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。總馬氏距離（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