《近红外光谱(NIR)分析技术的应用.docx》由会员分享，可在线阅读，更多相关《近红外光谱(NIR)分析技术的应用.docx（9页珍藏版）》请在三一文库上搜索。
1、近红外光谱 (NIR) 分析技术的应 用近红外光谱 (NIR)分析技术的应用近红外光谱分析是近 20 年来发展最为迅速的高新技术之一，该技术分析样 品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂， 不污染环境等优点，因此该技术受到越来越多人的青睐。一、近红外光谱的工作原理有机物以及部分无机物分子中各种含氢基团在受到近红外线照射时，被 激发产生共振，同时吸收一部分光的能量，测量其对光的吸收情况，可以得 到极为复杂的红外图谱，这种图谱表示被测物质的特征。不同物质在近红外 区域有丰富的吸收光谱，每种成分都有特定的吸收特征。因此，NIR 能反映 物质的组成和结构信息，从而可以作为获
2、取信息的一种有效载体。二、近红外光谱仪的应用NIR 分析技术的测量过程分为校正和预测两部分（如图一所示），(1)校 正：选择校正样品集，对校正样品集分别测得其光谱数据和理化基础数 据，将光谱数据和基础数据，用适当的化学计量方法建立校正模型； (2) 预测：采集未知样品的光谱数据，与校正模型相对应，计算出样品的组分。 由此可知，建立一个准确的校正模型是近红外光谱分析技术应用中的重中之 重。图一2.1 定标建模2.1.1 为什么要建立近红外校正模型2.1.1.1 建立近红外校正模型的最终目标是获得一个长期稳定的和可预 测的模型。2.1.1.2 近红外光谱分析是间接的（第二手）分析方法，所以需要定标
3、 样品集；利用定标样品集的参比分析数据与近红外光谱建立校正模型； 近红外分析准确度与参比方法数据准确度高度相关；近红外分析精 度一般优于参比方法分析精度。2.1.2 模型的建立与验证步骤2.1.2.1 扫描样品近红外光谱准确扫描校正样品集中各个样品规范的近红外光谱：为了克服近红 外光谱测定的不稳定性的困难，必须严格控制包括制样、装样、测试条 件、仪器参数等测量参数在内的测量条件。利用该校正校品集建立的数 学模型，也只能适用于按这个的测量条件所测量光谱的样品。 2.1.2.2 测定样品成分（定量）按照标准方法（如饲料中的粗蛋白 GB/T6432、水分 GB/T6435、粗 脂肪 GB/T6433
4、）准确测定样品集中每个样品的各种待测成分或性质 (称 为参考数据 )。这些值测定的精确度是近红外光谱运用数学模型进行定量 分析精确度的理论极限。2.1.2.3 建立数据对应关系通过 2.1.2.1 所得光谱与 2.1.2.2 所得不同性质参数的参考数据相关 联，使光谱图和其参考数据之间形成一一对应映射的关系，从而建立一 个带参考数据的光谱文件。2.1.2.4 剔除异常值2.1.2.3 建立的光谱文件中，样品参考值与光谱有可能由于各种随机 的原因而有较严重的失真，这些样品的测定值称为异常值。为保证所建 数学模型的可靠性，在建立模型时应当剔除这些异常值。2.1.2.5 建立模型选择算法、确定模型的
5、参数、建立、检验与评价数字模型：常用的算法有逐步回归分析、偏最小二乘法、主成分回归分析等。这些算法的 基本思想是应用近红外光谱的全光谱的信息，以解决近红外光谱的谱峰 重叠与复杂背景的影响。2.1.2.6 模型验证用外部证实法检验和评价数学模型，以检验数学模型在时间空间上 的稳定性。可以用另外几批独立的、待测量已知的检验样品集，用数学 模型预测计算检验集中各样品的待测值；对实际值与预测值作线性相关， 并用相关系数和预测标准差来表示预测效果。2.2 模型维护与扩展2.2.1 为什么要维护与扩展校正模型建立一个校正模型通常是从一个小的光谱数据库开始的。数据库小， 模型的适用范围就必然受到限制。这也就
6、意味着要想使一个模型更加稳 定、适用范围更加宽广，就需要不断地对模型的数据库进行扩充。2.2.2 扩展校正模型步骤通过扫描光谱与实验数据建立具有数据对应关系的光谱文件，再使 用该文件对旧方程进行扩展，形成新方程，并对新方程进行验证。2.3 具体例子分析2.3.1 方程选择使用改进偏最小二乘法 (MPLS)建立校正模型，为消除光谱信号的基 线漂移，随机噪音及颗粒度不均匀引起的散射，光谱采用三种去散射处 理和三种导数处理结合，共 9 中光谱预处理方法。三种去散射处理包括 无散射(None)，标准正态变量校正结合去除趋势校正 (SNVD)，加权多元 去散射校正 (WMSC)；三种导数处理包括 1,2
7、,2,1; 1,4,4,1; 2,4,4,1，个数值 依次代表导数处理阶数，导数数据间隔，平滑点数及二次平滑点数。模型建立过程中，定标集被分成 6 个交互验证组，以最小交互验证 标准差(SECV)确定最佳主因子数。异常值判断与剔除是影响模型预测效 果的关键因素。方程采用两轮异常值剔除过程，剔除光谱异常值 (GH 10)及化学异常值 (T2.5)。以最高交互验证决定系数(1-VR)和最低 SECV值确定最佳校正模型。如图二所示，蛋白最佳方程应为 处理得到的。图二SNVD+2,4,4,12.3.2 外部验证校正模型建立后，除用自身最高交互验证决定系数(1-VR) 和最低SECV 值衡量外，还需要用
8、外部检验的方法来评价模型的可靠性，以保 证模型在实际使用中的效果。选取已知样品对模型进行验证，如下图所示，样品（粗蛋白）预测 值准确度较高，基本达到了分析要求（表一可见，样品预测值与参考值 误差较小；图三为蛋白化学值与预测值之间相关散点图，其中预测标准 偏差 (Sep)为 0.447，系统偏差 (Bias)为-0.059，相关系数(R)为 0.957）。表一图三三、近红外光谱分析技术的不足3.1 近红外光谱分析的灵敏度相对较低，不能用于微量分析。这主要是因为近红外光谱作为分子振动的非谐振吸收跃迁几率较低 一般近红外倍频和合频谱带强度是其基频吸收的十万分之一。所以对组分的分析而言，其含量一般应大
9、于 0.1%才适合采用近红外光谱分析技 术。当然这个数值并不是理论限值，随着近红外分析技术的不断发展， 相信它的最小检出限还将会有所突破。3.2 分析必须要依赖模型，对模型的建立要求较高，投入较大。预测结果的准确性与校正模型建立的质量有很大关系，因此，建立 校正模型一般需要有经验的专业人员和来源丰富的有代表性的大量样 品，并配备精确的化学分析手段。3.3 模型传递技术尚不成熟。目前，由于校正模型受限于各种测量条件，只能适应一定的时间和 空间范围，如果能建立成熟的模型传递，使在一台仪器上建立的定性或 定量校正模型可靠地移植到其他相同或类似的仪器上使用，就能减少建 模所需的时间和费用。四、结束语尽管近红外检测分析技术目前还有些许不足，但随着计算机技术、 光谱学和化学计量学的快速发展和相互融合，该技术预测能力及预测精 度等将得到进一步提高，建模难度也将进一步下降。当今粮食生产、食 品安全和市场检查管理部门等各方面要求更使得需要深入研究近红外光 谱检测技术，并在实践中得以普遍应用。今后，近红外光谱检测分析技 术会拥有更广阔的应用前景。