光譜學(xué)與光譜學(xué)分析精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的光譜學(xué)與光譜學(xué)分析主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：光譜學(xué)與光譜學(xué)分析范文

關(guān)鍵詞關(guān)鍵詞：極限學(xué)習(xí)機(jī)；模式識(shí)別；高光譜遙感圖像；判別信息

DOIDOI：10.11907/rjdk.162600

中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）001016105

對(duì)于連續(xù)狹窄的光譜帶，高光譜成像傳感器能夠捕獲詳細(xì)和豐富的光譜信息。近年來，隨著圖像處理技術(shù)的發(fā)展，高光譜圖像得到廣泛應(yīng)用，在高光譜圖像應(yīng)用中最重要的任務(wù)是對(duì)圖像進(jìn)行分類。然而，在高光譜遙感圖像分類問題中存在一些挑戰(zhàn)。例如有限訓(xùn)練樣本之間的不平衡和高維度，高光譜遙感圖像幾何形狀復(fù)雜，高光譜遙感圖像分類計(jì)算復(fù)雜度高。為使高光譜遙感圖像分類取得良好效果，近年來，機(jī)器學(xué)習(xí)方法在高光譜圖像分類中得到廣泛應(yīng)用，例如人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANNs）[1]、支持向量機(jī)（Support vector machine，SVM）[2]、多項(xiàng)邏輯回歸（Multinomial logistic regression，MLR）[3]、主動(dòng)學(xué)習(xí)（Active learning，AL）[4]等，其它方法如利用稀疏表示[5]以及譜聚類[6]對(duì)高光譜進(jìn)行分離也得到廣泛應(yīng)用。然而，由于高光譜遙感圖像具有{維度以及復(fù)雜性，通過機(jī)器學(xué)習(xí)算法尋找最優(yōu)的參數(shù)來進(jìn)行分類通常非常困難，并且耗時(shí)，實(shí)現(xiàn)高光譜遙感圖像高效快速分類已成為遙感圖像領(lǐng)域的重要問題。

近年來，Huang等[7]基于單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden layer feedforward networks，SLFNs）結(jié)構(gòu)提出了極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）。ELM隨機(jī)產(chǎn)生隱層節(jié)點(diǎn)的輸入權(quán)值和偏置值，所有參數(shù)中僅有輸出權(quán)值經(jīng)過分析確定。ELM將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的求解過程轉(zhuǎn)化為一個(gè)線性模型，ELM隨機(jī)選擇輸入權(quán)值和分析確定SLFNs的輸出權(quán)值，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法收斂速度慢及陷入局部極小解的可能，具有更好的泛化能力和更快的學(xué)習(xí)速度。文獻(xiàn)[7]指出ELM通過隨機(jī)產(chǎn)生隱層節(jié)點(diǎn)的輸入權(quán)值和偏置值分析確定輸出權(quán)值，保持了SLFNs的通用逼近能力，同時(shí)能夠得到一個(gè)全局最優(yōu)解。由于ELM良好的泛化能力，使得ELM應(yīng)用在不同的領(lǐng)域中。在高光譜遙感圖像領(lǐng)域，Pal等[8]將ELM應(yīng)用到土地覆蓋分類中，與BP[9]神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相比，ELM取得了更好的分類效果，并且ELM算法的計(jì)算復(fù)雜度遠(yuǎn)遠(yuǎn)小于BP和支持向量機(jī)。Bazi等[10]利用差分進(jìn)化方法優(yōu)化核ELM算法的參數(shù)，提高了高光譜遙感圖像的分類效果。為了提高ELM算法在高光譜遙感圖像分類中的穩(wěn)定性，Samat等[11]基于Bagging 和 AdaBoost算法提出了集成的極限學(xué)習(xí)機(jī)算法（Ensemble extreme learning machine，E2LM）。

雖然針對(duì)高光譜遙感圖像分類問題，研究人員在ELM算法的基礎(chǔ)上提出了改進(jìn)，然而 ELM及其改進(jìn)算法并未充分考慮數(shù)據(jù)樣本間的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息。知道樣本之間具有某些相似的屬性和分布特征，樣本之間的相似屬性和分布特征能夠彌補(bǔ)ELM學(xué)習(xí)不夠充分的問題，進(jìn)而可以提高ELM的泛化能力，因而數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息對(duì)ELM的分類性能具有重要作用。

基于以上分析，本文提出一種基于判別信息極端學(xué)習(xí)機(jī)（Discriminative information regularized extreme learning machine，IELM），對(duì)于分類問題，IELM同時(shí)考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息，通過最大化異類離散度和最小化同類離散度，優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值，從而在一定程度上提高ELM的分類性能和泛化能力。IELM方法的優(yōu)勢(shì)在于：①繼承了ELM的優(yōu)點(diǎn)，在一定程度上避免了ELM學(xué)習(xí)不充分的問題；②將異類離散度和同類離散度引入到ELM中，充分利用數(shù)據(jù)樣本的判別信息；③利用MMC[12]方法有效解決最大化異類離散度和最小化同類離散度矩陣奇異問題。

為評(píng)價(jià)和驗(yàn)證本文提出的基于判別信息極端學(xué)習(xí)機(jī)的高光譜遙感圖像分類方法，實(shí)驗(yàn)使用Indian Pines，Salinas scene兩個(gè)高光譜遙感圖像數(shù)據(jù)，將本文所提出的方法與ELM、支持向量機(jī)（Support vector machine，SVM）、最近鄰分類器協(xié)作表示（Collaborative representation nearest neighbor classifier，CRNN）[13]進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明本文提出的算法能夠取得較好的分類效果。

實(shí)驗(yàn)環(huán)境為惠普工作站處理器：Intel（R）Xeon（R） CPU E5-1603 0 @2.80 GHz，安裝內(nèi)存：8.00GB ，系統(tǒng)類型：64位操作系統(tǒng)，版本：win7，語言開發(fā)環(huán)境采用 Matlab 2010b。

第一組實(shí)驗(yàn)數(shù)據(jù)為Indian Pines遙感圖像數(shù)據(jù)，Indian Pines數(shù)據(jù)是AVIRIS傳感器在薩利納斯山谷收集的數(shù)據(jù)，該圖像包含200個(gè)波段，圖像大小為145×145，地表真實(shí)分類如圖1所示，Indian Pines數(shù)據(jù)集屬性設(shè)置如表1所示。

第二組實(shí)驗(yàn)數(shù)據(jù)為Salinas scene遙感圖像數(shù)據(jù)，Salinas scene數(shù)據(jù)是AVIRIS傳感器在薩利納斯山谷收集的數(shù)據(jù)，該圖像包含204個(gè)波段，圖像大小為512×217，地表真實(shí)分類如圖2所示， Salinas scene數(shù)據(jù)集屬性設(shè)置如表2所示。

實(shí)驗(yàn)中，對(duì)于Indian Pines和Salinas scene圖像數(shù)據(jù)，隨機(jī)選取1%的數(shù)據(jù)樣本作為訓(xùn)練集，剩下部分為測(cè)試集，使用總體精度（OA），Kappa系數(shù)，平均準(zhǔn)確率（AA）衡量不同算法的性能。

（1）體精度?？傮w精度（overall accuracy，OA）是對(duì)分類結(jié)果質(zhì)量的總體評(píng)價(jià)，等于被正確分類的像素總和除 以總的像素個(gè)數(shù)。被正確分類的像素沿著混淆矩陣的對(duì)角線分布，它顯示了被正確分類到真實(shí)分類中的像元數(shù)。根據(jù)混淆矩陣可得OA的計(jì)算式為：p=∑ci=1miiN（21）其中，c表示類別數(shù)目，mii表示混淆矩陣對(duì)角線上的元素，N=∑ci=1∑cj=1mij表示測(cè)試樣本的總數(shù)。

（2）Kappa系數(shù)。Kappa系數(shù)采用一種多元離散分析技術(shù)，反映分類結(jié)果與參考數(shù)據(jù)之間的吻合程度，它考慮了混淆矩陣的所有因子，是一種更為客觀的評(píng)價(jià)指標(biāo)，其定義為：k=N∑ci=1mii-∑ci=1（mi+m+i）N2-∑ci=1（mi+m+i）（22）其中，mi+，m+i分別表示混淆矩陣第i行的總和、第i列的總和，c表示類別數(shù)目，N為測(cè)試樣本總數(shù)，mii表示混淆矩陣對(duì)角線上的元素，Kappa系數(shù)越大分類精度越高。

（3）平均精度。平均精度（average accuracy，AA）定義為每類分類準(zhǔn)確率相加除以類別總數(shù)。AA=∑ci=1accic（23）其中，c表示類別數(shù)目，acci表示每類的分類準(zhǔn)確率。

4.2實(shí)驗(yàn)結(jié)果及分析

將IELM與ELM，SVM，CRNN進(jìn)行對(duì)比，SVM采用libsvm工具箱，核函數(shù)采用徑向基核函數(shù)（Radial basis function，RBF），懲罰參數(shù)c=0.02，核函數(shù)參數(shù)g=0.02，IELM與ELM均采用Sigmoid函數(shù)作為激活函數(shù)，隱層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為500，懲罰參數(shù)c=20。

5結(jié)語

本文提出了一種基于判別信息極端學(xué)習(xí)機(jī)的高光譜遙感圖像分類方法，創(chuàng)新之外在于考慮到光譜遙感圖像數(shù)據(jù)的聯(lián)系和差異信息。IELM引入同類離散度和異類離散度的概念，體現(xiàn)了輸入空間數(shù)據(jù)的判別信息，通過最大化異類離散度和最小化同類離散度，優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值。與NN，SVM， ELM算法的對(duì)比實(shí)驗(yàn)表明，本文所提出方法的分類效果優(yōu)于NN，SVM，ELM算法。

參考文獻(xiàn)：

[1]Q SAMI UL HAQ，L TAO.Neural network based adaboosting approach for hyperspectral data classication[J].International Conference on Computer Science and Network Technology（ICCSNT），2011：241245.

[2]J A GUALTI，R F CROMP.Support vector machines for hyperspectral remote sensing classification[J].in Proc.SPIE 27th AIPR Workshop：put.Assisted Recognit.Int.Soc.Opt.Photonics，Washington，DC，USA，1999：221232.

[3]J Li，J BIOUCASDIAS，A.PLAZA.Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression[J].IEEE Geosci.Remote Sens.Lett，2013，10（2）：318322.

[4]W DI，MM CRAWFORD.Active learning via multiview and local proximity coregularization for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing，2011，5（3）：618628.

[5]J BIOUCASDIAS，M A T.FIGUEIREDO.Alternating direction algorithms for constrained sparse regression：application to hyperspectral unmixing[J].Hyperspectral Image and Signal Processing：Evolution in Remote Sensing （WHISPERS），2010：14.

[6]Y TARABALKA，J A BENEDIKTSSON，J CHANUSSOT.Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47（8）：29732987.

[7]GB HUANG，H ZHOU，X DING，et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.Syst Man Cybern B，2012，42（2）：51329.

[8]M PAL，A E MAXWELL，T A WARNER.Kernelbased extreme learning machine for remotesensing image classification[J].Remote Sens.Lett，2013，4（9）：853862.

[9]D RUMELHART，G HINTON，R WILLIAMS.Learning by backpropagating errors[J].Nature，1986，323（6088）：533536.

[10]Y BAZI.Differential evolution extreme learning machine for the classification of hyperspectral images[J].IEEE Geosci.Remote Sens.Lett，2014，11（6）：10661070.

[11]A SAMAT，P DU，S LIU，et al.E2LMs：ensemble extreme learning machines for hyperspectral image classification[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens，2014，7（4）：10601069.

[12]H LI，T JIANG，K ZHANG.Efficient robust feature extraction by maximum margin criterion[J].IEEE Transactions on Neural Networks ，2006，17（1）：157165.

第2篇：光譜學(xué)與光譜學(xué)分析范文

本書是第二卷，由四部分組成，共25章：第一部分是“歷史的綜述”，含第1章：1. Aimé Cotton在1895年發(fā)現(xiàn)CD和ORD后的第一個(gè)十年；第二部分是“有機(jī)立體化學(xué)”，含2-12章：2. 一些天然的手性發(fā)色團(tuán)――經(jīng)驗(yàn)規(guī)則和量子化學(xué)計(jì)算；3. 用于測(cè)定苯和其它芳香族發(fā)色團(tuán)絕對(duì)構(gòu)型的電子CD；4. 電子CD激子手性方法：原理和應(yīng)用；5. 手性擴(kuò)展p-電子化合物的CD光譜：絕對(duì)立體化學(xué)和實(shí)驗(yàn)驗(yàn)證的理論確定；6. 利用固態(tài)電子圓二色性和量子力學(xué)計(jì)算來編配天然產(chǎn)物的絕對(duì)構(gòu)型；7. 金屬有機(jī)化合物的動(dòng)態(tài)立體化學(xué)和旋光光譜學(xué)；8. 動(dòng)態(tài)系統(tǒng)的圓二色性：開關(guān)分子及超分子的手性；9. 超分子系統(tǒng)的電子圓二色性；10. 利用有量子計(jì)算功能的HPLCECD進(jìn)行手性化合物的在線立體化學(xué)分析；11. 用振動(dòng)圓二色性進(jìn)行手性天然產(chǎn)物的結(jié)構(gòu)測(cè)定；12. 分子絕對(duì)構(gòu)型的測(cè)定：選擇適當(dāng)旋光法的準(zhǔn)則。第三部分是“無機(jī)立體化學(xué)”，含第13章：13. 電子圓二色性在無機(jī)立體化學(xué)中的應(yīng)用。第四部分是“生物分子”，含第14-25章：14. 蛋白質(zhì)的電子圓二色性；15. 肽的電子圓二色性；16. 擬肽的電子圓二色性；17. 核酸的電子圓二色性；18. 肽核酸及其類似物的電子圓二色性；19. 蛋白質(zhì)與核酸相互作用的圓二色性；20. 用電子圓二色性來分析捆綁在核酸上的藥物或天然產(chǎn)物；21. 用電子圓二色性來探索HSA和AGP藥物捆綁位置；22. 生物高聚物、肽、蛋白質(zhì)和核酸的構(gòu)象研究――振動(dòng)圓二色性的作用；23. 從拉曼光學(xué)活性來看生物分子的結(jié)構(gòu)和行為；24. 糖類和復(fù)合糖的旋光、電子圓二色性以及振動(dòng)圓二色性；25. 通過電子圓二色性來發(fā)現(xiàn)藥物。本書以紀(jì)念已故的Carlo Rosini教授的短文開頭。每章的結(jié)尾有參考書目，目錄的前面有各章作者簡(jiǎn)介，結(jié)尾有主題索引。

本書第一編著貝羅娃博士是美國紐約哥倫比亞大學(xué)化學(xué)系的研究員。1998年以來，她一直是《手性》雜志的編委會(huì)成員。

本書可用做大學(xué)生或研究生的教科書，或?qū)W術(shù)和工業(yè)領(lǐng)域的研究工作者的參考書。

第3篇：光譜學(xué)與光譜學(xué)分析范文

【關(guān)鍵詞】近紅外光譜分析技術(shù);肉類產(chǎn)品;檢測(cè);鑒定;預(yù)測(cè)精度

一、檢測(cè)肉類產(chǎn)品化學(xué)成分分析

傳統(tǒng)的化學(xué)分析方法不適宜于再現(xiàn)即時(shí)檢測(cè)，具有很大的破壞性，并且花費(fèi)的時(shí)間長(zhǎng)。但是肉的食用品質(zhì)和營養(yǎng)品質(zhì)受到肉品化學(xué)成分的影響很大，而為了評(píng)定肉品的品質(zhì)，NER技術(shù)可以快速、無損測(cè)定原料肉和肉類制品中多種組分的含量。近些年看來，在肉品化學(xué)成分快速檢測(cè)方面，近紅外光譜技術(shù)取得很多進(jìn)展，如：Cozzolino為了對(duì)51只羊身上不同部位的306塊肌肉進(jìn)行檢測(cè)，運(yùn)用了可見/近紅外光譜，發(fā)現(xiàn)測(cè)定的結(jié)果與花足額分析測(cè)得的結(jié)果具有較好的相關(guān)性，得到水、蛋白質(zhì)、肌內(nèi)脂肪系數(shù)分別為0.76、0.83、0.73。而除了這三種主要組分外，肉的品質(zhì)和營養(yǎng)價(jià)值受脂肪中脂肪酸的組成和含量的影響也挺大，如：Sierra為了預(yù)測(cè)牛肉中各種脂肪酸含量、飽和脂肪酸、支鏈脂肪酸、單一不飽和脂肪酸的系數(shù)，采用了NIR技術(shù)，得到相關(guān)系數(shù)分別為0.837、0.701、0.852。另外，在肉類微量元素含量的近紅外光譜分析方面，Gonzalez-Martin為了檢測(cè)Iberian鮮豬肉糜中的礦物質(zhì)元素Fe、Zn、Ca、Na和K，利用近紅外反射光譜得到了其相關(guān)系數(shù)分別為0.842、0.695、0.761、0.639、0.781。

另外，一些學(xué)者采用近紅外反射儀構(gòu)建了肉糜在線檢測(cè)系統(tǒng)，表明了肉糜力度越小，其預(yù)測(cè)誤差越小。由此可見近紅外光譜技術(shù)對(duì)韓皮昂較少其他化學(xué)成分的檢測(cè)精度不是特別理想，但是可以準(zhǔn)確的測(cè)定肉中主要成分的含量，為了提高檢測(cè)精度需要改善光譜參考方法，同時(shí)，對(duì)于完整肉片檢測(cè)的時(shí)候，近紅外光譜法能達(dá)到在線檢測(cè)的要求，可增加掃描次數(shù)或擴(kuò)大取樣范圍，并將肉切碎或絞碎均勻混合成肉糜狀，檢測(cè)精度要比整塊肉樣要高[1]。

二、應(yīng)用于肉類產(chǎn)品感官評(píng)價(jià)的分析

肉色是肉品感官評(píng)定的重要指標(biāo)。肉類的感官指標(biāo)主要是肉品的顏色、文理、風(fēng)味等，利用這些指標(biāo)，近紅外光譜技術(shù)與肉品其他物化性質(zhì)的關(guān)聯(lián)性可對(duì)其進(jìn)行檢測(cè)。如：Cozmlino采用修正的偏最小二乘分析法，利用可見光和NIR技術(shù)對(duì)肉的顏色、紅度、黃度進(jìn)行檢測(cè)，得到了同品種豬肉L*和a*的驗(yàn)證相關(guān)系數(shù)較高。其次，肉類食用品質(zhì)中重要的衡量指標(biāo)還包括嫩度。如：Byrne等在750～1098nm的光譜范圍內(nèi)，采用成分分析法研究了牛肉背最長(zhǎng)肌的嫩度、文理、風(fēng)味與近紅外光譜的相關(guān)性。而Shackelford等利用遠(yuǎn)紅外光譜技術(shù)實(shí)現(xiàn)對(duì)牛肉畜體的質(zhì)量評(píng)價(jià)和產(chǎn)量分級(jí)。再者，通過揮發(fā)性鹽基氮這一指標(biāo)來表示，利用近紅外光譜可以快速評(píng)定肉品的新鮮度。如：Leroy為了評(píng)價(jià)豬肉的新鮮度，利用近紅外光譜技術(shù)，在1200～1300nm波長(zhǎng)建立了揮發(fā)性鹽基氮預(yù)測(cè)模型。由此可見，由于肉類多不均勻，造成了研究肌肉部位受到限制，如果近紅外光譜技術(shù)與機(jī)器視覺技術(shù)等方法進(jìn)行融合的話，不但可以評(píng)定多種肉品指標(biāo)，還可以提高肉品的感官評(píng)定精度。并且在一定程度上，可以提高在線檢測(cè)效率和實(shí)際的經(jīng)濟(jì)效益。也就是說，近紅外光譜技術(shù)快速檢測(cè)肉類主要感官指標(biāo)是可行性的[2]。

三、應(yīng)用于肉類產(chǎn)品物理特性上的分析

肉品系水力式肌肉組織保持水分的能力。在對(duì)肉類物理特性的檢測(cè)時(shí)，NIR技術(shù)主要包括pH系水力和剪切力等。在生產(chǎn)和運(yùn)輸?shù)倪^程中，由于肉品系水力不良，會(huì)造成嚴(yán)重的質(zhì)量損失。近些年來，在對(duì)生鮮肉系水力進(jìn)行檢測(cè)的時(shí)候，國內(nèi)外利用金宏外光譜技術(shù)的結(jié)果并不理想。如：Hoving-Bolink在線檢測(cè)時(shí)，利用近紅外光譜發(fā)現(xiàn)對(duì)滴水損失的預(yù)測(cè)效果不佳。而Kapper在對(duì)132個(gè)豬肉樣品進(jìn)行紅外光譜分析，得到滴水損失的相關(guān)系數(shù)為0.73。Prevolnik為了研究豬肉的滴水損失，利用近紅外光譜技術(shù)，采用神經(jīng)網(wǎng)絡(luò)算法和偏最小二乘回歸分別建模，預(yù)測(cè)的誤差相近。另外，在對(duì)多種肉類pH進(jìn)行檢測(cè)時(shí)，廖義濤采集了豬肉肉塊樣本的可見/近紅外光譜，研究了豬肉pH的可見/近紅外光譜在線檢測(cè)，同時(shí)測(cè)定pH，經(jīng)一階微分結(jié)合多元散射校正對(duì)光譜預(yù)處理后RMSEP為0.051，建模型的預(yù)測(cè)相關(guān)系數(shù)為0.905。由此可見，基于近紅外光譜預(yù)測(cè)肉品滴水損失存在一定的局限性，但是近紅外光譜分析技術(shù)更具有在線無損檢測(cè)的實(shí)際應(yīng)用價(jià)值，其他評(píng)價(jià)系水力的方法都存在破壞樣品、樣品準(zhǔn)備復(fù)雜、耗時(shí)長(zhǎng)等諸多原因。因此，近紅外光譜技術(shù)對(duì)預(yù)測(cè)肉品滴水損失具有一定的顯示意義。提高了近紅外光譜法對(duì)肉品滴水損失的預(yù)測(cè)精度，防止了在因素對(duì)光譜獲取的影響和改善參考方法。

四、對(duì)肉類品種的判斷和安全鑒定

食品安全檢測(cè)中，對(duì)原料肉明確來源是非常重要的。為了進(jìn)一步實(shí)現(xiàn)肉類的品種判斷和安全鑒定，近紅外光譜技術(shù)可以對(duì)肉類的化學(xué)成分和含量的分析等為依據(jù)。如：McDevitt為了鑒別不同四樣條件的雞肉，采用近紅外光譜技術(shù)結(jié)合經(jīng)典化學(xué)分析方法，得到脂肪、蛋白質(zhì)和灰分的相關(guān)系數(shù)為0.93、0.86、0.71，并且快速判別出養(yǎng)殖條件，發(fā)現(xiàn)養(yǎng)殖時(shí)間短的雞肉含有更高的脂肪，還含有更低的蛋白質(zhì)和灰分。Andres對(duì)232個(gè)羊羔肉樣品分析獲得NIR光譜曲線，并且進(jìn)行了感官分析，得到的相關(guān)系數(shù)都小于0.40，但是近紅外光譜技術(shù)具有快速辨別羊羔肉的感官特定，能夠區(qū)分優(yōu)良感官指標(biāo)的肉品。一般情況下，化學(xué)方法鑒別真?zhèn)位ㄙM(fèi)的時(shí)間較長(zhǎng)，而近紅外光譜技術(shù)可應(yīng)用于原料肉品質(zhì)的快速定性和鑒別分析，能快速對(duì)肉類摻假進(jìn)行鑒別[3]。

五、總結(jié)

近紅外光譜技術(shù)可以代替那些具有污染環(huán)境，危害健康的檢測(cè)器工具或技術(shù)，是一種具有對(duì)大量肉樣的化學(xué)組成進(jìn)行檢測(cè)的技術(shù)，并且還能對(duì)肉的物理性質(zhì)和感官品質(zhì)進(jìn)行分析，對(duì)于更好地完善肉及肉制品行業(yè)的安全監(jiān)控具有很大的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1]趙松瑋，彭彥昆，王偉，張海云，宋育霖，趙娟.基于近紅外光譜的生鮮豬肉新鮮度實(shí)時(shí)評(píng)估[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2012（06）.

[2]廖宜濤，樊玉霞，伍學(xué)千，成芳.豬肉pH值的可見近紅外光譜在線檢測(cè)研究[J].光譜學(xué)與光譜分析，2010（03）.

[3]胡耀華，熊來怡，蔣國振，劉聰，郭康權(quán)，佐竹隆顯.基于可見光和近紅外光譜鮮豬肉蒸煮損失和嫩度檢測(cè)的研究[J].光譜學(xué)與光譜分析，2010（11）.

課題：兵團(tuán)科技支疆項(xiàng)目（NO.2014AB037）。

作者簡(jiǎn)介：

第4篇：光譜學(xué)與光譜學(xué)分析范文

【關(guān)鍵詞】 葉綠素 SPAD Ardunio

植物是陸地生態(tài)系統(tǒng)的基本組成成分，約占地球陸地表面的70%，是人類及一切生命的搖籃。葉片作為植物機(jī)體的最重要組成部分，它不僅是光合作用的主要場(chǎng)所，而且在果實(shí)成熟過程中充當(dāng)了重要的角色。綠色植物的各項(xiàng)生理活動(dòng)中，光合作用是最主要的生理活動(dòng)之一，它將光能變成電能—電能變成活躍的化學(xué)能——活躍的化學(xué)能變成穩(wěn)定的化學(xué)能，光合作用過程中，葉綠素起著至關(guān)重要的作用[1]。葉綠素是人們研究的最早也是目前做的最多的葉片生化參數(shù)之一，作為葉片的主要吸收光能的物質(zhì)，也是氮元素的主要體現(xiàn)物質(zhì)之一。葉片葉綠素含量也反映了植物對(duì)營養(yǎng)元素的需要當(dāng)植物受到環(huán)境脅迫或者是在衰老的過程中葉片中葉綠素含量會(huì)比其他色素更快的下降?？梢哉f，其含量準(zhǔn)確快速的檢測(cè)對(duì)植物的光合效率、發(fā)育階段、營養(yǎng)狀態(tài)的判斷具有重要的意義。葉片葉綠素含量的變化對(duì)理解植物生長(zhǎng)狀態(tài)，環(huán)境變化具有重要的指示作用，在指導(dǎo)農(nóng)業(yè)生產(chǎn)、監(jiān)測(cè)農(nóng)作物長(zhǎng)勢(shì)和估產(chǎn)、分析農(nóng)田水肥狀況以及植物精細(xì)分類等諸多方面也具有重要意義[2，3]。

本文針對(duì)這種需要研制了一種基于Arduino的葉綠素含量光學(xué)檢測(cè)儀器，實(shí)現(xiàn)了對(duì)植物葉片葉綠素含量的無損、快速檢測(cè)。

1 測(cè)量機(jī)理

1.1 傳統(tǒng)方法

傳統(tǒng)方法獲取葉片葉綠素含量大都采用外觀診斷和化學(xué)分析法。外觀診斷法的優(yōu)點(diǎn)是直觀、簡(jiǎn)單、方便，在農(nóng)業(yè)生產(chǎn)中普遍應(yīng)用。但是這種方法是事后性的，起不到主動(dòng)預(yù)防的作用；且由于此種診斷僅憑經(jīng)驗(yàn)判斷，處于定性或半定量階段；這種外觀癥狀又易與物理損傷相混淆，所以在實(shí)際應(yīng)用中有很大的局限性和延后性[4]?；瘜W(xué)分析法是獲得植物生化組分信息最準(zhǔn)確、可靠的方法，在實(shí)驗(yàn)室里這種方法是非常有效的，也是其他研究植物生化組分方法的技術(shù)參數(shù)依據(jù)。但是這種分析方法是破壞性的，從樣本的采集、烘干、稱重、研磨直到使用都使有潛在危害性的藥品進(jìn)行測(cè)試，需要耗費(fèi)大量的時(shí)間、人力、物力和財(cái)力，結(jié)果也不具有實(shí)時(shí)性。而且實(shí)驗(yàn)室化學(xué)分析需要有經(jīng)驗(yàn)的專業(yè)分析人員和大量的分析試劑與設(shè)備，在很多情況下不具備這些條件，特別是發(fā)展中國家，因此在農(nóng)業(yè)實(shí)際生產(chǎn)中這種方法是不可行的。

1.2 光學(xué)檢測(cè)方法

葉綠素檢測(cè)儀是根據(jù)葉綠體色素提取液對(duì)可見光譜的吸收，利用分光光度計(jì)在某一特定波長(zhǎng)測(cè)定其吸光度，即可用公式計(jì)算出提取液中各色素的含量。根據(jù)朗伯——比爾定律，某有色溶液的吸光度A與其中溶質(zhì)濃度C和液層厚度L成正比，即：

A=αCL （1）

式中：α比例常數(shù)。當(dāng)溶液濃度以百分濃度為單位，液層厚度為1 cm時(shí)，α為該物質(zhì)的吸光系數(shù)。各種有色物質(zhì)溶液在不同波長(zhǎng)下的吸光系數(shù)可通過測(cè)定已知濃度的純物質(zhì)在不同波長(zhǎng)下的吸光度而求得。如果溶液中有數(shù)種吸光物質(zhì)，則此混合液在某一波長(zhǎng)下的總吸光度等于各組分在相應(yīng)波長(zhǎng)下吸光度的總和。這就是吸光度的加和性[5]。欲測(cè)定葉綠體色素混合提取液中葉綠素a、b和類胡蘿卜素的含量，只需測(cè)定該提取液在三個(gè)特定波長(zhǎng)下的吸光度A，并根據(jù)葉綠素a、b及類胡蘿卜素在該波長(zhǎng)下的吸光系數(shù)即可求出其濃度。在測(cè)定葉綠素a、b時(shí)為了排除類胡蘿卜素的干擾，所用單色光的波長(zhǎng)選擇葉綠素在紅光區(qū)的最大吸收峰。

1.3 葉綠素儀

葉綠素檢測(cè)儀簡(jiǎn)稱為葉綠素含量?jī)x或者葉綠素測(cè)量?jī)x，是通過測(cè)定spad值來顯示植物綠色程度的儀器。SPAD502葉綠素含量?jī)x是葉綠素測(cè)量?jī)x中最高端的儀器，它通過測(cè)定SPAD值，相關(guān)的實(shí)驗(yàn)證明SPAD值與葉綠素含量成正比關(guān)系，因而SPAD值代表葉綠素含量。但該儀器主要依賴進(jìn)口，加個(gè)偏高。

2 測(cè)量系統(tǒng)搭建

2.1 Arduino開發(fā)板

Arduino是一款便捷靈活、方便上手的開源電子原型平臺(tái)，包含硬件（各種型號(hào)的Ardunio板）和軟件（Arduino IDE）。Arduino，是一個(gè)基于開放原始碼的軟硬體平臺(tái)，構(gòu)建于開放原始碼simple I/O介面版，并且具有使用類似Java，C語言的Processing/Wiring開發(fā)環(huán)境。

2.2 系統(tǒng)實(shí)現(xiàn)

該儀器主要由單色光源、光電探測(cè)器、光源驅(qū)動(dòng)電路、信號(hào)調(diào)理電路和微控制系統(tǒng)等部分組成，儀器框圖如（圖1）所示。

單色光源發(fā)光照射葉片，光電探測(cè)器檢測(cè)到帶有葉綠素信息的光強(qiáng)信息，并轉(zhuǎn)換成電信號(hào)，經(jīng)信號(hào)調(diào)理電路后滿足轉(zhuǎn)換器的要求，微控制系統(tǒng)完成對(duì)數(shù)據(jù)的采集、計(jì)算、存儲(chǔ)和顯示等功能。微控制系統(tǒng)主要包括單片機(jī)、A/D轉(zhuǎn)換器、數(shù)據(jù)存儲(chǔ)模塊、監(jiān)控電路、串口通信、時(shí)鐘電路、和按鍵等。

由于Arduino編程的便捷性，僅需要極少代碼即可實(shí)現(xiàn)。部分代碼如下，led1pin與led2pin分別為敏感波長(zhǎng)與參比波長(zhǎng)的LED二極管所連接到板上端口（表1）。

3 儀器標(biāo)定

3.1 儀器標(biāo)定實(shí)驗(yàn)

采用SPAD-502葉綠素儀測(cè)定葉片葉綠素SPAD值作為標(biāo)準(zhǔn)值，該儀器測(cè)量精度優(yōu)于0.1 SPAD。采用本文研制的儀器實(shí)現(xiàn)對(duì)葉片吸光度值的測(cè)量。測(cè)量對(duì)象為同一種植物的30個(gè)葉片，并且摘于不同植株，這些葉片的厚度相差不大，主要位于一個(gè)植株的中間部位。植物葉片摘于實(shí)驗(yàn)前的30分鐘，以清水沖洗，保證不同葉片樣本測(cè)量位置的一致。同一葉片樣本重復(fù)測(cè)量3次，取平均值作為該葉片的SPAD值。

3.2 標(biāo)定模型和性能評(píng)價(jià)

將上面采集到的每個(gè)葉片的吸光度和葉綠素濃度標(biāo)準(zhǔn)值對(duì)應(yīng)的3次測(cè)量數(shù)據(jù)分別進(jìn)行平均，作為最終的測(cè)量值，共得到30組數(shù)據(jù)，同時(shí)采用本文所研發(fā)儀器進(jìn)行同樣測(cè)量，30組葉片樣本兩種測(cè)量數(shù)據(jù)如（圖2）所示。以SPAD-502葉綠素儀測(cè)定葉片葉綠素SPAD值作為標(biāo)準(zhǔn)值，則本文儀器的測(cè)量均方根誤差為2.7 SPAD。

4 結(jié)論

本文開發(fā)了一種基于Arduino的植物葉片葉綠素含量光學(xué)檢測(cè)儀器，該儀器操作簡(jiǎn)單、體積小、攜帶方便、精度高。由于采用Ardunio開發(fā)板，從而在一定程度上簡(jiǎn)化了裝置結(jié)構(gòu)、降低了成本。采用該儀器對(duì)葉片進(jìn)行測(cè)量，將得到的測(cè)量結(jié)果與SPAD-502葉綠素儀測(cè)得的結(jié)果進(jìn)行對(duì)比，誤差為2.7 SPAD。實(shí)驗(yàn)結(jié)果表明，該儀器測(cè)量精度高，穩(wěn)定性好，能夠滿足對(duì)葉綠素濃度測(cè)量的應(yīng)用要求，可以實(shí)現(xiàn)葉綠素濃度的快速、無損檢測(cè)。

參考文獻(xiàn)：

[1]李慶波，徐玉坡，張超航，張廣軍，吳瑾光.基于光譜技術(shù)的植物葉綠素濃度無損檢測(cè)儀器的研制.光譜學(xué)與光譜分析，2009（10）：875-2878.

[2]Cen Haiyan， Shao Yongni， Song Haiyan， et al. The 8th International Conference of Signal Processing， Gruilin China， IEEE Press，2006.215.

[3]張東彥，劉镕源，等.應(yīng)用近地成像高光譜估算玉米葉綠素含量[J].光譜學(xué)與光譜分析.2011（3）：771-775.

第5篇：光譜學(xué)與光譜學(xué)分析范文

[關(guān)鍵詞]近紅外光譜分析技術(shù) 牛奶 化學(xué)分析 應(yīng)用

中圖分類號(hào)：TS207.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2016）11-0258-01

近紅外光具體指波長(zhǎng)在780-2526nm范圍內(nèi)的電磁波，近紅外光譜分析技術(shù)則是光譜測(cè)量技術(shù)同化學(xué)計(jì)量學(xué)的有機(jī)結(jié)合。近紅外光分析技術(shù)應(yīng)用范圍不斷拓展，在食品行業(yè)中應(yīng)用于調(diào)味品、酒制品、肉類等成分鑒別以及真?zhèn)舞b別，近年來其在牛奶制品化學(xué)分析中也得到了較為廣泛的應(yīng)用。分析近紅外光譜技術(shù)在牛奶及其制品分析檢測(cè)中的應(yīng)用，實(shí)施對(duì)牛奶及其制品的質(zhì)量安全控制，有著重要的現(xiàn)實(shí)意義。

一、近紅外光譜分析技術(shù)原理

近紅外光譜分析技術(shù)是近幾十年來發(fā)展最為迅速的高新分析技術(shù)之一。我國從上世紀(jì)80年代開始應(yīng)用近紅外光譜分析技術(shù)，并逐漸拓展到食品、農(nóng)業(yè)、石化等多個(gè)領(lǐng)域，近紅外光譜是分子振動(dòng)光譜倍頻與合頻吸收光譜，主要為X-H鍵吸收。由于不同基團(tuán)（例如苯環(huán)，甲基等）所生成的光譜在吸收峰的強(qiáng)度以及位置上有差異性，結(jié)合朗伯-比耳吸收定律，光譜特征將鎖著樣品成分含量的變化而變化。近紅外光譜分析技術(shù)具體有以下幾個(gè)優(yōu)點(diǎn)：傳輸性能良好，近紅外光在光導(dǎo)纖維中傳輸性能較好，能夠?qū)崿F(xiàn)對(duì)生產(chǎn)工藝流程的在線檢測(cè)；檢測(cè)手段無損。近紅外光譜分析技術(shù)檢測(cè)不對(duì)樣品產(chǎn)生損傷，特別是在活體檢測(cè)上有著非常大的優(yōu)勢(shì)；分析速度快捷。近紅外光譜分析技術(shù)不用對(duì)樣品進(jìn)行預(yù)處理，對(duì)于樣品的測(cè)量通常在1分鐘之內(nèi)可以完成，其分析速度較快，效率較高；綠色環(huán)保。近紅外光譜分析技術(shù)在檢測(cè)中不對(duì)環(huán)境產(chǎn)生污染，因而其也被稱作綠色檢測(cè)技術(shù)。

二、近紅外光譜分析技術(shù)在牛奶化學(xué)分析中的應(yīng)用

牛奶是由多種物質(zhì)所組成的混合物，其具體包括真溶液、膠體懸乳液、高分子溶液以及乳濁液等。而牛奶成分中蛋白質(zhì)分子、脂肪等對(duì)于近紅外光有著吸收作用，因而近紅外光譜分析技術(shù)在牛奶化學(xué)分析測(cè)定中能夠得到良好應(yīng)用。近紅外光譜分析技術(shù)在牛奶制品上的應(yīng)用主要體現(xiàn)在在線檢測(cè)與離線檢測(cè)兩個(gè)方面。在線檢測(cè)是指借助光纖探頭直接在生產(chǎn)線中對(duì)樣品進(jìn)行檢測(cè)；離線檢測(cè)指用紅外反射儀對(duì)樣品杯或者試管中的樣品實(shí)施全反射檢測(cè)。其具體應(yīng)用包括定性分析牛奶及其制品的產(chǎn)地來源與品種，以及定量分析牛奶及其制品的微生物與理化指標(biāo)等。

1.在線檢測(cè)

牛奶生產(chǎn)過程中，因出廠產(chǎn)品一致化的要求，通常需要保證原料成分含量的一致性，而現(xiàn)實(shí)生產(chǎn)當(dāng)中不能使生產(chǎn)停止來滿足在線檢測(cè)。近紅外光譜分析技術(shù)的應(yīng)用則實(shí)現(xiàn)了對(duì)生產(chǎn)過程的實(shí)時(shí)監(jiān)控。在線檢測(cè)中，利用近紅外光譜分析技術(shù)對(duì)牛奶成分中的蛋白、乳糖、脂肪、蔗糖以及水分進(jìn)行測(cè)量，能夠取得良好的效果，可廣泛應(yīng)用與鮮奶成品生產(chǎn)以及奶粉生產(chǎn)過程中的質(zhì)量監(jiān)控。并且如今近紅外光譜技術(shù)應(yīng)用也已經(jīng)拓展到了牛奶中病菌數(shù)以及牛奶體細(xì)胞數(shù)測(cè)定方面。吳靜珠等提出了建立包括不同種類奶粉樣品集中的脂肪、乳糖、蛋白等的紅外模型，并采取全譜分析結(jié)合模型優(yōu)化的方法，簡(jiǎn)化了近紅外技術(shù)在奶粉定量分析的步驟。劉蓉（2005）通過最小半球體積法以及半數(shù)重采樣法來對(duì)牛奶成分近紅外光譜實(shí)施奇異點(diǎn)剔除實(shí)驗(yàn)，這兩種算法的有效結(jié)合有著快速簡(jiǎn)單的特征，能夠適應(yīng)牛奶成分等的在線檢測(cè)，可大大提升分析模型的精度與穩(wěn)定性。朱俊平（2003）通過多元線性回歸法構(gòu)建用近紅外光譜分析技術(shù)檢測(cè)兒童高鈣奶粉蛋白、乳糖、脂肪的測(cè)定模型。其近紅外法測(cè)定結(jié)果與標(biāo)準(zhǔn)法測(cè)定結(jié)果相一致。但總體來看，目前近紅外光譜分析技術(shù)在牛奶及其制品在線檢測(cè)中的應(yīng)用尚停留在實(shí)驗(yàn)室的階段，要真正實(shí)現(xiàn)牛奶及其制品生產(chǎn)的在線檢測(cè)還需要做更多的工作。

2.離線檢測(cè)

營養(yǎng)成分檢測(cè)。牛奶制品營養(yǎng)成分檢測(cè)主要是指利用近紅外光譜分析技術(shù)對(duì)牛奶中的蛋白質(zhì)、乳糖、脂肪等營養(yǎng)成分進(jìn)行快速定量的分析。聯(lián)邦德國的R.T.Carl早在1991年就利用近紅外光譜分析技術(shù)以及偏最小二乘法分析牛奶中的脂肪含量，結(jié)果也表明利用近紅外光譜分析技術(shù)分析牛奶中脂肪含量是非?？尚械?。

摻假物質(zhì)鑒別。牛奶制品中有許多摻假物質(zhì)，例如植物蛋白、植脂末、乳清粉乃至三聚氰胺等。奶制品摻假成分檢測(cè)主要依賴傳統(tǒng)方法，而近紅外光譜分析技術(shù)的應(yīng)用也能夠起到有效作用。韓東海（2006）具體應(yīng)用近紅外光譜分析技術(shù)來鑒別純牛奶中的還原奶，結(jié)合判別分析方法構(gòu)建起還原奶鑒別模型，并利用偏最小二乘法構(gòu)建起原料奶的ph值以及酸度預(yù)測(cè)模型，具體誤差

致病菌分析。李守軍（2007）對(duì)利用近紅外光譜技術(shù)檢測(cè)牛奶中致病菌方法進(jìn)行了分析。具體采用最小二乘法、余弦相似度聚類等方法建立利用近紅外光譜檢測(cè)原料乳大腸桿菌、總菌落數(shù)的模型，結(jié)果表明能夠在50分鐘內(nèi)完成，可有效預(yù)測(cè)原料乳大腸桿菌以及總菌數(shù)。

三、近紅外光譜分析技術(shù)應(yīng)用展望

我國的奶制品質(zhì)量水準(zhǔn)在食品市場(chǎng)中一直備受關(guān)注，牛奶產(chǎn)品的質(zhì)量也一直是弱項(xiàng)，例如我國奶粉產(chǎn)品質(zhì)量與西方國家有著巨大差距。究其原因，在于生產(chǎn)監(jiān)控以及原材料質(zhì)量控制上的差距。近紅外光譜分析技術(shù)有著準(zhǔn)確、快速、便捷等特性，得到了越來越廣泛的應(yīng)用。而這項(xiàng)技術(shù)在牛奶及其制品中的應(yīng)用，則能夠更有效地實(shí)施對(duì)牛奶制品的質(zhì)量監(jiān)控。其對(duì)于提升生產(chǎn)質(zhì)量控制，降低生產(chǎn)成本等發(fā)揮著重要的作用。但同時(shí)，目前近紅外光譜技術(shù)在牛奶分析檢測(cè)中的應(yīng)用仍存在著諸多問題有待解決：牛奶為多分散體系，由于測(cè)量條件以及測(cè)量方法等諸多因素影響，測(cè)定結(jié)果的準(zhǔn)確率有待提升，因而需要開發(fā)專用的數(shù)學(xué)模型以及相關(guān)配件來提升檢測(cè)精確度；近紅外光譜分析技術(shù)定性與定量分析的關(guān)鍵因素在構(gòu)建準(zhǔn)確的校正模型，因而需要進(jìn)行多種建模方法的對(duì)比來獲取最優(yōu)化的模型；此外，近紅外光譜分析技術(shù)雖然分析成本較低，但其儀器本身較為昂貴，對(duì)于我國一些牛奶加工企業(yè)、牛奶養(yǎng)殖場(chǎng)所以及牛奶收購站而言，缺乏經(jīng)濟(jì)實(shí)力與生產(chǎn)規(guī)模。因而需要開發(fā)出更簡(jiǎn)便，價(jià)格更低的近紅外儀器，拓展其在牛奶檢測(cè)中的應(yīng)用范圍。

結(jié)束語

總而言之，近紅外光譜分析技術(shù)有著簡(jiǎn)便、快速、綠色等特征，隨著我國乳制品工業(yè)的快速發(fā)展以及社會(huì)對(duì)于乳制品質(zhì)量的關(guān)注，近紅外光譜分析技術(shù)有著廣闊的應(yīng)用前景。目前我國乳品市場(chǎng)質(zhì)量安全方面仍然存在著諸多問題，新形勢(shì)下，我們應(yīng)當(dāng)進(jìn)一步加快對(duì)近紅外光譜分析技術(shù)在牛奶化學(xué)分析應(yīng)用的研究，促進(jìn)其在乳品生產(chǎn)檢測(cè)中的高效應(yīng)用，從而提升我國乳制品的質(zhì)量安全水平。

參考文獻(xiàn)

[1] 鄒強(qiáng).近紅外光譜技術(shù)在奶酪品質(zhì)評(píng)價(jià)中的應(yīng)用[J].光譜學(xué)與光譜分析，2011，10.

第6篇：光譜學(xué)與光譜學(xué)分析范文

[關(guān)鍵詞] 近紅外光譜;續(xù)斷;發(fā)汗;主成分分析;馬氏距離;判別分析

[收稿日期] 2014-07-16

[基金項(xiàng)目] 國家自然科學(xué)基金青年基金項(xiàng)目（81303224）

[通信作者] *杜偉鋒，碩士，助理研究員，研究方向?yàn)橹兴幣谥萍百|(zhì)量控制，Tel：（0571）87195895，E-mail：

產(chǎn)地加工是中藥材加工成中藥飲片的一個(gè)重要環(huán)節(jié)。長(zhǎng)期的中藥生產(chǎn)實(shí)踐和產(chǎn)地加工經(jīng)驗(yàn)積累形成了獨(dú)具特色、較為系統(tǒng)的中藥材產(chǎn)地加工方法和技術(shù)體系[1]?！鞍l(fā)汗”是中藥材常用的傳統(tǒng)產(chǎn)地加工方法之一，主要使其內(nèi)部水分往外溢，變軟、變色，增加香味或減少刺激性，有利于干燥，如厚樸、杜仲、玄參、續(xù)斷、丹參等藥材?，F(xiàn)代研究表明，“發(fā)汗”除了利于藥材干燥外，也常常伴隨著化學(xué)成分的改變[2]。近年來，隨著干燥設(shè)備的興起，再加上產(chǎn)地“發(fā)汗”比較繁瑣耗時(shí)，藥農(nóng)大都摒棄了傳統(tǒng)的“發(fā)汗”加工方法，直接烘干來代替“發(fā)汗”。必然會(huì)影響傳統(tǒng)的中醫(yī)臨床療效。目前，市場(chǎng)上尚無很好地發(fā)汗藥材的鑒定方法，只是根據(jù)經(jīng)驗(yàn)進(jìn)行鑒別。鑒別藥材“發(fā)汗”與否，有人采用色差儀和電子鼻測(cè)量其顏色特征參數(shù)和氣味特征參數(shù)，建立了判別模型[3]。然而，電子鼻僅對(duì)氣味較大的藥材敏感，對(duì)氣味淡的藥材不適合。近些年來，通過與化學(xué)計(jì)量學(xué)相結(jié)合，近紅外光譜已逐步發(fā)展成為一門能反映樣品的整體信息、快速簡(jiǎn)便、低成本、無損失，便于在線分析的分析檢測(cè)技術(shù)[4]，在中藥定性和定量分析方面的應(yīng)用也越來越廣泛[5]，主要用于中藥材的真?zhèn)舞b別、產(chǎn)地鑒別、種類分析、成分的快速含量測(cè)定[6-16]等。筆者以續(xù)斷為例，采用近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)，利用主成分分析-馬氏距離法進(jìn)行判別分析，建立續(xù)斷“發(fā)汗”的鑒別模型，以快速鑒別續(xù)斷是否經(jīng)過產(chǎn)地加工“發(fā)汗”，為控制續(xù)斷藥材質(zhì)量提供新的手段。

1 材料

Antaris 傅立葉變換近紅外光譜儀，配有漫反射積分球，樣品旋轉(zhuǎn)臺(tái)，樣品杯，Result 3.0光譜采集軟件，TQ8.3.125光譜分析軟件（美國Thermo Fisher公司）。

257批續(xù)斷樣品是從貴州、四川、云南、湖北、浙江、安徽等產(chǎn)地收集，其中發(fā)汗樣品106批，未發(fā)汗樣品151批，經(jīng)浙江中醫(yī)藥大學(xué)中藥飲片有限公司鄭建寶主管中藥師鑒定為川續(xù)斷科植物川續(xù)斷Dipsacus asper Wall.ex Henry的干燥根。

2 方法與結(jié)果

2.1 近紅外光譜的采集

將續(xù)斷樣品研碎過60目篩，每份樣品取約10 g，混合均勻后放入石英樣品杯中，攤平，然后以空氣為參比，扣除背景，采集光譜圖。采樣方式：積分球漫反射;采集區(qū)間10 000～4 000 cm-1;分辨率8.0 cm-1;掃描次數(shù)64次;empty門衰減;增益為1;溫度（25±2） ℃，相對(duì)濕度45%～50%。每份樣品掃描3次，求平均值作為樣品的NIR光譜，見圖1，2。續(xù)斷未發(fā)汗和發(fā)汗樣品的近紅外光譜圖都極為相似，無法直接找出特定的吸收峰加以區(qū)分。必須運(yùn)用化學(xué)計(jì)量學(xué)方法，采用光譜分析軟件對(duì)原始光譜進(jìn)行預(yù)處理和特征信息提取后才能作出鑒別。

圖1 續(xù)斷未發(fā)汗樣品近紅外光譜圖

Fig.1 The near-infrared spectrum of the crude Dipsaci Radix

圖2 續(xù)斷發(fā)汗樣品近紅外光譜圖

Fig.2 The near-infrared spectrum of the sweated Dipsaci Radix

2.2 建立模型的方法

2.2.1 樣品選擇 通過優(yōu)化篩選，剔除偏離較大的樣品，使其誤判率為0。最終選取了83批續(xù)斷未發(fā)汗樣品作校正集，46批作驗(yàn)證集;選取64批續(xù)斷發(fā)汗樣品作為校正集，22批樣品作為驗(yàn)證集，其余樣品作為預(yù)測(cè)集。

2.2.2 波段選擇 優(yōu)化光譜范圍，凈化譜圖信息，對(duì)反映樣品信息突出的光譜區(qū)域進(jìn)行挑選，篩選出最有效的光譜區(qū)域，提高運(yùn)算效率。以所建模型的性能指數(shù)（performance index， PI）為指標(biāo)，不斷優(yōu)化譜段范圍，最終選擇譜段為9 881.46～4 119.20 cm-1。

2.2.3 光譜預(yù)處理方法 采用近紅外光譜儀自帶的TQ Analys 軟件，選擇常用的主成分分析-馬氏距離法進(jìn)行判別分析（discriminant analysis）。由于存在樣品不均勻、光散射等干擾，以及近紅外儀器自身的隨機(jī)噪音，故應(yīng)采用合理的光譜預(yù)處理方法以消除噪音、降低樣品表面不均勻和色差等因素影響， 提高模型的預(yù)測(cè)精準(zhǔn)度和穩(wěn)定性。本文比較了 ①光程類型（pathlength type）：多元散射校正（MSC）、標(biāo)準(zhǔn)正則變換（SNV）;②數(shù)據(jù)格式（data format）：原始光譜（spectrum）、一階求導(dǎo)（first derivative，1st D）、二階求導(dǎo)（second derivative， 2nd D），見圖3～5;③平滑（smoothiing）類型：不光滑（no smoothing， Ns）卷積平滑濾波（ savitzky-golay filter， S-G），Norris導(dǎo)數(shù)平滑濾波（Norris derivative filter， Nd）等光譜預(yù)處理方法，以判別分析的準(zhǔn)確度為判據(jù)，不同光譜預(yù)處理方法所建模型的性能指數(shù)見表1，經(jīng)過比較，選用 “SNV+spectrum+ S-G” 組合對(duì)原始光譜進(jìn)行預(yù)處理。

A.發(fā)汗; B.不發(fā)汗; C.兩者間的標(biāo)準(zhǔn)差（圖4，5同）。

圖3 續(xù)斷發(fā)汗和未發(fā)汗樣品的原始光譜的光譜圖

Fig.3 The crude spectrum of the crude and sweated Dipsaci Radix

圖4 續(xù)斷發(fā)汗和未發(fā)汗樣品的一階求導(dǎo)的光譜圖

Fig.4 The first derivative spectrum of the crude and sweated Dipsaci Radix

2.2.4 主成分?jǐn)?shù)選擇 選取主成分（principal components， PCs）的個(gè)數(shù)取決于主成分的累計(jì)方差貢獻(xiàn)

圖5 續(xù)斷發(fā)汗和未發(fā)汗樣品的二階求導(dǎo)的光譜圖

Fig.5 The second derivative spectrum of the crude and sweated Dipsaci Radix

表1 不同光譜預(yù)處理方法對(duì)性能指數(shù)的影響

Table 1 The effects of different spectrum pretreated methods on the performance index

光譜預(yù)處理方法性能指數(shù)

MSC+spectrum+Ns94.457

MSC+spectrum+S-G94.466

MSC+1st D+Ns91.926

MSC+1st D+S-G91.986

MSC+1st D+Nd92.308

MSC+2nd D+Ns85.417

MSC+2nd D+S-G85.654

MSC+2nd D+Nd91.710

SNV+spectrum+Ns94.572

SNV+spectrum+S-G94.575

SNV+1st D+Ns91.776

SNV+1st D+S-G91.821

SNV+1st D+Nd92.097

SNV+2nd D+Ns85.270

SNV+2nd D+S-G85.504

SNV+2nd D+Nd91.626

率（cumulative），它標(biāo)志著前幾個(gè)主成分概括信息之多寡;性能指數(shù)是評(píng)價(jià)模型優(yōu)劣的指標(biāo)。因此，以性能指數(shù)和累計(jì)貢獻(xiàn)率來篩選模型的最佳主成分?jǐn)?shù)?？芍?，選擇主成分?jǐn)?shù)為14 時(shí)，模型的性能指數(shù)最大且累計(jì)貢獻(xiàn)率較大，建立的續(xù)斷未發(fā)汗和發(fā)汗樣品的識(shí)別模型效果最佳見表2，圖6。

2.3 鑒別模型的建立

采用主成分分析-馬氏距離法，選擇 “SNV+spectrum+S-G” 組合對(duì)原始光譜進(jìn)行預(yù)處理，主成分?jǐn)?shù)為14，建立續(xù)斷發(fā)汗和未發(fā)汗樣品的近紅外光譜鑒別模型。用本方法分析樣品時(shí)，軟件對(duì)標(biāo)準(zhǔn)光譜進(jìn)行主成分分析，用其結(jié)果來確定未知樣品的得分值，得分圖用來計(jì)算樣品到每個(gè)類別的馬氏距離，

表2 鑒別模型中主成分?jǐn)?shù)的優(yōu)化

Table 2 The optimization of the number of principal components in the identification model

主成分?jǐn)?shù)累計(jì)貢獻(xiàn)率/%性能指數(shù)

1099.928 393.944

1199.949 793.991

1299.963 394.002

1399.972 993.739

1499.979 694.575

1599.984 294.555

1699.988 294.456

1799.990 994.387

圖6 鑒別模型中主成分?jǐn)?shù)優(yōu)化三維圖

Fig. 6 The 3D graphic of the number of principal components optimization in the identification model

距離哪一類的值越小，就歸屬為哪一類。建立的近紅外光譜鑒別模型見圖7。

.未發(fā)汗;.發(fā)汗;.其他。

圖7 續(xù)斷發(fā)汗和未發(fā)汗樣品的近紅外光譜鑒別模型

Fig.7 The near-infrared spectroscopy identification model of the crude and sweated Dipsaci Radix

2.4 模型的預(yù)測(cè)能力

選取了續(xù)斷未發(fā)汗樣品22批和發(fā)汗樣品20批作為預(yù)測(cè)集，對(duì)優(yōu)化后的校正集模型進(jìn)行驗(yàn)證，檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力，結(jié)果見表3。從表中可看出， 模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果一致，模型的預(yù)測(cè)準(zhǔn)確率為100%，說明所建模型用于快速鑒別續(xù)斷發(fā)汗和未發(fā)汗樣品是可行的。

表3 鑒別模型的預(yù)測(cè)結(jié)果

Table 3 The prediction results of identification model

No.

馬氏距離

未發(fā)汗發(fā)汗

10.691.34

20.721.34

30.701.45

41.090.87

51.190.89

60.920.90

71.351.12

81.541.12

91.021.63

101.201.57

111.231.04

121.461.30

130.891.38

141.151.02

150.691.54

160.571.52

170.540.82

180.911.08

191.221.17

200.841.14

210.81

220.79

3 討論

近紅外光譜主要是反映C-H，O-H，N-H，S-H等化學(xué)鍵的信息，因此分析范圍幾乎可覆蓋所有的有機(jī)化合物和混合物。主要原理是將近紅外光譜所反映的樣品基團(tuán)、組成信息與測(cè)得的數(shù)據(jù)采用化學(xué)計(jì)量學(xué)技術(shù)建立校正模型，然后通過對(duì)未知樣品光譜的測(cè)定和建立的校正模型來快速預(yù)測(cè)其組成。因此可以說它能應(yīng)用于所有中藥材的真?zhèn)舞b別、產(chǎn)地鑒別、種類分析。但是建模需要大量有代表性的樣品，采用標(biāo)準(zhǔn)的方法采集近紅外光譜圖并獲得基礎(chǔ)數(shù)據(jù)，在進(jìn)行光譜預(yù)處理和模式識(shí)別的基礎(chǔ)上建立模型并加以驗(yàn)證，才能付諸實(shí)用。就定量分析而言，由于近紅外光譜采集的信號(hào)較弱，被測(cè)組分的質(zhì)量分?jǐn)?shù)一般要大于0.1%才能適用。

現(xiàn)代近紅外光譜分析技術(shù)是一種快速無損的檢測(cè)方法，樣品不需要進(jìn)行前處理，使樣品之間的微小差異能夠最大限度地保留下來，不會(huì)人為干擾、甚至破壞。續(xù)斷經(jīng)產(chǎn)地加工“發(fā)汗”后，在化學(xué)成分上有一定的變化，使用一般的化學(xué)分析方法，對(duì)待測(cè)樣品需要一定的預(yù)處理， 而且只能測(cè)定部分成分含量，不能從整體對(duì)其進(jìn)行表征，近紅外光譜技術(shù)彌補(bǔ)了這一不足，可以從整體表征續(xù)斷“發(fā)汗”前后的差異。

采用近紅外光譜漫反射分析技術(shù)，結(jié)合主成分分析-馬氏距離法進(jìn)行判別分析，建立了續(xù)斷發(fā)汗和未發(fā)汗樣品的快速鑒別模型。結(jié)果表明，運(yùn)用近紅外光譜法對(duì)續(xù)斷發(fā)汗和未發(fā)汗樣品能正確分類，結(jié)果判斷準(zhǔn)確，此鑒別方法可行。

近紅外光譜技術(shù)鑒別續(xù)斷“發(fā)汗”與否的方法操作簡(jiǎn)便、快速，結(jié)果準(zhǔn)確且無污染，可應(yīng)用于中藥飲片企業(yè)的飲片質(zhì)量的快速檢測(cè)。

[參考文獻(xiàn)]

[1] 段金廒，宿樹蘭，呂潔麗，等. 藥材產(chǎn)地加工傳統(tǒng)經(jīng)驗(yàn)與現(xiàn)代科學(xué)認(rèn)識(shí)[J]. 中國中藥雜志，2009， 34（24）：3151.

[2] 段金廒，宿樹蘭，嚴(yán)輝，等. 藥材初加工“ 發(fā)汗” 過程及其酶促反應(yīng)與化學(xué)轉(zhuǎn)化機(jī)理探討[C]. 蘭州：2012海峽兩岸CSNR全國第10屆中藥及天然藥物資源學(xué)術(shù)研討會(huì)，2012.

[3] 劉紅亮，晏仁義，郭健，等. 厚樸“發(fā)汗”前后藥材顏色及氣味差異的數(shù)值化研究[J].中國中藥雜志，2013， 38（1）：45.

[4] 徐廣通，袁洪福，陸婉珍. 現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展[J]. 光譜學(xué)與光譜分析，2000，20（2）：134.

[5] Lu J， Xiang B， Liu H， et al. Application of two-dimensional near-infrared correlation spectroscopy to the discrimination of Chinese herbal medicine of different geographic regions[J]. Spectrochim Acta A Mol Biomol， 2008， 69（2）： 580.

[6] 王良金，李松賓，胡昌勤. 近紅外圖譜直觀分析法鑒別假藥[J].中國藥事，2008， 22（8）：668.

[7] 韓吳琦，黃永麗，郭興輝. 近紅外光譜鑒別法在中成藥領(lǐng)域應(yīng)用之初探[J]. 中國實(shí)驗(yàn)方劑學(xué)雜志，2012，18（22）：166.

[8] Lau C C， Chan C O， Chau F T， et al. Rapid analysis of Radix Puerariae by near-infrared spectroscopy[J]. J Chromatogr A， 2009， 1216 （11）：2130.

[9] 范茹軍，秦曉曄，宋巖，等. 基于近紅外光譜的羊藿定性鑒別及定量檢測(cè)[J]. 中國實(shí)驗(yàn)方劑學(xué)雜志，2012，16（13）：85.

[10] Li Xiaomeng， Fang Dansi， Cong Xiaodong， et al. Application of fourier transform near-infrared spectroscopy combined with high-performance liquid chromatography in Rapid and simultaneous determination of essential components in crude Radix Scrophulariae[J]. AAPS Pharm Sci Tech， 2012， 13（4）： 1428.

[11] 卜海博，聶黎行，，等. 近紅外光譜法無損識(shí)別林下山參及其生長(zhǎng)年限[J].光譜學(xué)與光譜分析，2012， 32 （7）：1801.

[12] 程亮，杜偉鋒，叢曉東，等. 近紅外光譜法快速測(cè)定杭白菊中3種成分的含量[J].中國實(shí)驗(yàn)方劑學(xué)雜志，2013， 19 （7）：90.

[13] 趙耀東，杜偉鋒，王勝波，等. 基于近紅外光譜的浙貝母中貝母素甲和貝母素乙含量快速檢測(cè)方法的建立[J]. 中華中醫(yī)藥學(xué)刊，2013， 31（4）：348.

[14] 郭昊，杜偉鋒，蔡寶昌，等. 溫郁金和桂郁金紅外光譜的SIMCA 聚類鑒別方法研究[J].中藥新藥與臨床藥理，2013， 24（3）：300.

[15] 徐姍姍，杜偉鋒，葛衛(wèi)紅，等. 近紅外光譜法快速分析玄參藥材中毛蕊花糖苷含量[J].安徽中醫(yī)學(xué)院學(xué)報(bào)，2013， 32（3）：81.

[16] 杜偉鋒，王勝波，趙耀東，等. 近紅外光譜法測(cè)定白芍中芍藥苷含量[J].中華中醫(yī)藥學(xué)刊，2013， 31（3）：483.

Rapid identification of crude and sweated Dipsaci Radix based on

near-infrared spectroscopy combined with principal component

analysis-Mahalanobis distance

DU Wei-feng1*， JIA Yong-qiang2， JIANG Dong-jing1， ZHANG Hao1

（1.Research Center of Traditional Chinese Medicine Processing Technology， Zhejiang Chinese Medical University，

Hangzhou 311401， China;

2. Beijing Union Pharmaceutical Factory， Institute of Materia Medica， Chinese Academy of

Medical Sciences&Peking Union Medical College， Beijing 102600， China）

[Abstract] In order to discriminate the crude and sweated Dipsaci Radix correctly and rapidly， the crude and sweated Dipsaci Radix were scanned by the NIR spectrometer， and an identifying model was developed by near infrared spectroscopy combined with principal component-Mahalanobis distance pattern recognition method. The pretreated spectra data of 129 crude samples and 86 sweated ones were analyzed through principal component analysis （PCA）. The identifying model was developed by choosing the spectrum for 9 881.46-4 119.20 cm-1 and ″SNV+spectrum+S-G″ to the original spectral preprocessing with 14 principal components， and then was verified by prediction set， identifying with 100% accuracy. The rapid identification model of the crude and sweated Dipsaci Radix by NIR is feasible and efficient， and could be used as an assistant means for identifying the crude and sweated Dipsaci Radix.

第7篇：光譜學(xué)與光譜學(xué)分析范文

研究了應(yīng)用流動(dòng)注射-氫化物發(fā)生-原子熒光光譜法測(cè)定地礦樣品中痕量汞，討論了了儀器工作條件，氫化物發(fā)生條件，基體干擾和消除，汞的痕量分析對(duì)地質(zhì)找礦和地質(zhì)環(huán)境工作有重要意義。

關(guān)鍵詞：原子熒光光譜法；汞；地礦樣品；痕量汞

【分類號(hào)】O657.31

一 實(shí)驗(yàn)部分

1 儀器： XGY-1011A型原子熒光光譜儀

2 儀器工作條件

負(fù)高壓 -240V

燈電流 80mA

原子化器溫度 200℃

載氣流量 800ml/min

加液時(shí)間 4s

積分時(shí)間 8s

3 樣品分析方法

稱取0.5000g樣品于25ml比色管中，用少量去離子水潤(rùn)濕后，加入新配制的1+1王水10ml，搖勻后置于沸水浴中加熱1小時(shí)，期間取出搖動(dòng)一次。取下冷卻至室溫，加入1% KMnO4溶液1ml，搖勻，放置20min，用1% H2C2O4溶液稀釋至刻度，搖勻，放置沉清。以下操作同標(biāo)準(zhǔn)曲線的繪制。采用標(biāo)準(zhǔn)曲線校正法，根據(jù)稱樣量和稀釋倍數(shù)，計(jì)算出樣品中汞的含量。

4 燈電流的選擇

表1 燈電流對(duì)熒光強(qiáng)度和精密度影響

燈電流 熒光強(qiáng)度平均值 RSD%（n=6）

10mA 8 5.96

20 mA 32 1.28

30 mA 64 1.32

40 mA 92 1.08

50 mA 128 2.05

60 mA 157 0.82

70 mA 186 1.62

80 mA 205 1.01

90 mA 231 2.44

隨燈電流的增加熒光強(qiáng)度值增加，而在10mA是熒光強(qiáng)度值較低，相應(yīng)的測(cè)定精密度也較差，但是只要大于20mA就能得到靈敏度高和精密度好的測(cè)定結(jié)果。所以燈電流的選擇原則是只要靈敏度滿足要求，即選擇較低的燈電流值，這樣可以延長(zhǎng)燈的使用壽命。常規(guī)分析中40mA燈電流。

5 原子化器預(yù)加熱溫度的影響

表2 原子化器溫度影響參數(shù)

原子化器溫度（℃） Hg（ng/mL） 相關(guān)系數(shù)

0.5 1 2 3 6 8

室溫 131 269 455 657 1457 1946 0.99878

100 105 204 422 664 1181 1542 0.99857

200 90 178 344 513 1026 1375 0.99998

400 75 149 309 465 875 1234 0.99912

600 68 142 286 423 848 1134 0.99999

800 67 136 271 393 783 1038 0.99996

溫度低時(shí)雖然靈敏度較高，但是線性范圍較窄，只適用于超痕量Hg的測(cè)定。

當(dāng)溫度增加時(shí)靈敏度降低，但是線性范圍變寬，線性關(guān)系變好，靈敏度降低的原因是溫度增加時(shí)產(chǎn)生熱激發(fā)，使Hg的基態(tài)原子數(shù)減少所致。

當(dāng)溫度高于600℃，系統(tǒng)會(huì)產(chǎn)生較強(qiáng)的記憶效應(yīng)，這是由于石英管原子化器在溫度高時(shí)產(chǎn)生Hg的熱吸附現(xiàn)象，在下一次測(cè)定時(shí)不定量的釋放出來，從而對(duì)測(cè)定產(chǎn)生影響，這將嚴(yán)重影響方法的測(cè)定下限和測(cè)定準(zhǔn)確度及精密度。常規(guī)測(cè)定選擇原子化器預(yù)加熱溫度為200℃。200℃的溫度與氬氫火焰約1000℃溫度相比要低得多，且在測(cè)定中不形成火焰，所以應(yīng)用冷蒸氣法測(cè)定。

6 干擾及消除

Au、Ag、As、Sb、Bi、Se、Te、Pt、Pd嚴(yán)重干擾汞的測(cè)定，干擾允許量極小。采用SnCl2作為還原劑比KBH4作為還原劑干擾允許量要大得多。尤其是Au、Pt、Pd和Se4+及Te4+的允許量還不能滿足無干擾測(cè)定的允許值。研究發(fā)現(xiàn)，在KMnO4的作用下，Se4+及Te4+被氧化成Se6+及Te6+而對(duì)汞的干擾可以大大降低，同時(shí)Au、Ag、As、Sb、Bi、Pt、Pd干擾允許量也得到了大大提高。

但是，過量的KMnO4及中間產(chǎn)物MnO2對(duì)測(cè)定有影響，加入草酸可以消除其影響，從而實(shí)現(xiàn)汞的無干擾直接測(cè)定。

7 方法檢出限

平行進(jìn)行12份樣品空白溶液的測(cè)定，計(jì)算測(cè)定值的標(biāo)準(zhǔn)偏差s，以6s計(jì)算，同時(shí)考慮稱樣量和稀釋倍數(shù)得到方法檢出限為0.51ng/g-1。

8 方法準(zhǔn)確度，精密度

選擇國家一級(jí)標(biāo)準(zhǔn)物質(zhì)（GSD-8 、GSD-9、 GSD-10、GSD-11、GSD-12、GSD-13、GSD-14）各12份，按照本文擬定的分析步驟，測(cè)定Hg的含量，計(jì)算相應(yīng)的精密度相對(duì)標(biāo)準(zhǔn)偏差（RSD%）和準(zhǔn)確度（對(duì)數(shù)差LOGC）。

表3 準(zhǔn)確度、精密度實(shí)驗(yàn)

測(cè)定次數(shù) GSD-8 GSD-9 GSD-10 GSD-11 GSD-12 GSD-13 GSD-14

μg?g-1 μg?g-1 μg?g-1 μg?g-1 μg?g-1 μg?g-1 μg?g-1

1 0.049 0.073 0.267 0.085 0.056 0.009 0.045

2 0.050 0.095 0.341 0.080 0.053 0.011 0.046

3 0.049 0.091 0.341 0.069 0.057 0.010 0.043

4 0.046 0.101 0.329 0.077 0.053 0.010 0.041

5 0.048 0.096 0.334 0.075 0.056 0.010 0.043

6 0.049 0.096 0.310 0.075 0.059 0.011 0.041

7 0.048 0.097 0.322 0.085 0.059 0.012 0.039

8 0.045 0.096 0.331 0.083 0.057 0.012 0.040

9 0.040 0.094 0.336 0.088 0.058 0.012 0.040

10 0.043 0.090 0.328 0.083 0.059 0.012 0.036

11 0.046 0.093 0.334 0.088 0.061 0.012 0.039

12 0.042 0.107 0.328 0.083 0.062 0.012 0.039

平均值 0.05 0.09 0.33 0.08 0.06 0.01 0.04

標(biāo)準(zhǔn)值 0.042 0.083 0.280 0.072 0.056 0.011 0.037

LOGC 0.04 0.05 0.06 0.05 0.01 0.00 0.04

RSD% 7.07 8.54 6.19 7.35 4.92 8.61 6.76

由此表可以看出標(biāo)樣的準(zhǔn)確度精密度數(shù)值，其標(biāo)準(zhǔn)符合的要求（DZ0130.1～DZ0130.13）。

二 結(jié)論

通過對(duì)影響測(cè)定的各種因素實(shí)驗(yàn)，確定了使用流動(dòng)注射氫化物發(fā)生―原子熒光光譜法測(cè)定地質(zhì)礦產(chǎn)樣品中汞的實(shí)驗(yàn)條件。實(shí)驗(yàn)表明，該方法有較高的準(zhǔn)確度和精密度以及較低的檢出限，操作簡(jiǎn)便，分析速度快，隨著地質(zhì)對(duì)實(shí)驗(yàn)測(cè)試能力要求的不斷提高，此種分析方法的實(shí)際當(dāng)中的應(yīng)用將進(jìn)一步擴(kuò)大。

參考文獻(xiàn)：

[1]段秀琴.KBH4還原―無色散原子熒光法測(cè)定大氣中粒子態(tài)汞.中國環(huán)境監(jiān)測(cè)，1991.7（2）.

[2]索有瑞 ，隋一良 ，王麗梅.無火焰非色散原子熒光光譜法測(cè)定化探樣品中痕量汞：光譜學(xué)與光譜分析，1985.5（2）.

[3]DZ/T0130-2006，地質(zhì)礦產(chǎn)實(shí)驗(yàn)室測(cè)試質(zhì)量管理規(guī)范[S].

第8篇：光譜學(xué)與光譜學(xué)分析范文

關(guān)鍵詞：近紅外光譜；冰溫貯藏；牛肉；品質(zhì)；校正模型

Abstract： In this experiment， a rapid quantitative detection method was proposed by near infrared spectroscopy （NIR） for beef quality during ice temperature storage. The calibration models of beef pH， water loss， TVB-N and color value （L*/a*） were established by NIR technique allowing the simultaneous predication of several beef quality indicators. The correlation coefficient （R2） of the calibration models were all above 0.70 and the R2 values for the predicted and actual values were all above 0.90. The calibration models had high prediction accuracy. Furthermore， cluster analysis was used to categorize the near infrared spectral data of beef stored for different durations. The results showed that based on the near infrared spectral data meat freshness was categorized well. NIR is suitable for rapid and non-invasive estimation beef quality and freshness as an alternative to the traditional detection method.

Key words： near infrared spectroscopy （NIR）； controlled freezing point storage； beef； quality； calibration model

中圖分類號(hào)：TS251.1 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2015）03-0023-04

doi： 10.7506/rlyj1001-8123-201503006

目前，對(duì)牛肉品質(zhì)指標(biāo)的檢測(cè)仍較常采用感官檢驗(yàn)、理化檢驗(yàn)與微生物學(xué)檢驗(yàn)相結(jié)合的綜合檢驗(yàn)方法，得出的感官檢驗(yàn)結(jié)論會(huì)因感覺器官的局限性、人的主觀性造成出入[1-6]，而理化檢驗(yàn)操作復(fù)雜，測(cè)定過程耗時(shí)、耗力，不易進(jìn)行大批量的快速檢測(cè)[3-6]，食品行業(yè)與檢驗(yàn)部門迫切需求一種快速、非破壞性和客觀的檢測(cè)技術(shù)。其中，近紅外光譜技術(shù)（near infrared spectroscopy，NIR）的應(yīng)用，很好地解決了傳統(tǒng)檢測(cè)方法帶來的弊端[3]。

近紅外光譜分析技術(shù)是利用物質(zhì)含氫基團(tuán)振動(dòng)的合頻和倍頻吸收信息進(jìn)行物質(zhì)的定性和定量分析的一種快速檢測(cè)方法[4，6]。由于食品中的大多數(shù)有機(jī)化合物如蛋白質(zhì)、脂肪、有機(jī)酸、碳水化合物等都含有不同的含氫基團(tuán)，不同的基團(tuán)在近紅外區(qū)域具有不同的吸收位置，據(jù)此可對(duì)物質(zhì)進(jìn)行定性分析，根據(jù)吸收強(qiáng)度和物質(zhì)含量的線性關(guān)系，又能對(duì)物質(zhì)進(jìn)行定量分析。具有分析速度快、信息量大、多組分同時(shí)測(cè)定、無損樣品、無污染等優(yōu)點(diǎn)，符合當(dāng)前工業(yè)生產(chǎn)的需求，目前在食品領(lǐng)域已應(yīng)用于鮮肉及肉制品中營養(yǎng)成分和品質(zhì)的檢測(cè)[4，6-11]。

本研究通過采集冰溫條件下牛霖肉在貯藏期內(nèi)的近紅外光譜數(shù)據(jù)，同時(shí)采用傳統(tǒng)方法測(cè)定常規(guī)肉品質(zhì)指標(biāo)如pH值、失水率、揮發(fā)性堿基總氮（total volatile basic nitrogen，TVB-N）、色差值，以偏最小二乘法建立這些指標(biāo)的校正模型。并且利用聚類分析的方法對(duì)不同貯藏階段肉品近紅外光譜的數(shù)據(jù)進(jìn)行分類處理。旨在為利用近紅外光譜分析技術(shù)快速評(píng)價(jià)冷鮮牛肉品質(zhì)和鮮度提供相關(guān)實(shí)驗(yàn)依據(jù)。

1 材料與方法

1.1 材料與試劑

屠宰12 h內(nèi)的鮮牛霖肉（冷鏈貯藏） 市購。

稀硫酸、碳酸鉀、硼酸、甘油、阿拉伯膠、甲基紅、次甲基藍(lán)、乙醇均為分析純。

1.2 儀器與設(shè)備

數(shù)顯溫度計(jì) 天津市科輝儀表廠；JY3001型電子天平、JA-1104N型電子天平（感應(yīng)量為0.000 1 g）、HJ-6A型多頭磁力攪拌器 江蘇省金壇市文華儀器有限公司；PH100型筆式pH計(jì) 上海三信儀表廠；雙夾板壓力計(jì) 實(shí)驗(yàn)室自制；WSC-S測(cè)差計(jì) 上海精密科學(xué)儀器有限公司；NIT-38近紅外光譜分析儀 澳大利亞NIR Techno1ogy公司。

1.3 方法

1.3.1 肉樣處理

將鮮牛霖肉（冷鏈貯藏，樣品采至同一頭牛同一部位），采用內(nèi)裝冰袋的泡沫保溫箱4 ℃運(yùn)回，去除附著的脂肪和結(jié)締組織，平均分割成小份總共11份，每份100 g（6.5 cm×4 cm×4 cm），不進(jìn)行包裝處理，置于溫度為D1 ℃（冰溫）冰箱變溫區(qū)貯藏（冰箱內(nèi)相對(duì)濕度70%）。各項(xiàng)指標(biāo)每2 d測(cè)定1 次，每次測(cè)定時(shí)從每組中各取1份測(cè)定肉的各項(xiàng)指標(biāo)，每項(xiàng)指標(biāo)重復(fù)測(cè)定3 次，結(jié)果取平均值，共連續(xù)測(cè)量21 d。

1.3.2 肉樣品質(zhì)指標(biāo)測(cè)定

pH值測(cè)定[12-13]：采用電表pH計(jì)測(cè)定法，將pH計(jì)直接插入被檢肉新鮮切面上讀取pH值，依次取3 個(gè)測(cè)試點(diǎn)。

失水率測(cè)定[13]：將肉樣切為1.0 mm厚度，用直徑2.523 cm圓形取樣器切取肉樣，用感量為0.000 1 g天平稱質(zhì)量，然后將肉樣上下各墊6 層濾紙，置于35 kg壓力計(jì)上壓制5 min，撤除壓力后立即稱質(zhì)量，計(jì)算失水率。

TVB-N測(cè)定：按照GB/T 5009.44―2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》中微量擴(kuò)散法測(cè)定樣品的TVB-N測(cè)定。

色差值測(cè)定[12]：將肉樣切成厚薄均勻的薄片，放入WSC-S測(cè)差計(jì)樣品池中，鋪平，測(cè)定其L*值、a*值。

1.3.3 樣品近紅外光譜采集

將肉樣切成厚薄均勻的薄片，放入厚度為15 mm的樣品池內(nèi)，保持樣品均勻鋪平，在720～l 100 nm近紅外光譜區(qū)范圍內(nèi)進(jìn)行透射掃描，每次測(cè)定對(duì)每份樣品連續(xù)掃描3次，取平均值[4]，以獲得樣品每個(gè)檢測(cè)日的近紅外光譜數(shù)據(jù)，共連續(xù)測(cè)量21 d。

1.3.4 近紅外光譜數(shù)學(xué)模型的建立

將樣品集分成校正集和驗(yàn)證集，采用一階導(dǎo)數(shù)（first derivative，F(xiàn)D）、二階導(dǎo)數(shù)（second derivative，SD）、標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）和多元散射校正（multipl scatter correction，MSC）等方法對(duì)所獲得的近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用分析建模軟件NTAS（NIR Technology Australia Software）通過偏最小二乘法（partialleast squares regression，PLS）對(duì)校正集樣品的pH值、失水率、TVB-N、色差值等肉質(zhì)指標(biāo)建立近紅外光譜校正模型[4]。

1.3.5 模型的驗(yàn)證

選用未參與校正模型建立的樣品組成驗(yàn)證集，將驗(yàn)證集樣品的近紅外光譜數(shù)據(jù)代入到校正模型中，通過校正模型計(jì)算獲得樣品樣品肉質(zhì)指標(biāo)的預(yù)測(cè)值，最后根據(jù)預(yù)測(cè)值與樣品肉質(zhì)指標(biāo)的真實(shí)值（實(shí)驗(yàn)值）的接近程度，來衡量校正模型預(yù)測(cè)值的準(zhǔn)確度[14]。

1.3.6 聚類分析

聚類分析是通過找出指標(biāo)之間能代表其相近程度的統(tǒng)計(jì)量，以這些統(tǒng)計(jì)量為劃分類別的依據(jù)，找出指標(biāo)間的共性和變化規(guī)律。分類過程中，首先將差異較小的聚合為一類，然后根據(jù)指標(biāo)間的親疏程度，將差異最小的兩類進(jìn)行合并。然后考慮合并后的類與其他類之間的親疏程度，再進(jìn)行合并。如此不斷重復(fù)比較直至將所有指標(biāo)聚合分類完畢[6，15-17]。采用可用聚類分析的方法研究不同貯藏階段肉的近紅外光譜的變化規(guī)律和分類結(jié)果。

1.4 數(shù)據(jù)處理

使用SPSS 19.0進(jìn)行數(shù)據(jù)分析。對(duì)pH值、失水率、TVB-N、色差值等數(shù)據(jù)進(jìn)行求平均值和標(biāo)準(zhǔn)偏差處理，并且對(duì)每個(gè)測(cè)定參數(shù)進(jìn)行ANOVA分析。

2 結(jié)果與分析

2.1 牛肉樣品的近紅外光譜分析

圖1為貯藏期間牛肉樣品集不同貯藏時(shí)間下的近紅外原始光譜圖，樣品的圖譜形狀大致相同，峰值都出現(xiàn)在920 nm附近。在短波近紅外區(qū)（780～1 100 nm），其主要的吸收物質(zhì)是水分、脂肪和蛋白質(zhì)，其吸收峰分別在964、928、908 nm波長(zhǎng)處[14]。牛肉在不同貯藏時(shí)間下的近紅外光譜吸光度有差異，可以間接證明隨著貯藏時(shí)間的延長(zhǎng)牛肉中水分、脂肪和蛋白質(zhì)含量在變化，而三大組分的含量變化直接關(guān)系到牛肉的pH值、失水率、TVB-N、肉色等指標(biāo)，因此利用近紅外光譜技術(shù)對(duì)這幾項(xiàng)指標(biāo)進(jìn)行預(yù)測(cè)是可行的。

2.2 近紅外光譜模型的建立

近紅外光譜譜線包含復(fù)雜的化學(xué)信息，存在樣品不同組分之間相互干擾、譜峰相互掩蓋等問題。另外，還包含一些與待測(cè)樣品性質(zhì)無關(guān)的因素帶來的干擾，如樣品裝樣均勻度、裝樣狀態(tài)或儀器狀態(tài)等，都會(huì)導(dǎo)致光譜產(chǎn)生基線漂移或偏移、背景干擾等現(xiàn)象。因此在建立校正模型之前對(duì)近紅外原始光譜進(jìn)行預(yù)處理是很有必要的，常用的預(yù)處理方法有光程校正，如MSC和SNV；微分處理，如FD和SD[18]。

由表1可知，在建立的模型中，對(duì)pH值采用SNV處理后的光譜數(shù)據(jù)進(jìn)行建模，對(duì)失水率、TVB-N、L*值和a*值采用二階導(dǎo)數(shù)處理后的光譜數(shù)據(jù)進(jìn)行建模，建立的模型標(biāo)準(zhǔn)誤差SEC最小或相關(guān)系數(shù)R2最大，各模型的結(jié)果均達(dá)到最理想。采用SNV處理后的光譜數(shù)據(jù)，pH值校正模型的相關(guān)系數(shù)是0.932，是所建立的模型中效果最理想的一個(gè)。采用二階導(dǎo)數(shù)處理后的光譜數(shù)據(jù)，失水率校正模型相關(guān)系數(shù)為0.848；TVB-N的校正模型相關(guān)系數(shù)為0.926；L*值的校正模型相關(guān)系數(shù)為0.810；a*值的校正模型相關(guān)系數(shù)為0.749。

對(duì)各指標(biāo)校正模型的準(zhǔn)確性產(chǎn)生影響的因素較多，包括樣品代表性、檢測(cè)環(huán)境條件、儀器靈敏度、響應(yīng)特性等，而此次建立的校正模型相關(guān)系數(shù)都在0.70以上，具有較好的相關(guān)性，可滿足牛肉常規(guī)品質(zhì)的檢測(cè)。

2.3 近紅外光譜模型的驗(yàn)證

目前研究多采用相關(guān)圖的方法來分析考察校正模型對(duì)樣品預(yù)測(cè)的預(yù)測(cè)值（y）和樣品真實(shí)值（x）的接近程度[14，19-20]。選用未參與校正模型建立的樣品組成驗(yàn)證集（驗(yàn)證集樣品數(shù)為19），將驗(yàn)證集樣品的近紅外光譜數(shù)據(jù)代入到校正模型中，通過校正模型計(jì)算獲得樣品肉質(zhì)指標(biāo)的預(yù)測(cè)值，用最小二乘法對(duì)預(yù)測(cè)值和真實(shí)值進(jìn)行一元線性擬合，根據(jù)預(yù)測(cè)值與真實(shí)值的線性相關(guān)性，來衡量校正模型的預(yù)測(cè)值的準(zhǔn)確度[14]。通常用相關(guān)系數(shù)R2來度量擬合程度，（R2）越接近于1，則說明預(yù)測(cè)值和真實(shí)值越接近，校正模型的預(yù)測(cè)準(zhǔn)確度越高[21]。

由圖2可知，各個(gè)預(yù)測(cè)模型的真實(shí)值與預(yù)測(cè)值的R2均在0.90以上，說明預(yù)測(cè)值與真實(shí)值比較接近，可對(duì)未知樣品進(jìn)行預(yù)測(cè)。相關(guān)性分析結(jié)果說明校正模型的預(yù)測(cè)值與真實(shí)值接近程度較高，利用近紅外光譜分析法對(duì)牛肉品質(zhì)及鮮度進(jìn)行檢測(cè)和品質(zhì)快速評(píng)價(jià)檢測(cè)可信度高。

2.4 聚類分析

為了確定肉樣光譜數(shù)據(jù)隨貯藏時(shí)間的變化規(guī)律，對(duì)樣品集連續(xù)21 d每2 d的原始光譜數(shù)據(jù)做了系統(tǒng)聚類分析。對(duì)貯藏期間樣品的原始光譜數(shù)據(jù)采用“歐氏距離”，聚類方法選“最遠(yuǎn)鄰元素法”進(jìn)行分析，結(jié)果如圖3所示。

由圖3可知，樣品集21 d的光譜可明顯的分為2 類，第1類是樣品集前15 d的光譜值；第2類為17～21 d的光譜值。從第1類分類結(jié)果看，第1～5天的數(shù)據(jù)與第7～15天的數(shù)據(jù)分成兩個(gè)小類。由聚類分析的結(jié)果可推測(cè)出，前5 d樣品處于新鮮程度變化的初期，7～15 d為腐敗變化的過渡期，最后17～21 d樣品加速腐敗，故光譜明顯區(qū)別于前15 d的情況。

牛肉變質(zhì)是一個(gè)漸進(jìn)的過程，牛肉從新鮮到次鮮再到變質(zhì)的變化，就是肉中成分在逐漸腐敗變性的原因。比如汁液流失導(dǎo)致的水分及水中可溶性物質(zhì)被帶出、碳水化合物的消耗、蛋白質(zhì)的分解、脂肪的氧化，這些物質(zhì)成分發(fā)生的變化，都能導(dǎo)致肉的近紅外光譜吸收系數(shù)、散射系數(shù)發(fā)生改變。在不同的貯藏階段對(duì)肉進(jìn)行光譜掃描，光譜信息中將攜帶吸收系數(shù)、散射系數(shù)的變化特征，從而可以實(shí)現(xiàn)對(duì)肉新鮮度的分類。由實(shí)驗(yàn)結(jié)果可知，利用近紅外漫反射光譜對(duì)牛肉的新鮮程度有著較好的分類結(jié)果。

3 結(jié) 論

牛肉在貯藏過程中的腐敗變質(zhì)是一個(gè)非常復(fù)雜的物理化學(xué)過程，采用常規(guī)理化方法結(jié)合感官檢測(cè)可以對(duì)肉品質(zhì)進(jìn)行檢測(cè)，但步驟繁瑣且耗時(shí)。本實(shí)驗(yàn)采用近紅外光譜技術(shù)建立了牛肉近紅外光譜pH值、失水率、TVB-N、色差值（L*/a*）的校正模型，能同時(shí)預(yù)測(cè)出牛肉樣品的多項(xiàng)品質(zhì)指標(biāo)。建立的校正模型相關(guān)系數(shù)都在0.70以上，具有較好的相關(guān)性。校正模型的預(yù)測(cè)值與真實(shí)值接近程度較高，決定系數(shù)均在0.90以上，具有較高的預(yù)測(cè)準(zhǔn)確度。可滿足牛肉常規(guī)品質(zhì)的檢測(cè)。

利用聚類分析的方法對(duì)不同貯藏階段肉品近紅外光譜的數(shù)據(jù)進(jìn)行了分類處理，聚類分析的結(jié)果表明近紅外反射光譜對(duì)牛肉的新鮮程度有著較好的分類結(jié)果，為近紅外光譜快速非破壞性的檢測(cè)肉品新鮮度提供了進(jìn)一步的依據(jù)。與傳統(tǒng)的化學(xué)分析方法相比，該技術(shù)可快速、非破壞評(píng)價(jià)牛霖肉的肉品質(zhì)及新鮮程度。

參考文獻(xiàn)：

[1] 鮮于建川. 冷卻牛肉質(zhì)量評(píng)定系統(tǒng)研究與開發(fā)[D]. 長(zhǎng)春： 吉林大學(xué)， 2002.

[2] 莊玉亭， 趙月蘭. 肉品新鮮度檢測(cè)方法[J]. 河北科技大學(xué)學(xué)報(bào)， 1999， 20（2）： 63-65.

[3] 徐廣通， 袁洪福， 陸婉珍. 現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展[J]. 光譜學(xué)與光譜分析， 2000， 20（2）： 134-142.

[4] 陳育濤， 朱秋勁， 盧開紅， 等. 近紅外光譜對(duì)特征部位牛肉的分析[J]. 肉類研究， 2012， 26（3）： 34-38.

[5] 侯瑞鋒， 黃嵐， 王忠義， 等. 肉品新鮮度檢測(cè)方法[J]. 現(xiàn)代科學(xué)儀器， 2006（5）： 76-80.

[6] 侯瑞鋒， 黃嵐， 王忠義， 等. 用近紅外漫反射光譜檢測(cè)肉品新鮮度的初步研究[J]. 光譜學(xué)與光譜分析， 2007， 26（12）： 2193-2196.

[7] WANG Wenbo， PALIWAL J. Near-infrared spectroscopy and imaging in food quality and safety[J]. Sensing and Instrumentation for Food Quality and Safety， 2007， 1（4）： 193-207.

[8] PRIETO N， ANDRES S， GIRALDEZ F， et al. Potential use of near infrared reflectance spectroscopy（NIRS）for the estimation of chemical composition of oxen meat samples[J]. Meat Science， 2006， 74： 478-496.

[9] LEROY B， LAMBOTTE S， DOTREPP O， et al. Prediction of technological and organoleptic properties of beef longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science， 2004， 66： 45-54.

[10] TOGERSEN G， ARNESEN J F， NILSEN B N， et al. On-line prediction of chemical composition of semi-frozen ground beef by non-invasive NIR spectroscopy[J]. Meat Science， 2003， 63： 515-523.

[11] SHACKELFORD S D， WHEELER T L， KOOHMARAIE M. Development of optimal protocol for visible and near-infrared reflectance spectroscopic evaluation of meat quality[J]. Meat Science， 2004， 68（3）： 371-381.

[12] 許倩， 朱秋勁， 葉春， 等. 低場(chǎng)核磁共振分析冰溫牛肉中不同狀態(tài)水分變化[J]. 肉類研究， 2013， 27（5）： 17-21.

[13] 周永昌， 王文升， 等. 畜產(chǎn)品加工實(shí)驗(yàn)指導(dǎo)[M]. 北京： 中國農(nóng)業(yè)出版社， 1999： 55-56.

[14] ALOMAR D， GALLO C， CASTANTEDA M， et a1. Chemical and discriminant analysis of bovine meat by near infrared reflectance spectros-copy（NIRS）[J]. Meat Science， 2003， 63（4）： 441-450.

[15] 肖宜濱. 聚類分析的理論及其應(yīng)用[J]. 江蘇統(tǒng)計(jì)， 2001（11）： 13-15.

[16] 王駿， 王士同， 鄧趙紅. 聚類分析研究中的若干問題[J]. 控制與決策， 2012， 27（3）： 321-328.

[17] 郭培源， 林巖， 付妍， 等. 基于近紅外光譜技術(shù)的豬肉新鮮度等級(jí)研究[J]. 激光與光電子學(xué)進(jìn)展， 2013， 50（3）： 180-186.

[18] 劉煒， 吳昊F， 孫東東， 等. 近紅外光譜分析技術(shù)在鮮雞肉快速檢測(cè)分析中的應(yīng)用研究[J]. 中國家禽， 2009， 31（2）： 8-11.

[19] LOMIWES D， REIS M M， WIKLUND E， et a1. Nearinfrared spectros-copy as an on-line to quantitatively determine glycogen and predict ultimate pH in pre rigor bovine M.1ongissimus dorsi[J]. Meat Science， 2010， 86（4）： 999-1004.

第9篇：光譜學(xué)與光譜學(xué)分析范文

關(guān)鍵詞：全自動(dòng)定氮儀 食品 蛋白質(zhì) 檢測(cè) 分析

中圖分類號(hào)：TS212.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）03（b）-0045-01

蛋白質(zhì)是食品當(dāng)中的主要營養(yǎng)成分之一，屬于分子結(jié)構(gòu)復(fù)雜的含氮有機(jī)化合物。主要的構(gòu)成要素包括氨基酸以及肽鍵。在當(dāng)前的技術(shù)條件支持下，食品當(dāng)中蛋白質(zhì)含量的測(cè)定方法有以下幾種類型：其一為甲醛滴定法、其二為電流法、其三為紫外分光光度法、其四為雙縮脲法。但以上檢測(cè)方法在實(shí)際應(yīng)用中均存在不同程度上的缺陷，或操作步驟過于繁瑣，可行性不高，或相關(guān)設(shè)備儀器的投入資金過大，或操作反應(yīng)時(shí)間較長(zhǎng)，或數(shù)據(jù)缺乏精確性優(yōu)勢(shì)。故而需要對(duì)食品中的蛋白質(zhì)分析方法進(jìn)行合理的改進(jìn)。文章即在對(duì)食品當(dāng)中蛋白質(zhì)成分進(jìn)行檢測(cè)的過程當(dāng)中應(yīng)用全自動(dòng)凱氏定氮儀?，F(xiàn)針對(duì)相關(guān)操作方法進(jìn)行如下概括。

1 材料與方法

1.1 儀器與試劑

在應(yīng)用全自動(dòng)凱氏定氮儀對(duì)食品中蛋白質(zhì)含量進(jìn)行測(cè)量與分析的過程當(dāng)中，所涉及到的儀器設(shè)備包括以下幾個(gè)方面：1）全自動(dòng)凱氏定氮儀；2）樣品消化器。同時(shí)，所涉及到的操作試劑包括以下幾個(gè)方面：1）鹽酸標(biāo)準(zhǔn)溶液。該試劑的制備方法為：0.10 mmol/L劑量鹽酸標(biāo)準(zhǔn)儲(chǔ)備液，混合100.0 ml劑量水分，定容形成1000.0 ml劑量實(shí)驗(yàn)試劑；2）氫氧化鈉溶液。該試劑的制備方法為：4000.0 g劑量氫氧化鈉，混合10.0 L劑量水分，定容形成實(shí)驗(yàn)試劑；3）濃硫酸分析純?cè)噭?）硼酸吸收溶液。該試劑的制備方法為：100.0 g劑量硼酸，混合10.0 L劑量水分，添加100.0 ml劑量0.1%甲基紅溶液以及70.0 ml劑量0.1%溴甲酚綠溶液制備形成；5）銅催化劑。

1.2 方法

在應(yīng)用全自動(dòng)凱氏定氮儀對(duì)食品中蛋白質(zhì)成分進(jìn)行分析的過程當(dāng)中，具體的操作方法為：1）準(zhǔn)備分析對(duì)象。本次使用全自動(dòng)凱氏定氮儀對(duì)蛋白質(zhì)進(jìn)行分析中，所對(duì)應(yīng)的分析對(duì)象包括：乳酸菌飲料、純牛奶、鮮豆?jié){、全脂奶粉。2）具體分析。精密稱取以上乳酸菌飲料、純牛奶、鮮豆?jié){、全脂奶粉樣品放入消化管當(dāng)中。加入兩片銅催化片。混合10.0 ml劑量濃硫酸試劑，充分搖動(dòng)均勻，確保樣品處于完全濕潤(rùn)狀態(tài)。消化管放置于消化器當(dāng)中（消化器預(yù)先經(jīng)過預(yù)熱處理，預(yù)熱溫度達(dá)到420.0 ℃），反應(yīng)時(shí)間持續(xù)0.5～1.0 h，待觀察反應(yīng)儀器當(dāng)中樣品消化呈藍(lán)綠色液體狀態(tài)后取出冷卻，冷卻時(shí)間控制為15.0～20.0 min。消化管放置入全自動(dòng)凱氏定氮儀當(dāng)中，關(guān)閉安全門，由儀器自動(dòng)進(jìn)行蒸餾、滴定工作，完成反應(yīng)后對(duì)檢測(cè)結(jié)果進(jìn)行輸出處理。

2 結(jié)果

2.1 儀器精密度測(cè)定結(jié)果

全自動(dòng)凱氏定氮儀測(cè)定食品中蛋白質(zhì)期間的儀器精密度測(cè)定結(jié)果如下表所示（見表1）。檢測(cè)過程當(dāng)中針對(duì)每一樣品分別進(jìn)行5次檢驗(yàn)，平行檢測(cè)結(jié)果平均值所對(duì)應(yīng)相對(duì)標(biāo)準(zhǔn)片偏差均

2.2 儀器準(zhǔn)確度測(cè)定結(jié)果

全自動(dòng)凱氏定氮儀測(cè)定食品中蛋白質(zhì)期間的儀器準(zhǔn)確度測(cè)定結(jié)果如下表所示（見表2）。檢測(cè)過程當(dāng)中，通過加標(biāo)硫酸亞鐵銨回收試驗(yàn)的方式證實(shí)硫酸亞鐵銨所對(duì)應(yīng)回收率取值均>99%標(biāo)準(zhǔn)，證實(shí)應(yīng)用全自動(dòng)凱氏定氮儀進(jìn)行食品中蛋白質(zhì)含量檢測(cè)準(zhǔn)確度高。

2.3 對(duì)比測(cè)定結(jié)果

在應(yīng)用全自動(dòng)凱氏定氮儀對(duì)樣品蛋白質(zhì)進(jìn)行測(cè)定期間，同時(shí)使用經(jīng)典凱氏定氮法對(duì)樣品進(jìn)行檢測(cè)，兩種方法下的測(cè)定結(jié)果如下表所示（見表3）。證實(shí)應(yīng)用全自動(dòng)凱氏定氮儀檢測(cè)與常規(guī)操作方法檢測(cè)數(shù)據(jù)無明顯差異，數(shù)據(jù)真實(shí)可靠。

3 結(jié)語

研究顯示，在對(duì)食品中蛋白質(zhì)含量進(jìn)行測(cè)定與分析的過程當(dāng)中，全自動(dòng)定凱氏氮儀是在化學(xué)分析基礎(chǔ)之上的改進(jìn)，測(cè)定原理與化學(xué)分析方法基本一致。相對(duì)于對(duì)玻璃儀器的整合，且兼顧對(duì)機(jī)電一體化控制技術(shù)的實(shí)現(xiàn)。通過對(duì)全自動(dòng)凱氏定氮儀的應(yīng)用，能夠使整個(gè)測(cè)定流程更加的簡(jiǎn)單、快速、高效。同時(shí)，由于整個(gè)檢測(cè)流程全自動(dòng)，故而可以避免因人為誤差而對(duì)數(shù)據(jù)精確性產(chǎn)生不良的影響。本次檢測(cè)實(shí)驗(yàn)中證實(shí)：應(yīng)用全自動(dòng)凱氏定氮儀進(jìn)行食品中蛋白質(zhì)含量檢測(cè)精確度高、準(zhǔn)確度高、與常規(guī)操作方法檢測(cè)數(shù)據(jù)無明顯差異，數(shù)據(jù)真實(shí)可靠。

參考文獻(xiàn)

[1] 王敏，張秀芹，楊振宇，等.HPLC-MS/MS檢測(cè)含蛋白質(zhì)輻照食品中的鄰酪氨酸[J].分析測(cè)試學(xué)報(bào)，2011，30（10）：1187-1190.

[2] 李紅艷，汪鳳云，劉肖，等.離子色譜法檢測(cè)含蛋白質(zhì)食品中三聚氰胺[J].福建分析測(cè)試，2009，18（4）：7-12.