摘要
本论文基于近红外光谱技术结合化学计量学方法建立了一种面粉品质无损检测方法。采用光谱预处理方法消除光谱中的多种干扰:利用模式识别建立了不同筋度、产地面粉的鉴别模型;利用多元线性回归方法建立了面粉理化指标（水分、蛋白质、灰分)的定量模型，并结合变量筛选方法进一步提高定量结果的准确性。主要研究成果如下: （1)基于模式识别方法的面粉筋度无损鉴别。利用近红外光谱仪采集不同筋度面粉（高筋、中筋）的光谱数据，通过多种单一预处理和组合预处理方式优化面粉数据，结合主成分分析（PCA）、偏最小二乘判别分析（PLS-DA)、支持向量机（SVM）和线性判别分析（LDA）等4种模式识别方法建立鉴别分析模型。结果表明:不同筋度面粉的近红外原始光谱中存在明显的基线漂移干扰，而标准正态变量变换（SNV）、一阶导数（1st）、连续小波变换（CWT）等预处理方法可以在一定程度上实现干扰的消除。采用单一和组合预处理方法结合PCA分析无法实现不同筋度面粉的准确鉴别;有监督模式识别方法获得的鉴别结果均优于PCA方法，其中PLS-DA、LDA模型最好，采用PLS-DA、SVM、LDA结合原始光谱便可实现不同筋度面粉100％鉴别。此外，基于去偏置校正（De-bias）、去趋势校正（DT）、SNV、多元散射校正（MSC)、1st、二阶导数（2nd）、CWT等7种单一预处理及所有组合预处理的SVM模型，以及基于所有单一预处理和组合预处理的PLS-DA、LDA模型也同样可以实现不同筋度面粉的100％鉴别。综上所述:采用近红外光谱仪结合模式识别方法可实现对不同筋度面粉的准确鉴别。 （2）基于模式识别方法的面粉产地无损鉴别。利用近红外光谱仪采集不同产地面粉（安徽、河北、河南以及山东）的光谱数据，通过多种单一预处理和组合预处理方式优化面粉数据，结合PCA、PLS-DA、SVM和LDA等模式识别方法建立鉴别分析模型。结果表明:不同产地面粉的近红外原始光谱中存在明显的基线漂移干扰，而预处理方法可以在一定程度上实现干扰的消除。采用单一和组合预处理方法结合PCA分析无法实现不同产地面粉的准确鉴别;有监督模式识别方法获得的鉴别结果均优于PCA方法，采用PLS-DA、SVM、LDA结合原始光谱便可实现不同产地面粉100％鉴别。此外，基于所有单一预处理以及组合预处理的PLS-DA、SVM、LDA模型也同样可以实现不同产地面粉的100％鉴别。综上所述:采用近红外光谱仪结合模式识别方法可实现对不同产地面粉的准确鉴别。 （3)面粉多理化指标同时无损定量分析。本研究利用近红外光谱仪采集1100-2500 nm波长范围内167个面粉样本的近红外光谱，利用光谱预处理方法消除光谱中的干扰。同时采用国标法测定面粉理化指标（水分、蛋白质、灰分）的含量。利用偏最小二乘法（PLS)建立面粉理化指标定量模型。采用竞争性自适应加权抽样（CARS）、变量自适应推进偏最小二乘法（VABPLS）以及蒙特卡罗无信息量消除（MCUVE)等变量筛选方法进一步提高定量结果的准确性。结果表明:采用2nd预处理结合CARS变量筛选方法的PLS模型可获得最佳水分定量分析结果，验证相关系数（R）为0.957,预测均方根误差（RMSEP）为0.133。采用一阶导数和标准正态变量变换（1st-SNV）预处理结合CARS变量筛选方法的PLS模型可获得最佳蛋白质定量分析结果，R为0.945,RMSEP为0.671。采用1st-SNV预处理结合VABPLS方法可获得最佳灰分定量分析结果，R为0.999,RMSEP为 0.010。综上所述:近红外光谱技术结合化学计量方法可以实现面粉理化指标无损定量分析。
NETL