本文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：

研究作者与机构
本研究由Amanda Teixeira Badaró、Fernanda Lie Morimitsu、Amanda Rios Ferreira、Maria Teresa Pedrosa Silva Clerici和Douglas Fernandes Barbin共同完成，他们均来自巴西坎皮纳斯大学食品工程学院。该研究于2019年发表在《Food Chemistry》期刊上。

学术背景
本研究的主要科学领域是食品科学与技术，特别是食品成分的快速检测技术。研究背景在于，食品中添加的成分（如纤维）可以提升营养价值，但也会影响食品的功能特性。然而，食品加工后，这些添加成分的检测变得困难。因此，开发快速、无损的检测技术对食品成分的定量分析具有重要意义。
研究旨在探索近红外光谱（Near Infrared Spectroscopy, NIRS）和高光谱成像（Hyperspectral Imaging, NIR-HSI）技术在识别和定量分析添加到粗面粉（semolina）中的纤维方面的应用。这些技术已被广泛应用于农业和制药等领域，但在粗面粉和纤维分析中的应用尚未被报道。

研究流程
研究分为三个主要实验部分，详细流程如下：
1. 样品制备
- 从当地市场购买了三款不同品牌的粗面粉，并从食品原料公司获取了五种不同类型的纤维（来源、粒径和溶解度不同）。
- 实验分为三组：
- 第一组：制备了140个样品，包括纯粗面粉和添加不同纤维的粗面粉。
- 第二组：使用一款粗面粉，制备了220个样品，包括纯粗面粉和添加3.5%及7%纤维的样品。
- 第三组：制备了351个样品，包括纯粗面粉和添加2%、3.5%、5%、7%及8%纤维的样品。

1. 近红外光谱和高光谱成像数据采集

   • 使用便携式近红外光谱仪（DLP NIRScan Nano）在900-1700 nm波长范围内采集光谱数据。
     
   • 使用SisuCHEMA SWIR高光谱相机在928-2524 nm波长范围内采集高光谱图像。
     
   • 对每个样品进行光谱和图像采集，确保数据代表性。
     

2. 数据预处理与分析

   • 对光谱数据进行均值中心化处理，并采用一阶导数（1st derivative）和标准正态变量（Standard Normal Variate, SNV）等预处理方法。
     
   • 使用主成分分析（Principal Component Analysis, PCA）和软独立建模分类法（Soft Independent Modeling of Class Analogy, SIMCA）进行分类分析。
     
   • 使用偏最小二乘回归（Partial Least Squares Regression, PLSR）模型对高光谱图像数据进行定量分析，生成纤维分布的化学图。
     

主要结果
1. 光谱分析结果
- 近红外光谱和高光谱成像的原始光谱显示出相似的形状，但吸光度强度因样品颗粒大小和成分不同而有所差异。
- 通过预处理（如一阶导数和SNV），光谱的散射效应显著减少，有助于更清晰地识别特征峰。

1. 主成分分析（PCA）结果

   • PCA分析显示，前两个主成分解释了90%以上的样本方差，成功区分了不同粗面粉和纤维样品。
     
   • 高光谱成像在样品分类方面表现优于近红外光谱，尤其是在处理异质样品时。
     

2. 分类与定量分析结果

   • SIMCA模型在高光谱成像数据中表现出较高的灵敏度和特异性，成功区分了纯粗面粉和添加纤维的样品。
     
   • PLSR模型在定量分析纤维含量方面表现出色，预测精度（R²p）在0.85至0.98之间，均方根误差（RMSEP）在0.5%至1%之间。
     

3. 纤维分布图

   • 通过高光谱成像技术生成的化学图，可以直观地展示纤维在样品中的空间分布，为工业生产中的质量控制提供了有力工具。
     

结论
本研究证明了高光谱成像技术在识别和定量分析粗面粉中纤维含量的有效性，并能够可视化纤维的空间分布。相比之下，近红外光谱在处理异质样品时表现较差。该研究为食品工业提供了一种快速、无损的检测方法，具有重要的科学和应用价值。

研究亮点
1. 首次将高光谱成像技术应用于粗面粉中纤维的识别和定量分析。
2. 开发了基于PLSR模型的定量分析方法，预测精度高，误差低。
3. 通过化学图展示了纤维在样品中的空间分布，为食品质量控制提供了新工具。

其他有价值的内容
研究还提到，高光谱成像技术在其他食品领域的应用（如检测花生粉和核桃粉的污染）也取得了成功，进一步证明了该技术的广泛适用性。

以上是基于文档内容的详细学术报告。