含量的實(shí)時(shí)、準(zhǔn)確檢測(cè)提供了新的思路和方法，也為近紅外光譜模型優(yōu)化提供了一定的參考方法。

參考文獻(xiàn)：

[1] 于俊林,車(chē)喜泉,常紀(jì)慶. 松仁的化學(xué)成分及功效[J].人參研究,2001,13(1):25-27.

[2] 李鵬霞,王 煒,梁麗松,等. 不同貯藏溫度對(duì)不同狀態(tài)松籽種仁脂肪酸氧化的影響[J].上海農(nóng)業(yè)學(xué)報(bào),2009,25(1):23-26.

[3] 廖敦軍,蔣 蘋(píng). 油茶籽脂肪酸成分含量與高光譜反射率的相關(guān)性[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,39(4):445-448．

[4] AERNOUTS B,POLISHIN E,LAMMERTYN J,et al. Application of near infrared reflectance (NIR) spectroscopy to identify the quality of milk[J].Journal of Dairy Science,2011,94(11):5315.

[5] 孫曉明,盧 凌,張佳程,等. 牛肉化學(xué)成分的近紅外光譜檢測(cè)方法的研究[J].光譜學(xué)與光譜分析,2011,2(31):379-383.

[6] 張中衛(wèi),溫志渝,曾甜玲,等. 微型近紅外光纖光譜儀用于奶粉中蛋白質(zhì)脂肪的定量檢測(cè)研究[J].光譜學(xué)與光譜分析,2013,7(33):1796-1800.

[7] 郝中誠(chéng),彭云發(fā),張 宏,等. 基于近紅外光譜的南疆溫185核桃水分無(wú)損檢測(cè)的研究[J].安徽農(nóng)業(yè)科學(xué),2014,42(21):7191-7193,7233.

[8] 劉 潔,李小昱,李培武,等. 基于近紅外光譜的板栗水分檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(2):338-341.

[9] 傅 誼,張擁軍,陳華才,等. 基于偏最小二乘法的板栗近紅外光譜分析模型的建立[J].食品科技,2012(5):42-45.

[10] 仇遜超,曹 軍. 近紅外光譜波段優(yōu)化在東北松子蛋白質(zhì)定量檢測(cè)中的應(yīng)用[J].現(xiàn)代食品科技,2016,32(11):303-309.

[11] 仇遜超,曹 軍. 便攜式近紅外光譜儀檢測(cè)紅松籽水分含量的研究[J].東北林業(yè)大學(xué)學(xué)報(bào),2016,44(12):15-20,30.

[12] MACHO S, IUSA R, CALLAO M P, et al. Monitoring ethylene content in heterophasic co-polymers by near-infrared spectroscopy standardization of the calibration model[J]. Amal Chim Acta,2001,445(2):213-220.

[13] 李曉云,王加華,黃亞偉. 便攜式近紅外儀檢測(cè)牛奶中脂肪、蛋白質(zhì)及干物質(zhì)含量[J].光譜學(xué)與光譜分析,2011,3(31):665-668.

[14] 王培培,張德全,陳 麗,等. 近紅外光譜法預(yù)測(cè)羊肉化學(xué)成分的研究[J].核農(nóng)學(xué)報(bào),2012,26(3):500-504.

[15] 張 初,劉 飛,孔汶汶,等. 利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(20):270-276.

[16] CHEN H Z,TAO P, CHEN J M, et al. Wav-eband selection for NIR spectroscopy analysis of soil organic matter based on SG smoothing and MWPLS methods[J]. Chemometrics and Intelligent Laboratory Systems,2011,107(1): 139-146.

[17] PARK B, ABBOTT J A, LEE K J, et al. Near-infrared diffuse reflectance for quantitative and qualitative measurement of soluble solids and firmness of delicious and Gala apples[J].Tran-sactions of the ASAE,2003, 46(6):1721-1731.

[18] HE K X, CHENG H, DU W L, et al. Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy[J].Chemometrics and Intelligent Laboratory Systems,2014, 134(8): 79-88.