[0001] 本发明涉及天然植物（如中药材、烟草）的光谱分析技术领域，涉及天然植物近红外光谱检测技术中作为光谱模型传递时转移集的标准样品，具体的说，是天然植物近红外模型传递的标准样品制备方法和应用。

[0002] 近年来，近红外光谱检测技术已广泛应用于多个领域。近红外光谱检测技术具有快速、无损、无污染、低成本的优点；其检测的基本原理是：根据一系列近红外光谱已知的定标样品建立一个稳健、准确、适应性强的光谱定量和定性的分析模型，然后将未知样品的光谱导入所建立的分析模型预测未知样品的相关性质。

[0003] 在近红外光谱检测的实际应用中，会将不止一台仪器用于收集光谱，如果直接将某台仪器（通常称为主机）上所建立的光谱模型直接用于另一台仪器（通常称为从机），根据从机的样品光谱预测未知样品的性质，这一过程称为模型传递。但由于仪器间或多或少存在着台间差异，造成不同仪器对同一样品的光谱响应不完全一致，使得近红外模型直接传递的结果有时不能满足分析精度的要求。这是因为不仅不同仪器的零部件会有细微差异，而且使用环境、温度、湿度的差异也会对不同仪器的光谱响应信号产生影响；因此，即使是同一企业生产的同种型号的多批次光谱仪，也难以保证对同一样品有完全相同的光谱响应值，这最终会影响模型传递的预测结果。为了校正不同仪器间测试样品光谱的差异，业内人士在研究和采用仪器间模型传递的校正方法。

[0004] 目前，不同仪器间光谱模型传递的校正方法主要有两种：一种是模型校正，一种是光谱校正。所述模型校正首先通过选择合适的预处理方法和筛选波长建立一个稳健的模型，然后校正模型的偏差和斜率，模型校正通常只适应于型号相同、仅在波长方向或者吸光度方向有微小差异或存在系统差异、差异是线性的情况。所述光谱校正是通过基于主机和从机所测标准样品的光谱建立一个函数关系，对从机光谱进行校正后，再采用主机所建立的光谱模型根据校正后的从机样品光谱去预测未知样本的性质。所述光谱校正的适应面更为广泛。对从机光谱的校正算法包括直接校正（DS）、分段直接校正（PDS）和Shenk’s算法等。但是，这类算法需要根据一组标准样品（数量在10～20个之间）在主机和从机上采集的光谱信息建立对从机光谱进行校正的函数。目前常用的做法是通过挑选一些样品作为标准样品进行从机光谱校正，这需要在不同用户间经常交换标准样品。在一些近红外光谱检测技术应用的比较成熟与广泛的领域，例如饲料、烟草行业的集团性公司内部进行标准样品的交换会比较容易实现和管理。但对于无隶属或关联关系的用户而言，交换标准样品会存在较多的麻烦，并且这种交换标准样品的做法会存在一些隐患，例如：标准样品丢失后需要重新寻找和筛选新的标准样品。对于中药材、烟草等天然植物而言，标准样品的性状随存放时间的长久会发生变化，长时间放置后容易吸潮、霉变甚至腐烂。以天然植物样品为标准样品时，标准品难以长期使用，需要定期更换。严格地说，主机和从机需要在相隔很短的时间内采集光谱以进行从机光谱的校正，以避免该光谱校正关系受标准样品性状变化的影响。

[0028] 以下介绍本发明天然植物近红外模型传递的标准样品制备的具体实施方式，提供4个制备实施例和4个应用实施例来解释制备和应用的情况，分析和验证本发明的天然植物近红外模型传递的标准样品的作用和功能。但是需要说明，本发明的实施不限于以下的实施方式。

[0029] 实施例1一种天然植物近红外模型传递的标准样品的制备方法，包含以下步骤：
（1）样品前处理
用于天然植物近红外模型传递的标准样品由含有烷基、羟基、醚基、羧基、醛基、羰基、苯基、胺基、亚胺基、卤代基、烯基、偶氮基官能团的物质混合而成，其中各类物质的质量百分比为：分析纯纤维素43%、分析纯淀粉43%、分析纯色素14%。

[0030] 所述分析纯纤维素含有羧甲基纤维素钠、羟乙基纤维素或乙基纤维素中的一种。

[0031] 所述分析纯淀粉采用可溶性淀粉。

[0032] 所述分析纯色素含有金胺O、苏丹Ⅳ、瑞士色素或金橙Ⅱ中的一种。

[0033] 配制样品前将所需分析纯纤维素、分析纯淀粉和分析纯色素分别置于研钵中磨碎，使之过80目筛，于60℃烘箱中烘2小时除去水分备用。

[0034] （2）制作天然植物近红外模型传递的标准样品将步骤（1）处理过的分析纯纤维素、分析纯淀粉和分析纯色素按上述质量百分比配制成6个组分不同的样品，分别置于涡旋仪上混匀，然后分别将各样品平铺于60℃烘箱中烘2小时，获得天然植物近红外模型传递的标准样品，之后取出放入密封瓶并保存于干燥器皿中备用。

[0035] 实施例2一种天然植物近红外模型传递的标准样品的制备方法，包含以下步骤：
（1）样品前处理
用于天然植物近红外模型传递的标准样品由含有烷基、羟基、醚基、羧基、醛基、羰基、苯基、胺基、亚胺基、卤代基、烯基、偶氮基官能团的物质混合而成，其中各类物质的质量百分比为：分析纯纤维素57%、分析纯淀粉29%、分析纯色素14%。

[0036] 所述分析纯纤维素含有羧甲基纤维素钠、羟乙基纤维素和乙基纤维素中的两种。

[0037] 所述分析纯淀粉采用可溶性淀粉。

[0038] 所述分析纯色素含有金胺O、苏丹Ⅳ、瑞士色素或金橙Ⅱ中的一种。

[0039] 配制样品前将所需分析纯纤维素、分析纯淀粉和分析纯色素分别置于研钵中磨碎，使之过80目筛，于60℃烘箱中烘2小时除去水分备用。

[0040] （2）制作天然植物近红外模型传递的标准样品将步骤（1）处理过的分析纯纤维素、分析纯淀粉和分析纯色素按上述质量百分比配制成6个组分不同的标准样品，具体操作同实施例1。

[0041] 实施例3一种天然植物近红外模型传递的标准样品的制备方法，包含以下步骤：
（1）样品前处理
用于天然植物近红外模型传递的标准样品由含有烷基、羟基、醚基、羧基、醛基、羰基、苯基、胺基、亚胺基、卤代基、烯基、偶氮基官能团的物质混合而成，其中各类物质的质量百分比为：分析纯纤维素63%、分析纯淀粉23%、分析纯色素14%。

[0042] 所述分析纯纤维素含有羧甲基纤维素钠和羟乙基纤维素。

[0043] 所述分析纯淀粉采用可溶性淀粉。

[0044] 所述分析纯色素含有金胺O、苏丹Ⅳ、瑞士色素或金橙Ⅱ中的一种。

[0045] 配制样品前将所需分析纯纤维素、分析纯淀粉和分析纯色素分别置于研钵中磨碎，使之过80目筛，于60℃烘箱中烘2小时除去水分备用。

[0046] （2）制作天然植物近红外模型传递的标准样品将步骤（1）处理过的分析纯纤维素、分析纯淀粉和分析纯色素按上述质量百分比配制成4个不同组成的标准样品，具体操作同实施例1。

[0047] 实施例4一种天然植物近红外模型传递的标准样品的制备方法，包含以下步骤：
（1）样品前处理
用于天然植物近红外模型传递的标准样品由含有烷基、羟基、醚基、羧基、醛基、羰基、苯基、胺基、亚胺基、卤代基、烯基、偶氮基官能团的分析纯纤维素和分析纯淀粉及分析纯色素按一定比例混合而成。

[0048] 所述标准样品组中分析纯纤维素质量与分析纯淀粉质量的比值为3:5保持不变，而分析纯色素质量百分比由10%以5%的梯度上升到40%。

[0049] 所述分析纯纤维素为微晶纤维素。

[0050] 所述分析纯淀粉为玉米淀粉。

[0051] 所述分析纯色素为苏丹Ⅳ。

[0052] 配制样品前将所需分析纯纤维素、分析纯淀粉和分析纯色素分别置于研钵中磨碎，使之过80目筛，于60℃烘箱中烘2小时除去水分备用。

[0053] （2）制作天然植物近红外模型传递的标准样品将步骤（1）处理过的分析纯纤维素、分析纯淀粉和分析纯色素按上述质量百分比配制成7个不同组成的标准样品，具体操作同实施例1。

[0054] 应用实施例1从实施例1-4制备的23个天然植物近红外模型传递的标准样品（参见图1）中选择16个样品用于银杏叶中银杏总黄酮含量预测时近红外光谱的校正。

[0055] （1）样品信息采用59个银杏叶样品，其质量分数范围为0.56%～1.25%。

[0056] （2）实验方法采集16个标准样品与59个银杏叶样品在两台近红外仪（分别是2011年、2013年购买的Thermo Fisher公司的ANTARISⅡ近红外光谱仪）上的4000～12000cm-1的光谱信息用于近红外模型的建立和检验，以其中的一台近红外仪为主机A，另一台近红外仪为从机B，在Matlab7.11（R2010b）上进行数据处理、建模和预测。

[0057] 采用多源散射校正（MSC）+二阶导的预处理方法对16个标准样品和59个银杏叶样品的光谱进行预处理，按“基于X-Y距离的样品选择方法”（“SPXY”——Sample set Partitioning based on joint X-Y distances）根据主机样品光谱和银杏叶黄酮含量筛选出前16个具有代表性的样品作为从机光谱校正的转移集，将前75%的样品作为建模集、将后25%的样品作为预测集，采用“分段直接校正算法”（PDS）根据样品确定的转移集或16个标样组成的转移集来校正从机光谱，采用偏最小二乘回归方法（PLSR）建立主机A的模型并分别根据主机A的预测集光谱和从机B的预测集光谱预测样品的黄酮含量。其中，PLSR中的潜变量个数（LV）用留一交叉验证的方法确定，为了减少参数不同对结果的影响，PDS中的窗口（windows）一律选择5。模型预测结果用均方根误差（RMSEP）、平均相对误差（MRE）来评价。

[0058] （3）模型传递结果基于近红外光谱对银杏叶中总黄酮含量的预测结果见表1。其中，A/A为以主机A的模型预测主机A的光谱，A/B为以主机A的模型预测从机B的光谱，包括未校正光谱、以自身样品为转移集校正后的光谱和以标准样品作为转移集校正后的光谱。

[0059] 表1. 基于近红外光谱对银杏叶中总黄酮含量的预测结果。

[0060] （4）应用实施例1的结果表明（参见图2）：以标准样品作为转移集的对银杏叶黄酮含量预测误差较不进行光谱校正时的预测误差明显减小，甚至优于主机光谱模型的预测结果和以样品作为转移集校正后的预测结果。

[0061] 应用实施例2从实施例1-4制备的23个天然植物近红外模型传递的标准样品中选择16个样品用于黄芩中黄芩苷含量预测时近红外光谱的校正。

[0062] （1）样品信息：采用72个黄芩样品，其质量分数范围为8.73%～16.04%。

[0063] （2）实验方法：（同应用实施例1）。

[0064] （3）模型传递结果基于近红外光谱对黄芩中黄芩苷含量的预测结果见表2。其中，A/A和A/B的含义同实施例1。

[0065] 表2. 基于近红外光谱对黄芩中黄芩苷含量的预测结果。

[0066] （4）应用实施例2的结果表明（参见图3）：标准样品作为转移集对黄芩苷的预测误差较不进行光谱校正时的预测误差明显减小，根据MRE值，其结果甚至优于单台仪器预测结果。

[0067] 应用实施例3从实施例1-4制备的23个天然植物近红外模型传递的标准样品中选择16个样品用于常春藤中常春藤皂苷C含量预测时近红外光谱的校正。

[0068] （1）样品信息：采用89个常春藤样品，其质量分数范围为2.03%～15.00%。

[0069] （2）实验方法：（同应用实施例1）。

[0070] （3）模型传递结果基于近红外光谱对常春藤中皂苷C含量的预测结果见表3。其中，A/A和A/B的含义同实施例1。

[0071] 表3.基于近红外光谱对常春藤中皂苷C含量的预测结果。

[0072] （4）应用实施例3的结果表明（参见图4）：标准样品作为转移集对常春藤皂苷C含量的预测误差较不进行光谱校正时的预测误差明显减小，而且标准样品为转移集时进行光谱校正的结果略优于以样品为转移集校正的结果。

[0073] 应用实施例4从实施例1-4制备的23个天然植物近红外模型传递的标准样品中选择16个样品用于烟草中总植物碱、总糖、还原糖、总氮、钾和水分含量预测时近红外光谱的校正。

[0074] （1）样品信息：采用86个烟草样品，其中，总植物碱、总糖、还原糖、总氮、钾和水分质量分数的范围分别为：1.01%～4.20%、14.42%～39.61%、13.45%～30.80%、1.36%～3.52%、0.86%～3.54%、
4.56%～12.90%。

[0075] （2）实验方法采集16个标准样品和86个烟草样品在两台近红外仪（分别是2011年、2013年购买的Thermo Fisher公司的ANTARISⅡ近红外光谱仪）上的3800～12000cm-1的光谱信息用于模型的建立和检验。以其中的一台近红外仪为主机A，将另一台近红外仪为从机B，在Matlab7.11（R2010b）上进行数据处理、建模和预测。预测烟草中不同的成分时选择最合适的预处理方式（原始光谱、MSC+二阶导、一阶导），SPXY筛选出转移集（前16个）、建模集（前65个）和预测集（后21个），光谱校正方法、建模方法和模型评价方法同实施例1。

[0076] （3）模型传递结果基于近红外光谱对烟草中总植物碱、总糖、还原糖、总氮、钾和水分含量的预测结果见表4。其中，A/A和A/B的含义同实施例1。

[0077] 表4. 基于近红外光谱对烟草中总植物碱、总糖、还原糖、总氮、钾和水分含量的预测结果。

[0078] （4）应用实施例4的结果表明（参见图5）：对于烟草总植物碱，以标准样品作为转移集时的预测误差较不进行光谱校正的预测误差明显减小，甚至优于主机光谱模型自身的预测结果。

[0079] 对于总糖，当不进行光谱校正直接根据从机光谱预测时，平均相对误差为5.43%，以标准样品作为转移集进行光谱校正后，模型传递的预测误差减小到4.36%。

[0080] 对于还原糖，当不进行光谱校正直接根据从机光谱预测时误差低于4%，与模型传递前预测结果相差不大，对从机光谱进行校正后预测误差反而增大，以标准样品作为转移集的预测误差和以自身样品作为转移集的预测误差相差不大。

[0081] 对于总氮，以标准样品作为转移集进行光谱校正后的预测误差较不进行光谱校正直接预测从机光谱的预测误差明显减小，甚至优于主机光谱模型自身的预测结果和以自身样品作为转移集的预测结果。

[0082] 最后，需要说明的是：本发明的实施例虽然采用的是Thermo Fisher公司的AntarisII 近红外仪，但是，这并不表明本发明的方法和标准样品只适应于采用该公司的该款机型，其他公司生产的性能类似的近红外仪也可采用。此外，本发明的实施例以烟草、银杏叶、常春藤、黄芩等天然植物作为标准样品进行说明和验证，这也并不表明本发明的方法只适合于这些植物，采用本发明方法制备的标准品进行其他天然植物近红外模型传递同样也应该属于本发明保护范围。