CN104897607A - 便携式近红外光谱食品建模与快速检测一体化方法和系统 - Google Patents

Abstract

本发明公布了一种便携式近红外光谱食品建模与快速检测一体化方法及其系统，在windows系统下对便携式近红外光谱仪进行二次开发，通过校正集食品样本的组分指标参数的浓度参考值和近红外光谱数据建立食品检测校正模型，再通过校正模型对待测集食品样本的组分参数进行检测，得到未知样本的待测组分浓度检测值；可通过调整模型参数得到针对具体检测食品对象的最佳检测校正模型。一体化系统包括样本光谱数据采集模块、样本谱图预处理模块和模型建立与评价分析模块。本发明可实现对食品组分的快速检测，并可根据检测对象的数据特点，主动构建模型，确定最优参数，建立最佳模型，提高模型的检测精度。

Description

便携式近红外光谱食品建模与快速检测一体化方法和系统

技术领域

本发明涉及食品检测和数据处理，尤其涉及一种在windows系统下基于小型便携式近红外光谱仪进行二次开发的近红外光谱食品建模与快速检测一体化方法及其一体化系统。

背景技术

现有的针对食品的检测技术主要靠化学分析，化学分析方法存在受人为因素影响大、误差大、分析时间长、步骤繁琐、污染环境等缺点。随着社会的进步和科学技术的快速发展以及食品企业内部和监管部门对食品质量安全及时监督掌控的需要，针对食品的现场检测技术朝着技术速测化方向发展，由此利用光谱分析软件进行食品检测分析的技术也得到了快速发展和广泛应用。

在工业发达国家，近红外光谱(Near Infrared Spectroscopy，NIRS)分析技术己被普遍接受。加拿大温哥华Gitennes勘探公司利用澳大利亚PIMA公司生产的便携式近红外光谱矿物分析仪对秘鲁Virgen Property金远景区进行了光谱矿物测量，对钻孔岩心、手标本和公路边的露头样本进行了测量。由于近红外技术在现场及在线分析领域应用的日益广泛，NIRS仪器不断向专用化、小型化、固态化、模块化和快速化方向发展。典型的有美国的ASD(AnalyticalSpectral Devices,inc.http://www.adsi.com)公司的可见/近红外便携式光谱分析仪Labspec Pro系列，可选择光谱测量范围1000-1800nm、1000-2500nm、350-2500nm，光纤探头，并配以用于化学计量学模型编程的Unscrambler标准软件。澳大利亚Integrated Spectronics Pty Ltd的PIMA(Portable Infrared Mineral Analyzer)是典型的便携式野外岩石矿物NIR分析仪器。

光谱预处理和校正模型建模现有方法中，光谱预处理目的是减弱或消除各种非目标因素对谱图造成的影响，如去除背景和噪声等，以净化光谱信息，是提高校正模型可靠性的必要措施，主要方法包括导数处理、平滑处理、去散射处理等。现有定量和定性校正方法一般采用偏最小二乘法，进一步采用神经网络结构模型和主成分分析结构模型以提高精度。

但是，一方面由于食品检测样本有着各种各样的差别，针对不同食品需要不同的检测分析方法；另一方面，进口光谱仪器价格较贵，且多数光谱仪器的质量较大，携带不方便，难以满足分析仪器小型化、轻量化的要求。此外，现有的光谱分析法大多受仪器提供的配套分析软件中固化模型的限制，在实际检测中，无法根据检测对象进行调整。

综上所述，一方面由于光谱采集仪器普遍体积较大，质量比较重，不利于进行现场测试；另一方面，定性及定量分析过程中采用的对象不同，所用的测试方法和精度也有所不同。因此，对于不同的检测对象和检测指标，需采用不同的模型及模型参数，完成检测过程，从而得到精度较高的检测值。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于windows的便携式近红外光谱食品建模与快速检测一体化方法和一体化系统，通过对MicroNIR系列近红外光谱小型仪器进行二次软件开发，通过一体化方法实现对采集到的样本进行样本预处理分析、建立校正模型并进行检测分析，从而实现对未知样本的组分参数进行检测。本发明采用的MicroNIR系列近红外光谱仪体积小，重量轻，为实现便携式在线检测提供了很好的基础。

本发明提供的技术方案是：

一种便携式近红外光谱食品建模与快速检测一体化方法，该一体化方法在windows系统下对便携式近红外光谱仪进行二次开发，首先通过校正集食品样本的组分指标参数的浓度参考值和近红外光谱数据建立食品检测校正模型，再通过校正模型对待测集的未知食品样本的组分参数进行检测，得到未知食品样本的待测组分浓度检测值；该一体化方法在进行检测中可通过调整模型参数，得到针对具体检测食品对象的最佳检测校正模型；包括如下步骤：

1)采集具有代表性的食品样本，作为校正集食品样本；

2)通过便携式近红外光谱仪测得校正集食品样本的近红外光谱数据；

3)通过化学分析方法测得校正集食品样本的待测组分的浓度，作为相应组分指标参数的浓度参考值；

4)对步骤2)获得的校正集食品样本的近红外光谱数据进行预处理；

5)利用步骤3)得到的校正集食品样本的待测组分的浓度和步骤4)得到的进行预处理后的校正集食品样本的近红外光谱数据，针对需要检测的组分指标参数，通过偏最小二乘方法建立校正模型；

6)对待测集食品样本，通过便携式近红外光谱仪测得近红外光谱数据；

7)对步骤6)获得的待测集食品样本的近红外光谱数据进行光谱预处理；

8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集食品样本的相应的组分参数进行检测，得到待测集食品样本的组分浓度检测值；

9)采用模型评价参数对所述校正模型进行评价；所述模型评价参数包括残差、校正标准偏差、交互验证的校正标准偏差、预测标准偏差或决定系数。

针对上述便携式近红外光谱食品建模与快速检测一体化方法，进一步地，

所述二次开发首先通过数据线连接便携式近红外光谱仪和计算机控制终端，再通过计算机控制终端控制便携式近红外光谱仪，便携式近红外光谱仪的控制和光谱数据的采集由控制终端上二次开发的软件触发；所述便携式近红外光谱仪为MicroNIR系列近红外光谱仪；控制终端可采用台式机、笔记本电脑或基于android系统的平板电脑和手机，便于现场采样和实时测量；在本发明实施例中，便携式近红外光谱仪为MicroNIR-1700；控制终端为电脑；二次开发在C#平台上进行。

步骤2)或步骤7)所述光谱预处理具体是通过采用平滑方法、基线校正方法、波形变换方法对食品样本的近红外光谱图进行预处理。

在本发明实施例中通过本发明提供的便携式近红外光谱食品建模与快速检测一体化方法检测面粉，步骤5)中针对需要检测的组分指标参数，通过偏最小二乘方法建立校正模型，具体地，通过化学分析方法测得校正集面粉样本的待测组分的浓度，作为相应组分指标参数的浓度参考值；通过便携式近红外光谱仪测得校正集面粉样本的近红外光谱数据，进一步计算得到校正集面粉样本的吸光度A的光谱图；对校正集面粉样本的吸光度A的光谱图数据进行预处理；得到校正集面粉样本的建模数据，包括校正集面粉样本的光谱矩阵X和浓度矩阵Y；

通过偏最小二乘方法建立校正模型，针对校正集面粉样本的建模数据，首先对光谱矩阵X和浓度矩阵Y进行分解：

$Y={\mathrm{UQ}}^T+E_Y=\underset{k=1}{\overset{f}{\mathrm{\Σ}}}{u}_k{q}_k^T+E_Y$   (式4)

$X={\mathrm{TP}}^T+E_X=\underset{k=1}{\overset{f}{\mathrm{\Σ}}}{t}_k{q}_k^T+E_X$   (式5)

式4～5中，T为校正集面粉样本的光谱矩阵X的得分矩阵；U为校正集面粉样本的浓度矩阵Y的得分矩阵；E_X为校正集面粉样本的光谱矩阵X的PLS拟合残差矩阵；E_Y为校正集面粉样本的浓度矩阵Y的PLS拟合残差矩阵；Q为校正集面粉样本的浓度矩阵Y的载荷矩阵；P为校正集面粉样本的光谱矩阵X的载荷矩阵。t_k(n×1)为吸光度矩阵X的第k个主因子的得分；p_k(1×m)为吸光度矩阵的第k个主因子的载荷；u_k(n×1)为浓度阵Y的第k个主因子的得分；q_k(1×p)为浓度阵Y的第k个主因子的载荷；f为主因子数；

然后对T和U做线性回归：

U＝TB              (式6)

B＝(T^TT)^-1T^-1Y        (式7)

式6～7中，U为浓度矩阵Y的得分矩阵；T为光谱矩阵X的得分矩阵；B为T、U的线性回归矩阵。

在本发明实施例中，具体地，针对校正集面粉样本的近红外光谱数据，对于式4和式5，忽略残差矩阵E，设定t_k(n×1)为吸光度矩阵X的第k个主因子的得分；p_k(1×m)为吸光度矩阵的第k个主因子的载荷；u_k(n×1)为浓度阵Y的第k个主因子的得分；q_k(1×p)为浓度阵Y的第k个主因子的载荷；f为主因子数，用交互检验法确定最佳主因子数f；当取主因子数f为1时：

对X＝tp^T，左乘t^T得：p^T＝t^TX/(t^Tt)；右乘p得：t＝Xp/(p^Tp)；对Y＝uq^T，左乘u^T得：q^T＝u^TY/(u^Tu)；两边同除以q^T得：u＝Y/q^T；所以，t_k(n×1)、p_k(1×m)、u_k(n×1)、q_k(1×p)的初始值只有一列。

通过偏最小二乘方法建立得到校正模型的方法具体包括过程b1)～b14)：

b1)求吸光度阵X的权重向量w

取浓度阵Y的某一列作为u的起始迭代值，以u代替t，计算w

方程为：X＝uw^T；其解为：w^T＝u^TX/(u^Tu)

式中，X代表吸光度矩阵，w代表吸光度矩阵的权重向量，u代表浓度矩阵Y的得分向量。

b2)对权重向量w归一化

w^T＝w^T/||w^T||

式中，w代表吸光度矩阵的权重向量。

b3)求吸光度阵X的因子得分t，由归一化后w计算t

方程为：X＝tw^T，其解为：t＝Xw/(w^Tw)

式中，X代表吸光度矩阵，w代表吸光度矩阵的权重向量，t代表吸光度矩阵X的得分向量。

b4)求浓度阵Y的载荷q值，以t代替u，计算q

方程为：Y＝tq^T，其解为：q^T＝t^TY(t^Tt)

式中，Y代表浓度矩阵，t代表吸光度矩阵X的得分向量，q代表浓度矩阵Y的载荷向量。

b5)对载荷q归一化

q^T＝q^T/||q^T||

式中，q代表浓度矩阵Y的载荷向量。b6)求浓度阵Y的得分u，由q^T计算u

方程为：Y＝uq^T；其解为：u＝Yq/(q^Tq)

式中，Y代表浓度矩阵，q代表浓度矩阵Y的载荷向量，u代表浓度矩阵Y的得分向量。

b7)再以此u代替t返回第b1)步计算w^T，由w^T计算得到t_新，如此反复迭代，若t已收敛，即(||t_新-t_旧||≤10^-6||t_新||)，转入步骤b8)计算，否则返回步骤b1)；

式中，u代表浓度矩阵Y的得分向量，t代表吸光度矩阵X的得分向量，w代表吸光度矩阵的权重向量。

b8)由收敛后的t求吸光度阵X的载荷向量p；

方程为：X＝tp^T；其解为：p^T＝t^TY/(t^Tt)

式中，X代表吸光度矩阵，Y代表浓度矩阵，t代表吸光度矩阵X的得分向量，p代表吸光度矩阵X的载荷向量。

b9)对载荷p归一化；

p^T＝p^T/||p^T||

式中，p代表吸光度矩阵X的载荷向量。

b10)标准化X的得分因子t

t＝t||p||

式中，p代表吸光度矩阵X的载荷向量，t代表吸光度矩阵X的得分向量。

b11)标准化权重向量w；

w＝w||p||

式中，w代表吸光度矩阵的权重向量，p代表吸光度矩阵X的载荷向量。

b12)计算t与u之间的内在关系b

b＝u^Tt/(t^Tt)

式中，t代表吸光度矩阵X的得分向量，u代表浓度矩阵Y的得分向量，b代表t与u之间的内在关系向量。

b13)计算残差阵E

E_X＝X-tp^T

E_Y＝Y-btq^T

式中，E_X为校正集面粉样本的光谱矩阵X的PLS拟合残差矩阵，E_Y为校正集面粉样本的浓度矩阵Y的PLS拟合残差矩阵，X代表吸光度矩阵，Y代表浓度矩阵，t代表吸光度矩阵X的得分向量，q代表浓度矩阵Y的载荷向量，b代表t与u之间的内在关系向量。

b14)以E_X代替E，E_Y代替Y，返回步骤b1)，以此类推，求出E、Y的主因子的w，t、p、u、q、b。

式中，E_X为校正集面粉样本的光谱矩阵X的PLS拟合残差矩阵，E_Y为校正集面粉样本的浓度矩阵Y的PLS拟合残差矩阵，X代表吸光度矩阵，Y代表浓度矩阵，w代表吸光度矩阵的权重向量，t代表吸光度矩阵X的得分向量，p代表吸光度矩阵X的载荷向量，u代表浓度矩阵Y的得分向量，q代表浓度矩阵Y的载荷向量，b代表t与u之间的内在关系向量。

针对步骤5)中建立校正模型，具体地，在实际检测中，用户可根据检测对象的数据特点，在二次开发中寻找确定最优参数，通过主动构建或调整得到针对具体检测对象的最佳模型，从而提高模型的检测精度。具体地，根据检测对象的光谱数据分布范围和被检测指标浓度值的分布范围来调整，使得参与建模的样本的浓度值分布包括浓度的最大值和最小值，以及最大值和最小值附近的值，为最佳参数。进一步地，建立模型后对模型进行评价时，针对模型评价的相关系数R²，如果R²较大，说明建立的模型较好，如果R^2较小，说明所建立的模型不好，需要重新选择合适的样本建模。

步骤5)建立校正模型后，还对所建立校正模型进行改进，得到改进后的校正模型，改进方法具体包括：剔除异常样本并针对检测对象的测量指标选择特征谱区。

步骤8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集食品样本的相应的组分参数进行检测；具体是：首先根据校正集面粉样本的光谱矩阵X的载荷矩阵P，通过上述过程b1)到b14)计算得到未知样本光谱阵X_未知的得分T_未知，然后由式5～式8得到浓度检测值。

Y_未知＝T_未知BQ      (式8)

式8中，B为T、U的线性回归矩阵；Q为Y矩阵的载荷矩阵；T_未知为未知样本光谱矩阵的得分矩阵；Y_未知为未知样本的浓度检测值。

不同的检测样本光谱矩阵X不同，浓度矩阵Y不同，所建立的偏最小二乘法的模型不同，模型参数不同，即线性回归矩阵B不同，浓度矩阵Y的载荷矩阵Q不同，根据式8可知，根据所建立的模型进行检测时的浓度检测值Y_未知也有所不同。

检测过程中，设定h为判定参数，x_un代表未知待测集样本光谱数据，f为主因子数，y_un代表检测值，t_h代表校正集吸光度矩阵X的因子得分，代表校正集吸光度矩阵X的权重向量的归一化后的结果，b_h代表因子得分t和浓度矩阵Y的得分矩阵u的内在关系，代表浓度矩阵Y的载荷值，代表校正集吸光度矩阵X的载荷值；通过式8，进一步地，对未知样本x_un的检测过程如下：

8.1)令h＝0,y_un＝0

8.2)设h＝h+1，并计算

$t_h=x_{\mathrm{um}}{w}_h^T$

$y_{\mathrm{un}}=y_{\mathrm{un}}+b_h{t}_h{q}_h^T$

$x_{\mathrm{un}}=x_{\mathrm{un}}-t_h{p}_h^T$

8.3)若h＜f，则转入步骤8.2)；否则，停止运算，最终得到的y_un即为检测值。

上述便携式近红外光谱食品建模与快速检测一体化方法，通过偏最小二乘方法，采用模型评价参数对所述校正模型进行评价。模型评价参数包括残差、校正标准偏差、交互验证的校正标准偏差、检测标准偏差或决定系数等。

在本发明实施例中，采用C#平台；便携式近红外光谱仪采用MicroNIR-1700近红外光谱仪；以MicroNIR-1700仪器扫描的面粉谱图为数据，采用偏最小二乘方法；检测的食品为面粉；其中，校正集面粉样本选用古船面粉公司提供的标准、低筋、富强、裹粉、家用、饺子、面包、麦心、雪花、鸭饼、军供等11类面粉；所述组分指标参数包括面粉的水分、灰分和面筋参数指标。

本发明还提供实现上述便携式近红外光谱食品建模与快速检测一体化方法的近红外光谱食品检测一体化系统，该一体化系统包括样本光谱数据采集模块、样本谱图预处理模块和模型建立与评价分析模块；样本光谱数据采集模块用于将样本的光谱数据采集到光谱仪缓存中；样本谱图预处理模块用于对样本光谱进行预处理；模型建立与评价分析模块针对检测的指标建立定量分析校正模型，通过定量分析校正模型对待测样本的组分含量进行测定。样本光谱数据采集模块包括光谱仪器的控制工具和光谱数据的管理工具；样本谱图预处理模块包括平滑处理工具、基线校正处理工具和波形变换处理工具；模型建立与评价分析模块包括偏最小二乘法处理工具。

在本发明实施例中，针对面粉检测建立面粉检测一体化系统；该面粉检测一体化系统采用偏最小二乘法建立定量分析模型，并对水分、灰分、面筋三种指标的含量进行检测分析，该面粉检测系统主要实现的功能有：

(1)通过程序控制，以数据线为载体，将电脑与近红外光谱仪MicroNIR-1700连接，连接的接口是USB接口，遵循USB通信协议，实现利用电脑控制仪器完成光谱采集功能。

(2)在windows系统下的测试系统中，实现文件的保存、另存为、数据采集、数据预处理以及模型评价分析功能。

(3)与古船面粉公司合作采集面粉样本，利用红外光谱仪MicroNIR-1700对面粉进行扫描获取光谱数据，并在测试系统中进行数据预处理，建立面粉的水分、灰分、面筋三大指标的偏最小二乘定量分析模型，并依据建立的模型对三大指标进行有效检测。

与现有技术相比，本发明的有益效果是：

现有针对食品的检测技术主要靠化学分析，化学分析方法存在受人为因素影响大、误差大、分析时间长、步骤繁琐、污染环境等缺点；而现有的光谱分析法大多受仪器提供的配套分析软件中固化模型的限制，在实际检测中，无法根据检测对象进行调整。本发明提供一种基于windows的便携式近红外光谱食品建模与快速检测一体化方法和一体化系统，通过对MicroNIR系列近红外光谱小型仪器进行二次软件开发，通过一体化方法实现对采集到的样本进行样本预处理分析、建立校正模型并进行检测分析，从而实现对未知样本的组分参数进行检测；采用的MicroNIR系列近红外光谱仪体积小，重量轻，为实现便携式在线检测提供了很好的基础。本发明采用光谱分析法对食品品质进行分析，不仅扫描分析速度快，而且能进行定量分析。本发明实施例对面粉进行检测，在检测分析前一般不需要对面粉进行化学处理，分析后不会产生化学、生物或电磁污染等，实现了面粉的无损检测分析；用于检测分析的仪器NIR1700的体积小，重量轻，便于携带。利用本发明提供的技术方案，用户可不受仪器提供的配套分析软件中固化模型的限制，在实际检测中，可根据检测对象的数据特点，主动构建合适的模型，并寻找确定最优参数，建立最佳模型，提高模型的检测精度。

附图说明

图1是本发明实施例提供的针对面粉的便携式近红外光谱食品建模与快速检测一体化方法的流程框图。

图2是本发明实施例提供的针对面粉的近红外光谱建模与快速检测一体化系统的组成结构框图。

图3是本发明实施例提供的针对面粉的近红外光谱建模与快速检测一体化系统中采用平滑方法对样本谱图数据进行预处理得到的结果示意图。

图4是本发明实施例提供的针对面粉的近红外光谱建模与快速检测一体化系统中采用基线校正方法对样本谱图数据进行预处理得到的结果示意图。

图5是本发明实施例提供的针对面粉的近红外光谱建模与快速检测一体化系统中采用波形变换方法对样本谱图数据进行预处理得到的结果示意图。

图6是本发明实施例提供的针对面粉的近红外光谱建模与快速检测一体化系统中模型评价的结果示意图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本实例采用美国JDSU公司一款商品化的小型近红外光谱仪MicroNIR-1700，该近红外光谱仪体积小，重量轻，但其配套软件只包含仪器控制和光谱采集功能，无法进行光谱检测分析。为了更好地进行测试分析，需要在硬件MicroNir-1700的基础上进行二次开发，建立近红外光谱分析系统，实现光谱数据采集、预处理、检测分析一体化，为进一步研究便携式光谱检测技术提供了借鉴。MicroNIR-1700光谱仪是专为手持式、便携式、以及嵌入式在线感应式等应用而设计的。在食品、农业、制药、环境以及石油化工等多个领域得到了广泛应用。MicroNIR-1700光谱仪是一款超紧凑、超轻便、低成本的近红外光谱仪，其核心分光原件是JDSU设计和制造的线性渐变滤光片(LVF,Linear Variable Filter)。JDSU MicroNIR-1700光谱仪是一个基于LVF的微型系统，其完整地集成了光源、集光元件、电子元件和基本操作软件等。LVF是一种特殊的带通滤光片，使用了JDSU先进的光学镀膜和制造技术，制作时特意向特定方向形成楔形镀层。由于通带的中心波长与膜层厚度相关，因此滤光片的穿透波长在楔形方向发生了线性变化，从而起到分光作用。将LVF与线阵InGaAs探测器耦合，组成了可以提供光谱信息的近红外传感器，可以广泛应用于商业、工业和科学领域。MicroNIR-1700近红外光谱仪在φ45×42mm的体积上集光源、滤光片和检测器等于一体，不需要任何移动部件，重量仅为60g。其中光源采用双集成真空钨灯，寿命为1.8万小时。检测器采用非制冷铟镓砷(InGaAs)二极管阵列检测器，探测器共有128像元，波长范围950-1650nm，分辨率为12.5nm，积分时间最小为100us。MicroNIR-1700近红外光谱仪采用USB供电，主机接口为USB2.0，最高速度达480Mb/s，仪器的控制和光谱数据的采集由控制终端上的软件触发，控制终端可采用笔记本电脑和基于android系统的平板电脑和手机，便于现场采样和实时测量。

本实施例是在MicroNIR-1700近红外光谱仪的基础上，在windows系统下进行二次开发实现近红外光谱面粉检测系统。近红外光谱面粉检测方法流程如图1所示，包括步骤：采集具有代表性的样本；测得样本的近红外光谱图；采用国家标准或权威的方法测得样本的组分浓度；选择有代表性的样本作为校正集；对校正集光谱进行预处理；运用偏最小二乘方法来建立校正模型；对所建校正模型进行改进得到准确、可靠、稳定的模型；对待测的未知样本的谱图进行预处理，并利用校正模型对未知样本的组分参数进行检测。近红外光谱面粉检测系统构成如图2所示，主要包括样本光谱数据采集模块、样本谱图处理模块和模型建立与评价分析模块。其中样本光谱数据采集模块主要负责光谱仪器的控制和光谱数据的管理，样本谱图处理模块采用平滑处理、基线校正以及波形变换算法，模型建立与评价分析模块采用偏最小二乘算法从而实现对采集到的光谱数据进行处理和分析。本实施例中，首先连接近红外光谱仪MicroNIR-1700和控制终端，控制终端为计算机(电脑)，通过控制终端控制近红外光谱仪，连接和控制操作包括：

a1)初始化红外光谱仪MicroNIR-1700

将近红外光谱仪通过数据线与电脑控制终端连接起来。光谱仪器驱动程序安装包中包含一系列控制仪器的接口函数，包括“FT_ListDevices”、“FT_OpenEx”、“FT_Write”和“FT_Read”等接口函数，通过调用这些函数可以实现对近红外光谱仪的控制功能。首先检测近红外光谱仪的连接状态，在电脑控制终端调用“FT_ListDevices”函数，其调用格式为FT_ListDevices(&numDevs,NMLL,FT_LIST_NUMBER_ONLY),其中numDevs为连接到电脑控制端的同类设备数，后面两个参数为常量。如果该函数返回值为0，则表示光谱仪器连接成功；如果函数返回值不为0，则表示设备没有连接成功，需要重新连接设备。光谱仪与电脑控制终端连接成功后，再次调用“FT_ListDevices”函数获取光谱仪器序列号、仪器版本和设备ID等信息，为光谱仪的打开做准备，此时的函数格式为FT_ListDevices(para1,para2,para3)，其中para1为连接到电脑终端控制的索引，通常为0；para2用于存放获得的设备信息如光谱仪系列号，para3与para2相对应。光谱仪的打开操作可以通过如下函数实现：FT_OpenEx(char*para1,flag,&handle)。其中参数para1可以是序列号、仪器版本或设备ID，此时flag与para1相对应。若设备打开成功，参数handle获得非零设备句柄值，否则handle仍为初始值0，当前设备不可用。光谱仪成功打开后，可以利用设备句柄进行光谱仪复位、获取光谱仪的分辨率、查询光谱仪校正信息等操作。此时，光谱仪初始化工作完成。

a2)控制光谱仪的光源

光谱仪上没有光源开关，光源的控制是通过向光谱仪发送命令实现的。首先必须打开光谱仪，获得设备句柄，然后调用“FT_Write”函数向光谱仪写入光源开与关的命令。调换函数参数格式为：FT_Write(para1,para2)，其中参数para1为设备句柄，para2为对应的光源开与关的命令值，光源打开操作设置参数para2为“L0”，关闭光源则设置参数para2为“L1”。

本发明实例是在C#平台上，以MicroNIR-1700仪器扫描的面粉谱图为数据，采用偏最小二乘算法进行了很好的验证，结果表明：偏最小二乘算法能够用于面粉的品质分析。

具体地，红外光谱面粉建模和检测方法包括如下步骤：

1)采集具有代表性的面粉样本，作为校正集面粉样本；

2)通过近红外光谱仪测得校正集面粉样本的近红外光谱数据。通过采集暗电流和参照光谱，计算得到校正集面粉样本的吸光度A的光谱图；根据式1、式2，在进行暗电流和参照光谱的采集操作之后，用户可以根据获得的被测样本的吸光度(A)的光谱图转化成透射率(T)的光谱图，为后面样本指标的测量奠定了基础。

$A=-\log \left(\frac{S_{\mathrm{\λ}}-D_{\mathrm{\λ}}}{R_{\mathrm{\λ}}-D_{\mathrm{\λ}}}\right)$   (式1)

$T=\frac{S_{\mathrm{\λ}}-D_{\mathrm{\λ}}}{R_{\mathrm{\λ}}-D_{\mathrm{\λ}}}$

                                           (式2)

式1～2中，S_λ、D_λ、R_λ分别代表波长λ处的样本原始光谱强度值、暗光谱强度值和参考光谱强度值。

3)通过化学分析方法测得校正集面粉样本的待测组分的浓度，作为相应组分指标参数的

浓度参考值；

4)对步骤2)获得的校正集面粉样本的近红外光谱数据进行预处理；

预处理样本的光谱图，针对样本谱图进行处理，样本的近红外光谱是由光谱仪采集，因为环境和其他因素影响，光谱中混入了其他无用信息，造成了近红外光谱的基线漂移和光谱的不重复。因此，在使用光谱数据建立校正模型时，必须滤掉光谱中无用的信息。

进行预处理是在建立校正模型之前通过光谱预处理滤掉光谱中的无用信息；现有技术广泛采用的谱图预处理方法有多种，本发明实例中光谱预处理算法主要有平滑、基线校正以及波形变换算法，用户能够根据原始光谱数据特点，选择相应的预处理算法；本实施列中建立模型前采用的预处理算法为波形变换算法。

被测样本的近红外光谱由被测样本的近红外特征光谱主导，但包含了噪声和各种外界干扰因素。噪声主要来自高频随机噪声、基线漂移、样本不均匀、光散射等。因此，要通过近红外光谱来分析样本的物质成分，应先进行光谱预处理，以便降噪、减少各种干扰的影响，简化后续建模处理运算过程，提高分析准确度。常用的谱图处理方法有平滑、基线校正以及波形变换。

a)平滑算法

由光谱仪得到的光谱信号中既含有有用信息，同时也叠加着随机误差，即噪声。信号平滑是消除噪声最常用的一种方法，其基本假设是光谱含有的噪声为零均随机白噪声，若多次测量取平均值能够降低噪声提高信噪比。常用的移动平均平滑法选择一个具有一定宽度的平滑窗口(2ω+1)，每个窗口内有奇数个波长点，用窗口内中心波长点k及前后w点处测量值的平均值代替波长点的测量值，自左至右依次移动k，完成对所有点的平滑。

$x_{k,\mathrm{smooth}}={\stackrel{\‾}{x}}_k=\frac{1}{2\mathrm{\ω}+1}\underset{i=-\mathrm{\ω}}{\overset{+\mathrm{\ω}}{\mathrm{\Σ}}}{x}_{k+i}$   (式101)

式101中，k代表波长点数，2ω+1代表窗口宽度，x_k,smooth代表波长点为k时平滑处理后的结果。

采用移动平均平滑法时，平滑窗口宽度是一个重要的参数，若宽度太小，平滑去噪效果将不佳，若窗口宽度太大，进行简单求均值运算，会在对噪声进行平滑的同时也将平滑掉有用信息，造成光谱信号的失真。图3表示该测试系统中的平滑处理后的结果，横坐标代表波长，单位为nm，纵坐标代表平滑处理后的吸光度，单位为％。

b)基线校正算法

所谓基线校正，就是将吸光度光谱的基线认为地拉回到0基线上，在进行基线校正之前，通常将光谱转换成吸光度光谱。同时也可以对透射率光谱进行基线校正，校正后的光谱基线与100％线重合。

不管是用投射法测得的红外光谱，还是用红外附件测得的光谱，其吸光度光谱的基线不可能处处都在0基线上。采用卤化物压片法测得的光谱，由于颗粒研磨得不够细，压出来的锭片不够透明而出现红外光散射现象，使光谱的基线出现倾斜。采用糊状法或者液膜法测定投射光谱时，在采集背景光谱的光路中如果没有放置相同厚度的晶片，测得的光谱基线会向上漂移，这是因为晶片不是100％透光的，同时用红外显微镜或者其他红外附件测定光谱还会出现干涉条纹，对于出现基线倾斜、基线漂移和干涉条纹的光谱，都需要进行基线校正。

在此发明中，采用位移校正法进行基线校正，主要是通过从每条光谱中减去前几个波长点吸光度的平均值，主要是用于基线校正的平移。位移校正并没有改变原来光谱的形状，只是将各光谱平移到基线为0的附近。位移校正的公式如下：

$x_{\mathrm{ij},0}=x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_{i,j-5}$       (式102)

式102中，x_ij,0代表校正后的值，x_ij代表原始数据，代表前5个波长点吸光度的平均值。图4说明该测试系统中基线校正后的结果，横坐标代表波长，单位为nm，纵坐标代表校正后的吸光度，单位为％

c)波形变换

在美国JDSU公司推出的近红外光谱仪MicroNIR-1700基础上采集的原始光谱数据的横坐标为波长，纵坐标为透射率。在对光谱数据进行定量或定性分析过程中，为了提高模型的精度，通常采用波数为横坐标，吸光度为纵坐标。为了进一步提高模型精度，更加直观的观察分析光谱数据，该测试系统能够对原始的光谱数据根据用户需求进行波形变换。波形变换公式如下。

吸光度公式：

$A=\log \left(\frac{I_0}{I_1}\right)$          (式103)

式103中，A代表吸光度，I₀入射光强度，I₁代表透射光强度。代表光谱的透射率。

波数变换公式：

$v=\frac{10^7}{\mathrm{\λ}}$            (式104)

式104中，ν代表波数，λ代表波长。

该测试系统中波形变换结果如图5所示，横坐标代表波数，单位为cm-1，纵坐标代表透射率，单位为10000％。

5)利用步骤2)得到的校正集面粉样本的待测组分的浓度和步骤4)得到的进行预处理后的校正集面粉样本的近红外光谱数据，针对需要检测的组分指标参数，通过偏最小二乘方法建立校正模型；然后针对检测的指标建立校正模型，通过校正模型对待检测样本的组分含量进行测定；

建立较为稳定的定量分析模型，其定量分析的步骤基本是一致的。其步骤是：(1)采集有效样本，用国标法测量样本化学成分的标准值；(2)采集样本的光谱信息，并选择有代表性的样本作为校正集；(3)根据已知的化学值和光谱图并结合化学计量学的方法建立定量校正模型；(4)对校正模型进行检验和改进；(5)根据建好校正模型对待测样本的组分含量进行测定。

本发明采用化学计量学方法(偏最小二乘法)建立定量分析校正模型，步骤5)通过偏最小二乘方法建立得到校正模型，具体包括：

偏最小二乘法在分解光谱矩阵X的同时考虑了浓度矩阵Y的影响，同时消除了X阵和Y阵的无用噪声信息。

针对校正集面粉样本的近红外光谱数据，首先对光谱矩阵X和浓度矩阵Y进行分解：

$Y={\mathrm{UQ}}^T+E_Y=\underset{k=1}{\overset{f}{\mathrm{\Σ}}}{u}_k{q}_k^T+E_Y$       (式4)

$X={\mathrm{TP}}^T+E_X=\underset{k=1}{\overset{f}{\mathrm{\Σ}}}{t}_k{q}_k^T+E_X$        (式5)

式4～5中，T为校正集面粉样本的光谱矩阵X的得分矩阵；U为校正集面粉样本的浓度矩阵Y的得分矩阵；E_X为校正集面粉样本的光谱矩阵X的PLS拟合残差矩阵；E_Y为校正集面粉样本的浓度矩阵Y的PLS拟合残差矩阵；Q为校正集面粉样本的浓度矩阵Y的载荷矩阵；P为校正集面粉样本的光谱矩阵X的载荷矩阵。t_k(n×1)为吸光度矩阵X的第k个主因子的得分；p_k(1×m)为吸光度矩阵的第k个主因子的载荷；u_k(n×1)为浓度阵Y的第k个主因子的得分；q_k(1×p)为浓度阵Y的第k个主因子的载荷；f为主因子数。

然后对T和U做线性回归：

U＝TB                  (式6)

B＝(T^TT)^-1T^-1Y            (式7)

式6～7中，U为浓度矩阵Y的得分矩阵；T为光谱矩阵X的得分矩阵；B为T、U的线性回归矩阵。

具体地，对于式4和式5，忽略残差矩阵E，设定t_k(n×1)为吸光度矩阵X的第k个主因子的得分；p_k(1×m)为吸光度矩阵的第k个主因子的载荷；u_k(n×1)为浓度阵Y的第k个主因子的得分；q_k(1×p)为浓度阵Y的第k个主因子的载荷；f为主因子数；当取主因子数f为1时：

对X＝tp^T，左乘t^T得：p^T＝t^TX/(t^Tt)；右乘p得：t＝Xp/(p^Tp)；对Y＝uq^T，左乘u^T得：q^T＝u^TY/(u^Tu)；两边同除以q^T得：u＝Y/q^T；所以，t_k(n×1)、p_k(1×m)、u_k(n×1)、q_k(1×p)的初始值只有一列；通过偏最小二乘方法建立得到校正模型的方法具体包括过程b1)～b14)：

b1)求吸光度阵X的权重向量w

取浓度阵Y的某一列作为u的起始迭代值，以u代替t，计算w

方程为：X＝uw^T；其解为：w^T＝u^TX/(u^Tu)

式中，X代表吸光度矩阵，w代表吸光度矩阵的权重向量，u代表浓度矩阵Y的得分向量。

b2)对权重向量w归一化

w^T＝w^T/||w^T||

式中，w代表吸光度矩阵的权重向量。

b3)求吸光度阵X的因子得分t，由归一化后w计算t

方程为：X＝tw^T，其解为：t＝Xw/(w^Tw)

式中，X代表吸光度矩阵，w代表吸光度矩阵的权重向量，t代表吸光度矩阵X的得分向量。

b4)求浓度阵Y的载荷q值，以t代替u，计算q

方程为：Y＝tq^T，其解为：q^T＝t^TY(t^Tt)

式中，Y代表浓度矩阵，t代表吸光度矩阵X的得分向量，q代表浓度矩阵Y的载荷向量。

b5)对载荷q归一化

q^T＝q^T/||q^T||

式中，q代表浓度矩阵Y的载荷向量。b6)求浓度阵Y的得分u，由q^T计算u

方程为：Y＝uq^T；其解为：u＝Yq/(q^Tq)

式中，Y代表浓度矩阵，q代表浓度矩阵Y的载荷向量，u代表浓度矩阵Y的得分向量。

b7)再以此u代替t返回第b1)步计算w^T，由w^T计算得到t_新，如此反复迭代，若t已收敛，即(||t_新-t_旧||≤10^-6||t_新||)，转入步骤b8)计算，否则返回步骤b1)；

式中，u代表浓度矩阵Y的得分向量，t代表吸光度矩阵X的得分向量，w代表吸光度矩阵的权重向量。

b8)由收敛后的t求吸光度阵X的载荷向量p；

方程为：X＝tp^T；其解为：p^T＝t^TY/(t^Tt)

式中，X代表吸光度矩阵，Y代表浓度矩阵，t代表吸光度矩阵X的得分向量，p代表吸光度矩阵X的载荷向量。

b9)对载荷p归一化；

p^T＝p^T/||p^T||

式中，p代表吸光度矩阵X的载荷向量。

b10)标准化X的得分因子t

t＝t||p||

式中，p代表吸光度矩阵X的载荷向量，t代表吸光度矩阵X的得分向量。

b11)标准化权重向量w；

w＝w||p||

式中，w代表吸光度矩阵的权重向量，p代表吸光度矩阵X的载荷向量。

b12)计算t与u之间的内在关系b

b＝u^Tt/(t^Tt)

式中，t代表吸光度矩阵X的得分向量，u代表浓度矩阵Y的得分向量，b代表t与u之间的内在关系向量。

b13)计算残差阵E

E_X＝X-tp^T

E_Y＝Y-btq^T

式中，E_X为校正集面粉样本的光谱矩阵X的PLS拟合残差矩阵，E_Y为校正集面粉样本的浓度矩阵Y的PLS拟合残差矩阵，X代表吸光度矩阵，Y代表浓度矩阵，t代表吸光度矩阵X的得分向量，q代表浓度矩阵Y的载荷向量，b代表t与u之间的内在关系向量。

b14)以E_X代替E，E_Y代替Y，返回步骤b1)，以此类推，求出E、Y的主因子的w，t、p、u、q、b。

用交互检验法确定最佳主因子数f。

针对不同的检测样本，建立的模型参数也有所不同。具体体现在：不同的检测样本的光谱矩阵X和浓度矩阵Y有所不同，根据步骤b1)至步骤b14)所求得的E、Y的主因子的w，t、p、u、q、b参数也不同，从而导致模型的线性回归矩阵B不同。因此，针对不同的检测样本建立偏最小二乘法模型时，模型参数不同，得到的校正模型也有所不同。

6)对待测集面粉样本，通过近红外光谱仪测得近红外光谱数据；

7)对待测集面粉样本的近红外光谱数据进行光谱预处理；

8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集面粉样本的相应的组分参数进行检测，得到待测集面粉样本待测组分浓度检测值。

在对待测集面粉样本的相应的组分参数进行检测，得到待测集面粉样本待测组分浓度检测值之后，对模型进行评价分析。

步骤8)进行检测，具体是：首先根据校正集面粉样本的光谱矩阵X的载荷矩阵P，通过上述过程b1)到b14)计算得到未知样本光谱阵X_未知的得分T_未知，然后由式5～式8得到浓度检测值。

Y_未知＝T_未知BQ       (式8)

式8中，B为T、U的线性回归矩阵；Q为Y矩阵的载荷矩阵；T_未知为未知样本光谱矩阵的得分矩阵；Y_未知为未知样本的浓度检测值。

不同的检测样本光谱矩阵X不同，浓度矩阵Y不同，所建立的偏最小二乘法的模型不同，模型参数不同，即线性回归矩阵B不同，浓度矩阵Y的载荷矩阵Q不同，根据式8可知，根据所建立的模型进行检测时的浓度检测值Y_未知也有所不同。

检测过程中，设定h为判定参数，x_un代表未知待测集样本光谱数据，f为主因子数，y_un代表检测值，t_h代表校正集吸光度矩阵X的因子得分，代表校正集吸光度矩阵X的权重向量的归一化后的结果，b_h代表因子得分t和浓度矩阵Y的得分矩阵u的内在关系，代表浓度矩阵Y的载荷值，代表校正集吸光度矩阵X的载荷值；通过式8，进一步地，对未知样本x_un的检测过程如下：

8.1)令h＝0,y_un＝0

8.2)设h＝h+1，并计算

$t_h=x_{\mathrm{um}}{w}_h^T$

$y_{\mathrm{un}}=y_{\mathrm{un}}+b_h{t}_h{q}_h^T$

$x_{\mathrm{un}}=x_{\mathrm{un}}-t_h{p}_h^T$

8.3)若h＜f，则转入步骤8.2)；否则，停止运算，最终得到的y_un即为检测值。

本实施例采用化学计量学方法(偏最小二乘法)建立校正模型，采用模型评价参数对模型进行评价。模型评价参数：模型的建立和验证过程需要用到一些统计参数来对模型进行评价。模型评价参数包括残差、校正标准偏差、交互验证的校正标准偏差、检测标准偏差和决定系数等。

残差(d)：残差为第i个样本的检测值与实际测定值的差值，表达式为

d_i＝y_i,predicted-y_i,actual              (式9)

式9中，d_i代表第i个样本的残差，y_i,predicted代表第i个样本的检测值，y_i,actual代表第i个样本的真值。

校正标准偏差(RMSEC):

$\mathrm{RMSEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{actual}}-y_{i,\mathrm{predicted}})}^2}{n-1}}$          (式10)

式10中，RMSEC代表校正标准偏差，y_i,predicted代表第i个样本的检测值，y_i,actual代表第i个样本的真值，n为校正集样本数。

RMSEC越小，所建模型回归的越好，但是如果RMSEC过小，则在校正过程中可能出现过拟合现象。

交互验证的校正标准偏差(RMSECV)：

$\mathrm{RMSECV}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{actual}}-y_{i,\mathrm{predicted}})}^2}{n-1}}$           (式11)

式11中，RMSECV代表交互验证的校正标准偏差，y_i,predicted代表第i个样本的检测值，y_i,actual代表第i个样本的真值，n为校正集样本数。

检测标准偏差(RMSEP)：

$\mathrm{RMSEP}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{actual}}-y_{i,\mathrm{predicted}})}^2}{m-1}}$             (式12)

式12中，RMSEP代表检测标准偏差，y_i,predicted代表第i个样本的检测值，y_i,actual代表第i个样本的真值，n为校正集样本数，m代表待测集样本数。通常RMSEP的值越小，所建模型的检测能力越强，表示结果越准确。

决定系数(R²)：

$R^2=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{actual}}-y_{i,\mathrm{predicted}})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{actual}}-{\stackrel{\‾}{y}}_{\mathrm{actual}})}^2}$         (式13)

式13中，R²代表决定系数，y_i,predicted代表第i个样本的检测值，y_i,actual代表第i个样本的真值，n为校正集样本数。在浓度范围相同的前提下，R越接近于1，回归或检测结果应越好。R²值的大小与待测性质的分布范围关系极大，对于分布范围很宽的性质，R值有可能接近1，但准确性较差。

本实施例的模型评价结果如图6所示，横坐标为面粉水分的真值，单位为％；纵坐标代表水分含量的检测值，单位为％。当检测值接近或等于真值时，说明检测的准确性较高，图6中所有的点都应均匀地分布在图中斜线的两侧。

本发明实施例中，以古船面粉公司提供的标准、低筋、富强、裹粉、家用、饺子、面包、麦心、雪花、鸭饼、军供共11类面粉为采集样本，其中，水分的含量范围为11.7％～16.2％，灰分的含量范围为0.42％～2.75％，面筋的含量范围为21.8％～40.4％，利用红外光谱仪MicroNIR-1700对面粉样本进行扫描获取光谱数据，并在测试系统中进行数据预处理，建立面粉的水分、灰分、面筋三大指标的偏最小二乘定量分析校正模型，

面粉建立校正模型的光谱矩阵为X_校正，其得分矩阵为T_校正。未知面粉待测集的光谱矩阵为X_待测，其得分矩阵为T_待测，水分的浓度矩阵为Y_水分，灰分的浓度矩阵为Y_灰分，面筋的浓度矩阵为Y_面筋，Y_水分的得分矩阵为U_水分，载荷矩阵为Q_水分，Y_灰分的得分矩阵为U_灰分，载荷矩阵为Q_灰分，Y_面筋的得分矩阵为U_面筋，载荷矩阵为Q_面筋，T_校正和得分矩阵为U_水分的线性矩阵为T_水分，T_校正和得分矩阵为U_灰分的线性矩阵为T_灰分，T_校正和得分矩阵为U_面筋的线性矩阵为T_面筋，则针对面粉的三大品质水分、灰分、面筋的建模模型B及检测模型Y分别是：

B_水分＝(T_校正 ^TT_校正)^-1T_校正 ^-1Y_水分，Y_水分检测＝T_待测B_水分Q_水分；

B_灰分＝(T_校正 ^TT_校正)^-1T_校正 ^-1Y_灰分，Y_灰分检测＝T_待测B_灰分Q_灰分；

B_面筋＝(T_校正 ^TT_校正)^-1T_校正 ^-1Y_面筋，Y_面筋检测＝T_待测B_面筋Q_面筋；

依据建立的模型对三大指标进行检测，结果为：水分、灰分、面筋的内部交叉验证相关系数R²分别为：0.979、0.975、0.935，内部交叉验证的标准差RMSECV为0.114、0.0241、0.4645，检测相关系数R²为0.99、0.99、0.99，检测标准差RMSEP分别为0.04、0.01、0.14。本实施例以MicroNIR-1700仪器扫描的面粉谱图为数据，采用偏最小二乘算法进行了很好的验证，结果表明：偏最小二乘算法能够用于面粉的品质分析。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种便携式近红外光谱食品建模与快速检测一体化方法，所述一体化方法是在windows系统下对便携式近红外光谱仪进行二次开发，首先通过校正集食品样本的组分指标参数的浓度参考值和近红外光谱数据建立食品检测校正模型，再通过校正模型对待测集的未知食品样本的组分参数进行检测，得到未知食品样本的待测组分浓度检测值；在进行检测中可通过调整模型参数，得到针对具体检测食品对象的最佳检测校正模型；依次包括如下步骤：

1)采集具有代表性的食品样本，作为校正集食品样本；

2)通过便携式近红外光谱仪测得校正集食品样本的近红外光谱数据；

3)通过化学分析方法测得校正集食品样本的待测组分的浓度，作为相应组分指标参数的浓度参考值；

4)对步骤2)获得的校正集食品样本的近红外光谱数据进行预处理；

5)利用步骤3)得到的校正集食品样本的待测组分的浓度和步骤4)得到的进行预处理后的校正集食品样本的近红外光谱数据，针对需要检测的组分指标参数，通过偏最小二乘方法建立校正模型；

6)对待测集食品样本，通过便携式近红外光谱仪测得近红外光谱数据；

7)对步骤6)获得的待测集食品样本的近红外光谱数据进行光谱预处理；

8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集食品样本的相应的组分参数进行检测，得到待测集食品样本的组分浓度检测值。

9)采用模型评价参数对所述校正模型进行评价；所述模型评价参数包括残差、校正标准偏差、交互验证的校正标准偏差、预测标准偏差或决定系数。

2.如权利要求1所述便携式近红外光谱食品建模与快速检测一体化方法，其特征是，所述二次开发首先通过数据线连接便携式近红外光谱仪和计算机控制终端，通过计算机控制终端控制便携式近红外光谱仪，便携式近红外光谱仪的控制和光谱数据的采集由控制终端上二次开发的软件触发；所述二次开发在C#平台上进行。

3.如权利要求1所述便携式近红外光谱食品建模与快速检测一体化方法，其特征是，所述便携式近红外光谱仪为MicroNIR系列近红外光谱仪。

4.如权利要求1所述便携式近红外光谱食品建模与快速检测一体化方法，其特征是，步骤2)或步骤7)所述光谱预处理具体是通过采用平滑方法、基线校正方法或波形变换方法对食品样本的近红外光谱图进行预处理。

5.如权利要求1所述便携式近红外光谱食品建模与快速检测一体化方法，其特征是，所述在进行检测中可通过调整模型参数，得到针对具体检测食品对象的最佳检测校正模型，具体地，针对步骤5)中建立的校正模型，在实际检测中，根据检测对象的光谱数据分布范围和被检测指标浓度值的分布范围来调整模型参数，使得参与建模的样本的浓度值分布包括浓度值的最大值、最小值和最大值和最小值附近的值，从而获得最佳校正模型。

6.如权利要求1所述便携式近红外光谱食品建模与快速检测一体化方法，其特征是，步骤9)采用决定系数R²对校正模型进行评价；如果R²较小，重新选择合适的样本，从步骤1)开始重新建立校正模型。

7.如权利要求1所述便携式近红外光谱食品建模与快速检测一体化方法，其特征是，检测食品为面粉；检测的组分指标参数包括面粉的水分、灰分和面筋参数指标。

8.利用权利要求1～7任一所述便携式近红外光谱食品建模与快速检测一体化方法实现的近红外光谱食品建模与检测一体化系统，包括样本光谱数据采集模块、样本谱图预处理模块和模型建立与评价分析模块；所述样本光谱数据采集模块用于将样本的光谱数据采集到光谱仪缓存中；所述样本谱图预处理模块用于对样本光谱进行预处理；所述模型建立与评价分析模块针对检测的指标建立定量分析模型，通过定量分析模型对预测样本的组分含量进行测定。

9.如权利要求8所述近红外光谱食品检测系统，其特征是，所述本光谱数据采集模块包括光谱仪器的控制工具和光谱数据的管理工具。

10.如权利要求8所述近红外光谱食品检测系统，其特征是，所述样本谱图预处理模块包括平滑处理工具、基线校正处理工具或一阶导数法处理工具；所述模型建立与评价分析模块包括偏最小二乘法处理工具。