近红外光谱分析技术

近红外光谱定量分析的流程与步骤
近红外光谱仪器的主要类型
• 滤光片型 • 色散型 • 傅立叶变换型 • 声光可调滤光型 • 其中傅立叶变换型近红外光谱仪与其它类型仪器相比， 具有信噪比高、分辨率高、波长准确且重复性好、稳 定性好等优点，往往作为研究性仪器的首选。
近红外光谱技术的应用
• • • • • • 农业与食品行业 石油化工工业 制药工业 烟草与纺织行业 生物医学领域 ……
分析谱区的选定
• 近红外光谱定量分析数学模型所包含的谱区（光谱的 数据点）一般应根据样品的特点而选定；增加谱区的 范围就可以增加对光谱信息采集的范围，即提高信息 量；但因为每个光谱的数据点也包含了测量误差，因 此数学模型所利用的数据点越多，则包含的测量误差 也越大，为了减少近红外光谱中某些信息量小、失真 大的部分谱区，以避免这些谱区的测量误差影响数学 模型的稳定性，需要选择建立数学模型所用的谱区。 通常可以对谱图进行方差处理，光谱变化最明显的区 域即是光谱信息最丰富的区域，也就是最为有效的光 谱范围
样品中各待测成分化学值的测定
• 采用经典化学分析方法对各待测组分含量进行测定， 这些值测定的精确度是近红外光谱运用数学模型进行 定量分析精确度的关键。
剔除异常值
• 由上述 ① 、② 环节测定的校正样品集中样品的光谱 与化学值，有可能由于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。这些失真的样品， 若包含在校正校品集中，就会影响所建数学模型的可 靠性，因此在建立模型时应当剔除这些异常值。
样品近红外谱图的扫描
• 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。
谱图的预处理
• 针对样品的要求对光谱进行适当的处理，最大限度地 减弱各种非目标因素对光谱的影响净化图谱信息，为 建立校正模型及预测未知样品作好前期准备
• PCA-马氏距离法是基于类模型基础上的有监督的模式 识别方法，该法基于以下假设：同一类样本具有相似 的特征，在一定的特征空间内，属于同一类的样本就 会聚集在某一特定的空间区域，而对于不同类的样本， 则分布在不同的区域，通过主成分分析法分别针对训 练集中的每类样本建立类模型。类模型建好后，对实 验集中的样本，计算其到各类模型的马氏距离，根据 马氏距离判别该样本属于某一已知类，或同时属于某 几个已知类，或归于新类。
近红外光谱分析技术
什么是近红外光
• 近红外光（Near infrared，NIR）是介于可见光(VIS)和 中红外（MIR)之间的电磁波。 • 近红外光谱区的波长范围为780nm～2500nm，习惯上 又将近红外区分为近红外短波区（780nm～1100nm） 和近红外长波区（1100nm～2500nm）。
建立模型
• 可以采用多元线性回归（MLR）、主成分回归（PCR）、 偏最小二乘回归(PLS)、人工神经网络（ANN）、和拓扑 （TP）等近红外光谱定量分析中常用的校正方法将红外 谱图与组分的化学测定值相关联建立定量分析模型。
检验与评价模型
• 内部交叉证实的方法是评价确定数学模型的一种有效 方法。这种方法是每次从校正样品集中提出一个样品， 然后用剩余的样品建立数学模型，并用数学模型预测 原来提出的这个样品，作为对数学模型的检验。反复 进行上述步骤，直至校正样品集中的每个样品都被预 测检验过一次为止。为了评价数学模型，将内部交叉 证实时用数学模型预测计算的校正集中各样品的化学 值与各样品的实际值作线性相关，计算相关系数和校 正标准差，并用相关系数与校正标准差来评价数学模 型的预测效果。相关系数越接近 1 、校正标准差越小， 则证明模型的准确度越高。
在物体表面或内部发生的方向不定的反射。
近红外光谱分析技术
• 定性分析 •性分析方法主要有建库判别、聚 类分析、马氏距离聚类分析、模式识别和人工
神经网络等
• 在模式识别运算时需要有一组用于计算机“学习”的 样品集，通过计算机运算，得出学习样品在数学空间 的范围，对未知样品运算后，若也在此范围内，则该 样品属于学习样品集类型，反之则否定。 • 聚类运算时不需学习样品集，它通过待分析样品的光 谱特征，根据光谱近似程度进行分类。
近红外光谱定量分析的八个环节
• • • • • • • • （1）样品的选择 （2）样品近红外谱图的扫描 （3）谱图的预处理 （4）样品中各待测成分化学值的测定 （5）剔除异常值 （6）分析谱区的选定 （7）建立模型 （8）检验与评价模型
样品的选择
• 在选择样品时，要考虑样品组分含量和梯度，以及样 品的理化性质等因素，以提高定标效果，使定标模型 具有广泛的应用范围。此外，还应考虑样品的背景， 如水分含量、PH值等对定标模型的影响。同时，样品 数量的多少影响分析结果的准确性，数量太少不足以 反映被测样本群体的常态分布规律；数量太多，则增 加工作量。
原料鉴别 混合过程
反应过程检测
QC 实验室
终产物测定
近红外光谱分析技术的优缺点
• 优点： • （1）快速，通常30秒内就可给出分析结果，可进行在 • 线分析； • （2）制样简单；
• （3）信息量大，可同时测定多组分；
• （4）经定标建模后，无须用其他常规化学分析手段， • 不使用有毒有机 试剂，无污染；
近红外光谱测量的是分子中单个化学键的基频振动的倍 频和合频信息，主要是含氢基团（X＝C,N,O,S)
不同化合物基团在近红外区的吸收谱带
近红外光谱的常规分析方法
• 透射光谱法
• 反射光谱法
透射光谱法
• 透射光谱法就是把待测样品置于作用光（光源发出的 光）与检测器之间，检测器所检测到的分析光是作用 光通过样品体与样品分子相互作用后的光，若样品是
• 偏最小二乘回归(PLS) PLS方法是分别求出样品集光 谱矩阵和样品组分矩阵的主成分矩阵，将这两个矩阵 相关联，求其线性关系，用所建立的线形函数来预测 未知样品。1990年以后至今，该方法是世界上近红外 定量分析商品化软件中最流行的算法，完全取代了 MLR和PCR方法
• 人工神经网络（ANN）和拓扑（TP） ANN和TP在处 理模型的非线性问题上有一定的优势
• 噪音滤除 （1）平滑处理。主要去掉高频噪音对信号 的干扰，方法有傅立叶变换、奇异值分解、以及 Savitzky和Golay提出的卷积平滑方法等。（2）基线 校正。 扣除仪器背景或漂移对信号的影响，最常用 的方法是对光谱进行一阶或二阶微分处理
• 归一化处理 消除光程的变化或者样品的稀释等变化 对光谱响应产生的影响。标准归一化处理（SNV）是消 除光程变化较理想的方法，而多元散射校正技术（MSC） 则对样品粒径不均匀或测量容器不一致造成光谱响应 发生影响的有效手段。
• 用外部证实法检验和评价数学模型，可以检验数学模 型在时间空间上的稳定性。可以用另外一些独立的、 待测量已知的检验样品集，用数学模型预测检验集中 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，要求相关 系数越接近 1 、预测标准差越小，则模型的预测准确 度越高。 • 如果测定的样品在时间和空间条件上有一些新的变化， 原有的数学模型已不适合此新条件，则需重新建立有 代表性的校正样品集（可以在原有的样品集中增加一 些新的样品类型，以使新的校正样品集能代表新的类 型样品），然后再按照 ①－⑧环节对数学模型进行修 正与维护。
透明的真溶液，则分析光在样品中经过的路程一定，
透射光的强度与样品组分浓度由比耳定律决定。
反射光谱法
• 反射光谱分析时，检测器与光源置于待测样品的同一
侧，检测器检测到的分析光是光源发出的作用光投射
到物体后，以各种方式反射回来的光。物体对光的反 射分为规则反射光（镜面反射）与漫反射。规则反射 光指在物体表面按入射角等于反射角的反射定律发生 的反射。漫反射是光投向漫反射体（颗粒或粉末）后，
• （5）非破坏性分析，可实现产品的无损质量检测；
• （6）可使用光纤，从而可实现远程分析检测。
• 缺点： • （1）建立模型需要大量有代表性且化学值已知的样 • 品； • （2）模型需要不断的维护改进 ； • （3）近红外测定精度与参比分析精度直接相关，在参
•
比方法精度不够的情况下，无法得到满意结果。
定量分析
• 各种多元校正技术如多元线性回归（ MLR ）、 主成分回归（PCR）、偏最小二乘回归(PLS)、
人工神经网络（ ANN ）、和拓扑（ TP ）等方法
是近红外光谱定量分析中常用的校正方法
• 多元线性回归（MLR） MLR方法是从光谱中找出与某 种成分或指标相关显著的几个波长点的吸光度进行多 元回归得到标准方程，预测未知样品。该方法在1985 年以前普遍使用 • 主成分回归（PCR） PCR方法是先求出样品集光谱矩 阵的主成分矩阵和载荷矩阵，通过建立样品成分含量 矩阵与主成分矩阵的线性关系，用所建立的线形函数 来预测未知样品。该方法在1990年以前替代MLR方法 被广泛使用
近红外光谱谱区示意图
近红外光谱的产生
近红外光谱主要是由于分子的非谐振性使分子振动从基 态向高能级跃迁时产生的，有两种模式（伸缩振动和弯 曲振动）的分子能吸收近红外光
分 子 的 不 同 振 动 形 式
对 称 伸 缩 振 动 ---非 对 称 伸 缩 振 动 ---摇 摆 振 动 ---摇 摆 振 动 ---弯 曲 振 动 ---剪 切 振 动