Diese Arbeit basiert auf der nahinfraroten diffuse Reflexionsspektroskopie-Technik zur qualitativen Unterscheidung von Lebensmittelverpackungsmaterialien aus Polyethylen und Polypropylen. Es wurden verschiedene Wellenlängenbereiche ausgewählt und unterschiedliche spektrale Vorverarbeitungsmethoden angewandt. Mithilfe der Hauptkomponentenanalyse (Principal component analysis, PCA) in Kombination mit drei Mustererkennungsmethoden SIMCA, Bayesscher Klassifikation und K-Nearest-Neighbor (K-NN) wurden qualitative Vorhersagemodelle entwickelt und deren Vorhersageleistung anhand der korrekten Erkennungsrate verglichen. Die Ergebnisse zeigen, dass qualitative Kalibrierungsmodelle durch SIMCA, Bayessche Klassifikation und K-NN im Wellenlängenbereich von 1050~1550 nm gute Ergebnisse erzielen. Die NIR-Spektraldaten der Kunststoffproben wurden mit sechs spektralen Vorverarbeitungsmethoden bearbeitet: Vektor-Normalisierung, Standardnormalvariablen-Transformation, Zentrierung, gleitende Mittelwertfilterung, Polynomglättung und erste Ableitung zusammen mit den drei Mustererkennungsmethoden. Im Bereich von 1050~1550 nm, mit drei Hauptkomponenten, zeigte das mit dem Originalspektrum erstellte K-NN-Modell die besten Ergebnisse mit 100% korrekter Erkennung in Kalibrierungs- und Vorhersagegruppen. Diese Studie kann als Referenz für die schnelle Identifikation von Polyethylen und Polypropylen in Lebensmittelverpackungsmaterialien dienen.

Nahinfrarotspektroskopie; Kunststoff; Hauptkomponentenanalyse; korrekte Erkennungsrate