CN109520965A - 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 - Google Patents
一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 Download PDFInfo
- Publication number
- CN109520965A CN109520965A CN201811386962.XA CN201811386962A CN109520965A CN 109520965 A CN109520965 A CN 109520965A CN 201811386962 A CN201811386962 A CN 201811386962A CN 109520965 A CN109520965 A CN 109520965A
- Authority
- CN
- China
- Prior art keywords
- sample
- variable
- lysine
- value
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000004472 Lysine Substances 0.000 title claims abstract description 48
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 22
- 235000018977 lysine Nutrition 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 25
- VJDRZAPMMKFJEA-JEDNCBNOSA-N (2s)-2,6-diaminohexanoic acid;sulfuric acid Chemical compound OS(O)(=O)=O.NCCCC[C@H](N)C(O)=O VJDRZAPMMKFJEA-JEDNCBNOSA-N 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000002860 competitive effect Effects 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004497 NIR spectroscopy Methods 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- DWNBOPVKNPVNQG-LURJTMIESA-N (2s)-4-hydroxy-2-(propylamino)butanoic acid Chemical compound CCCN[C@H](C(O)=O)CCO DWNBOPVKNPVNQG-LURJTMIESA-N 0.000 claims 1
- 235000001014 amino acid Nutrition 0.000 abstract description 11
- 150000001413 amino acids Chemical class 0.000 abstract description 10
- 239000000126 substance Substances 0.000 abstract description 7
- 238000005903 acid hydrolysis reaction Methods 0.000 abstract description 6
- KDXKERNSBIXSRK-YFKPBYRVSA-N L-lysine Chemical compound NCCCC[C@H](N)C(O)=O KDXKERNSBIXSRK-YFKPBYRVSA-N 0.000 description 44
- 235000019766 L-Lysine Nutrition 0.000 description 8
- 241001465754 Metazoa Species 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 125000001176 L-lysyl group Chemical group [H]N([H])[C@]([H])(C(=O)[*])C([H])([H])C([H])([H])C([H])([H])C(N([H])[H])([H])[H] 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- -1 amino-acid salt Chemical class 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000020776 essential amino acid Nutrition 0.000 description 1
- 239000003797 essential amino acid Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000001694 spray drying Methods 0.000 description 1
- 230000004083 survival effect Effects 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明所述快速检测赖氨酸含量的方法，基于近红外光谱特征数据提取技术进行检测。本文所述近红外光谱特征数据提取技术，是通过竞争性自适应加权算法提取样品光谱中与赖氨酸相关的数据信息，建立近红外校正模型，从而能快速、高效、准确的检测饲料添加剂L‑赖氨酸硫酸盐中赖氨酸的含量。本发明所述快速检测赖氨酸含量的方法，通过提取与待测物质相关的特征数据，减少了建立校正模型的数据量，提高了近红外建模效率和模型的准确性，能够更快更好的检测大批量样品，节约了检测成本，也明显改善了标准《饲料中氨基酸的测定》(GB/T 18246‑2000)中酸水解法测定氨基酸耗时长、高消耗、仪器操作要求高的缺点。
Description
技术领域
本发明属于饲料检测技术领域，具体涉及一种基于近红外光谱特征数据提取技术快速检测饲料添加剂L-赖氨酸硫酸盐中赖氨酸含量的方法。
背景技术
饲料添加剂是指在饲料生产加工、使用过程中添加的少量或微量物质，虽然用量很少但作用显著。饲料添加剂是现代饲料工业必然使用的原料，对强化基础饲料营养价值、提高动物生产性能、保证动物健康、节省饲料成本、以及改善畜产品品质等方面有明显的效果。
L-赖氨酸是人和动物体内必需而自身又不能合成的八种必需氨基酸之一，人和动物体内赖氨酸缺乏会造成机体代谢紊乱，引发某些生理机能性疾病。动物饲养中，经常需要在饲料中添加L-赖氨酸作为外源氨基酸。L-赖氨酸属于有机物的一种，为了维持物质的稳定以及便于运输使用，经常需要制成盐使用，而赖氨酸盐分子中的无机成分不会破坏物质的有机结构，在保留L-赖氨酸功能的情况下，更易于保存和运输。L-赖氨酸硫酸盐是目前动物生产中应用最为广泛的氨基酸类添加剂之一，其不仅可以提高饲料中蛋白质的利用率，还能提高动物饲料转化率，可以为动物生长提供更加全面均衡的营养。
L-赖氨酸硫酸盐为黄褐色流动性粉末，有特异性气味和吸潮性，其通过生物发酵法制得，并经过喷干制成的65％L-赖氨酸硫酸盐，其中，L-赖氨酸的含量对L-赖氨酸硫酸盐饲料添加剂的效果具有很重要的影响。目前，关于L-赖氨酸硫酸盐添加剂中L-赖氨酸总含量的测定还没有统一的国家或行业标准，企业多采用《饲料中氨基酸的测定》(GB/T 18246-2000)中的酸水解法测定产品中赖氨酸总含量，酸水解法需要将样品在6mol/L盐酸、110℃的环境中水解22-24h。该方法虽然精密度相对较高，平行检测样相对偏差＜5％，但检测过程中却存在样品水解时间长、仪器成本昂贵且对检测员操作水平要求高等缺陷，尤其是单样检测耗时大约需要2d的时间，导致分析速度较慢，不适用于大批量样品的快速检测分析。另外，由于各企业生产工艺的不同，导致产品质量标准的不统一，容易造成出厂产品在组成成分、L-赖氨酸含量、颗粒大小、产品颜色等方面参差不齐，同时L-赖氨酸硫酸盐在运输、储藏过程中容易潮解结块、甚至变质，这些都会成为限制L-赖氨酸硫酸盐中L-赖氨酸含量检测的不利因素，并严重影响检测结果的准确性。
近红外光谱分析技术可利用有机化学物质在近红外光谱区的光学特性快速估测样品中的一项或多项化学成分含量，具有快速、方便、准确、可同时分析多组分的优点。由于近红外分析只是取得样品的光谱信号，有时甚至可以在原容器中进行测定，不需要其它试剂，因此，测试过程中不会产生任何污染，属于绿色环保的检测方法。近年来，国内外专家应用近红外光谱技术对食品、饲料中氨基酸成分的检测进行了较为广泛的研究，但氨基酸盐及其制品的相关研究还未见报道。本发明正是在利用近红外光谱特性的基础上，开展了快速测定L-赖氨酸硫酸盐饲料添加剂中L-赖氨酸含量的方法研究。
发明内容
为此，本发明所要解决的技术问题在于提供一种基于近红外光谱特征数据提取技术快速检测饲料添加剂中赖氨酸含量的方法，以解决现有技术中赖氨酸检测周期较长及检测准确性不稳定的问题。
为解决上述技术问题，本发明所述的一种基于近红外光谱特征数据提取技术检测赖氨酸含量的模型建立方法，包括如下步骤：
(1)收集不同来源的待测样品，分别进行前处理，备用；
(2)以现有技术方法分别测定各待测样本的赖氨酸含量；
(3)分别对步骤(1)中制得的待测样本进行近红外光谱信息采集，得到校正集样本全光谱数据；
(4)对步骤(3)中校正集样本全光谱数据进行预处理，并对预处理后的光谱数据进行特征数据信息的提取，以建立校正模型；
(5)基于步骤(2)中测定的赖氨酸含量，验证建立的所述校正模型的准确性。
所述步骤(1)中，所述前处理步骤为将待测样品经过旋风磨粉碎后过60目筛，并在105℃的烘箱中处理5h。
所述步骤(2)中，所述赖氨酸含量检测步骤按照《饲料中氨基酸的测定》(GB/T18246-2000)中酸水解法测定赖氨酸含量。
所述步骤(3)中，所述近红外光谱信息采集的步骤为采用近红外漫反射方式对各待测样品进行扫描以获取光谱数据；所述扫描方式为连续波长近红外扫描，光谱采集波长为1000nm-2500nm，分辨率为10nm，扫描次数32次，每个样品采集三次光谱然后取平均，每个所述待测样品的扫描时间为1min。
所述步骤(4)中，所述光谱预处理步骤为采用变量标准化处理和去散射处理、变量标准化、多元散射校正、二阶导数方法中至少一种。
所述步骤(4)中，所述光谱数据进行特征信息数据提取步骤采用竞争性自适应重加权算法(CARS)进行提取特征信息数据，具体包括如下步骤：
(a)取样：基于蒙特卡罗采样法对模型进行取样，并在每次CARS采样中，都需要从样品集中随机抽取一定量的样品作为校正集，以建立PLS模型；
(b)基于指数衰减函数去除变量：假定所测样本光谱阵为X(m×p)，m为样本数，p为变量数，SSC真实值矩阵为y(m×1)，则PLS回归模型为：
y＝Xb+e；
式中，b表示一个p维的系数向量，e表示预测残差；
其中，b＝Wc＝[b1，b2，...，bp]T(W表示得分矩阵和X的线性组合系数)，b中第i个元素的绝对值|bi|(1≤i≤p)表示第i个变量对SSC值的贡献，该值越大表示所对应变量在SSC的预测中越重要；
利用指数衰减函数强行去除|bi|值相对较小的波长点，并采用MC采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算：
ri＝ae-ki；
式中，a和k表示常数分别在第1次和第N次MCS时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rN＝2/p，从而a和k的计算公式如下：
a＝(2/P)1/(N-1)；
式中，ln表示自然对数，变量数p为1499，设定MC采样50次；
(c)基于自适应重加权采样技术进一步对变量进行筛选，通过评价每个变量点的权重wi进行变量筛选，权重值的计算如下：
(d)通过计算并比较每次产生的新的变量子集的RMSECV值，以RMSECV值最小的变量子集作为最优变量子集；并以此对全光谱数据与光谱特征信息数据构建校正模型进行优选。
所述步骤(4)中，所述建立校正模型的步骤所采用的化学计量学方法为多元线性回归法。
所述步骤(6)中，所述验证步骤包括：采集一组验证集样品，利用所建立的校正模型获得验证集赖氨酸含量的预测值，并基于现有技术方法测定的实际值进行对比评价，计算预测值与实际值的相关系数和方差，以此评价所述校正模型的准确性。
本发明还公开了所述的模型建立方法在检测饲料添加剂中赖氨酸含量领域中的应用。
本发明还公开了一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法，包括按照所述的方法构建所需的近红外光谱模型，以及在该条件下对含赖氨酸样品进行含量检测的步骤。
所述含赖氨酸样品为L-赖氨酸硫酸盐饲料添加剂。
本发明所述快速检测赖氨酸含量的方法，基于近红外光谱特征数据提取技术进行检测。本文所述近红外光谱特征数据提取技术，是通过竞争性自适应加权算法提取样品光谱中与赖氨酸相关的数据信息，建立近红外校正模型，从而能快速、高效、准确的检测饲料添加剂L-赖氨酸硫酸盐中赖氨酸的含量。本发明所述快速检测赖氨酸含量的方法，通过提取与待测物质相关的特征数据，减少了建立校正模型的数据量，提高了近红外建模效率和模型的准确性，能够更快更好的检测大批量样品，节约了检测成本，也明显改善了明显改善了标准《饲料中氨基酸的测定》(GB/T 18246-2000)中酸水解法测定氨基酸耗时长、高消耗、仪器操作要求高的缺点。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中，
图1为烘干粉碎后L-赖氨酸硫酸盐样品的近红外原始光谱图；
图2为经竞争性自适应重加权算法(CARS)提取的光谱特征信息数据；
图3为待测样品预测值与实际值相关性散点图。
具体实施方式
实施例1
本实施例利用近红外光谱特征数据提取技术检测饲料添加剂L-赖氨酸硫酸盐样本中赖氨酸的含量。
本实施例所述基于近红外光谱特征数据提取技术快速检测赖氨酸含量的模型建立方法，具体包括如下步骤：
(1)样本收集与制备
取57份已知来源的饲料添加剂L-赖氨酸硫酸盐样本，该样本均来自企业；将每份样本采用旋风磨进行粉碎后过60目筛；然后再置于105℃烘箱中处理5h进行烘干，即为烘干粉碎态待测样品。
(2)样本赖氨酸含量的测定
将每份样本置于105℃烘箱中处理5h进行烘干，然后将烘干后的样品按照《饲料中氨基酸的测定》(GB/T 18246-2000)中的酸水解法测定赖氨酸的含量。
(3)样本近红外光谱采集
采用SupNIR-2700型光栅近红外光谱仪(聚光科技股份有限公司生产)对上述制得的烘干状态下的L-赖氨酸硫酸盐粉碎样品进行光谱采集。于25℃下开启近红外光谱仪预热30min，每次扫样前以空气光谱为背景光谱。其中，所述近红外光谱仪采集方式为漫反射采集，光谱采集范围为1000nm-2500nm，分辨率为10nm，扫描次数为32次。装样时，每个样品的高度要与样品池的边缘持平，以保证装样量一致，每个样品重复扫描3次，求其平均光谱曲线。所述待测样品所采集的原始光谱曲线如图1所示。
(4)近红外光谱特征数据的提取与模型构建
采用变量标准化处理和去散射处理(SNVDT)、变量标准化(SNV)、多元散射校正(MSC)、二阶导数法对步骤(3)中得到样本校正集全光谱进行预处理。随后采用竞争性自适应重加权算法(CARS)提取了步骤(3)中样本预处理后光谱数据中的特征信息，从每条光谱1499个波长数据点中提取了31个，提取结果如下表1及图2所示，具体提取步骤包括：
(a)取样：基于蒙特卡罗采样法(Monte Carlo sampling，MCS)对模型进行取样，并在每次CARS采样中，都需要从样品集中随机抽取一定量的样品作为校正集，以建立PLS模型；
(b)基于指数衰减函数(exponentially decreasing function，EDP)去除变量：假定所测样本光谱阵为X(m×p)，m为样本数，p为变量数，SSC真实值矩阵为y(m×1)，则PLS回归模型为：
y＝Xb+e；
式中，b表示一个p维的系数向量，e表示预测残差；
其中，b＝Wc＝[b1，b2，...，bp]T(W表示得分矩阵和X的线性组合系数)，b中第i个元素的绝对值|bi|(1≤i≤p)表示第i个变量对SSC值的贡献，该值越大表示所对应变量在SSC的预测中越重要；
利用指数衰减函数强行去除|bi|值相对较小的波长点，并采用MC采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算：
ri＝ae-ki；
式中，a和k表示常数分别在第1次和第N次MCS时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rN＝2/p，从而a和k的计算公式如下：
a＝(2/P)1/(N-1)；
式中，ln表示自然对数，变量数p为1499，设定MC采样50次；
(c)基于自适应重加权采样技术(adaptive reweighted sampling，ARS)进一步对变量进行筛选，该技术模拟达尔文进化论中的“适者生存”的法则，通过评价每个变量点的权重wi进行变量筛选，权重值的计算如下：
(d)通过计算并比较每次产生的新的变量子集的RMSECV值，以RMSECV值最小的变量子集作为最优变量子集；并以此对全光谱数据与光谱特征信息数据构建校正模型进行优选。
所述光谱预处理与特征信息数据提取，均是在Matlab及Pls_toolbox软件中运行的。利用提取后的光谱特征信息数据结合多元线性回归法(MLR)构建了校正模型，结果如下表2所示。
表1经CARS提取后的光谱特征波长
表2 L-赖氨酸硫酸盐定量分析模型验证结果
(5)校正模型的验证与样本测定
采集18个其他验证集样本，重复步骤(1)至(3)，并利用步骤(4)所建立的校正集模型预测验证集样本赖氨酸含量，具体验证结果如下表3所示，L-赖氨酸硫酸盐定量分析模型验证集预测结果见下表4，验证集待测样品预测值与实际值相关性散点图见附图3所示。
表3 L-赖氨酸硫酸盐定量分析模型验证结果
表4验证模型样品真实值与预测值对比表
| 样品编号 | 真实值 | 预测值 | 偏差 |
| 1 | 51.87 | 52.42 | 0.55 |
| 2 | 52.64 | 52.41 | -0.23 |
| 3 | 53.03 | 53.70 | 0.67 |
| 4 | 54.11 | 53.45 | -0.66 |
| 5 | 54.61 | 56.10 | 1.49 |
| 6 | 54.91 | 56.29 | 1.38 |
| 7 | 55.85 | 56.03 | 0.18 |
| 8 | 56.34 | 56.22 | -0.12 |
| 9 | 56.77 | 58.49 | 1.72 |
| 10 | 57.03 | 57.74 | 0.71 |
| 11 | 57.44 | 56.35 | -1.09 |
| 12 | 57.72 | 57.68 | -0.04 |
| 13 | 57.83 | 58.05 | 0.22 |
| 14 | 58.15 | 57.89 | -0.26 |
| 15 | 58.54 | 58.61 | 0.07 |
| 16 | 58.72 | 59.91 | 1.19 |
| 17 | 59.30 | 59.96 | 0.66 |
| 18 | 60.33 | 60.43 | 0.10 |
从表3和4结果中可以看出，本发明构建的L-赖氨酸硫酸盐中赖氨酸含量近红外定量分析模型具有较高的准确度，可以用于赖氨酸的含量检测。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于近红外光谱特征数据提取技术检测赖氨酸含量的模型建立方法，其特征在于，包括如下步骤：
(1)收集不同来源的待测样品，分别进行前处理，备用；
(2)以现有技术方法分别测定各待测样本的赖氨酸含量；
(3)分别对步骤(1)中制得的待测样本进行近红外光谱信息采集，得到校正集样本全光谱数据；
(4)对步骤(3)中校正集样本全光谱数据进行预处理，并对预处理后的光谱数据进行特征数据信息的提取，以建立校正模型；
(5)基于步骤(2)中测定的赖氨酸含量，验证建立的所述校正模型的准确性。
2.根据权利要求1所述的模型建立方法，其特征在于：所述步骤(1)中，所述前处理步骤为将待测样品经过旋风磨粉碎后过60目筛，并在105℃的烘箱中处理5h。
3.根据权利要求1或2所述的模型建立方法，其特征在于：所述步骤(3)中，所述近红外光谱信息采集的步骤为采用近红外漫反射方式对各待测样品进行扫描以获取光谱数据；所述扫描方式为连续波长近红外扫描，光谱采集波长为1000nm-2500nm，分辨率为10nm，扫描次数32次，每个样品采集三次光谱然后取平均，每个所述待测样品的扫描时间为1min。
4.根据权利要求1-3任一项所述的模型建立方法，其特征在于：所述步骤(4)中，所述光谱预处理步骤为采用变量标准化处理和去散射处理、变量标准化、多元散射校正、二阶导数方法中至少一种。
5.根据权利要求1-4任一项所述的模型建立方法，其特征在于：所述步骤(4)中，所述光谱数据进行特征信息数据提取步骤采用竞争性自适应重加权算法(CARS)进行提取特征信息数据，具体包括如下步骤：
(a)取样：基于蒙特卡罗采样法对模型进行取样，并在每次CARS采样中，都需要从样品集中随机抽取一定量的样品作为校正集，以建立PLS模型；
(b)基于指数衰减函数去除变量：假定所测样本光谱阵为X(m×p)，m为样本数，p为变量数，SSC真实值矩阵为y(m×1)，则PLS回归模型为：
y＝Xb+e；
式中，b表示一个p维的系数向量，e表示预测残差；
其中，b＝Wc＝[b1，b2，…，bp]T(W表示得分矩阵和X的线性组合系数)，b中第i个元素的绝对值|bi|(1≤i≤p)表示第i个变量对SSC值的贡献，该值越大表示所对应变量在SSC的预测中越重要；
利用指数衰减函数强行去除|bi|值相对较小的波长点，并采用MC采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算：
ri＝ae-ki；
式中，a和k表示常数分别在第1次和第N次MCS时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rN＝2/p，从而a和k的计算公式如下：
a＝(2/P)1/(N-1)；
式中，ln表示自然对数，变量数p为1499，设定MC采样50次；
(c)基于自适应重加权采样技术进一步对变量进行筛选，通过评价每个变量点的权重wi进行变量筛选，权重值的计算如下：
(d)通过计算并比较每次产生的新的变量子集的RMSECV值，以RMSECV值最小的变量子集作为最优变量子集；并以此对全光谱数据与光谱特征信息数据构建校正模型进行优选。
6.根据权利要求1-5任一项所述的模型建立方法，其特征在于：所述步骤(4)中，所述建立校正模型的步骤所采用的化学计量学方法为多元线性回归法。
7.根据权利要求1-6任一项所述的模型建立方法，其特征在于：所述步骤(6)中，所述验证步骤包括：采集一组验证集样品，利用所建立的校正模型获得验证集赖氨酸含量的预测值，并基于现有技术方法测定的实际值进行对比评价，计算预测值与实际值的相关系数和方差，以此评价所述校正模型的准确性。
8.权利要求1-7任一项所述的模型建立方法在检测饲料添加剂中赖氨酸含量领域中的应用。
9.一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法，其特征在于，包括按照权利要求1-7任一项所述的方法构建所需的近红外光谱模型，以及在该条件下对含赖氨酸样品进行含量检测的步骤。
10.根据权利要求9所述的基于近红外光谱特征数据提取技术检测赖氨酸含量的方法，其特征在于，所述含赖氨酸样品为L-赖氨酸硫酸盐饲料添加剂。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811386962.XA CN109520965A (zh) | 2018-11-20 | 2018-11-20 | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811386962.XA CN109520965A (zh) | 2018-11-20 | 2018-11-20 | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109520965A true CN109520965A (zh) | 2019-03-26 |
Family
ID=65777736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811386962.XA Pending CN109520965A (zh) | 2018-11-20 | 2018-11-20 | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109520965A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567937A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 |
| CN112461784A (zh) * | 2020-11-16 | 2021-03-09 | 山东大学 | 一种基于近红外光谱的药物共晶检测方法及其应用 |
| CN114166780A (zh) * | 2021-11-16 | 2022-03-11 | 华中农业大学 | 牛奶中游离的赖氨酸含量的中红外快速批量检测方法 |
| CN116793991A (zh) * | 2023-08-22 | 2023-09-22 | 青岛理工大学 | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
| CN117517248A (zh) * | 2023-12-05 | 2024-02-06 | 浙江舟山远东海盐制品有限责任公司 | 一种基于近红外光谱成像的盐添加剂含量检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967578A (zh) * | 2012-11-08 | 2013-03-13 | 中国农业科学院农业质量标准与检测技术研究所 | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 |
| CN107655851A (zh) * | 2017-09-18 | 2018-02-02 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 |
| CN108195793A (zh) * | 2016-12-08 | 2018-06-22 | 中国农业机械化科学研究院 | 植物源性饲料原料氨基酸含量的通用模型构建方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
-
2018
- 2018-11-20 CN CN201811386962.XA patent/CN109520965A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967578A (zh) * | 2012-11-08 | 2013-03-13 | 中国农业科学院农业质量标准与检测技术研究所 | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 |
| CN108195793A (zh) * | 2016-12-08 | 2018-06-22 | 中国农业机械化科学研究院 | 植物源性饲料原料氨基酸含量的通用模型构建方法 |
| CN107655851A (zh) * | 2017-09-18 | 2018-02-02 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567937A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 |
| CN112461784A (zh) * | 2020-11-16 | 2021-03-09 | 山东大学 | 一种基于近红外光谱的药物共晶检测方法及其应用 |
| CN114166780A (zh) * | 2021-11-16 | 2022-03-11 | 华中农业大学 | 牛奶中游离的赖氨酸含量的中红外快速批量检测方法 |
| CN114166780B (zh) * | 2021-11-16 | 2024-02-13 | 华中农业大学 | 牛奶中游离的赖氨酸含量的中红外快速批量检测方法 |
| CN116793991A (zh) * | 2023-08-22 | 2023-09-22 | 青岛理工大学 | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
| CN116793991B (zh) * | 2023-08-22 | 2023-11-10 | 青岛理工大学 | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
| CN117517248A (zh) * | 2023-12-05 | 2024-02-06 | 浙江舟山远东海盐制品有限责任公司 | 一种基于近红外光谱成像的盐添加剂含量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109520965A (zh) | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 | |
| CN107655851A (zh) | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 | |
| Xiong et al. | Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: A review | |
| CN103439271B (zh) | 一种猪肉成熟状况的可视化检测方法 | |
| CN108663339A (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
| CN103344597B (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
| CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
| CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
| Liu et al. | Rapid determination of rice protein content using near-infrared spectroscopy coupled with feature wavelength selection | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| Li et al. | Optical techniques in non-destructive detection of wheat quality: A review | |
| WO2005111583A1 (ja) | 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置 | |
| Wang et al. | Integrated spectral and textural features of hyperspectral imaging for prediction and visualization of stearic acid content in lamb meat | |
| Yang et al. | Rapid detection method of Pleurotus eryngii mycelium based on near infrared spectral characteristics | |
| CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
| CN105675538A (zh) | 一种胡麻饼养分的检测方法 | |
| Qin et al. | Prediction of Peking duck intramuscle fat content by near-infrared spectroscopy | |
| CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
| CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
| Huang et al. | Nondestructive Detection of Sunflower Seed Vigor and Moisture Content Based on Hyperspectral Imaging and Chemometrics | |
| Fu et al. | Determination of soluble solid content and acidity of loquats based on FT-NIR spectroscopy | |
| CN103728269A (zh) | 一种近红外快速检测酿酒原料中理化指标的方法 | |
| Tan et al. | Estimation of Soybean Internal Quality Based on Improved Support Vector Regression Based on the Sparrow Search Algorithm Applying Hyperspectral Reflectance and Chemometric Calibrations |
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: 20190326 |
|
| RJ01 | Rejection of invention patent application after publication |