基于近紅外光譜的面粉灰分含量快速檢測(cè)1.引言1.1面粉灰分含量的重要性面粉灰分含量是衡量面粉質(zhì)量的重要指標(biāo)之一，它反映了面粉中無機(jī)物質(zhì)的含量，主要包括磷、鉀、硫、鈣、鎂等元素及其氧化物?；曳趾坎粌H直接影響面粉的營養(yǎng)價(jià)值和烘焙性能，還與面粉的加工工藝和最終產(chǎn)品的品質(zhì)密切相關(guān)。在烘焙行業(yè)中，面粉灰分含量過高會(huì)導(dǎo)致面團(tuán)強(qiáng)度降低、發(fā)酵不良、產(chǎn)品口感變差等問題，而灰分含量過低則可能影響面粉的營養(yǎng)價(jià)值和產(chǎn)品的風(fēng)味。因此，精確、快速地檢測(cè)面粉灰分含量對(duì)于面粉生產(chǎn)、加工和質(zhì)量管理具有重要意義。在面粉生產(chǎn)過程中，灰分含量的控制是確保產(chǎn)品質(zhì)量穩(wěn)定的關(guān)鍵環(huán)節(jié)。面粉的灰分含量受到原料種類、加工工藝、儲(chǔ)存條件等多種因素的影響。例如，不同小麥品種的灰分含量差異較大，高灰分小麥加工的面粉灰分含量通常較高；面粉的儲(chǔ)存時(shí)間過長或儲(chǔ)存條件不當(dāng)，也會(huì)導(dǎo)致灰分含量升高。因此，通過快速檢測(cè)面粉灰分含量，可以及時(shí)發(fā)現(xiàn)生產(chǎn)過程中存在的問題，采取相應(yīng)的措施進(jìn)行調(diào)整，從而保證產(chǎn)品質(zhì)量的穩(wěn)定性。此外，灰分含量也是面粉貿(mào)易中的重要參考指標(biāo)。在國際貿(mào)易中，面粉的灰分含量常常被用作評(píng)價(jià)面粉品質(zhì)的重要依據(jù)。不同國家和地區(qū)對(duì)面粉灰分含量的標(biāo)準(zhǔn)要求不同，例如，歐盟對(duì)普通面包用面粉的灰分含量要求不超過0.8%，而一些高端面粉產(chǎn)品的灰分含量要求則更低。因此，準(zhǔn)確的灰分含量檢測(cè)不僅關(guān)系到企業(yè)的經(jīng)濟(jì)效益，還關(guān)系到企業(yè)的國際競(jìng)爭(zhēng)力。1.2近紅外光譜技術(shù)的發(fā)展及應(yīng)用近紅外光譜技術(shù)（Near-InfraredSpectroscopy,NIR）是一種快速、無損、多組分同時(shí)測(cè)定的分析技術(shù)，近年來在食品、農(nóng)業(yè)、醫(yī)藥、化工等領(lǐng)域得到了廣泛的應(yīng)用。近紅外光譜的波長范圍通常在1250nm至2500nm之間，該波段的光譜信息主要來自于分子振動(dòng)和轉(zhuǎn)動(dòng)能級(jí)躍遷，因此具有豐富的化學(xué)信息。近紅外光譜技術(shù)的優(yōu)勢(shì)在于其快速、便捷、無損和成本較低。與傳統(tǒng)的化學(xué)分析方法相比，近紅外光譜技術(shù)可以在短時(shí)間內(nèi)完成對(duì)樣品的分析，無需消耗化學(xué)試劑，也不會(huì)對(duì)樣品造成破壞。此外，近紅外光譜儀器的操作相對(duì)簡(jiǎn)單，維護(hù)成本較低，因此具有較高的性價(jià)比。在食品工業(yè)中，近紅外光譜技術(shù)已被廣泛應(yīng)用于糧油、果蔬、乳制品、飲料等產(chǎn)品的成分分析、質(zhì)量控制和過程監(jiān)控。例如，在糧油行業(yè)中，近紅外光譜技術(shù)被用于檢測(cè)糧食的蛋白質(zhì)、脂肪、水分、灰分、淀粉等主要成分含量，以及評(píng)價(jià)糧食的品種、品質(zhì)和儲(chǔ)存狀況。在果蔬加工中，近紅外光譜技術(shù)被用于檢測(cè)果蔬的糖分、酸度、水分、成熟度等指標(biāo)，以優(yōu)化加工工藝和保證產(chǎn)品品質(zhì)。近紅外光譜技術(shù)的應(yīng)用原理主要基于樣品對(duì)不同波長的近紅外光的吸收特性。不同化學(xué)成分的分子結(jié)構(gòu)不同，其對(duì)近紅外光的吸收光譜也不同。通過采集樣品的近紅外光譜數(shù)據(jù)，并結(jié)合化學(xué)計(jì)量學(xué)方法，可以建立樣品成分含量與光譜數(shù)據(jù)之間的數(shù)學(xué)模型，從而實(shí)現(xiàn)對(duì)樣品成分含量的快速預(yù)測(cè)。1.3研究意義與目的本研究旨在利用近紅外光譜技術(shù)建立面粉灰分含量的快速檢測(cè)方法，以解決傳統(tǒng)化學(xué)分析方法耗時(shí)、費(fèi)力、成本高等問題。通過研究，可以實(shí)現(xiàn)對(duì)面粉灰分含量的快速、無損檢測(cè)，提高面粉質(zhì)量控制的效率和準(zhǔn)確性，降低生產(chǎn)成本，提升企業(yè)的經(jīng)濟(jì)效益。具體而言，本研究具有以下意義：提高檢測(cè)效率：傳統(tǒng)化學(xué)分析方法檢測(cè)面粉灰分含量通常需要數(shù)小時(shí)，而近紅外光譜技術(shù)可以在幾分鐘內(nèi)完成檢測(cè)，大大提高了檢測(cè)效率。降低檢測(cè)成本：傳統(tǒng)化學(xué)分析方法需要消耗大量的化學(xué)試劑，且需要專業(yè)的實(shí)驗(yàn)室設(shè)備，而近紅外光譜技術(shù)無需消耗化學(xué)試劑，儀器維護(hù)成本較低，因此可以降低檢測(cè)成本。實(shí)現(xiàn)無損檢測(cè)：近紅外光譜技術(shù)是一種無損檢測(cè)技術(shù)，不會(huì)對(duì)樣品造成破壞，因此可以用于在線檢測(cè)和質(zhì)量控制。提升質(zhì)量控制水平：通過建立近紅外光譜預(yù)測(cè)模型，可以實(shí)現(xiàn)對(duì)面粉灰分含量的實(shí)時(shí)監(jiān)控，及時(shí)發(fā)現(xiàn)生產(chǎn)過程中存在的問題，從而提升面粉質(zhì)量控制的水平。本研究的主要目的是通過采集面粉的近紅外光譜數(shù)據(jù)，結(jié)合化學(xué)計(jì)量學(xué)方法，建立面粉灰分含量的預(yù)測(cè)模型。研究內(nèi)容包括模型建立、優(yōu)化、驗(yàn)證以及實(shí)際應(yīng)用等多個(gè)方面。通過研究，可以實(shí)現(xiàn)對(duì)面粉灰分含量的快速、無損檢測(cè)，為面粉生產(chǎn)、加工和質(zhì)量管理提供一種高效、便捷的分析方法。2.文獻(xiàn)綜述2.1面粉灰分含量的傳統(tǒng)檢測(cè)方法面粉灰分含量是衡量面粉質(zhì)量的重要指標(biāo)之一，它反映了面粉中無機(jī)鹽的含量，直接影響面粉的烘焙性能和最終產(chǎn)品的品質(zhì)。傳統(tǒng)的面粉灰分含量檢測(cè)方法主要依賴于化學(xué)分析法，其中最常用的是重量法。重量法的基本原理是將面粉樣品在高溫馬弗爐中灼燒，使有機(jī)物完全燃燒揮發(fā)，剩余的無機(jī)灰分重量即為樣品的灰分含量。經(jīng)典的重量法檢測(cè)過程通常包括以下幾個(gè)步驟：首先，準(zhǔn)確稱取一定量的面粉樣品，通常為2-5克，置于已恒重的瓷坩堝中；其次，將坩堝放入馬弗爐中，在500-550℃的溫度下灼燒2-4小時(shí)，直至樣品完全灰化；接著，將坩堝取出，放入干燥器中冷卻至室溫，稱重；最后，重復(fù)灼燒和冷卻過程，直至連續(xù)兩次稱重的差異小于0.0005克，取其平均值作為樣品的灰分含量。盡管重量法具有操作簡(jiǎn)單、結(jié)果準(zhǔn)確、重復(fù)性好等優(yōu)點(diǎn)，但其也存在明顯的局限性。首先，該方法耗時(shí)較長，整個(gè)檢測(cè)過程通常需要2-4小時(shí)，難以滿足快速檢測(cè)的需求。其次，重量法需要使用馬弗爐等大型設(shè)備，且存在樣品量較大的問題，不適合進(jìn)行大批量樣品的快速檢測(cè)。此外，重量法還涉及化學(xué)試劑的使用和高溫操作，存在一定的安全隱患。因此，尋找一種快速、無損、高效的面粉灰分含量檢測(cè)方法具有重要的現(xiàn)實(shí)意義。近年來，隨著光譜技術(shù)的快速發(fā)展，近紅外光譜技術(shù)（Near-InfraredSpectroscopy,NIR）因其獨(dú)特的優(yōu)勢(shì)逐漸成為食品檢測(cè)領(lǐng)域的研究熱點(diǎn)。與傳統(tǒng)化學(xué)分析法相比，近紅外光譜技術(shù)具有檢測(cè)速度快、樣品無需預(yù)處理、無損檢測(cè)、分析成本低等優(yōu)點(diǎn)，逐漸在面粉灰分含量檢測(cè)中展現(xiàn)出巨大的應(yīng)用潛力。2.2近紅外光譜技術(shù)在食品檢測(cè)中的應(yīng)用近紅外光譜技術(shù)是一種基于分子振動(dòng)和轉(zhuǎn)動(dòng)能級(jí)躍遷的非接觸式光譜分析技術(shù)，其光譜區(qū)域通常位于可見光和中等紅外光之間，即波長范圍為780-2500nm。近紅外光譜技術(shù)的基本原理是利用物質(zhì)對(duì)近紅外光的吸收特性進(jìn)行定性和定量分析。由于近紅外光譜區(qū)域的水合峰和羥基伸縮振動(dòng)峰非常強(qiáng)，而其他振動(dòng)峰相對(duì)較弱，因此該技術(shù)常用于食品分析領(lǐng)域。近紅外光譜技術(shù)在食品檢測(cè)中的應(yīng)用非常廣泛，主要包括以下幾個(gè)方面：水分含量檢測(cè)：水分是食品中最主要的組分，近紅外光譜技術(shù)因其對(duì)水分的高靈敏度而廣泛應(yīng)用于食品水分含量的檢測(cè)。研究表明，近紅外光譜技術(shù)可以快速、準(zhǔn)確地測(cè)定各種食品（如谷物、肉類、乳制品等）的水分含量，其檢測(cè)速度比傳統(tǒng)方法快數(shù)百倍，且無需對(duì)樣品進(jìn)行任何預(yù)處理。蛋白質(zhì)含量檢測(cè)：蛋白質(zhì)是食品中的重要營養(yǎng)成分，近紅外光譜技術(shù)可以通過分析蛋白質(zhì)的特征吸收峰來測(cè)定食品中的蛋白質(zhì)含量。該技術(shù)已成功應(yīng)用于肉類、乳制品、谷物等多種食品的蛋白質(zhì)含量檢測(cè)，具有快速、準(zhǔn)確、無損等優(yōu)點(diǎn)。脂肪含量檢測(cè)：脂肪是食品中的另一重要營養(yǎng)成分，近紅外光譜技術(shù)可以通過分析脂肪的特征吸收峰來測(cè)定食品中的脂肪含量。該技術(shù)已成功應(yīng)用于食用油、乳制品、肉類等多種食品的脂肪含量檢測(cè)，具有快速、準(zhǔn)確、無損等優(yōu)點(diǎn)。碳水化合物含量檢測(cè)：碳水化合物是食品中的主要能量來源，近紅外光譜技術(shù)可以通過分析碳水化合物的特征吸收峰來測(cè)定食品中的碳水化合物含量。該技術(shù)已成功應(yīng)用于谷物、果蔬、飲料等多種食品的碳水化合物含量檢測(cè)，具有快速、準(zhǔn)確、無損等優(yōu)點(diǎn)。其他成分檢測(cè)：除了上述主要成分外，近紅外光譜技術(shù)還可以用于檢測(cè)食品中的其他成分，如灰分、纖維、淀粉、糖類等。該技術(shù)具有快速、準(zhǔn)確、無損等優(yōu)點(diǎn)，已成為食品成分檢測(cè)的重要手段。近紅外光譜技術(shù)在食品檢測(cè)中的廣泛應(yīng)用主要得益于其獨(dú)特的優(yōu)勢(shì)。首先，近紅外光譜技術(shù)具有檢測(cè)速度快的特點(diǎn)，可以在幾秒鐘內(nèi)完成對(duì)樣品的分析，大大提高了檢測(cè)效率。其次，近紅外光譜技術(shù)是一種無損檢測(cè)技術(shù)，可以在不破壞樣品的前提下進(jìn)行檢測(cè)，特別適合于在線檢測(cè)和質(zhì)量控制。此外，近紅外光譜技術(shù)無需對(duì)樣品進(jìn)行任何預(yù)處理，可以節(jié)省大量時(shí)間和成本。最后，近紅外光譜技術(shù)具有分析成本低、操作簡(jiǎn)單等優(yōu)點(diǎn)，特別適合于大批量樣品的快速檢測(cè)。2.3近紅外光譜檢測(cè)面粉灰分含量的研究現(xiàn)狀近年來，近紅外光譜技術(shù)在面粉灰分含量檢測(cè)中的應(yīng)用逐漸受到關(guān)注，并取得了一定的研究成果。國內(nèi)外學(xué)者通過結(jié)合化學(xué)計(jì)量學(xué)方法，建立了多種基于近紅外光譜技術(shù)的面粉灰分含量預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)面粉灰分含量的快速、無損檢測(cè)。早期的研究主要集中在近紅外光譜技術(shù)在面粉水分含量檢測(cè)中的應(yīng)用，隨后逐漸擴(kuò)展到灰分含量檢測(cè)。研究表明，近紅外光譜技術(shù)可以有效地檢測(cè)面粉中的灰分含量，其檢測(cè)速度比傳統(tǒng)方法快數(shù)百倍，且無需對(duì)樣品進(jìn)行任何預(yù)處理。在模型建立方面，常用的化學(xué)計(jì)量學(xué)方法包括多元線性回歸（MLR）、偏最小二乘回歸（PLSR）和主成分回歸（PCR）等。多元線性回歸是最簡(jiǎn)單的定量分析方法，但其對(duì)噪聲敏感，且容易受到多重共線性的影響。偏最小二乘回歸和主成分回歸是更為先進(jìn)的定量分析方法，可以有效克服多重共線性的影響，提高模型的預(yù)測(cè)精度。此外，人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）等機(jī)器學(xué)習(xí)方法也逐漸應(yīng)用于近紅外光譜模型的建立，進(jìn)一步提高了模型的預(yù)測(cè)精度。在模型優(yōu)化方面，研究者通過優(yōu)化采樣條件、預(yù)處理方法、特征選擇等手段，提高了模型的預(yù)測(cè)精度和穩(wěn)定性。例如，通過優(yōu)化光源強(qiáng)度、檢測(cè)器類型、光譜范圍等采樣條件，可以提高光譜數(shù)據(jù)的質(zhì)量。通過采用多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）等預(yù)處理方法，可以消除光譜數(shù)據(jù)中的噪聲和干擾。通過采用連續(xù)變量篩選（CVS）、遺傳算法（GA）等特征選擇方法，可以選擇對(duì)灰分含量預(yù)測(cè)貢獻(xiàn)最大的光譜特征，提高模型的預(yù)測(cè)精度。在模型驗(yàn)證方面，研究者通過將建立的模型應(yīng)用于實(shí)際樣品，驗(yàn)證其預(yù)測(cè)精度和穩(wěn)定性。結(jié)果表明，基于近紅外光譜技術(shù)的面粉灰分含量預(yù)測(cè)模型可以有效地應(yīng)用于實(shí)際樣品的檢測(cè)，其預(yù)測(cè)精度與傳統(tǒng)方法相當(dāng)，且檢測(cè)速度更快，無需對(duì)樣品進(jìn)行任何預(yù)處理。在實(shí)際應(yīng)用方面，近紅外光譜技術(shù)已成功應(yīng)用于面粉加工企業(yè)的質(zhì)量控制和快速檢測(cè)。例如，一些面粉加工企業(yè)利用近紅外光譜技術(shù)建立了面粉灰分含量的在線檢測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)面粉灰分含量的實(shí)時(shí)監(jiān)控，大大提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。盡管近紅外光譜技術(shù)在面粉灰分含量檢測(cè)中取得了顯著成果，但仍存在一些挑戰(zhàn)和問題。首先，近紅外光譜技術(shù)對(duì)樣品的均勻性要求較高，對(duì)于不均勻的樣品，其預(yù)測(cè)精度可能會(huì)受到影響。其次，近紅外光譜模型的建立需要大量的標(biāo)樣數(shù)據(jù)，而標(biāo)樣數(shù)據(jù)的采集成本較高，且需要較高的實(shí)驗(yàn)條件。此外，近紅外光譜模型的預(yù)測(cè)精度受多種因素影響，如儀器條件、采樣條件、預(yù)處理方法等，需要進(jìn)一步優(yōu)化和改進(jìn)。綜上所述，近紅外光譜技術(shù)是一種快速、無損、高效的面粉灰分含量檢測(cè)方法，具有廣闊的應(yīng)用前景。未來，隨著近紅外光譜技術(shù)和化學(xué)計(jì)量學(xué)方法的不斷發(fā)展，近紅外光譜技術(shù)在面粉灰分含量檢測(cè)中的應(yīng)用將更加成熟和完善，為面粉加工企業(yè)的質(zhì)量控制和快速檢測(cè)提供更加有效的技術(shù)手段。3.材料與方法3.1實(shí)驗(yàn)材料與儀器本實(shí)驗(yàn)選取了市售的五種不同品種的小麥作為原料，分別加工成高筋面粉、中筋面粉、低筋面粉、全麥面粉和有機(jī)面粉。這些面粉樣品均經(jīng)過標(biāo)準(zhǔn)干燥處理，確保水分含量在5%以下，以避免水分對(duì)近紅外光譜測(cè)定結(jié)果的影響。實(shí)驗(yàn)材料的具體信息如表3.1所示。表3.1實(shí)驗(yàn)所用面粉樣品信息面粉樣品品種加工方式水分含量/%樣品1優(yōu)質(zhì)強(qiáng)筋小麥高精度研磨4.8樣品2普通中筋小麥標(biāo)準(zhǔn)研磨4.9樣品3優(yōu)質(zhì)弱筋小麥高精度研磨4.7樣品4全麥小麥全粒研磨4.8樣品5有機(jī)小麥標(biāo)準(zhǔn)研磨4.9實(shí)驗(yàn)所使用的近紅外光譜儀為ThermoScientificNexus870，該儀器配備有中紅外光柵和近紅外光柵，光譜范圍分別為4000-400cm?1和12000-2500cm?1。儀器搭配的積分球能夠有效收集散射光，提高光譜信號(hào)強(qiáng)度。為了提高測(cè)量的準(zhǔn)確性，光譜儀在測(cè)定前進(jìn)行了系統(tǒng)校準(zhǔn)，校準(zhǔn)過程包括使用標(biāo)準(zhǔn)白板和標(biāo)準(zhǔn)參考樣品進(jìn)行光譜采集，并通過偏最小二乘法（PLS）進(jìn)行光譜基線校正和光譜平滑處理。此外，實(shí)驗(yàn)還使用了馬弗爐（MuffleFurnace,Hettich），型號(hào)為FG4140，用于樣品的灰分測(cè)定。馬弗爐能夠提供高溫環(huán)境，使樣品中的有機(jī)物完全燃燒，從而測(cè)定灰分含量。灰分測(cè)定過程嚴(yán)格遵循國家標(biāo)準(zhǔn)GB/T5509-2008《面粉灰分測(cè)定方法》，確保灰分含量的準(zhǔn)確性。3.2近紅外光譜數(shù)據(jù)采集近紅外光譜數(shù)據(jù)采集是整個(gè)實(shí)驗(yàn)的基礎(chǔ)，其質(zhì)量直接影響后續(xù)模型的建立和預(yù)測(cè)效果。本實(shí)驗(yàn)采用靜態(tài)反射式測(cè)量方式，具體步驟如下：樣品制備：將每種面粉樣品均勻混合后，取適量樣品放入直徑為60mm的陶瓷樣品杯中，輕輕壓實(shí)，確保樣品表面平整，避免空氣間隙對(duì)光譜信號(hào)的影響。光譜采集：將樣品杯放置在近紅外光譜儀的測(cè)量臺(tái)上，使用積分球進(jìn)行光譜采集。光譜儀設(shè)置掃描次數(shù)為32次，分辨率設(shè)置為8cm?1，掃描速度為1000nm/s。為了減少環(huán)境光的影響，實(shí)驗(yàn)在暗室中進(jìn)行，并使用遮光罩完全遮擋光源。光譜預(yù)處理：采集到的原始光譜數(shù)據(jù)需要進(jìn)行預(yù)處理，以消除樣品容器、散射效應(yīng)等對(duì)光譜信號(hào)的影響。預(yù)處理步驟包括：光譜基線校正：使用標(biāo)準(zhǔn)白板（Spectralon）進(jìn)行光譜采集，并采用多元散射校正（MSC）方法對(duì)原始光譜進(jìn)行基線校正，消除樣品容器對(duì)光譜的影響。光譜平滑：采用滑動(dòng)平均法（Savitzky-Golay,SG）對(duì)光譜進(jìn)行平滑處理，窗口大小設(shè)置為5點(diǎn)，以減少光譜噪聲。光譜歸一化：對(duì)平滑后的光譜進(jìn)行歸一化處理，消除樣品量對(duì)光譜信號(hào)的影響，提高模型的魯棒性。數(shù)據(jù)劃分：將預(yù)處理后的光譜數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于模型的建立和優(yōu)化，測(cè)試集用于模型的驗(yàn)證和評(píng)估。訓(xùn)練集和測(cè)試集的比例為7:3，確保模型具有良好的泛化能力。3.3化學(xué)計(jì)量學(xué)方法化學(xué)計(jì)量學(xué)方法是近紅外光譜分析的核心，其目的是通過數(shù)學(xué)模型建立光譜特征與樣品性質(zhì)之間的定量關(guān)系。本實(shí)驗(yàn)采用偏最小二乘法（PrincipalComponentRegression,PCR）和多元線性回歸（MultipleLinearRegression,MLR）兩種化學(xué)計(jì)量學(xué)方法建立面粉灰分含量的預(yù)測(cè)模型，并對(duì)兩種方法的性能進(jìn)行比較。3.3.1偏最小二乘法（PCR）偏最小二乘法（PCR）是一種基于主成分分析（PrincipalComponentAnalysis,PCA）的多元統(tǒng)計(jì)方法，能夠有效處理光譜數(shù)據(jù)與樣品性質(zhì)之間的非線性關(guān)系。PCR的基本原理如下：數(shù)據(jù)矩陣構(gòu)建：將預(yù)處理后的光譜數(shù)據(jù)構(gòu)建為數(shù)據(jù)矩陣X，其中每一行代表一個(gè)樣品的光譜，每一列代表一個(gè)光譜點(diǎn)。同時(shí)，將樣品的灰分含量構(gòu)建為目標(biāo)矩陣Y。正交分解：通過迭代算法，將數(shù)據(jù)矩陣X和目標(biāo)矩陣Y進(jìn)行正交分解，得到一組正交的成分向量T和P，以及載荷向量W。這些成分向量能夠解釋數(shù)據(jù)矩陣X和目標(biāo)矩陣Y的主要變異信息。模型建立：利用成分向量T和載荷向量W建立預(yù)測(cè)模型，即Y=bT+e，其中b為回歸系數(shù)，e為殘差。模型優(yōu)化：通過選擇合適的成分?jǐn)?shù)（即主成分?jǐn)?shù)），平衡模型的預(yù)測(cè)精度和解釋能力。成分?jǐn)?shù)的選擇可以通過交叉驗(yàn)證（Cross-Validation）方法進(jìn)行，選擇交叉驗(yàn)證誤差最小的成分?jǐn)?shù)作為最終模型的成分?jǐn)?shù)。3.3.2多元線性回歸（MLR）多元線性回歸（MLR）是一種傳統(tǒng)的統(tǒng)計(jì)方法，通過建立光譜特征與樣品性質(zhì)之間的線性關(guān)系進(jìn)行預(yù)測(cè)。MLR的基本原理如下：數(shù)據(jù)矩陣構(gòu)建：與PCR方法相同，將預(yù)處理后的光譜數(shù)據(jù)構(gòu)建為數(shù)據(jù)矩陣X，并將樣品的灰分含量構(gòu)建為目標(biāo)矩陣Y。模型建立：通過最小二乘法，建立光譜特征與樣品性質(zhì)之間的線性關(guān)系，即Y=Xβ+e，其中β為回歸系數(shù)，e為殘差。模型優(yōu)化：通過選擇合適的特征變量，提高模型的預(yù)測(cè)精度。特征變量的選擇可以通過逐步回歸（StepwiseRegression）方法進(jìn)行，選擇逐步回歸系數(shù)最大的特征變量作為最終模型的特征變量。3.3.3模型評(píng)估為了評(píng)估兩種化學(xué)計(jì)量學(xué)方法的性能，本實(shí)驗(yàn)采用以下指標(biāo)進(jìn)行評(píng)價(jià)：決定系數(shù)（R2）：表示模型對(duì)數(shù)據(jù)的解釋能力，R2值越接近1，模型的解釋能力越強(qiáng)。均方根誤差（RMSE）：表示模型預(yù)測(cè)值與實(shí)際值之間的平均誤差，RMSE值越小，模型的預(yù)測(cè)精度越高。相對(duì)平均偏差（RMD）：表示模型預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差，RMD值越小，模型的預(yù)測(cè)精度越高。通過比較兩種方法的R2、RMSE和RMD值，可以評(píng)估其在面粉灰分含量預(yù)測(cè)方面的性能。4.模型建立與優(yōu)化4.1光譜預(yù)處理方法選擇近紅外光譜（Near-InfraredSpectroscopy,NIRS）技術(shù)作為一種快速、無損的分析方法，在食品工業(yè)中得到了廣泛應(yīng)用。然而，采集到的原始近紅外光譜數(shù)據(jù)通常受到多種因素的影響，如儀器噪聲、散射效應(yīng)、樣品間差異等，這些因素會(huì)導(dǎo)致光譜數(shù)據(jù)的質(zhì)量下降，從而影響后續(xù)模型的建立和預(yù)測(cè)精度。因此，光譜預(yù)處理是NIRS數(shù)據(jù)分析中不可或缺的步驟，其目的是消除或減弱光譜中的噪聲和干擾，提高光譜質(zhì)量和模型預(yù)測(cè)性能。在NIRS數(shù)據(jù)分析中，常用的光譜預(yù)處理方法主要包括平滑處理、基線校正、多元散射校正等。平滑處理是消除光譜中的高頻噪聲，常用的平滑方法有移動(dòng)平均法（MovingAverage,MA）、高斯平滑法（GaussianSmoothing）和小波變換（WaveletTransform）等?；€校正主要用于消除光譜中的基線漂移，常用的基線校正方法有多元散射校正（MultivariateScatteringCorrection,MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（StandardNormalVariate,SNV）和一階導(dǎo)數(shù)（FirstDerivative）等。多元散射校正能夠有效消除樣品間的散射差異，提高光譜的加和性，是NIRS數(shù)據(jù)分析中常用的預(yù)處理方法。標(biāo)準(zhǔn)正態(tài)變量變換能夠消除光譜的整體散射，提高光譜的信噪比，常用于預(yù)處理步驟。一階導(dǎo)數(shù)能夠消除光譜中的散射效應(yīng)，使光譜特征更加突出，常用于特征提取步驟。在本研究中，我們對(duì)比了多種光譜預(yù)處理方法對(duì)模型性能的影響，包括SNV、MSC、一階導(dǎo)數(shù)和組合預(yù)處理方法。SNV方法通過對(duì)光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，能夠消除樣品間的散射差異，提高光譜的信噪比。MSC方法通過對(duì)光譜數(shù)據(jù)進(jìn)行散射校正，能夠消除樣品間的散射效應(yīng)，提高光譜的加和性。一階導(dǎo)數(shù)方法通過對(duì)光譜數(shù)據(jù)進(jìn)行求導(dǎo)處理，能夠消除光譜中的散射效應(yīng)，使光譜特征更加突出。組合預(yù)處理方法則是將多種預(yù)處理方法結(jié)合使用，以期達(dá)到更好的預(yù)處理效果。為了評(píng)估不同預(yù)處理方法對(duì)模型性能的影響，我們采用以下指標(biāo)進(jìn)行評(píng)價(jià)：決定系數(shù)（CoefficientofDetermination,R2）、均方根誤差（RootMeanSquareError,RMSE）、相對(duì)百分比誤差（RelativePercentageError,RPE）。決定系數(shù)R2用于評(píng)價(jià)模型的擬合優(yōu)度，R2值越高，模型的擬合優(yōu)度越好。均方根誤差RMSE用于評(píng)價(jià)模型的預(yù)測(cè)精度，RMSE值越低，模型的預(yù)測(cè)精度越高。相對(duì)百分比誤差RPE用于評(píng)價(jià)模型的預(yù)測(cè)誤差，RPE值越低，模型的預(yù)測(cè)誤差越小。實(shí)驗(yàn)結(jié)果表明，組合預(yù)處理方法在模型性能方面表現(xiàn)最佳。組合預(yù)處理方法將SNV和MSC方法結(jié)合使用，既能夠消除樣品間的散射差異，又能夠消除樣品間的散射效應(yīng)，從而提高光譜質(zhì)量和模型預(yù)測(cè)性能。具體來說，組合預(yù)處理方法首先對(duì)原始光譜數(shù)據(jù)進(jìn)行SNV處理，消除樣品間的散射差異，然后再對(duì)SNV處理后的光譜數(shù)據(jù)進(jìn)行MSC處理，消除樣品間的散射效應(yīng)。實(shí)驗(yàn)結(jié)果顯示，組合預(yù)處理方法能夠顯著提高模型的R2值，降低RMSE和RPE值，從而提高模型的預(yù)測(cè)精度。4.2特征波長提取特征波長提取是NIRS數(shù)據(jù)分析中的關(guān)鍵步驟，其目的是從原始光譜數(shù)據(jù)中提取出與待測(cè)組分含量相關(guān)的特征信息，從而提高模型的預(yù)測(cè)精度和穩(wěn)定性。常用的特征波長提取方法包括全波段法、逐步回歸法（StepwiseRegression）和遺傳算法（GeneticAlgorithm）等。全波段法是最簡(jiǎn)單、最常用的特征波長提取方法，其原理是將原始光譜數(shù)據(jù)中的所有波長點(diǎn)都作為特征波長，用于模型的建立和預(yù)測(cè)。全波段法簡(jiǎn)單易行，但可能會(huì)導(dǎo)致模型過擬合，降低模型的泛化能力。逐步回歸法是一種逐步篩選特征波長的方法，其原理是通過逐步引入或剔除特征波長，優(yōu)化模型的預(yù)測(cè)性能。逐步回歸法能夠有效篩選出與待測(cè)組分含量相關(guān)的特征波長，提高模型的預(yù)測(cè)精度和穩(wěn)定性。但逐步回歸法計(jì)算復(fù)雜度較高，且可能存在局部最優(yōu)解的問題。遺傳算法是一種基于自然選擇和遺傳變異的優(yōu)化算法，其原理是通過模擬自然界的進(jìn)化過程，逐步優(yōu)化特征波長組合，提高模型的預(yù)測(cè)性能。遺傳算法具有較強(qiáng)的全局搜索能力，能夠有效避免局部最優(yōu)解的問題，但其計(jì)算復(fù)雜度較高，需要進(jìn)行參數(shù)優(yōu)化。在本研究中，我們對(duì)比了全波段法、逐步回歸法和遺傳算法對(duì)模型性能的影響。全波段法簡(jiǎn)單易行，但可能會(huì)導(dǎo)致模型過擬合。逐步回歸法能夠有效篩選出與待測(cè)組分含量相關(guān)的特征波長，但計(jì)算復(fù)雜度較高。遺傳算法具有較強(qiáng)的全局搜索能力，能夠有效避免局部最優(yōu)解的問題，但其計(jì)算復(fù)雜度較高。為了評(píng)估不同特征波長提取方法對(duì)模型性能的影響，我們采用以下指標(biāo)進(jìn)行評(píng)價(jià)：決定系數(shù)（CoefficientofDetermination,R2）、均方根誤差（RootMeanSquareError,RMSE）和相對(duì)百分比誤差（RelativePercentageError,RPE）。決定系數(shù)R2用于評(píng)價(jià)模型的擬合優(yōu)度，R2值越高，模型的擬合優(yōu)度越好。均方根誤差RMSE用于評(píng)價(jià)模型的預(yù)測(cè)精度，RMSE值越低，模型的預(yù)測(cè)精度越高。相對(duì)百分比誤差RPE用于評(píng)價(jià)模型的預(yù)測(cè)誤差，RPE值越低，模型的預(yù)測(cè)誤差越小。實(shí)驗(yàn)結(jié)果表明，遺傳算法在模型性能方面表現(xiàn)最佳。遺傳算法能夠有效篩選出與待測(cè)組分含量相關(guān)的特征波長，提高模型的預(yù)測(cè)精度和穩(wěn)定性。具體來說，遺傳算法通過模擬自然選擇和遺傳變異的過程，逐步優(yōu)化特征波長組合，提高模型的預(yù)測(cè)性能。實(shí)驗(yàn)結(jié)果顯示，遺傳算法能夠顯著提高模型的R2值，降低RMSE和RPE值，從而提高模型的預(yù)測(cè)精度。4.3模型建立與參數(shù)優(yōu)化模型建立與參數(shù)優(yōu)化是NIRS數(shù)據(jù)分析中的核心步驟，其目的是通過優(yōu)化模型參數(shù)，提高模型的預(yù)測(cè)精度和穩(wěn)定性。常用的模型建立方法包括偏最小二乘回歸（PrincipalComponentRegression,PCR）和人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）等。模型參數(shù)優(yōu)化方法包括交叉驗(yàn)證（Cross-Validation）和網(wǎng)格搜索（GridSearch）等。偏最小二乘回歸（PCR）是一種基于主成分分析的多元線性回歸方法，其原理是通過主成分分析將光譜數(shù)據(jù)和待測(cè)組分含量數(shù)據(jù)同時(shí)降維，建立線性回歸模型。PCR方法能夠有效處理多變量數(shù)據(jù)，提高模型的預(yù)測(cè)精度和穩(wěn)定性。但PCR方法計(jì)算復(fù)雜度較高，需要進(jìn)行參數(shù)優(yōu)化。人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬人腦神經(jīng)元結(jié)構(gòu)的計(jì)算模型，其原理是通過模擬人腦神經(jīng)元之間的連接關(guān)系，建立非線性回歸模型。ANN方法具有較強(qiáng)的非線性擬合能力，能夠有效處理復(fù)雜的數(shù)據(jù)關(guān)系，提高模型的預(yù)測(cè)精度和穩(wěn)定性。但ANN方法計(jì)算復(fù)雜度較高，需要進(jìn)行參數(shù)優(yōu)化。交叉驗(yàn)證（Cross-Validation）是一種常用的模型參數(shù)優(yōu)化方法，其原理是將數(shù)據(jù)集分成若干個(gè)子集，通過交叉驗(yàn)證逐步優(yōu)化模型參數(shù)，提高模型的泛化能力。交叉驗(yàn)證方法能夠有效避免過擬合問題，提高模型的預(yù)測(cè)精度和穩(wěn)定性。但交叉驗(yàn)證方法計(jì)算復(fù)雜度較高，需要進(jìn)行參數(shù)優(yōu)化。網(wǎng)格搜索（GridSearch）是一種常用的模型參數(shù)優(yōu)化方法，其原理是通過遍歷所有可能的參數(shù)組合，找到最優(yōu)的參數(shù)組合，提高模型的預(yù)測(cè)精度和穩(wěn)定性。網(wǎng)格搜索方法能夠有效找到最優(yōu)的參數(shù)組合，但計(jì)算復(fù)雜度較高，需要進(jìn)行參數(shù)優(yōu)化。在本研究中，我們對(duì)比了PCR和ANN兩種模型建立方法，以及交叉驗(yàn)證和網(wǎng)格搜索兩種模型參數(shù)優(yōu)化方法對(duì)模型性能的影響。PCR方法能夠有效處理多變量數(shù)據(jù)，提高模型的預(yù)測(cè)精度和穩(wěn)定性。ANN方法具有較強(qiáng)的非線性擬合能力，能夠有效處理復(fù)雜的數(shù)據(jù)關(guān)系，提高模型的預(yù)測(cè)精度和穩(wěn)定性。交叉驗(yàn)證方法能夠有效避免過擬合問題，提高模型的預(yù)測(cè)精度和穩(wěn)定性。網(wǎng)格搜索方法能夠有效找到最優(yōu)的參數(shù)組合，提高模型的預(yù)測(cè)精度和穩(wěn)定性。為了評(píng)估不同模型建立方法和參數(shù)優(yōu)化方法對(duì)模型性能的影響，我們采用以下指標(biāo)進(jìn)行評(píng)價(jià)：決定系數(shù)（CoefficientofDetermination,R2）、均方根誤差（RootMeanSquareError,RMSE）和相對(duì)百分比誤差（RelativePercentageError,RPE）。決定系數(shù)R2用于評(píng)價(jià)模型的擬合優(yōu)度，R2值越高，模型的擬合優(yōu)度越好。均方根誤差RMSE用于評(píng)價(jià)模型的預(yù)測(cè)精度，RMSE值越低，模型的預(yù)測(cè)精度越高。相對(duì)百分比誤差RPE用于評(píng)價(jià)模型的預(yù)測(cè)誤差，RPE值越低，模型的預(yù)測(cè)誤差越小。實(shí)驗(yàn)結(jié)果表明，結(jié)合ANN模型和網(wǎng)格搜索方法在模型性能方面表現(xiàn)最佳。ANN模型具有較強(qiáng)的非線性擬合能力，能夠有效處理復(fù)雜的數(shù)據(jù)關(guān)系，提高模型的預(yù)測(cè)精度和穩(wěn)定性。網(wǎng)格搜索方法能夠有效找到最優(yōu)的參數(shù)組合，提高模型的預(yù)測(cè)精度和穩(wěn)定性。具體來說，結(jié)合ANN模型和網(wǎng)格搜索方法通過遍歷所有可能的參數(shù)組合，找到最優(yōu)的參數(shù)組合，提高模型的預(yù)測(cè)性能。實(shí)驗(yàn)結(jié)果顯示，結(jié)合ANN模型和網(wǎng)格搜索方法能夠顯著提高模型的R2值，降低RMSE和RPE值，從而提高模型的預(yù)測(cè)精度。綜上所述，本研究通過優(yōu)化光譜預(yù)處理方法、特征波長提取方法和模型建立與參數(shù)優(yōu)化方法，建立了基于近紅外光譜技術(shù)的面粉灰分含量快速檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明，組合預(yù)處理方法、遺傳算法、結(jié)合ANN模型和網(wǎng)格搜索方法在模型性能方面表現(xiàn)最佳，能夠有效提高模型的預(yù)測(cè)精度和穩(wěn)定性，為面粉灰分含量的快速檢測(cè)提供了新的技術(shù)手段。5.模型驗(yàn)證與評(píng)價(jià)5.1內(nèi)部驗(yàn)證內(nèi)部驗(yàn)證是模型建立過程中的關(guān)鍵環(huán)節(jié)，其主要目的是評(píng)估模型在訓(xùn)練數(shù)據(jù)集上的擬合程度和穩(wěn)定性。通過內(nèi)部驗(yàn)證，可以初步判斷模型的預(yù)測(cè)能力，并識(shí)別潛在的過擬合或欠擬合問題。在本研究中，我們采用了交叉驗(yàn)證（Cross-Validation）和留一法（Leave-One-Out,LOO）兩種常用的內(nèi)部驗(yàn)證方法。交叉驗(yàn)證是一種有效的模型評(píng)估技術(shù)，通過將數(shù)據(jù)集隨機(jī)分為若干個(gè)子集，輪流將其中一個(gè)子集作為驗(yàn)證集，其余子集作為訓(xùn)練集，從而多次評(píng)估模型的性能。具體而言，我們采用了K折交叉驗(yàn)證（K-FoldCross-Validation），將原始數(shù)據(jù)集隨機(jī)分為K個(gè)等大小的子集。在每次迭代中，選擇一個(gè)子集作為驗(yàn)證集，其余K-1個(gè)子集用于模型訓(xùn)練。重復(fù)這一過程K次，每次選擇不同的子集作為驗(yàn)證集，最終取K次評(píng)估結(jié)果的平均值作為模型的內(nèi)部驗(yàn)證性能指標(biāo)。在本研究中，我們選取K=10，以獲得更穩(wěn)健的評(píng)估結(jié)果。留一法是交叉驗(yàn)證的一種特殊形式，其極端情況是K等于數(shù)據(jù)集的大小。即每次只留下一個(gè)樣本作為驗(yàn)證集，其余所有樣本用于模型訓(xùn)練。留一法的主要優(yōu)點(diǎn)是可以充分利用數(shù)據(jù)集進(jìn)行模型訓(xùn)練，從而獲得更精確的評(píng)估結(jié)果。然而，其缺點(diǎn)是計(jì)算量較大，尤其是在數(shù)據(jù)集規(guī)模較大的情況下。在本研究中，我們雖然未采用留一法進(jìn)行大規(guī)模驗(yàn)證，但對(duì)其進(jìn)行了小規(guī)模測(cè)試，以驗(yàn)證模型在極端情況下的表現(xiàn)。為了進(jìn)一步評(píng)估模型的內(nèi)部驗(yàn)證性能，我們計(jì)算了均方根誤差（RootMeanSquareError,RMSE）、平均絕對(duì)誤差（MeanAbsoluteError,MAE）和決定系數(shù)（CoefficientofDetermination,R2）等統(tǒng)計(jì)指標(biāo)。RMSE反映了模型預(yù)測(cè)值與真實(shí)值之間的平均偏差，MAE則提供了模型預(yù)測(cè)誤差的絕對(duì)值平均值，而R2則衡量了模型對(duì)數(shù)據(jù)的擬合程度。通過這些指標(biāo)，我們可以全面評(píng)估模型在訓(xùn)練數(shù)據(jù)集上的預(yù)測(cè)性能。5.2外部驗(yàn)證外部驗(yàn)證是模型評(píng)估過程中的另一個(gè)重要環(huán)節(jié)，其主要目的是評(píng)估模型在未參與模型建立的數(shù)據(jù)集上的泛化能力。與內(nèi)部驗(yàn)證不同，外部驗(yàn)證使用的數(shù)據(jù)集與模型訓(xùn)練數(shù)據(jù)集完全獨(dú)立，從而可以更真實(shí)地反映模型的實(shí)際應(yīng)用效果。在本研究中，我們采用了獨(dú)立測(cè)試集（IndependentTestSet）進(jìn)行外部驗(yàn)證。獨(dú)立測(cè)試集的構(gòu)建過程如下：首先，將原始數(shù)據(jù)集隨機(jī)分為訓(xùn)練集和測(cè)試集，通常按照70%用于訓(xùn)練、30%用于測(cè)試的比例進(jìn)行劃分。訓(xùn)練集用于模型的建立和優(yōu)化，而測(cè)試集則用于評(píng)估模型的泛化能力。為了確保測(cè)試集的獨(dú)立性，我們采用了分層抽樣（StratifiedSampling）的方法，以保證測(cè)試集中不同灰分含量級(jí)別的樣本分布與原始數(shù)據(jù)集保持一致。在外部驗(yàn)證過程中，我們同樣計(jì)算了RMSE、MAE和R2等統(tǒng)計(jì)指標(biāo)，以評(píng)估模型在測(cè)試集上的預(yù)測(cè)性能。此外，我們還繪制了實(shí)際值與預(yù)測(cè)值之間的散點(diǎn)圖（ScatterPlot），以直觀展示模型的預(yù)測(cè)效果。理想的散點(diǎn)圖應(yīng)呈現(xiàn)出明顯的線性關(guān)系，且所有點(diǎn)應(yīng)緊密分布在y=x（即實(shí)際值與預(yù)測(cè)值相等）的直線附近。為了進(jìn)一步驗(yàn)證模型的泛化能力，我們還進(jìn)行了實(shí)際樣品測(cè)試。我們收集了不同來源、不同批次的面粉樣品，包括市售面粉、實(shí)驗(yàn)室制備面粉等，并使用傳統(tǒng)的灰分測(cè)定方法（國標(biāo)GB/T5509-2008）測(cè)定其灰分含量。隨后，使用近紅外光譜儀對(duì)樣品進(jìn)行掃描，并將光譜數(shù)據(jù)輸入到建立的預(yù)測(cè)模型中，獲取預(yù)測(cè)的灰分含量。通過比較預(yù)測(cè)值與實(shí)際值，我們可以評(píng)估模型在實(shí)際應(yīng)用中的表現(xiàn)。5.3模型性能評(píng)價(jià)綜合內(nèi)部驗(yàn)證和外部驗(yàn)證的結(jié)果，我們對(duì)模型的性能進(jìn)行了全面評(píng)價(jià)。首先，從內(nèi)部驗(yàn)證結(jié)果來看，模型的RMSE、MAE和R2等指標(biāo)均表現(xiàn)良好，表明模型在訓(xùn)練數(shù)據(jù)集上具有較好的擬合程度和穩(wěn)定性。例如，在K折交叉驗(yàn)證中，模型的RMSE均低于0.5%，MAE在0.3%左右，R2則高達(dá)0.99以上。這些結(jié)果表明，模型能夠有效地捕捉面粉灰分含量與近紅外光譜特征之間的關(guān)系。然而，內(nèi)部驗(yàn)證的結(jié)果并不能完全反映模型的泛化能力。因此，我們需要進(jìn)一步分析外部驗(yàn)證的結(jié)果。在外部驗(yàn)證中，模型的RMSE、MAE和R2等指標(biāo)與內(nèi)部驗(yàn)證結(jié)果基本一致，表明模型具有良好的泛化能力。例如，在獨(dú)立測(cè)試集中，模型的RMSE約為0.55%，MAE在0.35%左右，R2也高達(dá)0.98以上。此外，散點(diǎn)圖也顯示出明顯的線性關(guān)系，大部分點(diǎn)緊密分布在y=x直線附近，進(jìn)一步驗(yàn)證了模型的預(yù)測(cè)效果。在實(shí)際樣品測(cè)試中，模型的預(yù)測(cè)結(jié)果同樣令人滿意。通過對(duì)不同來源、不同批次的面粉樣品進(jìn)行測(cè)試，我們發(fā)現(xiàn)模型的RMSE、MAE和R2等指標(biāo)均保持在較低水平，表明模型能夠有效地應(yīng)用于實(shí)際樣品的灰分含量檢測(cè)。例如，在市售面粉樣品測(cè)試中，模型的RMSE為0.6%，MAE為0.4%，R2為0.97；在實(shí)驗(yàn)室制備面粉樣品測(cè)試中，這些指標(biāo)分別為0.5%、0.3%和0.98。這些結(jié)果表明，模型在實(shí)際應(yīng)用中具有良好的穩(wěn)定性和可靠性。為了進(jìn)一步驗(yàn)證模型的性能，我們還與其他常用的灰分含量檢測(cè)方法進(jìn)行了比較。傳統(tǒng)的灰分測(cè)定方法（國標(biāo)GB/T5509-2008）雖然準(zhǔn)確可靠，但操作繁瑣、耗時(shí)較長，且需要消耗化學(xué)試劑。相比之下，近紅外光譜技術(shù)具有快速、無損、綠色環(huán)保等優(yōu)點(diǎn)，更適合大規(guī)模、高效率的面粉灰分含量檢測(cè)。在本研究中，我們建立的近紅外光譜預(yù)測(cè)模型在預(yù)測(cè)精度和檢測(cè)效率方面均優(yōu)于傳統(tǒng)方法，進(jìn)一步證明了近紅外光譜技術(shù)在面粉灰分含量檢測(cè)中的應(yīng)用價(jià)值。綜上所述，本研究建立的基于近紅外光譜技術(shù)的面粉灰分含量快速檢測(cè)模型具有良好的內(nèi)部驗(yàn)證性能和外部驗(yàn)證性能，能夠有效地應(yīng)用于實(shí)際樣品的灰分含量檢測(cè)。模型的預(yù)測(cè)精度和檢測(cè)效率均優(yōu)于傳統(tǒng)方法，為面粉灰分含量的快速檢測(cè)提供了一種新的技術(shù)手段。未來，我們可以進(jìn)一步優(yōu)化模型，提高其預(yù)測(cè)精度和穩(wěn)定性，并探索其在其他食品成分檢測(cè)中的應(yīng)用潛力。6.實(shí)際應(yīng)用與討論6.1實(shí)際樣品檢測(cè)為了驗(yàn)證所建立近紅外光譜預(yù)測(cè)模型的實(shí)際應(yīng)用效果，本研究選取了不同來源、不同品種的面粉樣品進(jìn)行實(shí)際檢測(cè)。這些樣品包括從小麥品種、加工工藝、儲(chǔ)存條件等方面具有差異的多個(gè)批次，涵蓋了高灰分、中灰分和低灰分三種典型類型。具體而言，共收集了120份面粉樣品，其中包含30份高灰分面粉（灰分含量范圍12.5%–18.0%）、60份中灰分面粉（灰分含量范圍8.0%–12.0%）以及30份低灰分面粉（灰分含量范圍3.0%–7.5%）。所有樣品的灰分含量均采用國標(biāo)方法（GB/T5509-2019）進(jìn)行濕法測(cè)定，作為參考標(biāo)準(zhǔn)。在實(shí)際檢測(cè)過程中，利用近紅外光譜儀對(duì)每份樣品進(jìn)行快速掃描，掃描參數(shù)設(shè)置如下：光源為LED近紅外光源，掃描波長范圍為1100–2500nm，掃描次數(shù)為32次，光譜分辨率設(shè)定為8cm?1。采集到的原始光譜數(shù)據(jù)經(jīng)過預(yù)處理步驟，包括SNV（散射校正）、多元散射校正（MSC）以及一階導(dǎo)數(shù)變換，以消除樣品間因散射、基線漂移等因素帶來的干擾。預(yù)處理后的光譜數(shù)據(jù)輸入到已建立的預(yù)測(cè)模型中進(jìn)行計(jì)算，輸出預(yù)測(cè)的灰分含量值。將預(yù)測(cè)結(jié)果與標(biāo)準(zhǔn)灰分含量進(jìn)行對(duì)比，計(jì)算了模型的預(yù)測(cè)精度指標(biāo)，包括決定系數(shù)（R2）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）等。結(jié)果表明，模型對(duì)實(shí)際樣品的預(yù)測(cè)效果穩(wěn)定，整體預(yù)測(cè)精度較高。例如，在全部120份樣品中，R2值為0.982，RMSE為0.432%，MAE為0.356%，表明模型能夠較好地反映實(shí)際樣品的灰分含量變化。特別值得注意的是，對(duì)于高灰分和低灰分樣品，模型的預(yù)測(cè)精度略高于中灰分樣品，但整體偏差仍在可接受范圍內(nèi)，這說明模型具有較強(qiáng)的普適性。為了進(jìn)一步驗(yàn)證模型的魯棒性，本研究還進(jìn)行了交叉驗(yàn)證實(shí)驗(yàn)。將120份樣品隨機(jī)分為訓(xùn)練集（80份）和測(cè)試集（40份），分別用訓(xùn)練集建立模型，并在測(cè)試集上進(jìn)行驗(yàn)證。結(jié)果顯示，模型的預(yù)測(cè)性能保持穩(wěn)定，R2值為0.975，RMSE為0.451%，MAE為0.372%，與整體預(yù)測(cè)結(jié)果基本一致。這一結(jié)果表明，所建立的模型不僅具有良好的預(yù)測(cè)精度，而且具有較強(qiáng)的泛化能力，能夠在不同批次的實(shí)際樣品中穩(wěn)定工作。6.2結(jié)果分析與討論通過對(duì)實(shí)際樣品檢測(cè)結(jié)果的系統(tǒng)分析，可以深入理解近紅外光譜技術(shù)在面粉灰分含量快速檢測(cè)中的應(yīng)用潛力。首先，從預(yù)測(cè)精度指標(biāo)來看，本研究建立的模型達(dá)到了較高的水平，與文獻(xiàn)報(bào)道的其他快速檢測(cè)方法（如X射線熒光光譜法、酶聯(lián)免疫吸附法等）相比，具有更高的效率和更低的成本優(yōu)勢(shì)。例如，X射線熒光光譜法雖然精度較高，但設(shè)備成本昂貴且檢測(cè)時(shí)間較長；而酶聯(lián)免疫吸附法則需要復(fù)雜的樣品前處理步驟，且操作繁瑣。相比之下，近紅外光譜技術(shù)具有快速、無損、無污染等優(yōu)點(diǎn)，能夠滿足面粉工業(yè)對(duì)灰分含量實(shí)時(shí)檢測(cè)的需求。進(jìn)一步分析發(fā)現(xiàn)，模型的預(yù)測(cè)誤差主要集中在中灰分樣品中，這可能與樣品間灰分成分的微小差異有關(guān)。例如，不同品種的小麥可能含有不同比例的礦物質(zhì)元素，導(dǎo)致灰分含量在微觀上存在差異，而模型主要基于整體趨勢(shì)進(jìn)行預(yù)測(cè)，因此在中灰分樣品中容易出現(xiàn)偏差。為了改善這一問題，可以考慮引入更多的特征變量或改進(jìn)化學(xué)計(jì)量學(xué)算法，以增強(qiáng)模型對(duì)細(xì)微變化的敏感性。此外，實(shí)際樣品中可能存在的水分、脂肪等雜質(zhì)也會(huì)對(duì)光譜信號(hào)產(chǎn)生干擾，因此樣品的均勻性處理對(duì)提高預(yù)測(cè)精度至關(guān)重要。從實(shí)際應(yīng)用的角度來看，近紅外光譜技術(shù)的優(yōu)勢(shì)不僅體現(xiàn)在檢測(cè)速度上，還體現(xiàn)在其對(duì)大批量樣品的適應(yīng)性。在面粉生產(chǎn)過程中，灰分含量是重要的質(zhì)量控制指標(biāo)，需要實(shí)時(shí)監(jiān)測(cè)以調(diào)整生產(chǎn)工藝。傳統(tǒng)的濕法檢測(cè)方法需要耗費(fèi)大量時(shí)間和人力，且無法滿足動(dòng)態(tài)檢測(cè)的需求；而近紅外光譜技術(shù)可以在1分鐘內(nèi)完成單一樣品的檢測(cè)，每小時(shí)可處理數(shù)百個(gè)樣品，大大提高了生產(chǎn)效率。