一种透过包装袋对产品进行在线近红外检测的修正系统及检测的方法与流程

本发明属于分析检测领域，具体涉及一种透过包装袋对产品进行近红外检测的修正系统及检测的方法。

背景技术：

近红外光谱是介于可见光和中红外之间的电磁辐射波，美国材料检测协会将近红外光谱区定义为780～2526nm的区域，是人们在吸收光谱中发现的第一个非可见光区。近红外广谱区与有机分子中含氢基团(O-H、N-H、C-H)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，而且利用近红外光谱技术分析样品具有方便、快速、高效、准确、成本较低、不破坏样品、不消耗化学试剂、不污染环境的优点。

近红外光谱含有大量的物质信息，由于其有快速、无损的特点，使得近红外光谱在医药、食品、烟草等领域，特别是在烟叶的打叶复烤领域得到广泛的应用。原料或产品的质量是成品质量稳定的重要基石，准确快速方便的采集原料的质量对于大规模工业化生产中控制原料的质量至关重要。在这些行业中所使用的原料产品一般采用麻袋或其他包装袋盛装原料或产品，在大规模原料的检测中，一般对一袋袋原料或产品进行抽样，并采用实验室光谱仪进行检测，但是该方式有滞后、由于需要打开包装袋而导致的速度慢和样本量少不具有代表性的缺点，弱化了在进行生产之前对原料产品的质量进行检测、统计、调配和控制的实际效用。

由于在实际的大规模原料的检测中，包装袋的规格相对比较统一，其材质和缝隙也相对规整，使得近红外光谱可以穿透包装袋缝隙检测得到包装袋内烟产品的物理和化学信息。如烟草行业中常用的用于盛装原烟烟叶的的包装袋为麻包。如果能够在不用除去包装袋而在包装袋外对产品进行精准的近红外检测现有技术中并没有提供检测方法。

技术实现要素：

针对现有技术存在的不足，本发明提供一种透过包装袋对产品进行在线近红外检测的修正系统及检测的方法，以克服现有技术中由于样品规格的差异和外界环境的噪音引起在线近红外测试结果的误差的缺陷。

为解决上述问题及其他问题，本发明是通过包括如下的技术方案实现的：

一种透过包装袋对产品进行在线近红外检测的修正系统，所述修正系统包括：

目标检测成分含量修正模型建模单元，用于基于建模样品建立目标检测成分含量修正模型；

目标检测成分修正单元，与目标检测成分含量修正模型建模单元连接，用于基于目标检测成分含量修正模型计算待测样品的目标检测成分含量；

其中，所述目标检测成分含量修正模型为：

Y_预测＝A_预测BQ，

其中，

Y_预测为经过修正后获得的透过包装袋检测的待测产品的目标检测成分含量，即为在线近红外检测仪上显示的待测产品的目标检测成分含量；

A_预测为待测样品经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵；

Q为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵Y的载荷矩阵；

B＝(A^TA)^-1A^TY，其中A为n个建模样品经在线近红外透过包装袋测试获得的近红外光谱数据组成的矩阵X的得分矩阵，Y为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵。

优选地，所述修正系统还包括：

建模样品筛选单元，与目标检测成分含量修正模型建模单元连接，用于对建模样品进行筛选。

优选地，所述建模样品筛选单元包括：

经在线近红外透过包装袋测试获得的近红外光谱数据异常的建模样品剔除子单元，用于剔除近红外光谱数据异常的建模样品，异常的建模样品是指建模样品向量长度大于设定值a，建模样品向量长度采用下列公式计算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一个建模样品对应的近红外光谱中取m个波长点，

L_i：为第i个建模样品的向量长度，

x_k(i)表示第i个建模样品的近红外光谱在第k个波长点处的数值，

为所有建模样品的近红外光谱在波长为第k个波点处的数值的均值，

s_k为所有建模样品的近红外光谱在波长为第k个波点处的数值的方差，

a≤0.15，k＝1，2，…，m。

优选地，所述修正系统还包括：近红外光谱预处理子单元，与目标检测成分含量修正模型建模单元连接，用于对在线近红外光谱测试获得的建模样品近红外光谱数据进行降噪处理。

优选地，所述降噪处理包括对近红外光谱进行一阶导数处理或/和对近红外光谱进行散射校正处理。

本发明还公开了一种透过包装袋对产品进行在线近红外检测的方法，包括下列步骤：

利用建模样品建立目标检测成分含量修正模型，所述目标检测成分含量修正模型为：

Y_预测＝A_预测BQ，

其中，

Y_预测为经过修正后获得的透过包装袋检测的待测产品的目标检测成分含量，即为在线近红外检测仪上显示的待测产品的目标检测成分含量；

A_预测为待测样品经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵；

Q为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵Y的载荷矩阵；

B＝(A^TA)^-1A^TY，其中A为n个建模样品经在线近红外透过包装袋测试获得的近红外光谱数据组成的矩阵X的得分矩阵，Y为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵；

获得待测样品的经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵，基于目标检测成分含量修正模型计算待测样品的目标检测成分含量。

优选地，在利用建模样品建立目标检测成分含量修正模型时还包括建模样品筛选步骤。

优选地，所述建模样品筛选步骤包括：剔除近红外光谱数据异常的建模样品，异常的建模样品是指建模样品向量长度大于设定值a，建模样品向量长度采用下列公式计算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一个建模样品对应的近红外光谱中取m个波长点，

L_i：为第i个建模样品的向量长度，

x_k(i)表示第i个建模样品的近红外光谱在第k个波长点处的数值，

为所有建模样品的近红外光谱在波长为第k个波点处的数值的均值，

s_k为所有建模样品的近红外光谱在波长为第k个波点处的数值的方差，

a≤0.15，k＝1，2，…，m。

更优选地，为了保证取样获取的样品均不是异常样品，可以多次重复上述步骤以尽可能多的剔除异样样品。

优选地，所述方法还包括在建立目标检测成分含量修正模型前，对在线近红外光谱测试获得的建模样品近红外光谱数据进行降噪处理的步骤。

优选地，所述降噪处理包括对近红外光谱进行一阶导数处理或/和对近红外光谱进行散射校正处理。

在实际建模过程中，对很多样品的全部近红外光谱数据进行建模并分析处理是庞大的数据处理工程，增加了劳动强度，但是并没有必要。实际操作中多采用可以达到一定分辨率的点值进行建模。即将所述近红外光谱数据按照横坐标波长的长度平均划分为m个点值，则每个样品均对应m个透过率值，即每个样品均为m维空间向量。如若建模样品有i个，则i个建模样品在这些波长处的透过率值会形成由i行m列的矩阵，本发明中的修正模型在建立过程中是对这i行m列的矩阵进行处理和并结合实验室近红外测试获得的建模样品的目标检测成分的含量进行偏最小二乘法回归建模，以最终获得建模样品在线近红外光谱数据与目标检测成分的含量之间的关系模型，并将这种模型用于修正在线近红外光谱仪，以获得准确的待测样品的目标检测成分的含量。

优选地，本发明中所述近红外光谱数据为产品在780～2526cm^-1波数上的透过率。

本发明中上述方法在纺织、烟草、造纸、食品领域中用在线近红外透过包装袋对产品进行连续测试获取目标测试成分含量时均可以使用。

本发明中所述的在线近红外仪为可用于在线产品连续、便携测试的所有近红外仪器，如便携式近红外等。

本发明技术方案是对采用在线近红外仪器进行大规模产品快速检测时，由于隔着包装袋检测会引起测试误差这一技术问题而提出的，其通过提供一个修正系统，修正这一误差，从而保证最终经由在线近红外分析仪输出的待测样品的目标检测成分含量不被产品包装引起的差异所影响，最大可能的接近待测产品的目标检测成分含量的真实值。其特别适合于大规模含包装袋产品的在线连续检测，不仅解决了频繁去除包装袋取样致使操作麻烦的问题，而且降低工人的劳动强度。

附图说明

图1为采用在线近红外光谱仪获得的不透过麻包直接测试获得的样品的原始近红外光谱图。

图2为采用在线近红外光谱仪获得的透过麻包测试获得的样品的原始近红外光谱图。

图3为采用在线近红外光谱仪获得的不透过麻包和透过麻包测试获得的样品的二维分布图。

图4为不透过麻包时，采用本发明中目标检测成分修正系统获得的待测样品的目标检测成分含量与由实验室近红外获得的待测样品的目标检测成分含量的分布图。

图5为透过麻包时，采用本发明中目标检测成分修正系统获得的待测样品的目标检测成分含量与由实验室近红外获得的待测样品的目标检测成分含量的分布图。

图6为本发明中透过包装袋对产品进行在线近红外检测的修正系统的一个实施方式的示意图。

图7为图6中透过包装袋对产品进行在线近红外检测的修正系统执行的测试待测产品的目标检测成分含量的方法的流程图。

图8为本发明中透过包装袋对产品进行在线近红外检测的修正系统的另一个实施方式的示意图。

图9为图8中透过包装袋对产品进行在线近红外检测的修正系统执行的测试待测产品的目标检测成分含量的方法的流程图。

具体实施方式

下面借助具体实施例来描述本发明。在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员能够更好地了解本发明。但是，对于所属技术领域内的技术人员来说明显的是，本发明的实现可不具有这些具体细节中的一些。此外，应当理解的是，本发明并不限于所介绍的特定实施例。相反，可以考虑用下面的特征的任意组合来实施本发明，而无论它们是否涉及不同的实施例。因此，下面的实施例和优点仅作说明之用，而不应被看作是对权利要求的限定，除非在权利要求中明确提出。

如图6所示，本实施例公开了一种透过包装袋对产品进行在线近红外检测的修正系统100，所述修正系统包括：

目标检测成分含量修正模型建模单元110，用于基于建模样品建立目标检测成分含量修正模型；

目标检测成分修正单元120，与目标检测成分含量修正模型建模单元连接，用于基于目标检测成分含量修正模型计算待测样品的目标检测成分含量；

其中，所述目标检测成分含量修正模型为：

Y_预测＝A_预测BQ，

其中，

Y_预测为经过修正后获得的透过包装袋检测的待测产品的目标检测成分含量，即为在线近红外检测仪上显示的待测产品的目标检测成分含量；

A_预测为待测样品经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵；

Q为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵Y的载荷矩阵；

B＝(A^TA)^-1A^TY，其中A为n个建模样品经在线近红外透过包装袋测试获得的近红外光谱数据组成的矩阵X的得分矩阵，Y为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵。

如图8所示，在一个优选的实施例中，所述修正系统还包括：

建模样品筛选单元130，与目标检测成分含量修正模型建模单元连接，用于对建模样品进行筛选。

具体地，所述建模样品筛选单元包括：

经在线近红外透过包装袋测试获得的近红外光谱数据异常的建模样品剔除子单元131，用于剔除近红外光谱数据异常的建模样品，异常的建模样品是指建模样品向量长度大于设定值a，建模样品向量长度采用下列公式计算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一个建模样品对应的近红外光谱中取m个波长点，

L_i：为第i个建模样品的向量长度，

x_k(i)表示第i个建模样品的近红外光谱在第k个波长点处的数值，

为所有建模样品的近红外光谱在波长为第k个波点处的数值的均值，

s_k为所有建模样品的近红外光谱在波长为第k个波点处的数值的方差，

a≤0.15，k＝1，2，…，m。

如图8所示，在一个优选的实施例中，所述修正系统还包括：近红外光谱预处理子单元132，与目标检测成分含量修正模型建模单元连接，用于对在线近红外光谱测试获得的建模样品近红外光谱数据进行降噪处理。

具体地，所述降噪处理包括对近红外光谱进行一阶导数处理或/和对近红外光谱进行散射校正处理。

如图7所示，本实施例还公开了在如图6所示的修正系统对应的方法，即一种透过包装袋对产品进行在线近红外检测的方法，包括下列步骤：

利用建模样品建立目标检测成分含量修正模型S110，所述目标检测成分含量修正模型为：

Y_预测＝A_预测BQ，

其中，

Y_预测为经过修正后获得的透过包装袋的待测产品的目标检测成分含量，即为在线近红外检测仪上显示的待测产品的目标检测成分含量；

A_预测为待测样品经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵；

Q为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵Y的载荷矩阵；

B＝(A^TA)^-1A^TY，其中A为n个建模样品经在线近红外透过包装袋测试获得的近红外光谱数据组成的矩阵X的得分矩阵，Y为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵；

获得待测样品的经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵，基于目标检测成分含量修正模型计算待测样品的目标检测成分含量S120。

在一个更为具体的实施例中，具体获取建模样品并对进行建模样品进行在线近红外光谱测试的具体过程如下：

取150个烟叶样品作为建模样品，具体是由华环国际烟草有限公司提供的烟叶，包装袋即为麻包。用卡尔蔡司的在线近红外光谱仪透过包装袋检测获得每个建模样品的在线近红外光谱。更为优选地，也可以对每个建模样品重复测试几次，以几次的平均光谱作为该建模样品采用在线近红外光谱透过包装袋检测获得的在线近红外光谱数据。

在实际的建模过程中，对很多个建模样品的全部近红外光谱数据进行建模并分析处理是庞大的数据工程，增加了劳动强度，但是也并没有必要。在实际操作中可以选取近红外光谱图上可以达到一定分辨率的一定量的点值进行建模。将将所述近红外光谱数据按照横坐标波长的长度平均划分为m个点值，则每个样品均对应m个透过率值，即每个样品均为m维空间向量。如若建模样品有i个，则i个建模样品在这些波长处的透过率值会形成由i行m列的矩阵，本发明中的修正模型在建立过程中是对这i行m列的矩阵进行处理和并结合实验室近红外测试获得的建模样品的目标检测成分的含量进行偏最小二乘法回归建模，以最终获得建模样品在线近红外光谱数据与目标检测成分的含量之间的关系模型，并将这种模型用于修正在线近红外光谱仪，以获得准确的待测样品的目标检测成分的含量。更为具体地，本实施例中m取为256，建模时，150个烟叶建模样品的256个波长处对应的透光率值构成一个150行256列的数据。

如图9所示，本实施例还公开了在如图8所示的修正系统对应的方法，所述方法为在利用建模样品建立目标检测成分含量修正模型时还包括建模样品筛选步骤S130。

具体地，所述建模样品筛选步骤包括：剔除近红外光谱数据异常的建模样品S131，异常

的建模样品是指建模样品向量长度大于设定值a，建模样品向量长度采用下列公式计算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一个建模样品对应的近红外光谱中取m个波长点，

L_i：为第i个建模样品的向量长度，

x_k(i)表示第i个建模样品的近红外光谱在第k个波长点处的数值，

为所有建模样品的近红外光谱在波长为第k个波点处的数值的均值，

s_k为所有建模样品的近红外光谱在波长为第k个波点处的数值的方差，

a≤0.15，k＝1，2，…，m。所述a的数值可以根据产品特点、在建模时根据对产品的剔除需要进行设定，如可以为0.15,0.1,0.05。

更优选地，为了保证取样获取的样品均不是异常样品，可以多次重复上述步骤以尽可能多的剔除异样样品。

在本发明一个更为具体的实施例中，a取为0.05。经剔除12个异常建模样品后，剩余138个建模样品。

在一个更为优选的实施例中，所述方法还包括在建立目标检测成分含量修正模型前，对在线近红外光谱测试获得的建模样品近红外光谱数据进行降噪处理的步骤S132。更为具体地，所述降噪处理包括对近红外光谱进行一阶导数处理或/和对近红外光谱进行散射校正处理。散射校正可以消除烟叶颗粒分布不均与及大小不同产生的散射影响，散射校对模型的精度提高很有限，但是可以降低模型的复杂度，散射校正的本质是一种线性的校正方法，散射校正主要是基于统计的方法来修正待处理的近红外光谱数据由于散射所发生的线性变换。一阶导数预处理可以消除基线的漂移，具有提高模型精度的作用，但是会增加模型的复杂度。本具体实施例中一阶导数预处理为采用平滑点为13的SG求导方法，将移动窗口多项式拟合用于求导，利用导数取代窗口的中心点，窗口每次只移动一个数据点，直到光谱的256个数据点都得到求导。

经上述剔除异常建模样品并对近红外光谱进行降噪预处理后的近红外光谱数据与建模样品实验室近红外测试获得的目标检测成分含量按照偏最小二乘回归法构建模型S110。本实施例中目标待测成分为烟草中能够用在线近红外光谱仪测试获得的尼古丁含量、盐碱含量等。更为具体地，本实施例中为尼古丁含量。

在建模时，也可以采用KS随机法进一步随机选取构建模型时的建模样品，本实施例中用KS随机发在138个烟草样品中选择109个样品进行偏最小二乘回归建模，即将这109个烟叶样品采用在线近红外光谱仪透过包装袋测试获得的近红外光谱数据上的256个数据组成的矩阵X和相对应的尼古丁含量的列矩阵Y进行偏最小二乘回归构建模型。

更为具体地，偏最小二乘回归法的算法如下：

$X={\mathrm{AP}}^T+E_X=\underset{k=1}{\overset{f}{\Σ}}{t}_k{p_k}^T+E_X;Y={\mathrm{UQ}}^T+E_Y=\underset{k=1}{\overset{f}{\Σ}}{u}_k{q_k}^T+E_Y$

式中，X为n个样品采用在线近红外光谱仪透过包装袋测试获得近红外光谱数据上的256个数据组成的矩阵；本实施例中n为109个；

Y为n个样品对应的实验室近红外光谱仪测试获得的尼古丁含量组成的列矩阵，t_k(n×1)为X的第k个主因子的得分矩阵；p_k(1×m)为X矩阵的第k个主因子的载荷矩阵；其中n为得分矩阵的行数；m为载荷矩阵的列数；f为主因子数；

A和U分别为X和Y的得分矩阵，P和Q分别为X和Y的载荷矩阵，E_X和E_Y分别为X和Y的偏最小二乘回归法(简称为PLS)的拟合残差矩阵，接着，根据偏最小二乘法的原理，将A和U做线性回归：U＝AB，B＝(A^TA)^-1A^TY；在预测时，首先根据P求出待测样品得分矩阵的得分A_预测，然后由下式得到此样品对应的列矩阵的预测值Y_预测＝A_预测BQ。

在构建模型过程中，最初是忽略残差矩阵E_X和E_Y，求出中间的参数后，再返回求残差矩阵。

具体过程如下：开始取主因子数f＝1时有：

对X＝AP^T，左边乘A^T然后右乘P得：

对Y＝UQ^T，左边乘U^T然后两边同除以Q^T得：取浓度矩阵Y作为U的起始迭代值，以U代替A，根据方程：X＝UW^T计算W，其解为：W为X的权重向量；对权重归一化后求X的得分矩阵A，方程为：X＝AW^T，其解为：以A代替U计算Y的载荷矩阵Q，其方程为：Y＝AQ^T；其解为：对载荷矩阵Q归一化后求Y的得分矩阵U，方程为：Y＝UQ^T；其解为：再以此U代替A返回最开始计算W^T，由W^T计算A₁，如此反复迭代，若A已收敛，即若||A-A₁||≤10^-6||A||，停止迭代；否则返回继续求X的权重向量W直至获得的X的得分矩阵收敛；根据收敛后的A求X的载荷矩阵P，其方程为：X＝AP^T；其解为：对载荷矩阵P归一化后求X的得分矩阵A＝A||P||；标准化权重向量W＝W||P||；计算A与U之间的内在关系再计算残差矩阵E_X＝X-AP^T；E_Y＝Y-UQ^T＝Y-BAQ^T；最后以E_X代替X，E_Y代替Y，返回最开始的步骤即求X的权重向量W，以此类推，求出X、Y的主因子的W、A、P、U、Q、B，最后通过交互检验法确定最佳主因子数f时迭代停止。

根据上述即获得所述目标检测成分含量修正模型为：

Y_预测＝A_预测BQ，

其中，

Y_预测为经过修正后获得的透过包装袋检测的待测产品的目标检测成分含量，即为在线近红外检测仪上显示的待测产品的目标检测成分含量；

A_预测为待测样品经在线近红外仪透过包装袋测试获得的近红外光谱的得分矩阵；

Q为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵Y的载荷矩阵；

B＝(A^TA)^-1A^TY，其中A为n个建模样品经在线近红外透过包装袋测试获得的近红外光谱数据组成的矩阵X的得分矩阵，Y为n个建模样品经实验室近红外分析仪测试获得的目标检测成分含量组成的浓度矩阵。

为了验证本发明中提出的上述修正系统的准确性，同样的将上述150个烟叶样品不透过包装袋直接测试其烟叶样品的实验室近红外光谱数据获得的尼古丁含量和在线近红外光谱获得的光谱数据，并按照和上述一样步骤剔除异常样品，对在线近红外光谱数据进行降噪处理；并将其根据偏最小二乘法构建获得在不透过包装袋直接测试烟叶样品时的目标待测成分含量修正模型Y_预测1＝A_预测1B₁Q₁。

表1为不含麻包即不透过包装袋情况下建立的修正模型获得的预测尼古丁含量与实验室近红外仪器预测获得的真实尼古丁含量的结果对比。表中所述化学值即为尼古丁的含量。

表1

表2为含麻包情况下即透过麻包测试烟叶样品的情况下建立的目标检测成分含量修正模型获得的预测尼古丁含量与用实验室近红外仪器测试获得的真实尼古丁含量的对比。表2中的化学值即为尼古丁的含量。

表2

将上述两个修正系统应用于在线近红外光谱仪器中，并分别用不同产地、不同部位和不同时间的样本光谱对模型进行验证。本实施例中采用湖北宜昌C2F、辽宁丹东C2F、黑龙江范家C2L、湖南湘西C2F、陕西甘溪C2F在上午10点，11点、12点、1点、7点采集的27个样本的在线近红外光谱对模型进行验证。

表3为不含麻包即不透过包装袋直接对样品进行检测的情况下27个样本的在线近红外数据通过模型处理后获得的预测尼古丁含量与用实验室近红外仪器进行定量分析后获得的尼古丁含量的对比。

表3

表4为含麻包即透过包装袋的情况下，27个样本的在线近红外数据通过模型处理后获得的预测尼古丁含量与用实验室近红外仪器进行定量分析后获得的尼古丁含量的对比。

表4

将表3和表4中的数据进行对比分析结果如表5所示。

表5

从表5中可以看出，含麻包的模型预测出尼古丁含量与不含麻包的模型预测出的尼古丁含量对比，含麻包的模型预测出的尼古丁含量误差更小更稳定。其平均相对误差要比后者的平均相对误差小1.29；前者预测均值与真实化学值的均值误差为0.03，后者预测均值与真实化学值均值的误差为0.07。通过上述对比可以发现，采用本发明中上述模型应用于在线近红外仪器中，其能够不用隔离产品的包装袋，直接透过包装袋对产品进行在线近红外检测，就可以获得准确的产品化学值。

本发明技术方案是对采用在线近红外仪器进行大规模产品快速检测时，由于隔着包装袋检测会引起测试误差这一技术问题而提出的，其通过提供一个修正系统，修正这一误差，从而保证最终经由在线近红外分析仪输出的待测样品的目标检测成分含量不被产品包装引起的差异所影响，最大可能的接近待测产品的目标检测成分含量的真实值。其特别适合于大规模含包装袋产品的在线连续检测，不仅解决了频繁去除包装袋取样致使操作麻烦的问题，而且降低工人的劳动强度。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。