工艺品控 · 原创丨近红外光谱(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。

1. 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，从而可以作为获取信息的一种有效载体。

2. 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1所示），(1)校正：①选择校正样品集，②对校正样品集分别测得其光谱数据和理化基础数据，③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。

2.1. 定标建模

2.1.1 为什么要建立近红外校正模型

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。近红外光谱分析是间接的（第二手）分析方法，所以（1）需要定标样品集；（二）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；（三）近红外分析准确度与参比方法数据准确度高度相关；（四）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）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

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。

2.1.3 模型维护与扩展

2.1.3.1 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。

2.1.3.2 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。

2.1.4 具体例子分析

2.1.4.1 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种光谱预处理方法。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1,2,2,1； 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(T≥2.5)。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2所示，蛋白最佳方程应为SNVD+2,4,4,1处理得到的。