为了降低贡梨自身尺寸差异造成其可溶性固形物含量预测模型的精度不高问题,采用近红外漫反射光谱技术和偏最小二乘回归算法,建立近红外光谱模型和尺寸通用模型,进行了理论分析和实验验证,取得了小果、中果、大果3个尺寸等级的局部尺寸模型和尺寸通用模型,预测了不同尺寸等级贡梨可溶性固形物含量的数据。结果表明,局部尺寸模型预测自身等级的贡梨可溶性固形物含量的效果好,预测其它等级的效果差; 通用模型预测小果、中果、大果的预测相关系数分别为0.892、0.937、0.889,预测均方根误差分别为0.524 、0.417、0.551,通用模型无论预测哪一个尺寸等级的贡梨都有较好的结果。尺寸通用模型能够减小尺寸差异带来的不良影响,适用于检测不同尺寸等级的贡梨可溶性固形物含量。

山梨酸钾是日常生活中一种典型的食品防腐剂。 过量食用防腐剂山梨酸钾, 会严重危害人身体健康。 以橙汁作为背景溶液, 配制山梨酸钾含量在0.007 0～0.100 0 g·L-1之间的山梨酸钾橙汁溶液样本共22组。 应用FS920荧光光谱仪对防腐剂山梨酸钾的水溶液以及橙汁溶液的荧光特性进行了研究。 由于山梨酸钾和橙汁的荧光特性相互干扰, 山梨酸钾橙汁溶液的浓度与荧光强度不再满足线性关系, 所以物质浓度的预测比较复杂。 通过构建改进鸡群算法优化支持向量机(ICSO-SVM)的模型对荧光光谱数据进行处理。 模型选取18个样本作为训练集, 4个样本作为预测集。 提取各样本在最佳激发波长λex=375 nm下, 发射波长在450～520 nm范围内的荧光强度值作为输入, 以山梨酸钾橙汁溶液的浓度值作为输出。 首先对改进鸡群算法(ICSO)的各个参数进行初始化, 然后经过训练输出支持向量机(SVM)的惩罚因子C和核参数g的最佳值, 再将得到的最佳值输入SVM模型, 得到4组预测浓度值分别为0.011 5, 0.026 0, 0.077 0和0.092 0 g·L-1。 ICSO-SVM模型的均方误差为1.02×10-5 g·L-1, 平均回收率为101.88%。 相同条件下与鸡群算法优化支持向量机(CSO-SVM)、 遗传算法优化支持向量机(GA-SVM)和粒子群算法优化支持向量机(PSO-SVM)进行对比。 结果表明ICSO-SVM模型的预测精度高于CSO-SVM, GA-SVM和PSO-SVM, 而且改进鸡群算法在训练过程中更容易找到全局最优值, 迭代速度更快。 该研究为物质浓度预测提供了一种新方法。

水果采收期的成熟度决定了其最终食用品质, 选择果实最佳的采收期是提高水果品质的关键措施之一。 可见-近红外光谱技术以其快速、 无损的检测特点, 适合用于水果的成熟度、 采收期检测。 由于采收期果实品质差异大, 传统化学计量学方法需进行复杂的光谱预处理, 模型难以满足不同的季节、 果园等需求。 提出了一种基于全卷积神经网络（CNNs）的黄花梨采收期可见-近红外光谱（Vis-NIR）检测方法, 利用卷积神经网络进行光谱特征信息提取, 采用误差反向传播算法结合随机梯度下降法进行层与层之间的连接权重调节, 输出多采收期的Logistic回归结果, 实现了黄花梨采收期的端到端检测。 设计了包含1个输入层、 2个卷积层、 1个池化层和1个Softmax输出层等5层的一维全卷积神经网络, 采用交叉熵为损失函数, 增加L2正则项以防止模型的过拟合, 无光谱预处理, 对比分析了此方法与PLSDA方法的建模结果。 试验采集了两个年度黄花梨样品共450个, 其中, 第一年度的300个组成训练集, 90个样本组成测试集1, 第二年度的60个样本组成测试集2。 实验结果表明, 当测试集样品与训练集来自相同年份时, PLSDA和CNNs模型对测试样品集采收期正确识别率均为100%, 当测试集样品来自不同年份时, 测试集样品采收期的正确识别率分别降为41.67%和88.33%, 相关系数、 互信息计算模型的回归系数表明, CNNs模型充分利用了样品全波段信息。 可见, CNNs方法通过迭代对卷积核进行优化, 实现了更灵活的光谱预处理, 可降低模型训练难度, 所建模型有较好的可解释性和泛化能力, 该方法对建立稳健的水果采收期可见-近红外光谱检测模型有一定的参考价值, 有利于实现水果精细化的分期、 分批采收。

聚山梨酯80又名吐温80, 为一种亲水型非离子表面活性剂, 是食品、 保健品和药品中常用的辅料, 作为增溶剂和澄清剂广泛用于中药注射剂。 近年来, 不良反应的发生使得聚山梨酯80的质量和应用愈加受到重视, 有研究认为其加入可能引起注射剂不良反应增加。 为避免超量使用, 有必要对该辅料的投料加以严格控制。 中药注射剂中聚山梨酯80的含量测定是当下研究的热点和难点, 可以通过分光光度法、 分子排阻-蒸发光散射检测法（SEC-ELSD）、 液质联用法（LC-MS）直接测定, 也可以水解后法经液相色谱-紫外检测法（HPLC-UV）或气相色谱法（GC）间接测定。 但由于聚山梨酯80为聚氧乙烯聚合数目不同的混合物、 不同厂家生产的聚山梨酯80化学组分及比例存在较大差异, 难以采用统一的转换公式或对照品准确定量。 此外, 中药注射剂的复杂基质造成的假阳性干扰也对定量提出了挑战。 为解决以上问题, 以生脉注射液为例, 提出基于吸收系数的中药注射剂中聚山梨酯80含量测定新方法。 优化检测波长、 显色剂种类、 液液萃取过程振荡和静置时间, 在6个不同品牌仪器上测得聚山梨酯80-硫氰酸钴配合物的吸收系数（E1%1 cm）为104.23, 相对标准偏差（RSD）为2.08%。 生脉注射液稀释10倍后, 精密量取供试品溶液1.0 mL, 精密加入硫氰酸钴溶液10 mL, 二氯甲烷20 mL, 涡旋振荡3 min。 将混合液移至分液漏斗中, 静置30 min, 取下层二氯甲烷液, 将前1 mL弃去, 接收约15 mL, 在320 nm处测定吸光度, 再根据Lambert-Beer定律, 利用获得的吸收系数计算得到聚山梨酯80的含量。 方法阴性无干扰, 精密度和重复性相对标准偏差均低于3%, 平均回收率为98.42%。 为进一步验证方法的准确性, 分别采用吸收系数法和标准曲线法测定了2个厂家的10批生脉注射液, 并与实际投料量比较。 配对t检验结果表明, 当置信度为95%时, 两种方法无显著性差异, 吸收系数法测得结果与企业生产中聚山梨酯的实际投料量也无显著性差异。 研究采用前人未采用的、 灵敏度更高的320 nm为检测波长, 显著降低了基质干扰, 克服了中药注射剂中聚山梨酯80测定结果与实际投料量难以吻合的问题。 吸收系数法无需使用对照品, 亦不用制备标准曲线, 可为中药注射剂中聚山梨酯80的检查标准提供切实可行的解决方案。 所建方法灵敏、 准确、 快速、 简便, 为含聚山梨酯80制剂的质量控制提供了关键常数及新的思路。

基于实验室自行搭建的拉曼点扫描系统, 以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂, 探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。 首先确定鸡尾酒中苯甲酸钠拉曼特征峰为846.1, 1 007和1 605 cm-1, 山梨酸钾拉曼特征峰为1 164, 1 389和1 651 cm-1, 进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。 结果表明, 利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性, 而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大, 具有较高的稳定性。 分别制备苯甲酸钠浓度范围为0.154 3~1.5 g·kg-1的42个鸡尾酒样品及山梨酸钾浓度范围为0.062~1.5 g·kg-1的45个鸡尾酒样品, 分别建立了苯甲酸钠和山梨酸钾的线性回归模型。 选用最佳的苯甲酸钠1 007和1 605 cm-1二元线性回归预测模型与山梨酸钾的1 164和1 651 cm-1二元线性回归预测模型, 对不同浓度苯甲酸钠和山梨酸钾43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。 结果显示, 鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数(r)分别为0.949 3和0.921 8, 均方根误差(RMSE)分别为0.088 2和0.142 9 g·kg-1。 基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测, 为液态食品中防腐剂的同时快速监测提供了技术支撑。