光谱学与光谱分析
近红外光谱检测蜂蜜中可溶性固形物含量和水分的应用研究
李水芳1 ，张 欣2 ，单 杨2* ，李忠海1
1. 中南林业科技大学，湖南 长沙 410004
Prediction Analysis of Soluble Solids Content and Moisture in Honey by Near Infrared Spectroscopy
LI Shui-fang1 , ZHANG Xin2 , SHAN Yang2* ，LI Zhong-hai1
1. Central South University of Forestry & Technology, Changsha 410004, China
摘要 ： 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(R 2 CV )、交互验证误差均方根(RMSECV)、验证集决定系数(R 2 p )、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。
关键词 ：近红外透反射光谱;蜂蜜检测;可溶性固形物含量;水分
Abstract ：A new method for the analysis of soluble solids content (SSC) in honey by near infrared spectroscopy (NIR) was developed, and moisture was also analyzed. The partial least square regression models of SSC and moisture were built for different pretreatments of the raw spectra in different spectral range. Good predictions were always obtained for all models. The best models of SSC and moisture were obtained by using Norris (3,2) smoothing + first derivative + multiplicative signal correction in total spectral range. The coefficient of determination (R 2 CV ) and root mean square error of cross validation (RMSECV), the coefficient of determination (R 2 p ) and root mean square error of validation sets(RMSEP) were 0.998 6, 0.190, 0.998 5 and 0.127 respectively for SSC, while for moisture they were 0.998 4, 0.187, 0.998 6 and 0.125 respectively. NIR could be used to analyze SSC and moisture in honey. The result of this article was better than that of related documents for moisture.
Key words ：Near infrared transflective spectroscopy;Honey analysis;Soluble solids content;Moisture
收稿日期: 2009-12-06
修订日期: 2010-03-08
通讯作者:
单 杨
E-mail: sy6302@sohu.com
[1] HOU Rui-li(侯瑞丽). Shenyang Agricultural University(沈阳农业大学)，2007, 14: 32.
[1]
李 虎, 钟 韵, 冯雅婷, 林 震, 朱士江. 无人机遥感的多植被指数土壤水分反演模型
[2]
朱志成，武永峰，马浚诚，冀 琳，柳斌辉，靳海亮. 基于无人机载遥感的水分胁迫下冬小麦叶绿素变化及冠层光谱响应
[3]
黄 华，刘 亚，库尔班古丽·都力昆，曾繁琳，玛依热·麦麦提，阿瓦古丽·麦麦提，买地努尔汗·艾则孜，郭俊先. 融合分数阶微分与PIMP-RF算法的集成学习模型预测成熟期苹果可溶性固形物含量
[4]
蔡健荣，黄楚钧，马立鑫，翟利祥，郭志明. 一维卷积神经网络的手持式可见/近红外柑橘可溶性固形物含量无损检测系统
[5]
李 雄，刘燕德，王观田，姜小刚. 柚子光能量衰减规律及透射深度对模型精度的影响分析
[6]
张 静，郭 榛，王思花，岳明慧，张姗姗，彭慧慧，印 祥，杜 娟，马成业. 便携式近红外和可见光光谱仪检测水稻水分含量方法比较研究
[7]
严忠伟，田 喜，张艺飞，李廉洁，刘三庆，黄文倩. 基于全透射近红外光谱的西瓜不同部位可溶性固形物含量在线检测研究
[8]
王 冬，冯海智，李 龙，韩 平. 两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究
[9]
刘 阁，陈 彬，商芷萱，全宇轩. 发动机油中水分的近红外光谱分析
[10]
金诚谦，郭 榛，张 静，马成业，唐小涵，赵 男，印 祥. 大豆水分含量的高光谱无损检测及可视化研究
[11]
赵 锐1 ，宋海燕1* ，赵 耀2 ，苏 勤1 ，李 伟1 . 基于特征波长积分算法的土壤有机质抗水分干扰模型研究
[12]
. 基于多尺度SNV-CWT特征的黑土有机质、水分、总铁及pH值估测
[13]
. 高光谱影像的鲜桃可溶性固形物含量预测模型
[14]
. 滞尘影响下的茶树叶片水分高光谱估算
[15]
. 可见-近红外光谱的滨海土壤“除水”盐分估测
