概述：在生產過程的各個階段，近紅外光譜都有許多重要的用途，特別是對于原材料的定性和定量分析。近紅外光譜提供了快速、可信的檢測方法，以替代那些往往要花費小麥粉中蛋白質與水分的含量測定應 用 文 章很長時間才能完成的傳統定量分析方法。本文展示了傅里葉近紅外光譜在農業(yè)生產中小麥粉原料的蛋白質和水分測定中的應用。結果表明，在低于 0.5%的誤差下用近紅外光譜測定這些性質是*可行的。

實驗：所有樣品的近紅外光譜測量均使用裝有固體采樣附件的 PerkinElmer® FT-NIR光譜儀。對收集到的70份不同小麥粉樣品直接進行測試，未經進一步研磨或粉碎。在標準樣品杯中填入樣品粉末，使用交錯模式（interleaved mode）進行光譜測量。該模式下可以交替采集背景光譜和樣品比例光譜，從而將空氣干擾小化。

校正集樣品每個重復測量3次，使用其平均光譜建立校正模型。對同一樣品進行重復測量時，每次均清空樣品杯后重新填入樣品，以獲得更具代表性的樣品光譜。也可以采用旋轉樣品杯，從而避免對此類不均勻粉末樣品進行重復測量的必要。

為了進行模型驗證，隨機選擇的一組樣品在大約一周后進行光譜測量。光譜測量范圍為10000~3800 cm-1，光譜分辨率為16 cm-1，每個樣品所需掃描時間約為1分鐘。以更短的掃描時間獲得符合要求的準確度也是可行的。光譜測量范圍覆蓋了整個近紅外區(qū)域，因為這些光譜數據還可能用于建立小麥粉其他性質的校正模型。典型的小麥粉近紅外光譜如圖1所示。

對上述70個樣品的光譜數據集進行偏小二乘（PLS）分析。對于獨立驗證集的小麥粉樣品中蛋白質與水分含量也可以預測。

對各種不同的數學預處理方法進行比較后，終選擇使用二階導數。在全交叉驗證模式（full cross validation）下，使用6個PLS因子時蛋白質含量的預測標準差（SEP）為0.28，水分含量的SEP值為0.49。全交叉驗證模式中，每個樣品依次從校正集中剔除，然后進行校正計算并據此對剔除樣品進行預測。增加PLS因子的數目有可能進一步減小預測誤差。

使用不同時間的獨立驗證集可以更好地對模型進行優(yōu)化，從而增強其耐用性。圖2a和圖2b分別顯示了蛋白質和水分含量的模型計算值與實際測定值關系，說明校正模型初始效果較好。

圖2表明蛋白質的校正模型更加緊湊，這可能是因為貯藏過程中樣品水分含量在改變。校正集樣品應該在干燥環(huán)境中保存，特別是當樣品的性質參考值和近紅外光譜的測量時間有顯著間隔時。表1總結了全交叉驗證模式下校正模型的主要參數。

為了對校正模型進行驗證，在一周后對部分樣品的珀金埃爾默近紅外光譜儀進行測量，對其中蛋白質和水分含量進行預測。表2顯示了校正模型預測結果與性質參考值?？傫R氏距離（total M-distance）和殘差比例（residualratio）表明了校正模型對樣品的覆蓋程度。

更多信息請點擊：珀金埃爾默近紅外光譜儀