工藝品控 · 原創丨近紅外光譜(NIR)分析技術的應用

近紅外光譜分析是近20年來發展最為迅速的高新技術之一，該技術分析樣品具有方便、快速、高效、準確和成本較低，不破壞樣品，不消耗化學試劑，不污染環境等優點，因此該技術受到越來越多人的青睞。

1. 近紅外光譜的工作原理

有機物以及部分無機物分子中各種含氫基團在受到近紅外線照射時，被激發產生共振，同時吸收一部分光的能量，測量其對光的吸收情況，可以得到極為復雜的紅外圖譜，這種圖譜表示被測物質的特征。不同物質在近紅外區域有豐富的吸收光譜，每種成分都有特定的吸收特征。因此，NIR能反映物質的組成和結構信息，從而可以作為獲取信息的一種有效載體。

2. 近紅外光譜儀的應用

NIR分析技術的測量過程分為校正和預測兩部分（如圖1所示），(1)校正：①選擇校正樣品集，②對校正樣品集分別測得其光譜數據和理化基礎數據，③將光譜數據和基礎數據，用適當的化學計量方法建立校正模型；(2)預測：采集未知樣品的光譜數據，與校正模型相對應，計算出樣品的組分。由此可知，建立一個準確的校正模型是近紅外光譜分析技術應用中的重中之重。

2.1. 定標建模

2.1.1 為什么要建立近紅外校正模型

建立近紅外校正模型的最終目標是獲得一個長期穩定的和可預測的模型。近紅外光譜分析是間接的（第二手）分析方法，所以（1）需要定標樣品集；（二）利用定標樣品集的參比分析數據與近紅外光譜建立校正模型；（三）近紅外分析準確度與參比方法數據準確度高度相關；（四）近紅外分析精度一般優于參比方法分析精度。

2.1.2 模型的建立與驗證步驟

2.1.2.1 掃描樣品近紅外光譜

準確掃描校正樣品集中各個樣品規范的近紅外光譜：為了克服近紅外光譜測定的不穩定性的困難，必須嚴格控制包括制樣、裝樣、測試條件、儀器參數等測量參數在內的測量條件。利用該校正校品集建立的數學模型，也只能適用于按這個的測量條件所測量光譜的樣品。

2.1.2.2 測定樣品成分（定量）

按照標準方法（如飼料中的粗蛋白GB/T6432、水分GB/T6435、粗脂肪GB/T6433）準確測定樣品集中每個樣品的各種待測成分或性質(稱為參考數據)。這些值測定的精確度是近紅外光譜運用數學模型進行定量分析精確度的理論極限。

2.1.2.3 建立數據對應關系

通過2.1.2.1所得光譜與2.1.2.2所得不同性質參數的參考數據相關聯，使光譜圖和其參考數據之間形成一一對應映射的關系，從而建立一個帶參考數據的光譜文件。

2.1.2.4 剔除異常值

建立的光譜文件中，樣品參考值與光譜有可能由于各種隨機的原因而有較嚴重的失真，這些樣品的測定值稱為異常值。為保證所建數學模型的可靠性，在建立模型時應當剔除這些異常值。

2.1.2.5 建立模型

選擇算法、確定模型的參數、建立、檢驗與評價數字模型：常用的算法有逐步回歸分析、偏最小二乘法、主成分回歸分析等。這些算法的基本思想是應用近紅外光譜的全光譜的信息，以解決近紅外光譜的譜峰重疊與復雜背景的影響。

2.1.2.6 模型驗證

用外部證實法檢驗和評價數學模型，以檢驗數學模型在時間空間上的穩定性?？梢杂昧硗鈳着毩⒌?、待測量已知的檢驗樣品集，用數學模型預測計算檢驗集中各樣品的待測值；對實際值與預測值作線性相關，并用相關系數和預測標準差來表示預測效果。

2.1.3 模型維護與擴展

2.1.3.1 為什么要維護與擴展校正模型

建立一個校正模型通常是從一個小的光譜數據庫開始的。數據庫小，模型的適用范圍就必然受到限制。這也就意味著要想使一個模型更加穩定、適用范圍更加寬廣，就需要不斷地對模型的數據庫進行擴充。

2.1.3.2 擴展校正模型步驟

通過掃描光譜與實驗數據建立具有數據對應關系的光譜文件，再使用該文件對舊方程進行擴展，形成新方程，并對新方程進行驗證。

2.1.4 具體例子分析

2.1.4.1 方程選擇

使用改進偏最小二乘法(MPLS)建立校正模型，為消除光譜信號的基線漂移，隨機噪音及顆粒度不均勻引起的散射，光譜采用三種去散射處理和三種導數處理結合，共9種光譜預處理方法。三種去散射處理包括無散射(None)，標準正態變量校正結合去除趨勢校正(SNVD)，加權多元去散射校正(WMSC)；三種導數處理包括1,2,2,1； 1,4,4,1； 2,4,4,1，個數值依次代表導數處理階數，導數數據間隔，平滑點數及二次平滑點數。模型建立過程中，定標集被分成6個交互驗證組，以最小交互驗證標準差(SECV)確定最佳主因子數。異常值判斷與剔除是影響模型預測效果的關鍵因素。方程采用兩輪異常值剔除過程，剔除光譜異常值(GH≥10)及化學異常值(T≥2.5)。以最高交互驗證決定系數(1-VR)和最低SECV值確定最佳校正模型。如圖2所示，蛋白最佳方程應為SNVD+2,4,4,1處理得到的。