下载文档原格式
近红外光谱在乳品检测中的应用研究进展摘要：近红外光谱技术作为一种新型的分析检测技术，越来越广泛地应用在物品的定性和定量检测中。
本文以奶制品质量检测为切入点，阐述了近红外光谱技术的基本原理，检测步骤，介绍了国内外近红外光谱分析技术在奶制品质量检测方面应用的最新研究进展，对目前研究存在的问题进行了分析，对今后进一步的研究进行了展望并提出了一些建议。
关键词近红外光谱技术奶制品1 引言鲜奶及奶制品作为一种与人民生活息息相关的营养品，含有蛋白质、乳糖、脂肪、维生素、矿物质等100多种人体所需的营养元素，其营养价值完善，是最接近于人奶的天然食品，已成为居民生活中不可缺少的日常食品之一。
由于鲜奶和奶制品在人们日常饮食中占据着越来越重要的地位，它的安全性直接影响到人们的身体健康。
因此，对乳制品进行有效的质量检测和控制也就至关重要。
传统的奶制品质量检测主要是使用一些化学分析方法，其结果准确，但过程耗时，费力，一般需要试剂，对样本具有破坏性。
此外，由于各种掺假现象的层出不穷，传统化学方法的应对显迟缓和繁琐。
著名的“三聚氰胺”事件，就是钻了传统的“凯氏定氮法”的空子。
对于一些成分复杂的化学添加剂，往往需要多种化学方法综合辨别。
其前处理复杂，耗时长，成本高，同时也不适用于现场及在线分析。
近红外光谱分析技术是近十多年来新兴的一种分析技术，随着近红外光谱仪器硬件技术的不断完善以及化学计量学软件的发展，近红外光谱分析的应用急剧扩展，广泛应用于农产品，饲料，饮料，药物，烟草和石油化工领域。
与传统方法相比，近红外光谱分析技术具有测量速度快，操作方便，不破坏样品，不用前处理试剂等特点，非常适合于现场分析和在线检测。
在线检测能够保证生产过程的全程质量监控，现场检测有利于及时发现质量问题，控制问题产品的扩散，对奶制品质量控制有着重大的意义。
2近红外光谱技术的基本原理及特点近红外光谱指的是波长在780~2526nm范围内的电磁波, 波数范围为3500~13000 cm- 1, 从波长上可以分为短波近红外( 780 ~1100 nm ) 和长波近红外( 1100 ~ 2526nm) 。
近红外光谱技术在食品掺伪检测应用中的研究进展摘要：近年来，我国食品掺伪现象严重。
目前一些常用的食品掺伪检测方法费时费力，需要消耗大量的化学试剂。
近红外光谱技术能够实现快速、无损、在线的食品掺伪检测。
本文综述近红外光谱技术在食用油、牛奶、蜂蜜、饮料等液态食品和肉制品、奶粉、茶叶、小麦粉等固态食品掺伪检测应用中的研究进展，同时分析近红外光谱技术在掺伪检测中的局限性以及存在问题，并对今后的进一步研究提出展望。
关键词：近红外光谱技术；掺伪；检测近年来，我国食品掺伪现象严重，并且由此导致了一系列的食品安全事故，如安徽阜阳的假奶粉事件、三鹿三聚氰胺事件、广州假酒事件等。
食品掺伪不仅直接损害消费者的经济利益，而且严重危害消费者的身体健康。
由于食品种类繁多、成分复杂，而且掺杂到食品中的物质不论在外观、组成还是理化性质都比较接近，通常很难用一般的化学方法鉴别真伪。
目前常用的鉴别食品掺伪的方法有感官鉴别、理化检测，以及一些色谱技术如薄层色谱、高效液相色谱、气相色谱等，这些方法需要对样品进行复杂的物理、化学前处理，费时费力，消耗大量的化学药品，又有一定使用限制。
近红外光谱技术能快速、无损获取样品的生物化学指纹，在复杂的背景分辨出待测物质，并且能够实现食品掺伪的在线检测[1]。
1．近红外光谱技术简介近红外光(near-infrared spectroscopy，NIR)是指波长介于可见区与中红外区之间的电磁波，美国材料协会(ASTM)将波长范围为780～2526nm的光谱区定义为近红外光谱区。
近红外光谱主要是对有机分子中含氢基团X－H键(X 为C、O、N、S 等) 的倍频和合频吸收。
根据这些基团的近红外吸收光谱出现的位置、吸收强度等信息特征，结合数理统计对该成分作定性和定量分析[2-3]。
近红外光谱分析方法是一种间接分析方法，它是光谱测量技术、化学计量学技术、基础测量技术和计算机技术的有机结合。
其主要的分析过程为：首先选择具有代表性的样品，采集其近红外光谱数据并利用标准的或者认可的参考方法测定样品的组成和含量，再通过化学计量学方法将近红外光谱数据和用标准或认可方法测定的基础数据相关联，建立校正模型。
近红外光谱结合非线性模式识别方法进行牛奶中掺假物质的判别倪力军;钟霖;张鑫;张立国;黄士新【期刊名称】《光谱学与光谱分析》【年(卷),期】2014(0)10【摘要】以287例上海及上海周边地区牧场的生鲜奶作为真奶样本集组成3个真奶样品集合，配制了526例含有糊精（或淀粉）＋三聚氰胺（或尿素、或硝酸铵）的掺假牛奶形成6个不同种类的假奶样品集合，其中糊精、淀粉在掺假奶中的含量为0.15％～0.45％；硝酸铵、尿素和三聚氰胺的含量分别为700～2100，524～1572与365.5～1096.5 mg · kg -1，以保证掺假奶中凯氏定氮法测得的蛋白含量不低于3％。
所有样本的近红外光谱均经过标准正态变换（SNV）预处理。
将3个真奶样品集合和6个假奶样品集合进行不同的组合并对其采用改进与简化的K最邻近结点算法（IS-KNN ）和改进与简化的支持向量机法（ν-SVM ）建立了判别糊精、淀粉、三聚氰胺、尿素、硝酸铵这5类掺假物质的近红外判别模型，探寻掺假物质的浓度与识别正确率之间的关系。
结果表明IS-KNN和ν-SVM两种方法对含三聚氰胺、尿素、硝酸铵的掺假牛奶的平均判别正确率分别在49.55％～51.01％，61.78％～68.79％与68.25％～73.51％区间波动，说明在该研究的掺假物浓度范围内，很难用近红外模型良好区分不同类型伪蛋白的掺假奶；IS-KNN 和ν-SVM 两种方法对含淀粉的掺假牛奶的判别正确率分别为92.33％与93.66％、对含糊精的掺假牛奶的平均判别正确率分别为77.29％与85.08％。
从整体结果上来看ν-S V M法进行建模判别的结果大部分优于IS-K N N法进行建模判别的结果。
对判别正确率与样品中掺假物质的含量水平分析表明近红外光谱结合非线性模式识别方法能良好地区分掺假奶中含量较高（0.15％～0.45％）的糊精和淀粉，而对含量偏低的三聚氰胺等伪蛋白的判别效果不佳，说明近红外光谱技术不适于鉴别牛奶中含量低于0.1％的掺假物质。
近红外透反射光谱用于掺假牛奶的快速识别初探郭美兰, 孙正鹏, 张 超, 倪力军＊, 张立国(华东理工大学化学与分子工程学院,上海200237)摘 要:为快速识别掺加违禁物质的假牛奶,在市售纯奶基础上按不同比例添加水+糊精、水+糊精+三聚氰胺(硝酸铵、尿素)的溶液,配制掺假牛奶,测试真、假牛奶样品的近红外透反射光谱,分别采用PLS -DA 、KNN 、LDA 、改进与简化的KNN (IS -KNN )模式识别方法和不同光谱预处理方法进行真、假牛奶的识别。
各模式识别方法在不同预处理光谱下对真、假两类牛奶的识别正确率最高为95.12%和96.34%并且在最高正确率下对所有掺假牛奶均能正确识别。
表明采取适宜的近红外光谱预处理方法和模式识别方法,可以良好地对纯奶和掺假牛奶进行区分。
关键词:牛奶;掺假奶;近红外透反射光谱;快速识别中图分类号:S 132 文献标志码:A 文章编号:0367-6358(2010)05-0270-04Primary Study on Rapid Identification of Counterfeit M ilk Based onN ear Infrared T ransmission Spectro scopyGUO M ei -lan , SUN Zheng -peng , ZH ANG Chao , NI Li -jun ＊, ZHANG Li -Guo(Chemistr y an d Molecula r Eng ineering S choo l ,E ast China University o f S cience &Techno logy ,Sh angha i200237,China )A bstract :To rapidly identify counterfeit milk co ntaining some prohibited substances ,such as melamine ,we prepa red so me counterfeit milk by adding dex trin w ater solutio n ,dex trin wa ter solutio n and m elamine (ammo nium nitrate ,urea )in diffe rent mix propor tions to finished pure milk .The transmission near -infrared (NIR )spectra o f the pure and adulterate milk samples w ere collected .PLS -DA ,KNN ,LDA and improved and simplified KNN (IS -KNN )metho ds based o n different pretreated NIR spectra we re applied to discriminate milk sample .The hig hest prediction accuracy of the models built by these pattern recog nition methods is 95.12%and 96.34%,re spectively ,and almost all the adulterated milk samples could beco rrectly discriminated .The result indicates tha t if appropriate spectrum pretreatment metho d and pattern recog nition method we re used ,pure and counterfeit milk could be well discriminated .Key words :pure milk ;counterfeit milk ;near infrared spectro scopy ;rapid identification收稿日期:2010-01-25;修回日期:2010-04-22基金项目:上海市大学生创新实验计划项目(S 0811)作者简介:郭美兰(1983～),女,山东菏泽人,硕士生,主要从事分析化学学科的数学和科研。
基于PLS-模式识别近红外光谱技术快速检测鲜乳和掺假乳荣菡;刘波平;邓泽元;罗香
【期刊名称】《食品科学》
【年(卷),期】2008(029)008
【摘要】本实验采用PLS-马氏距离法建立了鲜乳和掺假植物奶油牛乳的判别分析模型,用PLS法将原始数据压缩成3个主成分,在原始光谱的全波数段范围内,无需任何预处理方式,判别准确率达100%.同时对10个未知样品进行预测,预测准确率均为100%.其次建立了植物奶油掺假量的定量检测PLS模型,并采用交互校验和外部检验考察模型的可靠性,模型的校正相关系数为0.9963,均方估计残差(RMSEC)为0.110;交互校验均方残差(RMSECV)为0.142:应用所建PLS模型对样品中植物奶油添加量进行预测,并对预测值与真值进行配对t-检验,结果表明两者差异均不显著.【总页数】4页(P492-495)
【作者】荣菡;刘波平;邓泽元;罗香
【作者单位】南昌大学,食品科学与技术国家重点实验室,江西,南昌,330047;江西省分析测试中心,江西,南昌,330029;南昌大学,食品科学与技术国家重点实验室,江西,南昌,330047;江西省分析测试中心,江西,南昌,330029
【正文语种】中文
【中图分类】O657.3
【相关文献】
1.鲜乳及乳粉糊精掺假问题 [J], 郭军;李翠枝
2.基于PLS-自组织竞争神经网络近红外光谱技术对鲜乳和掺假乳的检测方法研究[J], 刘波平;荣菡;邓泽元;罗香
3.鲜乳的卫生检验及掺假乳的鉴别 [J], 解凤德;薛亮
4.基于近红外光谱技术的掺假生鲜乳识别平台的研发 [J], 张鑫;顾欣;倪力军;张立国;韩奕奕
5.鲜乳掺假快速检验方法的研究 [J], 王三虎;陶建中
因版权原因，仅展示原文概要，查看原文内容请购买。
近红外光谱分析技术在食品检测中的应用摘要：食品安全问题一直是国家和社会关注的焦点，保证食品安全就是保障人们的生命安全。
因此，相关部门必须把好食品质量安全关。
食品检测是一项专业的工作，要想提高食品检测的有效性，就需要用到先进的科学技术。
现代近红外光谱分析技术是当下比较常用的一种食品检测技术。
该技术环保、检测效率高，将其应用到食品检测中，可以进一步提升食品的安全性。
本文就现代近红外光谱分析在食品检测中的应用进行了相关探讨。
关键词：现代近红外光谱分析；食品检测；应用光谱分析技术在20世纪90年代后期应用开始变得十分广泛，在这样的发展背景下，人们研究了更先进的红外光谱技术，为食品安全的提供了进一步保障。
目前，近红外光谱分析可以在我国所有领域看到，特别是在食品工业中，比传统检验方法更环保、更高效、更准确。
近红外光谱分析技术已应用于肉类和奶制品的检测。
1近红外光谱分析概述近红外光是电磁波的一种，其波长范围在750～3000nm，其英文缩写为NIR。
该技术发源的年代较早，较为成熟，主要适用于对物质的定量分析和结构加工处理，对结构物质等方面有别于其他光谱在介质中的传播特性。
在食品加工行业，食品分析是食品检测的一个重要环节，对于食品的有机物认识，该技术凭借着自身对于有机物的结构的检验效果得到了十分广泛的应用。
相对于传统的检验方式，用该技术手段检验食品更加环保、便捷和简单，它对于食品行业的检验检测是一次质的飞跃。
2近红外光谱技术应用特点近红外光谱技术是一种利用光谱学监测食品组成成分及性质变化的技术。
近红外光谱仪器一般由光源和单色器两部分组成，每个零件都有着它们特定的功能。
所以在对近红外光谱仪器的设计和组装过程中，一定要确保每个组件的性能都保持原本的完好性。
由于组件的不同，用途也大不相同，所以近红外光谱仪器可以划分为很多类，不同的光源代表了它们不同的用途。
近红外光谱技术特点：(1)近红外光谱技术可以有效避免对样品的损害。
快速检测牛奶成分的近红外光谱测量方法及系统研究一、综述近年来，随着社会的发展和科技的进步，食品安全问题日益受到重视。
牛奶作为一种营养丰富的食品，其成分检测具有非常重要的意义。
快速、准确、无损的检测方法对于保证牛奶质量与安全具有重要价值。
近红外光谱技术作为一种高效的分析手段，已广泛应用于农业、食品、医药等领域。
本文将对近年来快速检测牛奶成分的近红外光谱测量方法及系统进行研究，阐述其原理、方法、装置特点及在牛奶成分检测中的应用，并对其发展趋势进行展望。
近红外光谱技术是一种基于分子振动和旋转吸收特定波长红外光的光谱分析方法。
近红外光谱测量具有操作简便、分析速度快、无需复杂样品前处理等优点，使其成为一种颇具潜力的牛奶成分检测方法。
快速检测牛奶成分的近红外光谱测量方法主要包括传输法、反射法和漫反射法等。
传输法主要适用于液体和半固体试样的测量，其优点是试样不接触仪器，无污染；反射法则可以对固体和液体试样进行无损检测，但易受光的散射和反射影响；漫反射法则可以获得较好的仪器信噪比，但需严格控制实验条件，避免光的干扰作用。
在快速检测牛奶成分的近红外光谱测量方法研究中，主要涉及到牛奶中主要成分如脂肪、蛋白质、乳糖等的检测。
脂肪含量的检测常采用近红外光谱技术结合标准曲线法或主成分回归法进行定量分析。
蛋白质含量的检测一般采用近红外光谱技术结合偏最小二乘法或主成分回归法进行定量分析。
乳糖含量的检测常用近红外光谱技术结合独立成分分析、主成分回归法等进行定量分析。
一些新型的近红外光谱技术在牛奶成分检测方面也得到了广泛应用，如机器学习算法、人工神经网络、小波变换及图像处理技术等，这些技术为牛奶成分检测提供了更加高效、准确的手段。
在快速检测牛奶成分的近红外光谱测量方法及系统的构建方面，主要包括以下几个方面的研究：一是光源的选择和光源控制系统的设计；二是光谱仪器的选择和调试以及数据采集和处理方法的研究。
不同类型的源具有不同的特点和应用范围，因此在具体应用中需根据牛奶成分检测的具体需求来选择合适的源。
第43卷 第2期2024年 3月华中农业大学学报Journal of Huazhong Agricultural UniversityVol.43 No.2Mar. 2024，264~272基于近红外光谱技术检测全蛋粉掺假杨凯1，何昱廷1，李沃霖1，祝志慧1，2，王巧华1，21.华中农业大学工学院，武汉 430070；2.农业农村部长江中下游农业装备重点实验室， 武汉 430070摘要 为提高全蛋粉掺假检测的准确度和检测效果，应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。
分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法，对原始光谱数据进行预处理，采用竞争性自适应重加权算法（CARS ）、连续投影算法（SPA ）及CARS -SPA 结合算法对光谱数据进行特征波长筛选，建立集成学习（ensemble learning ，EL ）模型对掺假蛋粉进行定性判别，建立偏最小二乘模型（PLSR ）对掺假含量进行定量分析。
结果显示：在对掺假蛋粉进行定性判别方面，一阶导数为最佳预处理方法，CARS 算法特征筛选效果最佳，EL 模型对掺假蛋粉样本总体判别准确率达到98.18%，对各类掺假蛋粉样品的判别准确率在97.78%以上。
在对蛋粉掺假含量进行定量分析方面，多元散射校正为最佳预处理方法，CARS 算法特征筛选效果更佳，对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR 浓度预测模型的预测集相关系数（R p ）分别为0.958 5、0.931 2、0.945 6和0.955 8，均方根误差（RM‐SEP ）分别为4.689 1、5.813 4、4.604 1和3.802 9。
研究结果表明，近红外光谱技术可用于蛋粉掺假检测，为监管机构检测蛋粉掺假提供参考。
关键词 全蛋粉； 近红外光谱； 掺假检测； 集成学习； 精准检测中图分类号 TS253.7 文献标识码 A 文章编号 1000-2421（2024）02-0264-09蛋粉的蛋白质含量高，矿物质和维生素种类丰富，具有显著的功能性质（如凝胶性、乳化性、保脂肪性、保水性等），是鸡蛋的理想替代品［1-2］。
基于近红外光谱技术乳制品品种快速无损鉴别王磊;郭中华;金灵;郑彩英【摘要】研究了使用近红外透射光谱法对四种乳制品品种进行快速鉴别的方法.首先对样品光谱进行多元散射校正等预处理,然后对处理后的光谱进行小波基为db3,分解尺度为6的小波压缩,最后以压缩后光谱数据作为输入变量,分别采用BP-ANN、RBF-ANN和SVM-ANN三种人工神经网络建立品种鉴别模型.结果显示,当光谱预处理方法为多元散射校正加S-G平滑加小波变换(MSC +S-G +WT)时,三种网络对样品的鉴别率均达到了100％.所以近红外光谱技术可以实现对乳制品品种的快速无损鉴别.【期刊名称】《激光与红外》【年(卷),期】2013(043)010【总页数】5页(P1133-1137)【关键词】近红外光谱;乳制品;鉴别;小波压缩;人工神经网络【作者】王磊;郭中华;金灵;郑彩英【作者单位】宁夏大学物理电气信息学院,宁夏银川750021;宁夏大学物理电气信息学院,宁夏银川750021;宁夏大学物理电气信息学院,宁夏银川750021;宁夏大学物理电气信息学院,宁夏银川750021【正文语种】中文【中图分类】TP399;O657.331 引言近年来，中国经济迅速发展，国民的健康意识大幅提高。
牛奶因其富含蛋白质、氨基酸、矿物质、钙和各种维生素等营养物质，成为人们日常生活中必不可少的一种食品，因此，对乳及乳制品质量的检测和品种鉴别成为一项重要的课题。
目前，一些学者对乳及乳制品品的质检测已经进行了一系列深入的研究，也得到了较好的成果［1－6］，但是，相对于其他食品的品种鉴别而言［7－9］，对乳及乳制品品种鉴别的相关研究还较少。
作为生活中必不可少的高营养食品，为了满足广大消费者的需求，不但要对其品质进行严格把关，品种区分也非常重要，只有这样才能在销售过程中更具针对性。
近红外光谱法是光谱测量技术和化学计量学的有机结合，因其具有硬件成本低、检测速度快、测试重现性好和对样品无损坏的优点而被广泛的应用于食品工业、石油化工、农业，医药也等多个领域［10－13］。
67近红外光谱技术结合人工神经网络鉴别生鲜奶和蛋白掺假奶李亮，王雷鸣，丁武*西北农林科技大学食品科学与工程学院 (杨凌 712100)摘要以牛奶和分别掺有羊奶、豆浆的掺假奶为原料，利用近红外光谱仪对样品进行扫描并得到光谱数据，应用主成分分析结合人工神经网络技术对试验数据进行多元统计分析，研究鉴别原料乳蛋白掺假的可行性。
分析结果表明：应用主成分分析法，得到能反映牛奶99.32%光谱信息的6个主成分。
由这6个主成分得到的得分图，可以区分掺羊奶和豆浆的牛奶，但不能完全区分生鲜奶；选用人工神经网络进行进一步信息提取与种类判别，将6个主成分作为人工神经网络的输入，对应的牛奶种类作为输出，建立了一个三层BP神经网络模型，模型对建模集84个样本的鉴别率为96.23%,，对预测集21个样本的鉴别率为95.24%。
说明该方法能快速无损地鉴别原料乳中的蛋白掺假。
关键词近红外；生鲜奶；掺假牛奶；主成分分析(PCA)；人工神经网络(ANN)Study on Discrimination of Raw Milk and Milk Adulterated Foreign Protein Based on Near-infrared Spectroscopy and Artif Icial Neural Net Work ModelLi Liang，Wang Lei-ming，Ding Wu *College of Food Science and Engineering, Northwest Agriculture and Forestry University （Yangling 712100）Abstract In order to fi nd out a fast measure method of adulterated milk based on near infrared spectroscopy ，raw milk and milk adulterated with goat milk and soybean milk were collected respectively. Using near-infrared spectroscopy to scan the samples and get the spectrum data. Then all data were analyzed by principal component analysis and arti fi cial neural network. Results show that the accumulative reliabilities of the fi rst six components was more than 99.32%. According to the fi rst six components, the authors could distinguish milk adulterated with goat milk and soybean milk, but could not deal with all of raw milk. So the authors chose ANN-BP as further research method. The fi rst six components were then applied as ANN-BP inputs and the values of the type of milk were applied as the outputs. A three-layer back propagation neural network model was developed for classi fi cation. Finally, the result indicated the distinguishing rate of 84 calibration samples is 96.23% and the distinguishing rate of 21 unknown test samples is 95.24%. All of these suggested that near infrared spectroscopy has good potential to qualitative detect adulterated milk rapidly and nondestructively.Keywords near infrared spectroscopy ；raw milk ；adulterated milk ；principal component analysis(PCA)；arti fi cial neural network(ANN)*通讯作者 基金项目：公益性行业（农业）科研专项经费项目（3-45）生鲜奶作为奶制品生产的基本原料，其质量控制在生产管理中是至关重要的环节。
在实际生产加工中，有些牛奶供应商为了经济利益[1]而掺加羊奶，豆浆。
目前，检测牛奶中掺羊奶的方法有：观察NaCl含量的变化[2]、用打酸滴定观察是否沾管[2]和加热条件下观察奶中酪蛋白是否凝固[3]来进行判别；检测牛奶中掺豆浆的方法为观察生鲜奶中是否含有皂角素[4]和十二烷基硫酸钠聚丙烯酰胺凝胶电泳法[5]。
这些理化检测方法虽然简单，但耗费时间过长且破坏样品。
近红外光谱分析技术是近年发展起来的一种高效、快速、低成本、无损、无公害、可多组分同时分析的现代技术，成功地应用于食品[6-14]、医药[15-16]、农业[17-18]等领域。
韩东海等[19]探讨了近红外光谱技术检测生鲜奶中是否掺还原奶的可行性，荣菡等[20]采用PLS-马氏距离法建立了鲜乳和掺植物奶油牛乳的判别分析模型。
本试验探讨应用近红外光谱技术技术结合化学计量学建立生鲜奶与市面上常见的掺羊奶和豆浆的牛奶的识别模型。
1 材料与方法1.1 材料与设备1.1.1 生鲜奶和各掺假奶的获取生鲜奶取自西北农林科技大学畜牧站的三头黑白花奶牛，羊奶取自西北农林科技大学畜牧站的三头沙能奶山羊，每天上午采样，共7 d，运回实验室后立68即进行光谱采集和混合实验，试验所用豆浆采用湿磨法制得，用经典化学法测得豆浆蛋白含量为2.0%。
1.1.2 各掺假奶的配制含不同浓度梯度羊奶的掺假奶配制按羊奶浓度分别为5%，10%，20%，35%，50%，65%，80%的梯度配制；含不同浓度梯度豆浆的配制按照豆浆浓度分别为5%，10%，20%，35%，50%，65%，80%的梯度配制。
实验共获得生鲜奶样35个，掺假奶样2种，每种掺假奶样的每个梯度配5个平行样，试验共获得样品105个。
1.1.3 仪器设备MPA TM傅里叶变换近红外光谱仪：德国布鲁克光学仪器公司(BRUKER OPTICS)；InGaAs检测器；光谱范围(4 000～12 000) cm -1，光谱分析软件为仪器自带OPUS 5.5软件。
光谱数据以文本格式导出进行处理，分析软件为matlab。
1.2 近红外光谱采集利用MPA傅里叶变换近红外光谱仪，结合2 mm 固体光纤探头采集掺假奶的漫反射光谱。
每次采集时先将样品倒入直径4 cm，高5 cm的圆柱形样品杯中，然后将固体光纤探头伸到液体中，保证液面高度大于5 cm。
检测波数范围为（4 000～12 000）cm -1，间隔8 cm -1，每次扫描64次取平均，通过相连的计算机记录吸光度值(1og1／R)。
每次采集光谱前，先均质样品，并在水浴锅中恒温至(40±0.1)℃。
1.3 分析方法1.3.1 主成分分析主成分分析(PCA)是一种多元统计分析方法，在多指标(变量)研究中，往往由于变量个数太多，且彼此之间存在着一定的相关性，因而使得所观测的数据在一定程度上有信息的重叠。
主成分分析能够在不丢失主要光谱信息的前提下提取出较少的新的特征变量，解决了因近红外谱带的重叠而难以分析的困难。
1.3.2 人工神经网络模型人工神经网络（ANN）是由人工建立的以有向图为拓扑结构的动态系统，通过对连续或断续的输入作状态响应进行信息处理，采用误差反向传播(back propagation, BP)算法的前馈神经网络，能够实现输入与输出之间的高度非线性映射。
本研究建立一个三层的BP人工神经网络结构（ANN-BP），各层传递函数都用S型(Sigmoid)函数。
网络输入层节点数6，经多次实验确定隐含层节点数6，输出层节点数1(不同掺假奶的值)。
目标误差0.01，网络指定参数中学习速率0.2，设定训练迭代次数1 000次。
2 结果与分析2.1 生鲜奶与掺假奶的近红外光谱图分析图1为生鲜奶和2种掺假奶的平均近红外光谱图，从图１看出，近红外光谱形状基本相似，从图中无法直接区别生鲜奶和掺假奶。
图1 生鲜奶与掺假奶的近红外光谱图为了去除来自高频随机噪音、基线漂移、光散射等影响，应用OPUS 5.5软件对原始光谱进行预处理。
先用移动平均平滑法（move average），选用平滑点数为9，滤除高频噪声；再对光谱进行多元散射校正(MSC)和二阶求导处理，消除基线漂移的影响。
图2是处理后的光谱曲线。
二阶导数处理后，光谱的重叠峰明显分开，更细致地反映样品的光谱特征。
图2 经过Move average平滑、MSC和二阶导数处理后的牛奶光谱图2.2 主成分分析得到新的特征变量实验采集的牛奶光谱从（4 000～12 000）cm -1共有2074个数据点，数据量大，冗余信息多，计算量大，而且有些区域样品的光谱信息很弱，与样品的组成或性质间缺乏相关关系，所以利用matlab对105个样品的光谱数据进行主成分分析。
图3是三种牛奶的第1和第2主成分的得分图。
图中横坐标表示每个样本的第1主成分的得分值，纵坐标表示每个样本第2主成分的得分值。
从图3看出，掺羊奶的牛奶和掺豆浆的牛奶聚类效果较好，并且掺羊奶的牛奶主要分布在纵坐标的负半轴区域，而掺豆浆的牛奶主要分布在纵坐标的正半轴。
相对而言，生鲜奶的分布比较分散。
由此可见，主成分分析方法对鉴别2种或者差别比较大的牛奶是比较明显的，在待鉴别样品比较多或差异较小的情况下，较难准确地区分各牛奶，还需要建立牛奶区分的定量分析模型。
图3 105个牛奶样品的第一、第二主成分得分图69经过计算，前8个主成分的累积贡献率及累计可信度如表1所示。
由于前6个主成分的累计可信度已达99%，所以仅用前6个主成分就可以表示原始近红外光谱的主要信息，这样数据阵就从105×2074减少到105×6(6个主成分)。
