CN107064053A - 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 - Google Patents
基于近红外高光谱技术无损检测杨梅中多酚含量的方法 Download PDFInfo
- Publication number
- CN107064053A CN107064053A CN201710100380.XA CN201710100380A CN107064053A CN 107064053 A CN107064053 A CN 107064053A CN 201710100380 A CN201710100380 A CN 201710100380A CN 107064053 A CN107064053 A CN 107064053A
- Authority
- CN
- China
- Prior art keywords
- sample
- polyphenol content
- spectrum
- red bayberry
- infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 150000008442 polyphenolic compounds Chemical class 0.000 title claims abstract description 95
- 235000013824 polyphenols Nutrition 0.000 title claims abstract description 95
- 244000132436 Myrica rubra Species 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000009659 non-destructive testing Methods 0.000 title description 6
- 238000001228 spectrum Methods 0.000 claims abstract description 76
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 230000001066 destructive effect Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 229940126670 AB-836 Drugs 0.000 claims abstract description 7
- 235000007652 Arbutus Nutrition 0.000 claims abstract description 7
- 240000008327 Arbutus unedo Species 0.000 claims abstract description 7
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000004611 spectroscopical analysis Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- LNTHITQWFMADLM-UHFFFAOYSA-N gallic acid Chemical compound OC(=O)C1=CC(O)=C(O)C(O)=C1 LNTHITQWFMADLM-UHFFFAOYSA-N 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 14
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 12
- 235000009134 Myrica cerifera Nutrition 0.000 claims description 12
- 244000061457 Solanum nigrum Species 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 229940074391 gallic acid Drugs 0.000 claims description 7
- 235000004515 gallic acid Nutrition 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 7
- 238000010238 partial least squares regression Methods 0.000 description 5
- 230000000050 nutritive effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 206010010774 Constipation Diseases 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 208000001431 Psychomotor Agitation Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000010208 anthocyanin Nutrition 0.000 description 1
- 229930002877 anthocyanin Natural products 0.000 description 1
- 239000004410 anthocyanin Substances 0.000 description 1
- 150000004636 anthocyanins Chemical class 0.000 description 1
- 230000000702 anti-platelet effect Effects 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229930003944 flavone Natural products 0.000 description 1
- 150000002213 flavones Chemical class 0.000 description 1
- 235000011949 flavones Nutrition 0.000 description 1
- HVQAJTFOCKOKIN-UHFFFAOYSA-N flavonol Natural products O1C2=CC=CC=C2C(=O)C(O)=C1C1=CC=CC=C1 HVQAJTFOCKOKIN-UHFFFAOYSA-N 0.000 description 1
- 150000002216 flavonol derivatives Chemical class 0.000 description 1
- 235000011957 flavonols Nutrition 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000002398 materia medica Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 208000010110 spontaneous platelet aggregation Diseases 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000035922 thirst Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
- G01N2021/3572—Preparation of samples, e.g. salt matrices
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外高光谱的杨梅中多酚含量无损测定的方法，该方法包括以下步骤：采集不同品种的新鲜杨梅样本，采用近红外高光谱成像系统进行光谱扫描，收集900～1700nm近红外波段高光谱图像，得到样本集光谱；利用福林‑酚法测定杨梅样本中多酚含量；应用偏最小二乘法回归法(PLSR)建立校正模型，获得杨梅中多酚含量的最优预测模型。本发明通过近红外高光谱成像技术，可实现无损、高效、快速检测杨梅中多酚的含量。
Description
技术领域
本发明涉及一种基于近红外高光谱无损测定多酚含量的方法，尤其涉及一种基于近红外高光谱技术无损检测杨梅中多酚含量的方法。
背景技术
杨梅是我国的特色水果，在浙江、福建和广东等省份有较大面积的种植。杨梅具有较高的营养价值，果肉中含有丰富的碳水化合物、蛋白质、氨基酸、有机酸、矿物质、维生素和多酚类物质。《本草纲目》记载杨梅“止渴，和五赃，能涤肠胃，除烦溃恶气”。近代生物学和医学进一步证明杨梅具有防止便秘，抗菌，缓解食欲不振等功效。
杨梅多酚是杨梅中所含有的多酚类物质的总称，包括黄酮、黄酮醇、花色苷、原儿茶酸、没食子酸等。杨梅多酚具有较高的生物活性作用，能清除活性氧自由基，具有抗氧化性，抗肿瘤，抑菌，抗血小板凝聚等作用(夏其乐,程绍南.杨梅的营养价值及其加工进展[J].中国食物与营养,2005(6):21-22.)。
杨梅多酚是杨梅中的主要活性物质，并对其风味、口感和营养价值等有重要影响，是决定杨梅感官质量的重要因素之一。杨梅是中国特色浆果资源，且含有丰富的多酚。因此，研究杨梅中的多酚含量有助于评价杨梅的营养价值，对进一步开发杨梅资源具有十分重要的意义。
化学方法检测杨梅中多酚的含量需要先进行样品提取，此步骤会破坏检测样品，难以实现大样本量的快速无损检测。近年来，近红外高光谱成像技术作为一种无损检测方法引起了广泛的关注。其最大特点是结合光谱技术与计算机图像技术两者的优点，可获得大量包含连续波长光谱信息的图像块，由于其具有检测速度快、效率高、成本低等优点，越来越多地应用于农产品品质与安全的无损检测。因此可以利用近红外高光谱成像技术来快速无损检测杨梅中多酚含量。
发明内容
本发明的目的在于提供一种基于近红外高光谱的杨梅中多酚含量测定的方法，旨在实现无损、快速、大样本量的检测。
本发明提供了一种杨梅中多酚含量的无损测定方法，该基于近红外高光谱的杨梅中多酚含量测定的方法包括以下步骤：
1)样本光谱的建立：
收集不同品种新鲜杨梅样本随机分配，建立校正样本集和检验样本集；对校正和检验样本集中的样本运用高光谱成像系统进行光谱扫描，其中镜头与样本距离为10～40cm，曝光时间为0.5～4s，样本移动速度为5～15mm/s,采集900～1700nm近红外波段高光谱图像，得到校正和检验样本集光谱；
2)样本多酚含量的测定：
采用福林-酚法测定杨梅样本中多酚含量，样本采用30～90％乙醇提取，取适量提取液与福林酚反应，在760nm波长下检测，以没食子酸为标准品进行定量；
3)样本光谱的预处理：
采用平滑法(移动平均平滑法(Moving Average)、卷积平滑法(Savitzky-Golay)、高斯平滑滤波(Gaussian filter)和中值滤波平滑(Median filter smoothing)等)对样本原始光谱进行处理，消除光谱噪声，提高分辨率和灵敏度；结合标准正态变量变换算法(Standard normal variate transformation，SNV)或多元散射校正算法(Multiplicativescatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。预处理过程中需剔除差异性较大的个别数据。
4)采用多元回归算法建立校正模型：
首先结合预处理后校正样本集900～1700nm的光谱数据和多酚含量，采用偏最小二乘回归法(partial least squares regression，PLSR)建模，通过X-载荷(X-loadingweight)图，提取光谱特征值，选取波峰及波谷段光谱，特征光谱波长范围是920～930、960～980、1030～1075、1140～1160、1240～1290nm，以第一次建模得到的部分或全部校正特征光谱波长数据和多酚含量再次使用PLSR建模，建模后代入检测样本集光谱数据，计算多酚实际值，与预测值的相关性系数(R2)，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，得到最佳建模特征光谱，建立杨梅中多酚含量的最优预测模型。
上述最优建模特征光谱波长范围是924～928、965～972、1052、1149～1153和1264nm，模型预测值与实际值的R2为0.9214，均方根误差(Root-mean-square error，RMSE)值为0.0841。
5)预测样本多酚含量测定：
扫描样品特征光谱波长，采集近红外高光谱数据，将光谱数据输入杨梅多酚含量预测模型，计算得到待测样品中多酚含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
本发明提供的基于近红外高光谱的杨梅中多酚含量测定的方法，通过采用近红外高光谱图像提取杨梅光谱数据，通过福林-酚法测定杨梅中的多酚含量，结合光谱预处理方法，提取特征光谱，利用最小二乘回归法(PLSR)建模，得到杨梅中多酚含量的预测模型。
本发明建模中通过选取特征光谱波长数据建模，检测样本多酚含量是，仅需扫描特征光谱波长数据，可以缩短扫描时间，提高检测速率。第一次建模采用的是900～1700nm波长的所有数据，第一次建模可以得出波长与含量之间的关系，可以通过第一次建模，得到特征光谱波长段，第二次建模利用第一次建模得到的特征波长段再次建模，选择特定波长段的数据，提高建模准确性，减少数据计算量。
本发明可以避免现有的化学检测法会破坏检测对象，可实现无损、快速和大量的检测杨梅中多酚的含量。
附图说明
图1是本发明实施例一提供的基于近红外高光谱的杨梅中多酚含量测定的方法流程图；
图2是本发明实施例二提供的近红外高光谱图像的平均光谱曲线图；
图3是本发明实施例三提供的经平滑处理和多元散射校正算法(MSC)处理后的近红外高光谱曲线图；
图4是本发明实施例三提供的杨梅多酚的X-载荷(X-loading weight)图；
图5是本发明实施例四提供的PLSR建模方法下杨梅中多酚预测值与实际值的比较示意图；
具体实施方式
下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围并不仅限于此：
实施例一
1)样本光谱的建立：
收集不同品种新鲜杨梅样本(400颗)随机分配，建立校正样本集(200颗)和检验样本集(200颗)；对校正和检验样本集中的样本运用高光谱成像系统进行光谱扫描，其中镜头与样本距离为10cm，曝光时间为0.5s，样本移动速度为5mm/s,采集1000～1600nm近红外波段高光谱图像，得到校正和检验样本集光谱；
2)样本多酚含量的测定：
采用福林-酚法测定杨梅样本中多酚含量，样本采用90％乙醇提取，取适量提取液与福林酚反应，在760nm波长下检测，以没食子酸为标准品进行定量；
3)样本光谱的预处理：
采用移动平均平滑法(Moving Average)对样本原始光谱进行处理，消除光谱噪声，提高分辨率和灵敏度；结合标准正态变量变换算法(Standard normal variatetransformation，SNV)，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。预处理过程中需剔除差异性较大的个别数据。
4)采用多元回归算法建立校正模型：
首先结合预处理后校正样本集900～1700nm的光谱数据和多酚含量，采用偏最小二乘回归法(partial least squares regression，PLSR)建模，通过X-载荷(X-loadingweight)图，提取光谱特征值，选取波峰及波谷段光谱，选择特征光谱波长是920～930、965～972、1052nm的波段，与和多酚含量再次使用PLSR建模，建模后代入检测样本集光谱数据，计算多酚实际值与预测值的相关性系数(R2)，建立杨梅中多酚含量的最优预测模型。模型预测值与实际值的R2为0.9021，均方根误差(Root-mean-square error，RMSE)值为0.1263。
5)预测样本多酚含量测定：
扫描样品特征光谱波长，采集近红外高光谱数据，将光谱数据输入杨梅多酚含量预测模型，计算得到待测样品中多酚含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
图1是本发明的基于近红外高光谱的杨梅中多酚含量测定的方法流程图，主要步骤包括样品的采集，近红外高光谱扫描，读取光谱数据，光谱数据预处理，化学检测杨梅中多酚含量，结合光谱数据和多酚含量建立预测模型；
实施例二
基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
收集不同品种新鲜杨梅样本(600颗)随机分配，建立校正样本集(400颗)和检验样本集(200颗)；；对校正和检验样本集中的样本运用高光谱成像系统进行光谱扫描，其中镜头与样本距离为40cm，曝光时间为3s，样本移动速度为15mm/s,采集900～1700nm近红外波段高光谱图像，得到校正和检验样本集光谱；
2)样本多酚含量的测定：
采用福林-酚法测定杨梅样本中多酚含量，样本采用30～90％乙醇提取，取适量提取液与福林酚反应，在760nm波长下检测，以没食子酸为标准品进行定量；
3)样本光谱的预处理：
采用卷积平滑法(Savitzky-Golay)对样本原始光谱进行处理，消除光谱噪声，提高分辨率和灵敏度；结合标准正态变量变换算法(Standard normal variatetransformation，SNV)，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。预处理过程中需剔除差异性较大的个别数据。
4)采用多元回归算法建立校正模型：
首先结合预处理后校正样本集900～1700nm的光谱数据和多酚含量，采用偏最小二乘回归法(partial least squares regression，PLSR)建模，通过X-载荷(X-loadingweight)图，提取光谱特征值，选取波峰及波谷段光谱，选择特征光谱波长是920～930、965～972、1052、1149～1153、1240～1290nm的波段，与多酚含量再次使用PLSR建模，建模后代入检测样本集光谱数据，计算多酚实际值与预测值的相关性系数(R2)，建立杨梅中多酚含量的最优预测模型，模型预测值与实际值的R2为0.9168，均方根误差(Root-mean-squareerror，RMSE)值为0.0957。
5)预测样本多酚含量测定：
扫描样品特征光谱波长，采集近红外高光谱数据，将光谱数据输入杨梅多酚含量预测模型，计算得到待测样品中多酚含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
图2是本发明的近红外高光谱图像的平均光谱曲线图。
实施例三
基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
收集不同品种新鲜杨梅样本(300颗)随机分配，建立校正样本集(200颗)和检验样本集(100颗)；对校正和检验样本集中的样本运用高光谱成像系统进行光谱扫描，其中镜头与样本距离为20cm，曝光时间为2s，样本移动速度为10mm/s,采集900～1700nm近红外波段高光谱图像，得到校正和检验样本集光谱；
2)样本多酚含量的测定：
采用福林-酚法测定杨梅样本中多酚含量，样本采用70％乙醇提取，取适量提取液与福林酚反应，在760nm波长下检测，以没食子酸为标准品进行定量；
3)样本光谱的预处理：
采用高斯平滑滤波(Gaussian filter)对样本原始光谱进行处理，消除光谱噪声，提高分辨率和灵敏度；结合多元散射校正算法(Multiplicative scatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。预处理过程中需剔除差异性较大的个别数据。
4)采用多元回归算法建立校正模型：
首先结合预处理后校正样本集900～1700nm的光谱数据和多酚含量，采用偏最小二乘回归法(partial least squares regression，PLSR)建模，通过X-载荷(X-loadingweight)图，提取光谱特征值，选取波峰及波谷段光谱，选择特征光谱波长是1052、1149～1153和1264nm的波段，与多酚含量再次使用PLSR建模，建模后代入检测样本集光谱数据，计算多酚实际值与预测值的相关性系数(R2)，建立杨梅中多酚含量的最优预测模型，模型预测值与实际值的R2为0.9003，均方根误差(Root-mean-square error，RMSE)值为0.0745。
5)预测样本多酚含量测定：
扫描样品特征光谱波长，采集近红外高光谱数据，将光谱数据输入杨梅多酚含量预测模型，计算得到待测样品中多酚含量。
图3是本发明实施例三提供的经平滑处理和多元散射校正算法(MSC)处理后的近红外高光谱曲线图；
图4是本发明实施例三提供的杨梅多酚的X-载荷(X-loading weight)图，通过载荷图的波峰和波谷可以选择特征波长。
实施例四
基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
收集不同品种新鲜杨梅样本(500颗)随机分配，建立校正样本集(300颗)和检验样本集(200颗)；对校正和检验样本集中的样本运用高光谱成像系统进行光谱扫描，其中镜头与样本距离为15cm，曝光时间为3.5s，样本移动速度为15mm/s,采集900～1700nm近红外波段高光谱图像，得到校正和检验样本集光谱；
2)样本多酚含量的测定：
采用福林-酚法测定杨梅样本中多酚含量，样本采用80％乙醇提取，取适量提取液与福林酚反应，在760nm波长下检测，以没食子酸为标准品进行定量；
3)样本光谱的预处理：
采用中值滤波平滑(Median filter smoothing)对样本原始光谱进行处理，消除光谱噪声，提高分辨率和灵敏度；结合多元散射校正算法(Multiplicative scattercorrection，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。预处理过程中需剔除差异性较大的个别数据。
4)采用多元回归算法建立校正模型：
首先结合预处理后校正样本集900～1700nm的光谱数据和多酚含量，采用偏最小二乘回归法(partial least squares regression，PLSR)建模，通过X-载荷(X-loadingweight)图，提取光谱特征值，选取波峰及波谷段光谱，选择特征光谱波长是924～928、965～972、1052、1149～1153和1264nm的波段，与多酚含量再次使用PLSR建模，建模后代入检测样本集光谱数据，计算多酚实际值与预测值的相关性系数(R2)，建立杨梅中多酚含量的最优预测模型，模型预测值与实际值的R2为0.9214，均方根误差(Root-mean-square error，RMSE)值为0.0841。
5)预测样本多酚含量测定：
扫描样品特征光谱波长，采集近红外高光谱数据，将光谱数据输入杨梅多酚含量预测模型，计算得到待测样品中多酚含量。
图5本发明的杨梅多酚预测模型，拟合度可达92.14％，说明该模型可以较好的预测杨梅中多酚含量。
最后，本发明可用其他的不违背本发明的精神和主要特征的具体形式来概述。因此，无论从那一点来看，本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明，权利要求书指出了本发明的范围，而上述的说明并未指出本发明的范围，因此，在与本发明的权利要求书相当的含义和范围内的任何改变，都应认为是包括在权利要求书的范围内。
Claims (4)
1.一种基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
收集不同品种新鲜杨梅样本随机分配，建立校正样本集和检验样本集；对校正和检验样本集中的样本运用高光谱成像系统进行光谱扫描，其中镜头与样本距离为10～40cm，曝光时间为0.5～4s，样本移动速度为5～15mm/s,采集900～1700nm近红外波段高光谱图像，得到校正样本集光谱和检验样本集光谱；
2)样本多酚含量的测定：
采用福林-酚法测定杨梅样本中多酚含量，样本采用体积百分比为30～90％的乙醇提取，取适量提取液与福林酚反应，在760nm波长下检测，以没食子酸为标准品进行定量；
3)样本光谱的预处理：
采用平滑法对样本原始光谱进行处理，消除光谱噪声，提高分辨率和灵敏度；结合标准正态变量变换算法或多元散射校正算法处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响；
4)采用多元回归算法建立校正模型：
首先结合预处理后900～1700nm的校正样本集光谱数据和多酚含量，采用偏最小二乘回归法建模，通过X-载荷图，提取光谱特征值，选取波峰及波谷段光谱，特征光谱波长范围是920～930、960～980、1030～1075、1140～1160、1240～1290nm，以第一次建模得到的部分或全部校正特征光谱波长数据和多酚含量再次使用多元回归算法建模，建模后代入检测样本集光谱数据，计算多酚实际值与预测值的相关性系数R2，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，得到最佳建模特征光谱波长范围，以此建立杨梅中多酚含量的最优预测模型。
5)预测样本多酚含量测定：
扫描样品特征光谱波长，采集近红外高光谱数据，将光谱数据输入杨梅多酚含量预测模型，计算得到待测样品中多酚含量。
2.根据权利要求1所述的基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于所述的步骤3)采用的平滑法包括移动平均平滑法、卷积平滑法、高斯平滑滤波、中值滤波平滑中的一种或多种。
3.根据权利要求1所述的基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于所述的步骤3)预处理过程中，当发现个体数据差异较大时，剔除差异较大的个体。
4.根据权利要求1所述的基于近红外高光谱的杨梅中多酚含量无损测定的方法，其特征在于所述的最优特征光谱波长范围是924～928、965～972、1052、1149～1153和1264nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710100380.XA CN107064053A (zh) | 2017-02-23 | 2017-02-23 | 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710100380.XA CN107064053A (zh) | 2017-02-23 | 2017-02-23 | 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107064053A true CN107064053A (zh) | 2017-08-18 |
Family
ID=59621735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710100380.XA Pending CN107064053A (zh) | 2017-02-23 | 2017-02-23 | 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107064053A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107389601A (zh) * | 2017-08-25 | 2017-11-24 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可滴定酸含量预测方法 |
| CN109297916A (zh) * | 2018-11-20 | 2019-02-01 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
| CN109406446A (zh) * | 2018-10-12 | 2019-03-01 | 四川长虹电器股份有限公司 | 对近红外数据的预处理方法及其调用方法 |
| CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
| CN109406421A (zh) * | 2018-10-31 | 2019-03-01 | 北京中研百草检测认证有限公司 | 基于高光谱成像技术预测枸杞子中阿魏酸含量的方法 |
| CN109406414A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中香草酸含量的方法 |
| CN110346306A (zh) * | 2019-07-29 | 2019-10-18 | 云南大唐汉方制药股份有限公司 | 一种龙血竭原药材质量的快速检测方法 |
| CN111650130A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片镁含量的预测方法及预测系统 |
| CN111929261A (zh) * | 2020-09-16 | 2020-11-13 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN113008890A (zh) * | 2021-03-09 | 2021-06-22 | 塔里木大学 | 基于无人机高光谱的棉花叶片氮含量监测方法及系统 |
| CN113189045A (zh) * | 2021-06-17 | 2021-07-30 | 天津科技大学 | 一种利用近红外光谱技术快速测定梨粉中总酚含量的方法 |
| CN113484265A (zh) * | 2021-06-10 | 2021-10-08 | 湖北民族大学 | 基于光谱法测定黄精中多酚含量的方法 |
| CN115078269A (zh) * | 2022-07-15 | 2022-09-20 | 华中农业大学 | 一种基于色差计快速测定槟榔鲜果多酚含量的方法 |
| CN116297318A (zh) * | 2023-03-24 | 2023-06-23 | 广东省农业科学院作物研究所 | 一种基于近红外光谱法测定甘薯茎尖总酚的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005017055A (ja) * | 2003-06-25 | 2005-01-20 | Asahi Kasei Chemicals Corp | フェノール類の分析方法およびオルト位メチル化化合物の製造方法 |
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN102590149A (zh) * | 2012-03-01 | 2012-07-18 | 浙江大学 | 一种虫草菌粉天冬氨酸含量快速检测方法 |
| CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
-
2017
- 2017-02-23 CN CN201710100380.XA patent/CN107064053A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005017055A (ja) * | 2003-06-25 | 2005-01-20 | Asahi Kasei Chemicals Corp | フェノール類の分析方法およびオルト位メチル化化合物の製造方法 |
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN102590149A (zh) * | 2012-03-01 | 2012-07-18 | 浙江大学 | 一种虫草菌粉天冬氨酸含量快速检测方法 |
| CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
Non-Patent Citations (3)
| Title |
|---|
| JULIO NOGALES-BUENO等: "Determination of technological maturity of grapes and total phenolic compounds of grape skins in red and white cultivars during ripening by near infrared hyperspectral image: A preliminary approach", 《FOOD CHEMISTRY》 * |
| JULIO NOGALES-BUENO等: "Use of near infrared hyperspectral tools for the screening of extractable polyphenols in red grape skins", 《FOOD CHEMISTRY》 * |
| 张上隆等: "《果实品质形成与调控的分子生理》", 31 August 2007, 中国农业出版社 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107389601A (zh) * | 2017-08-25 | 2017-11-24 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可滴定酸含量预测方法 |
| CN109406446A (zh) * | 2018-10-12 | 2019-03-01 | 四川长虹电器股份有限公司 | 对近红外数据的预处理方法及其调用方法 |
| CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
| CN109406421A (zh) * | 2018-10-31 | 2019-03-01 | 北京中研百草检测认证有限公司 | 基于高光谱成像技术预测枸杞子中阿魏酸含量的方法 |
| CN109406414A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中香草酸含量的方法 |
| CN109406421B (zh) * | 2018-10-31 | 2020-08-25 | 北京中研百草检测认证有限公司 | 基于高光谱成像技术预测枸杞子中阿魏酸含量的方法 |
| CN109297916B (zh) * | 2018-11-20 | 2021-03-30 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
| CN109297916A (zh) * | 2018-11-20 | 2019-02-01 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
| CN110346306A (zh) * | 2019-07-29 | 2019-10-18 | 云南大唐汉方制药股份有限公司 | 一种龙血竭原药材质量的快速检测方法 |
| CN111650130A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片镁含量的预测方法及预测系统 |
| CN111929261B (zh) * | 2020-09-16 | 2021-03-23 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN111929261A (zh) * | 2020-09-16 | 2020-11-13 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN113008890A (zh) * | 2021-03-09 | 2021-06-22 | 塔里木大学 | 基于无人机高光谱的棉花叶片氮含量监测方法及系统 |
| CN113008890B (zh) * | 2021-03-09 | 2023-11-03 | 塔里木大学 | 基于无人机高光谱的棉花叶片氮含量监测方法及系统 |
| CN113484265A (zh) * | 2021-06-10 | 2021-10-08 | 湖北民族大学 | 基于光谱法测定黄精中多酚含量的方法 |
| CN113189045A (zh) * | 2021-06-17 | 2021-07-30 | 天津科技大学 | 一种利用近红外光谱技术快速测定梨粉中总酚含量的方法 |
| CN115078269A (zh) * | 2022-07-15 | 2022-09-20 | 华中农业大学 | 一种基于色差计快速测定槟榔鲜果多酚含量的方法 |
| CN116297318A (zh) * | 2023-03-24 | 2023-06-23 | 广东省农业科学院作物研究所 | 一种基于近红外光谱法测定甘薯茎尖总酚的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107064053A (zh) | 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 | |
| CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
| CN103411973B (zh) | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 | |
| CN107976428B (zh) | 水产品化学污染物的无损实时检测方法与装置 | |
| CN106885782A (zh) | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 | |
| CN103063585A (zh) | 瓜果成熟度快速无损检测装置及检测系统建立方法 | |
| CN101949686A (zh) | 水果内外综合品质在线无损检测方法及装置 | |
| CN101832941A (zh) | 一种基于多光谱图像的水果品质评价装置 | |
| CN103257118A (zh) | 一种基于特征波段的鱼肉嫩度高光谱检测方法 | |
| CN105115910B (zh) | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 | |
| CN108827934B (zh) | 一种基于盲源分离拉曼散射图像的带包装食品品质无损检测方法 | |
| CN111982835A (zh) | 一种基于硅基多光谱芯片的水果糖度无损检测装置及方法 | |
| CN105203464A (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
| CN105092579A (zh) | 一种芒果品质无损检测设备 | |
| CN108760652A (zh) | 基于可见/近红外光谱的葡萄多品质无损检测方法及装置 | |
| CN105181606B (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
| CN101936894B (zh) | 一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术 | |
| CN112014376A (zh) | 一种基于空间偏移拉曼光谱的虾肉新鲜度检测方法 | |
| JP2009168746A (ja) | 検査方法および検査装置 | |
| CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
| JP2009168743A (ja) | 検査方法および検査装置 | |
| Yang et al. | A model for yellow tea polyphenols content estimation based on multi-feature fusion | |
| CN108627498A (zh) | 一种多光谱数据融合的面粉掺杂定量检测方法 | |
| Ai et al. | Measurement of the ratio of tea polyphenols to amino acids in green tea infusion based on near infrared spectroscopy | |
| CN115184281B (zh) | 一种基于二维光谱的溶液组分浓度确定方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
| RJ01 | Rejection of invention patent application after publication |