仇遜超　張麟

摘要：采用近紅外光譜分析方法對(duì)紅松籽脂肪進(jìn)行定量分析，建立紅松籽脂肪的快速檢測(cè)方法，利用多種預(yù)處理方法優(yōu)化模型，同時(shí)采用間隔偏最小二乘法、反向間隔偏最小二乘法、無(wú)信息變量消除法實(shí)現(xiàn)特征波段的選取。結(jié)果表明，紅松籽樣本光譜經(jīng)矢量歸一化預(yù)處理后建立的模型最佳;波段優(yōu)選能夠提高模型質(zhì)量，其中反向間隔偏最小二乘法的篩選結(jié)果最優(yōu)，其紅松籽脂肪模型校正集相關(guān)系數(shù)為0.889 2，驗(yàn)證集均方根誤差為0.765 1。由此可知，經(jīng)過(guò)優(yōu)化后，模型的預(yù)測(cè)性能較好，實(shí)現(xiàn)了紅松籽脂肪快速、無(wú)損檢測(cè)。

關(guān)鍵詞：近紅外光譜;紅松籽;脂肪;預(yù)處理方法;波段篩選;數(shù)學(xué)模型;定量無(wú)損檢測(cè)

中圖分類(lèi)號(hào)： TS255.6? 文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)：1002-1302（2019）03-0159-05

近紅外光譜分析方法是通過(guò)分析有機(jī)化學(xué)物質(zhì)在近紅外光譜區(qū)的光學(xué)響應(yīng)特征，以實(shí)現(xiàn)對(duì)物質(zhì)定量或定性快速測(cè)定的現(xiàn)代光譜技術(shù)，由于其穿透性強(qiáng)，因此可以完成對(duì)帶殼物質(zhì)內(nèi)部品質(zhì)的定量、定性測(cè)定[1-2];經(jīng)過(guò)對(duì)待測(cè)樣本的近紅外光譜數(shù)據(jù)的一次獲取，在短短的幾分鐘內(nèi)就能夠?qū)崿F(xiàn)多項(xiàng)性能指標(biāo)的檢測(cè);在光譜測(cè)量的過(guò)程中無(wú)需對(duì)待測(cè)樣本進(jìn)行任何預(yù)處理，是無(wú)損、無(wú)消耗的綠色分析方法。近紅外光譜分析方法在農(nóng)副產(chǎn)品的脂肪測(cè)定中已得到了廣泛良好的應(yīng)用[3-5]，其中在帶殼堅(jiān)果方面，賈昌路等利用近紅外技術(shù)對(duì)帶殼的5個(gè)南疆核桃品種的光譜數(shù)據(jù)進(jìn)行了獲取，比較了不同品種的光譜差異，并根據(jù)吸光度的差異成功地對(duì)核桃的品質(zhì)和品種進(jìn)行了鑒別[6]。劉潔等分別構(gòu)建了帶殼板栗水分、蛋白質(zhì)定量分析的近紅外數(shù)學(xué)模型，研究結(jié)果表明其水分、蛋白質(zhì)模型驗(yàn)證集均方根誤差分別為2.27%、0.38[7-8]。筆者的前期研究也證實(shí)了采用近紅外光譜分析方法可以實(shí)現(xiàn)對(duì)帶殼紅松籽內(nèi)部蛋白質(zhì)[9]和水分[10]的定量檢測(cè)。但是還未見(jiàn)運(yùn)用近紅外光譜技術(shù)對(duì)帶殼紅松籽中的脂肪進(jìn)行測(cè)定分析的相關(guān)研究。

紅松籽中的脂肪含量較高，其中大部分為亞油酸和不飽和脂肪酸，亞油酸在經(jīng)過(guò)人體的消化吸收后可以轉(zhuǎn)化為二十碳五烯酸（eicosapentaenoic acid，簡(jiǎn)稱(chēng)EPA）和二十二碳六烯酸（docosahexaenoic acid，簡(jiǎn)稱(chēng)DHA），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等疾病有一定的預(yù)防作用，而不飽和脂肪酸對(duì)降低血脂、血壓和預(yù)防心血管疾病有一定的功效，此外，紅松籽中的脂肪還可以潤(rùn)滑大腸，有通便的作用，其緩瀉而不傷身，非常適合體弱、年老、孕婦等人群服用[11]。脂肪含量還對(duì)紅松籽的貯藏品質(zhì)有一定的影響，油脂酸敗會(huì)縮短紅松籽的貯藏壽命。傳統(tǒng)的紅松籽脂肪提取方法是基于索氏提取法的破壞性化學(xué)分析方法，該方法步驟繁瑣、檢測(cè)時(shí)間較長(zhǎng)，并且須要使用大量的揮發(fā)性溶劑，對(duì)測(cè)試人員的健康會(huì)產(chǎn)生危害并易污染環(huán)境。

本研究利用便攜式近紅外光譜儀，在900～1 700 nm波長(zhǎng)范圍內(nèi)測(cè)定帶殼紅松籽中的脂肪。通過(guò)偏最小二乘法（partial least squares，簡(jiǎn)稱(chēng)PLS）建立帶殼紅松籽中的脂肪定量分析模型，并分別比較矢量歸一化（vector normalization，簡(jiǎn)稱(chēng)VN）、一階導(dǎo)數(shù)（first derivative，簡(jiǎn)稱(chēng)1-Der）、二階導(dǎo)數(shù)（second derivative，簡(jiǎn)稱(chēng)2-Der）、多元散射校正（multiplication scatter correction，簡(jiǎn)稱(chēng)MSC）、變量標(biāo)準(zhǔn)化校正（standard normalized variate，簡(jiǎn)稱(chēng)SNV）等多種預(yù)處理方法對(duì)紅松籽脂肪建模精度的影響，在此基礎(chǔ)上分別利用間隔偏最小二乘法（interval partial least squares，簡(jiǎn)稱(chēng)iPLS）、反向間隔偏最小二乘法（backward interval partial least squares，簡(jiǎn)稱(chēng)BiPLS）、無(wú)信息變量消除法（uninformative variable elimination，簡(jiǎn)稱(chēng)UVE），實(shí)現(xiàn)對(duì)光譜特征波段的選取，經(jīng)過(guò)對(duì)比分析確定相對(duì)較好的預(yù)處理方法、相對(duì)較優(yōu)的波段選取方法及適合建模的波段范圍，從而構(gòu)建出質(zhì)量較好的帶殼紅松籽脂肪近紅外數(shù)學(xué)模型，以期實(shí)現(xiàn)帶殼紅松籽中脂肪的快速、準(zhǔn)確定量無(wú)損檢測(cè)。

1 材料與方法

1.1 試驗(yàn)材料

生的紅松籽樣本由位于黑龍江省伊春市的涼水國(guó)家級(jí)自然保護(hù)區(qū)提供，試驗(yàn)前對(duì)紅松籽樣本進(jìn)行清洗、擦拭，并依照紅松籽的相關(guān)儲(chǔ)藏要求，將全部樣本貯存于溫度為-1～2 ℃、相對(duì)濕度為50%～60%的條件下。為了滿(mǎn)足近紅外光譜掃描的要求，獲取紅松籽樣本光譜信息前，先提前24 h將樣本放置于實(shí)驗(yàn)室中，以保證其溫度和濕度與實(shí)驗(yàn)室的條件相一致。選取5 168粒紅松籽樣本，從中挑選出134份樣本用于后續(xù)的檢測(cè)研究，并按照3 ∶ 1的比例對(duì)樣本進(jìn)行校正集與驗(yàn)證集的劃分。須要說(shuō)明的是，校正集樣本用以實(shí)現(xiàn)模型的構(gòu)建;驗(yàn)證集樣本用以實(shí)現(xiàn)對(duì)模型的校驗(yàn)。

1.2 試驗(yàn)儀器

光譜儀器為德國(guó)INSION公司的NIR-NT-spectrometer-OEM-system（圖1），適用光譜波長(zhǎng)范圍為 900～1 700 nm，入口光纖為300/330 μm，探測(cè)器陣列是InGaAs陣列，光譜分辨率小于16 nm，體積為67 mm×36 mm×22 mm，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、在復(fù)雜環(huán)境下也可良好工作，且不受劇烈振動(dòng)的影響。光源為鹵素光源，其工作電壓為24 V。通過(guò)Y型光纖實(shí)現(xiàn)光譜儀與鹵素?zé)艄庠吹倪B接，光纖的另一端連接探頭，光譜儀與個(gè)人計(jì)算機(jī)（personal computer，簡(jiǎn)稱(chēng)PC）之間利用通用串行總線（universal serial bus，簡(jiǎn)稱(chēng)USB）實(shí)現(xiàn)連接。

1.3 試驗(yàn)方法

1.3.1 紅松籽光譜數(shù)據(jù)的獲取方法 獲取帶殼紅松籽樣本近紅外光譜信息的過(guò)程中，實(shí)驗(yàn)室溫度須維持在26 ℃左右，掃描工作開(kāi)始前，先打開(kāi)鹵素?zé)艄庠磁c近紅外光譜儀進(jìn)行 15 min 的預(yù)熱，使之穩(wěn)定;掃描標(biāo)準(zhǔn)鍍金漫反射背景體作為稍后試驗(yàn)的背景參比;采用漫反射方式進(jìn)行掃描，設(shè)置平均掃描次數(shù)為3次，光譜儀積分時(shí)間為30 ms;在獲取光譜信息的過(guò)程中，將紅松籽樣本至于探頭正上方，以確保光源對(duì)樣本的垂直照射，紅松籽樣本通過(guò)重新擺放連續(xù)掃描4次，以完成對(duì)樣本的共計(jì)12次掃描，獲取紅松籽樣本光譜信息的檢測(cè)示意圖如圖2所示，試驗(yàn)過(guò)程中，探頭與紅松籽的距離保持在 3 mm 左右。

1.3.2 紅松籽脂肪的化學(xué)測(cè)定方法 紅松籽樣本中脂肪的化學(xué)測(cè)定利用食品安全國(guó)家標(biāo)準(zhǔn)GB/T 5009.6—2003《食品中脂肪的測(cè)定》中的第一法——索氏抽提法實(shí)現(xiàn)。

1.3.3 光譜預(yù)處理 采用矢量歸一化、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正、變量標(biāo)準(zhǔn)化校正等預(yù)處理方法對(duì)原始帶殼紅松籽樣本的光譜信息進(jìn)行處理，以去除噪聲信息、附加散射變化、光程變動(dòng)等對(duì)原始光譜信息的影響。利用偏最小二乘回歸建立多個(gè)帶殼紅松籽中脂肪的近紅外數(shù)學(xué)模型，通過(guò)比較各模型校正集相關(guān)系數(shù)（correlation coefficient of calibration，簡(jiǎn)稱(chēng)RC）、驗(yàn)證集相關(guān)系數(shù)（correlation coefficient of predication，簡(jiǎn)稱(chēng)RP）、校正集均方根誤差（root mean square error of calibration，簡(jiǎn)稱(chēng)RMSEC）、驗(yàn)證集均方根誤差（root mean square error of predication，簡(jiǎn)稱(chēng)RMSEP）等評(píng)價(jià)參數(shù)，從而確定光譜預(yù)處理的最佳方法。最優(yōu)參數(shù)的評(píng)價(jià)標(biāo)準(zhǔn)是均方根誤差越小，越接近于0越好，相關(guān)系數(shù)越大，越接近于1越好[12]。

1.3.4 光譜特征波段選取 全波段光譜所含信息量大，存在較多的冗余數(shù)據(jù)，容易造成較長(zhǎng)的處理時(shí)間、建模運(yùn)算量大，對(duì)產(chǎn)品的在線快速分析不利，并且某些波段的信噪比較低，對(duì)模型建立產(chǎn)生干擾與影響[13-14]。分別利用間隔偏最小二乘法[15]、反向間隔偏最小二乘法[16]、無(wú)信息變量消除法[17]對(duì)經(jīng)過(guò)最佳預(yù)處理的光譜建模，進(jìn)行光譜波段的選取，以期降低數(shù)據(jù)冗余度，加快處理速度，提高模型精度。

2 結(jié)果與分析

2.1 校正集與驗(yàn)證集的劃分

利用基于樣本歐式距離的Kennard-Stone（K-S）算法[18]完成校正集與驗(yàn)證集的劃分，劃分結(jié)果如表1所示，其中，總體紅松籽樣本的脂肪分布在60%～71%之間，范圍較廣，表征的紅松籽中的脂肪信息較全面，可以較理想地作為構(gòu)建紅松籽中脂肪近紅外模型的樣本;驗(yàn)證集紅松籽樣本的脂肪分布在60.40%～68.14%之間，其分布范圍小于校正集紅松籽樣本的脂肪分布范圍（60.04%～70.93%），表明校正集紅松籽樣本所建立的脂肪近紅外模型能較好地適用于驗(yàn)證集紅松籽樣本。

2.2 紅松籽近紅外光譜數(shù)據(jù)分析

圖3為帶殼紅松籽樣本原始近紅外光譜信息，采樣間隔是6.83 nm，波長(zhǎng)范圍是906.9～1 699.18 nm。由圖3可知，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，使得原始近紅外光譜呈現(xiàn)出了較為復(fù)雜的重疊信息，但是從整體的光譜曲線來(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。脂肪是由脂肪酸與甘油構(gòu)成的三酰甘油酯，構(gòu)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附近的微弱波峰是C—H鍵伸縮振動(dòng)的三倍頻[19]，根據(jù)文獻(xiàn)[20]可知，1 180 nm附近的波峰是C—H鍵二級(jí)倍頻吸收，1 660 nm附近的較小波峰是C—H鍵一級(jí)倍頻吸收。根據(jù)文獻(xiàn)[21]可知，脂肪C—H鍵倍頻吸收的特征譜帶在950～1 020、1 070～1 440、1 520～1 680 nm之間。因此本研究選擇的波長(zhǎng)區(qū)域涵蓋了脂肪的特征吸收譜帶，說(shuō)明帶殼紅松籽樣本的光譜數(shù)據(jù)可以反映其脂肪的相關(guān)信息。

2.3 光譜預(yù)處理對(duì)比結(jié)果與分析

對(duì)光譜數(shù)據(jù)求導(dǎo)可以消除背景與基線干擾，但預(yù)處理效果會(huì)受求導(dǎo)窗口寬度的影響，因此，在進(jìn)行求導(dǎo)預(yù)處理前，要先確定出模型的最佳求導(dǎo)窗口寬度。根據(jù)模型的交叉驗(yàn)證均方根誤差（root mean square error of cross validation，簡(jiǎn)稱(chēng)RMSECV）來(lái)確定最佳求導(dǎo)窗口寬度，評(píng)價(jià)標(biāo)準(zhǔn)為RMSECV越小越好。由圖4可知，1-Der、2-Der窗口寬度均取5時(shí)對(duì)帶殼紅松籽樣本的光譜進(jìn)行預(yù)處理，構(gòu)建的脂肪PLS模型的RMSECV最小。

利用Matlab7.10.0軟件平臺(tái)，對(duì)原始帶殼紅松籽樣本的光譜進(jìn)行多種不同預(yù)處理，并分別建立其脂肪PLS模型。由表2可知，采用多種預(yù)處理方法對(duì)帶殼紅松籽樣本的原始近紅外光譜信息進(jìn)行處理后，各模型質(zhì)量均得到了提高，說(shuō)明采用合理的預(yù)處理方法可以提升模型的穩(wěn)健性和預(yù)測(cè)精確度，其中，SNV、MSC對(duì)帶殼紅松籽光譜進(jìn)行預(yù)處理后，效果提升并不明顯，表明帶殼紅松籽樣本非特異性表面散射的影響所致使的光譜差異并不明顯，且SNV構(gòu)建的模型略?xún)?yōu)于MSC構(gòu)建的模型，這是因?yàn)镸SC是基于一組樣本的光譜矩陣進(jìn)行預(yù)處理，而SNV是基于光譜矩陣進(jìn)行預(yù)處理，即對(duì)每條光譜數(shù)據(jù)進(jìn)行分別處理而造成的結(jié)果;經(jīng)求導(dǎo)預(yù)處理后模型的質(zhì)量得到了提升，表明經(jīng)求導(dǎo)處理后有效地實(shí)現(xiàn)了特征信息的提取，且經(jīng)2-Der預(yù)處理后建立的模型質(zhì)量略高于1-Der建立的模型，表明在經(jīng)2-Der預(yù)處理后背景與基線的影響被更有效地消除了。利用矢量歸一化的預(yù)處理方法對(duì)帶殼紅松籽光譜進(jìn)行處理，構(gòu)建的模型質(zhì)量最優(yōu)，其Rc為0.856 8，RMSEC、RMSEP分別為0.752 5、0.816 7。紅松籽光譜數(shù)據(jù)的波段篩選工作在最佳預(yù)處理結(jié)果的基礎(chǔ)上進(jìn)行更深入的研究。

2.4 特征波段選取的對(duì)比結(jié)果與分析

分割數(shù)取值的大小直接影響到iPLS、BiPLS的建模質(zhì)量，分割數(shù)取值較大時(shí)，運(yùn)算量大，建模過(guò)程復(fù)雜，不能有效減少變量數(shù)量;分割數(shù)取值較小時(shí)，容易造成含有較好信息量的區(qū)間被剔除。由圖5可知，iPLS分割數(shù)取10、BiLPS分割數(shù)取15時(shí)，經(jīng)波段篩選后，構(gòu)建的帶殼紅松籽脂肪模型最佳。

圖6為帶殼紅松籽光譜經(jīng)歸一化處理后，在分割數(shù)取10的條件下iPLS波段的篩選結(jié)果，其中，直線為全光譜波長(zhǎng)范圍下經(jīng)過(guò)歸一化預(yù)處理方法后構(gòu)建模型的RMSECV，直線以下的波段區(qū)間為篩選保留的區(qū)間，相應(yīng)的波段組合區(qū)間為1、2、5、11、12，對(duì)應(yīng)的波長(zhǎng)范圍是906.90～1 036.67、1 180.10～1 241.57、1 589.90～1 699.18 nm。圖7為帶殼紅松籽光譜經(jīng)歸一化處理后，在分割數(shù)取15的條件下BiPLS波段的篩選結(jié)果，其中，紅色背景部分的光譜為篩選保留下的波段，相應(yīng)的波段組合區(qū)間為1、3、7、8，對(duì)應(yīng)的波長(zhǎng)范圍是90690～1 002.52、1 111.80～1 207.42、1 521.60～1 699.18 nm。

UVE變量篩選方法是基于對(duì)PLS回歸系數(shù)的穩(wěn)定性分析，由圖8可知，其中虛曲線是波長(zhǎng)變量穩(wěn)定性分布情況，實(shí)曲線是引入的噪聲變量穩(wěn)定性分布情況，2條虛直線分別為閾值的上限、下限，在虛直線內(nèi)的波長(zhǎng)變量被剔除。圖9為原始帶殼紅松籽樣本光譜經(jīng)歸一化處理后的UVE波段篩選結(jié)果，優(yōu)選波長(zhǎng)范圍為906.90～1 282.55、1 323.53～1 494.28、1 542.09～1 548.92、1 624.05～1 699.18 nm。

分別在全波段、特征波段范圍下建立帶殼紅松籽中脂肪的PLS模型，根據(jù)比較各模型的相關(guān)系數(shù)與均方根誤差，從而確定特征波段的篩選方法。由表3可知，經(jīng)波段篩選后模型的各項(xiàng)指標(biāo)均得到了改善，在均方根誤差有所降低的同時(shí)，相關(guān)系數(shù)也得到了提高，表明波段優(yōu)選對(duì)提高模型質(zhì)量是有所助益的;其中BiPLS-PLS建立的模型質(zhì)量最佳，這是由于經(jīng)BiPLS優(yōu)選保留的波段范圍分別與脂肪C—H鍵的倍頻和基頻相對(duì)應(yīng)，脂肪屬性中最重要的吸收譜帶得到了保留，而多數(shù)無(wú)關(guān)的冗余信息被剔除了;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)有考慮它們之間的聯(lián)系，導(dǎo)致波段選擇不夠準(zhǔn)確;UVE波段篩選方法保留的變量數(shù)量最多，存在的冗余數(shù)據(jù)也最多，因此構(gòu)建的UVE-PLS模型的預(yù)測(cè)精確性最差。在BiPLS優(yōu)選的波段范圍內(nèi)，建立的帶殼紅松籽中脂肪的PLS模型Rc達(dá)0.889 2，RMSEP為0765 1。由此可知，對(duì)帶殼紅松籽樣本進(jìn)行脂肪PLS建模分析的過(guò)程中，利用BiPLS方法進(jìn)行波段選取是更為合適的，可以?xún)?yōu)選出更為合理、數(shù)量更少的波長(zhǎng)變量。

2.5 模型驗(yàn)證

將驗(yàn)證集30份帶殼紅松籽樣本的光譜數(shù)據(jù)帶入經(jīng)最佳預(yù)處理方法及BiPLS優(yōu)化的模型中進(jìn)行脂肪的校驗(yàn)。用平均偏差絕對(duì)值（Mabs）來(lái)描述預(yù)測(cè)結(jié)果的準(zhǔn)確性，則平均偏差絕對(duì)值的計(jì)算公式為Mabs=∑ni=1|Yi-Xi|n，其中，Yi和Xi分別表示驗(yàn)證集第i份樣本的測(cè)定值和預(yù)測(cè)值，n表示驗(yàn)證集樣本數(shù)量。由圖10可知，驗(yàn)證集帶殼紅松籽脂肪預(yù)測(cè)值均分別圍繞其測(cè)定值進(jìn)行較為均勻的上下波動(dòng)，經(jīng)過(guò)計(jì)算，預(yù)測(cè)值與測(cè)定值的平均偏差絕對(duì)值 Mabs為0.65%，表明建立的帶殼紅松籽脂肪模型的預(yù)測(cè)結(jié)果較準(zhǔn)確。

3 結(jié)論

本研究采用便攜式近紅外光譜儀NIR-NT-spectrometer-OEM-system對(duì)帶殼紅松籽中的脂肪進(jìn)行了無(wú)損定量檢測(cè)。根據(jù)對(duì)比各模型校正集相關(guān)系數(shù)、驗(yàn)證集相關(guān)系數(shù)、校正集均方根誤差、驗(yàn)證集均方根誤差等進(jìn)而確定最佳的預(yù)處理方法、最優(yōu)的波段篩選方法及適合建模的波段范圍。研究結(jié)果表明，選用合理的預(yù)處理方法對(duì)原始帶殼紅松籽光譜數(shù)據(jù)進(jìn)行處理，可以提高模型的質(zhì)量，其中，經(jīng)歸一化預(yù)處理后構(gòu)建的帶殼紅松籽脂肪PLS模型最佳;iPLS、BiPLS、UVE波段篩選方法均可以在不同程度上減少建模波長(zhǎng)變量數(shù)量，進(jìn)而減少計(jì)算時(shí)間、提升模型質(zhì)量，并且經(jīng)BiPLS優(yōu)選波段后建立的模型質(zhì)量最優(yōu)，大量冗余信息得到了剔除的同時(shí)，脂肪成分中C-H等功能基團(tuán)的倍頻吸收特征波段得到了保留，實(shí)現(xiàn)了優(yōu)選波段的目的，其保留的建模波長(zhǎng)范圍為906.90～1 002.52、1 111.80～1 207.42、1 521.60～1 699.18 nm，建立的帶殼紅松籽脂肪PLS模型Rc達(dá)0.889 2，RMSEP為 0.765 1，驗(yàn)證集預(yù)測(cè)平均偏差絕對(duì)值為0.65%。由此可見(jiàn)，本研究構(gòu)建的帶殼紅松籽中脂肪近紅外模型的預(yù)測(cè)效果較為理想，為帶殼紅松籽中脂肪的快速、準(zhǔn)確測(cè)定提供了一個(gè)新的思路與方法，也為近紅外模型的優(yōu)化提供了參考。

參考文獻(xiàn)：

[1]分析測(cè)試百科. 意大利將近紅外光譜技術(shù)用于榛子篩選[Z/OL]. （2015-11-20）[2018-05-29]. http：//www.antpedia.com/news/99/n-1289399.html.

[2]錢(qián) 曼，黃文倩，王慶艷，等. 西瓜檢測(cè)部位差異對(duì)近紅外光譜可溶性固形物預(yù)測(cè)模型的影響[J]. 光譜學(xué)與光譜分析，2016，36（6）：1700-1705.

[3]王加華，張曉偉，王 軍，等. 基于便攜式近紅外技術(shù)的生鮮乳品質(zhì)現(xiàn)場(chǎng)評(píng)價(jià)[J]. 光譜學(xué)與光譜分析，2014，34（10）：2679-2684.

[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，2011，31（2）：379-383.

[6]賈昌路，高 山，張 宏，等. 近紅外技術(shù)對(duì)南疆核桃品種的鑒定及品質(zhì)比較[J]. 湖北農(nóng)業(yè)科學(xué)，2016，55（10）：2559-2563，2676.

[7]劉 潔，李小昱，王 為，等. 基于近紅外光譜的板栗蛋白質(zhì)檢測(cè)方法研究[C]//中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集，2011.

[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]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.

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

[11]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.

[12]張華秀，李曉寧，范 偉，等. 近紅外光譜結(jié)合CARS變量篩選方法用于液態(tài)奶中蛋白質(zhì)與脂肪含量的測(cè)定[J]. 分析測(cè)試學(xué)報(bào)，2010，29（5）：430-434.

[13]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）：270-277.

[14]蔣 霞，張 曉，白鐵成，等. 近紅外光譜技術(shù)結(jié)合PLS和SPA檢測(cè)鮮冬棗表面農(nóng)藥殘留量的方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（2）：146-149.

[15]Chen H Z，Pan T，Chen J M，et al. Waveband 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.

[16]Park B，Abbott J A，Lee K，et al. Near-infrared diffuse reflectance for quantitative and qualitative measurement of soluble solids and firmness of delicious and Gala apples[J]. Transactions of the ASAE，2003，46（6）：1721-1731.

[17]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.

[18]Macho S，Rius A，Callao M P，et al. Monitoring ethylene content in heterophasic co-polymers by near-infrared spectroscopy standardization of the calibration model[J]. Analytica Chimica Acta，2001，445（2）：213-220.

[19]李曉云，王加華，黃亞偉，等. 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（3）：665-668.

[20]王培培，張德權(quán)，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.

[21]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，2013，33（7）：1796-1800.牛德芳，王 波，殷 玲，等. 油菜蜂花粉及其蜂糧的揮發(fā)性成分研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（3）：164-169.