双峰驼乳常规营养成分检测与NIR快速检测模型建立
发布时间：2021-03-03 17:19
双峰驼乳营养丰富,脂肪、乳糖和总干物质显著高于牛乳,尤其降血糖与辅助治疗糖尿病的功效被发现以来,越来越受到关注与重视,并逐步得到产业化开发。品质和安全检测监督势在必行,但目前尚无专用于双峰驼乳常规营养成分的近红外（NIR）快速检测模型。从内蒙古乌海、阿拉善左旗和呼伦贝尔鄂温克旗共采集双峰驼乳153份用于建模研究,同时采集荷斯坦牛奶28份,从广西南宁市采集水牛奶40份,用于通用模型研究评价。所有乳样按国标法测定脂肪、乳糖、蛋白质、水分和灰分五种常规营养素,并用一款台式傅里叶变换研究型近红外（台式NIR）光谱仪和一款微型便携式近红外（微型NIR）光谱仪扫描乳样品,采集乳样的NIR漫透射光谱。用化学计量学软件Unscrambler10.5进行光谱的选择截取及转换等预处理,然后以偏最小二乘法（PLS）拟合校正乳样化学值和预处理后的NIR光谱,建立五种常规营养素近红外（NIR）光谱预测模型。根据模型内部验证参数:模型决定系数（R2）和内部交叉验证均方差（RMSECV）选择最优模型,再根据模型外部验证参数:外部预测均方根误差（RMSEP）、相对分析误差（RPD）和相对标准偏差（RSD）评价模型的稳...
【文章来源】：内蒙古农业大学内蒙古自治区
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
图３?ＰＬＳ模型主因子与ＲＭＳＥＣＶ关系图??Ｆｉｇ．３?Ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ＰＬＳ?ｍｏｄｅｌ?ｒｅｓｐｏｎｓｅ?ｆａｃｔｏｒ?ａｎｄ?ＲＭＳＥＣＶ??
／?０?４９４９４４５?０８９７９５?＾??■?Ｈ．ｍｒｎ４／?ＱＭｍｗ??＾＊??！８６??５８５．?ＪｓｐＳ＾＊?？，Ｂ??ｆ?？??ｉ８３?撕?＊??ｖ?＊??８１?？，．?？?ｔ??８０??????????????????????????????????１??８０?８?１?８２?８３?８４?８５?８６?６７?８８?８９?９０??Ｒｅｆｅｒｅｎｃｅ?Ｙ?（?？？＇、分．ｆ＝ａｃ１ｏｒ－Ｕ??图４水分建模??Ｆｉｇ．４?Ｍｏｉｓｔｕｒｅ?ｍｏｄｅｌｉｎｇ??Ｖａｒｉａｂｌｅ?Ｒｅｓｉｄｕａｌｓ??５１??４??３?｜??ｉ：??Ｗｆ３９?ｔ４５?１５２?ｔ５９?ｔ６５?１７１?１７９?１８７?ｆ９３?￥９９?２０５?２１１?２１＇?２２３?２２９?２３５?２４１?２４８?２５４?２６０?２６６?２７２?２？８?２８４?３０１??Ｓａｍｐｌｅｓ??图５水分学生化残差预测图??Ｆｉｇ．５?Ｐｒｅｄｉｃｔｉｏｎ?ｃｈａｒｔ?ｏｆ?ｍｏｉｓｔｕｒｅ?ｓｔｕｄｅｎｔｉｚｅｄ?ｒｅｓｉｄｕａｌｓ??图４是用１５３个样品建模的结果，从图中可以看出１６０、１８８、２４６和２７８号样??品与校正线的关联度不理想，此时模型的Ｒ２为０．８９，模型的内部验证系数较低，同??时在图５中，水分输出变量的学生化残差也以极值状态出现，因此可以确定１６０、１８８、??２４６和２７８号样品为异常值，将异常值样品从样本集中剔除。??
?８５?８６?６７?８８?８９?９０??Ｒｅｆｅｒｅｎｃｅ?Ｙ?（?？？＇、分．ｆ＝ａｃ１ｏｒ－Ｕ??图４水分建模??Ｆｉｇ．４?Ｍｏｉｓｔｕｒｅ?ｍｏｄｅｌｉｎｇ??Ｖａｒｉａｂｌｅ?Ｒｅｓｉｄｕａｌｓ??５１??４??３?｜??ｉ：??Ｗｆ３９?ｔ４５?１５２?ｔ５９?ｔ６５?１７１?１７９?１８７?ｆ９３?￥９９?２０５?２１１?２１＇?２２３?２２９?２３５?２４１?２４８?２５４?２６０?２６６?２７２?２？８?２８４?３０１??Ｓａｍｐｌｅｓ??图５水分学生化残差预测图??Ｆｉｇ．５?Ｐｒｅｄｉｃｔｉｏｎ?ｃｈａｒｔ?ｏｆ?ｍｏｉｓｔｕｒｅ?ｓｔｕｄｅｎｔｉｚｅｄ?ｒｅｓｉｄｕａｌｓ??图４是用１５３个样品建模的结果，从图中可以看出１６０、１８８、２４６和２７８号样??品与校正线的关联度不理想，此时模型的Ｒ２为０．８９，模型的内部验证系数较低，同??时在图５中，水分输出变量的学生化残差也以极值状态出现，因此可以确定１６０、１８８、??２４６和２７８号样品为异常值，将异常值样品从样本集中剔除。??
【参考文献】：
期刊论文
[1]不同品种苹果糖度近红外光谱在线检测通用模型研究[J]. 刘燕德,徐海,孙旭东,姜小刚,饶宇,张雨. 光谱学与光谱分析. 2020(03)
[2]双峰驼血液的营养成分分析[J]. 刘丽君,高婉婷,吉日木图,伊丽. 现代食品科技. 2019(07)
[3]基于近红外光谱的红提维生素C含量、糖度及总酸含量无损检测方法[J]. 高升,王巧华,李庆旭,施行. 分析化学. 2019(06)
[4]近红外光谱技术在牛油生产过程中的应用[J]. 陈广川,赵波,徐坤俐,龚晨辉,张立实,王培鉴,唐勇. 食品安全质量检测学报. 2019(09)
[5]近红外漫透射光补偿法无损快速检测大米直链淀粉[J]. 刘亚超,李永玉,彭彦昆,王凡,闫帅,丁继刚. 分析化学. 2019(05)
[6]基于近红外光谱技术的信阳毛尖产地判别[J]. 王子浩,刘洋,李明玺,郭桂义,万春鹏. 分子植物育种. 2019(21)
[7]铁观音中茶多酚含量的近红外光谱检测模型分析[J]. 周昌海,周海军. 宜宾学院学报. 2019(12)
[8]近红外光谱技术在中药鉴定中的应用与优势[J]. 孙洋,罗娴婷,周景阳. 临床医药文献电子杂志. 2019(37)
[9]近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假[J]. 白京,李家鹏,邹昊,田寒友,刘飞,李文采,王辉,张振琪,王守伟. 食品科学. 2019(08)
[10]NIR光谱法快速预测小麦籽粒干物质含量[J]. 何鸿举,王玉玲,乔红,欧行奇,刘红,王慧,蒋圣启,王魏. 海南师范大学学报(自然科学版). 2019(01)
硕士论文
[1]蒙古马奶常规营养成分检测与NIR快速检测模型建立[D]. 黄亚东.内蒙古农业大学 2019
[2]基于近红外光谱分析技术的猪肉品质快速检测方法研究[D]. 戴小也.中国矿业大学 2019
[3]近红外光谱分析技术在食用植物油品质检测中的应用[D]. 王毅.江苏大学 2010
[4]傅立叶变换近红外光谱技术测定传统豆制品品质研究[D]. 李慧.西北农林科技大学 2008
本文编号：3061632
【文章来源】：内蒙古农业大学内蒙古自治区
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
图３?ＰＬＳ模型主因子与ＲＭＳＥＣＶ关系图??Ｆｉｇ．３?Ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ＰＬＳ?ｍｏｄｅｌ?ｒｅｓｐｏｎｓｅ?ｆａｃｔｏｒ?ａｎｄ?ＲＭＳＥＣＶ??
／?０?４９４９４４５?０８９７９５?＾??■?Ｈ．ｍｒｎ４／?ＱＭｍｗ??＾＊??！８６??５８５．?ＪｓｐＳ＾＊?？，Ｂ??ｆ?？??ｉ８３?撕?＊??ｖ?＊??８１?？，．?？?ｔ??８０??????????????????????????????????１??８０?８?１?８２?８３?８４?８５?８６?６７?８８?８９?９０??Ｒｅｆｅｒｅｎｃｅ?Ｙ?（?？？＇、分．ｆ＝ａｃ１ｏｒ－Ｕ??图４水分建模??Ｆｉｇ．４?Ｍｏｉｓｔｕｒｅ?ｍｏｄｅｌｉｎｇ??Ｖａｒｉａｂｌｅ?Ｒｅｓｉｄｕａｌｓ??５１??４??３?｜??ｉ：??Ｗｆ３９?ｔ４５?１５２?ｔ５９?ｔ６５?１７１?１７９?１８７?ｆ９３?￥９９?２０５?２１１?２１＇?２２３?２２９?２３５?２４１?２４８?２５４?２６０?２６６?２７２?２？８?２８４?３０１??Ｓａｍｐｌｅｓ??图５水分学生化残差预测图??Ｆｉｇ．５?Ｐｒｅｄｉｃｔｉｏｎ?ｃｈａｒｔ?ｏｆ?ｍｏｉｓｔｕｒｅ?ｓｔｕｄｅｎｔｉｚｅｄ?ｒｅｓｉｄｕａｌｓ??图４是用１５３个样品建模的结果，从图中可以看出１６０、１８８、２４６和２７８号样??品与校正线的关联度不理想，此时模型的Ｒ２为０．８９，模型的内部验证系数较低，同??时在图５中，水分输出变量的学生化残差也以极值状态出现，因此可以确定１６０、１８８、??２４６和２７８号样品为异常值，将异常值样品从样本集中剔除。??
?８５?８６?６７?８８?８９?９０??Ｒｅｆｅｒｅｎｃｅ?Ｙ?（?？？＇、分．ｆ＝ａｃ１ｏｒ－Ｕ??图４水分建模??Ｆｉｇ．４?Ｍｏｉｓｔｕｒｅ?ｍｏｄｅｌｉｎｇ??Ｖａｒｉａｂｌｅ?Ｒｅｓｉｄｕａｌｓ??５１??４??３?｜??ｉ：??Ｗｆ３９?ｔ４５?１５２?ｔ５９?ｔ６５?１７１?１７９?１８７?ｆ９３?￥９９?２０５?２１１?２１＇?２２３?２２９?２３５?２４１?２４８?２５４?２６０?２６６?２７２?２？８?２８４?３０１??Ｓａｍｐｌｅｓ??图５水分学生化残差预测图??Ｆｉｇ．５?Ｐｒｅｄｉｃｔｉｏｎ?ｃｈａｒｔ?ｏｆ?ｍｏｉｓｔｕｒｅ?ｓｔｕｄｅｎｔｉｚｅｄ?ｒｅｓｉｄｕａｌｓ??图４是用１５３个样品建模的结果，从图中可以看出１６０、１８８、２４６和２７８号样??品与校正线的关联度不理想，此时模型的Ｒ２为０．８９，模型的内部验证系数较低，同??时在图５中，水分输出变量的学生化残差也以极值状态出现，因此可以确定１６０、１８８、??２４６和２７８号样品为异常值，将异常值样品从样本集中剔除。??
【参考文献】：
期刊论文
[1]不同品种苹果糖度近红外光谱在线检测通用模型研究[J]. 刘燕德,徐海,孙旭东,姜小刚,饶宇,张雨. 光谱学与光谱分析. 2020(03)
[2]双峰驼血液的营养成分分析[J]. 刘丽君,高婉婷,吉日木图,伊丽. 现代食品科技. 2019(07)
[3]基于近红外光谱的红提维生素C含量、糖度及总酸含量无损检测方法[J]. 高升,王巧华,李庆旭,施行. 分析化学. 2019(06)
[4]近红外光谱技术在牛油生产过程中的应用[J]. 陈广川,赵波,徐坤俐,龚晨辉,张立实,王培鉴,唐勇. 食品安全质量检测学报. 2019(09)
[5]近红外漫透射光补偿法无损快速检测大米直链淀粉[J]. 刘亚超,李永玉,彭彦昆,王凡,闫帅,丁继刚. 分析化学. 2019(05)
[6]基于近红外光谱技术的信阳毛尖产地判别[J]. 王子浩,刘洋,李明玺,郭桂义,万春鹏. 分子植物育种. 2019(21)
[7]铁观音中茶多酚含量的近红外光谱检测模型分析[J]. 周昌海,周海军. 宜宾学院学报. 2019(12)
[8]近红外光谱技术在中药鉴定中的应用与优势[J]. 孙洋,罗娴婷,周景阳. 临床医药文献电子杂志. 2019(37)
[9]近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假[J]. 白京,李家鹏,邹昊,田寒友,刘飞,李文采,王辉,张振琪,王守伟. 食品科学. 2019(08)
[10]NIR光谱法快速预测小麦籽粒干物质含量[J]. 何鸿举,王玉玲,乔红,欧行奇,刘红,王慧,蒋圣启,王魏. 海南师范大学学报(自然科学版). 2019(01)
硕士论文
[1]蒙古马奶常规营养成分检测与NIR快速检测模型建立[D]. 黄亚东.内蒙古农业大学 2019
[2]基于近红外光谱分析技术的猪肉品质快速检测方法研究[D]. 戴小也.中国矿业大学 2019
[3]近红外光谱分析技术在食用植物油品质检测中的应用[D]. 王毅.江苏大学 2010
[4]傅立叶变换近红外光谱技术测定传统豆制品品质研究[D]. 李慧.西北农林科技大学 2008
本文编号：3061632
本文链接：https://www.wllwen.com/kejilunwen/huaxue/3061632.html
教材专著
