近红外光谱仪饲料解决方案

近红外光谱原理

1. 近红外光谱图:

横坐标：吸收波长(l)或波数(n) 。吸收峰位置。

纵坐标：透过率(T%)或吸光度(A)。吸收峰强度

近红外谱区内的信息主要是分子内部原子间震动的倍频与合频的信息

2. 谱图特征:

a) 重叠严重，官能团的倍频峰、合频峰叠加在一起，形成宽峰。

b) 吸收系数低。

c) 必须采用化学计量学，依赖计算机从谱图中提取信息。

3. 近红外光谱的吸收

a) NIR区域官能团振动的合频和倍频带，包括的官能团有：C-H, N-H, O-H, S-H, C=O, C=C

b) 倍频的吸收系数比中红外区域基频的吸收要弱20 – 50倍。

4. 近红外技术的优点

a) 速度快(响应时间以秒计算)

b) 不需要样品预处理——在样品上直接测量,操作简单

c) 非破坏性测量，不损坏样品

d) 适合所有样品类型——固体，液体，浆体，糊状，胶体，气体

e) 一张光谱同时分析得到多个指标的分析数据

f) 能够测试物理和化学数据，也可以做定性分析和定量分析

5. 近红外光谱仪预测特点

a) 是一种二级分析方法

b) 需要建立预测模型

c) 预测模型的建立离不开湿化学方法测得一级数据

6. 近红外分析的准确性

a) 近红外预测值的准确性依赖于湿化学方法的准确性

b) 近红外光谱分析是通过采用多元校正方法建立近红外光谱与被测性质之间的定量关系，这种关系的确定建立在统计回归和误差理论的基础上。

c) 近红外光谱分析模型是回归的结果，根据统计学理论,在模型适用范围内,NIR测定的结果更精确,更接近于真值。

由图1可以看出，光谱一致性较好，成品饲料有良好的光谱吸收，并在近红外谱图中含有大量与成品饲料指标的相关有效信息。因此，使用Unity近红外光谱技术检测成品饲料和原料的方案是完全可行的。

NIR使用方案

1. 根据检测需求，为您制定两个检测模型包，包含饲料原料模型包和成品饲料模型包，初步建立统计模型如下列表。

以上两个模型包是根据目前所掌握信息制定，可根据客户需求添加。

2. 建模样品的准备

1)每个模型需要选择一定个数的样品，来建立一个初步的模型。

根据客户样品的类型和不同状况，初步建模的数量不定。一个好的模型，样品量越大越好，选择样品的个数可在后期边使用边添加，模型准确度也会越来越高。

2)建模时与后期使用时，样品状态前后要一致性。

样品状态也可以看做样品的背景信息，前后样品的背景不一致，会导致预测误差偏大。

3)样品的湿化学方法所得一级数据准确性好。

近红外仪器预测结果是统计学回归理论基础上得出的，一级数据的不准确必然使得回归模型不准确，进而导致预测结果不准确。

4)建模样品各指标的梯度广。

建模时样品指标的梯度是根据客户在使用中指标范围来定的，比如指标蛋白质范围在16%-20%，那么模型中蛋白质的范围要大于16%-20%，才能有效的保证了预测范围永远在模型之内。

5)指标值范围内的样品个数要均匀。

在正态分布图里，指标的范围之内，样品个数尽量是均匀分布的，这样对模型预测准确度也会提高。

3.技术服务承诺

终身免费技术咨询和模型维护工作。