一、实验目的：
利用GSA金光近红外光谱仪对甜菊叶粉末中RA、RC、STV和总甙的含量进行建模检测实验，以考察仪器对这几种成分检测的可行性及准确性。
二、仪器条件：
实验仪器为山东金璋隆祥智能科技有限责任公司生产的GSA201型近红外光谱仪，主要部件包括：光学部分、控制部分、电源适配器、笔记本电脑、石英样品杯。仪器所用检测器为InGaAs，GSA数据分析软件，NIRSA化学计量学软件。
实验所用的参数设置为：
波长范围：1550nm ~ 1950nm；波长增量：2.0nm；扫描次数：30
三、样品准备：
甜菊叶中的主要化学成分瑞鲍迪甙A（rebaudioside A简称RA）、瑞鲍迪甙C（rebaudioside C简称RC）、甜菊糖甙（stevioside简称STV）、杜克甙A（dulcoside A）、甜菊双糖甙（steviolbioside）以及总甙等含量是表征甜菊叶质量的重要指标，因此甜菊叶化学成分分析在甜菊叶科研中起着相当重要的作用。
实验中所用的甜菊叶样品主要安徽样品。从库存样品中挑选洁净饱满的甜菊叶（不包括甜叶菊枝干），再用旋风磨粉碎机充分粉碎、研磨均匀，过筛去掉纤维状杂质，最后得到80目的粉末样品。用26个样品建立数学模型，另外准备6个样品用于模型的外部验证。所有的甜菊叶粉末样品全部做液相色谱分析，检测其RA、RC、STV和总甙四种成分的含量。
表1. 26个建模样品的数据
四、光谱采集
用毛刷将样品池擦干净，用样品勺将甜菊叶样品粉末样品装入样品池中，按照样品杯中的刻度线装入的制定量的样品，然后将砝码压在样品上方。最后将样品杯放在仪器的镜头位置，以漫反射的形式对样品进行检测。
由于样品的数量太少，数据含量的跨度较大，为了增加样品的变异性，实验中每个样品采集五次光谱。
五、实验结果
1.光谱处理
实验中采集到的甜菊叶粉末的原始吸收光谱图如图1所示。从图1可以看出，样品的光谱排列比较紧密，光谱与光谱之间的相似性较强，采集到的光谱信息量大。
图1.样品的原始吸收光谱图
图2.样品的一阶微分光谱图
在建立模型前，首先需对扫描得到的原始吸收光谱进行光谱预处理，以消除噪音和基线的影响。因此我们采用的预处理方法为一阶微分9点平滑（savitzky-golay法）。一阶导数处理可以很好的消除样品由于颜色差别引起的光谱基线偏移和漂移。处理后的光谱图如图2所示。
2.建立PLS1模型
将经过预处理后的光谱数据与样品含量数据关联（见图4），采用偏最小二乘法（PLS1），交叉－验证法（cross-validation），用化学计量学软件建立模型。经过异常值的剔除进行逐步优化，最后得到了较为理想的校正模型（见图3～图6）。
图3. RA指标的PLS1回归模型
图4. RC指标的PLS1回归模型
图5. STV指标的PLS1回归模型
图6. 总甙指标的PLS1回归模型
由图3～图6可以发现，甜菊叶粉末样品近红外光谱与其中的RA、RC、STV和总甙成分含量间呈现出明显的线性关系。其中RA、RC、STV和总甙指标的相关性分别为0.9648、0.9437、0.9458、0.9211。
3.模型验证
利用建立好的校正模型对6个外部样品进行预测预测结果见表2
表2：预测6个样品的结果
表2中验证结果很好的说明了近红外光谱中含有大量与这些成分相关的光谱信息，能够利用这些信息来建模预测。RA、RC、STV和总甙指标的外部验证平均相对偏差分别为3.18％、4.47％、2.64％和2.20％。
这次实验采用的建模样品的数据量太少，模型的数据梯度还不够完善，模型还有很大的发展空间。就数据跨度来说，RA含量17.77～55.04%，RC含量6.48～9.90%，STV含量9.36～42.60%，总甙含量69.67～81.87%，相对于26个样品来说，要建立一个完善的模型是不够的。通过增加建模样品数量，使模型的数据梯度合理化，完全可以建立起一个预测精度高，适应性好的模型。
六、实验结论
通过对以上实验过程及结果的分析，我们得出结论：GSA金光近红外光谱仪利用光谱数据和校正模型完全能够有效预测甜菊粉末中RA、RC、STV和总甙的含量。