CN105606559A - 一种利用光谱法测定农产品中植物蛋白的方法 - Google Patents
一种利用光谱法测定农产品中植物蛋白的方法 Download PDFInfo
- Publication number
- CN105606559A CN105606559A CN201511032031.6A CN201511032031A CN105606559A CN 105606559 A CN105606559 A CN 105606559A CN 201511032031 A CN201511032031 A CN 201511032031A CN 105606559 A CN105606559 A CN 105606559A
- Authority
- CN
- China
- Prior art keywords
- data
- agricultural product
- vegetable protein
- chemical detection
- wavelength
- 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 53
- 108010082495 Dietary Plant Proteins Proteins 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 239000000126 substance Substances 0.000 claims abstract description 57
- 238000013499 data model Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004611 spectroscopical analysis Methods 0.000 claims description 57
- 108010064851 Plant Proteins Proteins 0.000 claims description 25
- 235000021118 plant-derived protein Nutrition 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000002835 absorbance Methods 0.000 claims description 10
- 235000013399 edible fruits Nutrition 0.000 claims description 8
- 239000004615 ingredient Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 6
- 235000013311 vegetables Nutrition 0.000 claims description 6
- 235000013339 cereals Nutrition 0.000 claims description 3
- 235000021384 green leafy vegetables Nutrition 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 238000002331 protein detection Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 241000371652 Curvularia clavata Species 0.000 description 14
- 244000061456 Solanum tuberosum Species 0.000 description 13
- 235000002595 Solanum tuberosum Nutrition 0.000 description 13
- 238000013507 mapping Methods 0.000 description 12
- 244000068988 Glycine max Species 0.000 description 11
- 235000010469 Glycine max Nutrition 0.000 description 11
- 235000020995 raw meat Nutrition 0.000 description 10
- 235000018102 proteins Nutrition 0.000 description 9
- 108090000623 proteins and genes Proteins 0.000 description 9
- 102000004169 proteins and genes Human genes 0.000 description 9
- 240000007594 Oryza sativa Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- 235000012015 potatoes Nutrition 0.000 description 6
- OHJMTUPIZMNBFR-UHFFFAOYSA-N biuret Chemical compound NC(=O)NC(N)=O OHJMTUPIZMNBFR-UHFFFAOYSA-N 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000017060 Arachis glabrata Nutrition 0.000 description 2
- 244000105624 Arachis hypogaea Species 0.000 description 2
- 235000010777 Arachis hypogaea Nutrition 0.000 description 2
- 235000018262 Arachis monticola Nutrition 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000020232 peanut Nutrition 0.000 description 2
- 244000298715 Actinidia chinensis Species 0.000 description 1
- 235000009434 Actinidia chinensis Nutrition 0.000 description 1
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 244000144725 Amygdalus communis Species 0.000 description 1
- 235000011437 Amygdalus communis Nutrition 0.000 description 1
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 240000002319 Citrus sinensis Species 0.000 description 1
- 241000675108 Citrus tangerina Species 0.000 description 1
- 235000006481 Colocasia esculenta Nutrition 0.000 description 1
- 244000205754 Colocasia esculenta Species 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 240000007049 Juglans regia Species 0.000 description 1
- 235000009496 Juglans regia Nutrition 0.000 description 1
- 244000302544 Luffa aegyptiaca Species 0.000 description 1
- 235000009814 Luffa aegyptiaca Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 235000020224 almond Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000021120 animal protein Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 235000006486 human diet Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000014571 nuts Nutrition 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000020234 walnut Nutrition 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
- G01N21/3563—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
Abstract
本发明公开了一种利用光谱法测定农产品中植物蛋白的方法,该方法包括如下步骤:利用化学检测方法测量同一农产品的n个样品中植物蛋白含量,得到相应植物蛋白化学检测数据,在光谱范围为800-2500nm下,对同一农产品的n个样品进行非破坏性的光谱测量,得到相应植物蛋白光谱数据,其中n≥50;利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;针对待检农产品进行光谱数据收集,将所收集的光谱数据输入数据运算服务器;运算服务器根据所需要检测的产品品种匹配数据模型并进行运算,获得所检测农产品的植物蛋白含量。
Description
技术领域
本发明属于物质检测领域,特别是涉及利用光谱检测化学成分的方法,具体是涉及一种利用光谱法测定农产品中植物蛋白的方法。
背景技术
植物蛋白是蛋白质的一种,来源于植物中,其营养与动物蛋白相仿,但是更易于消化。食物中以豆类、花生、肉类、乳类、蛋类、鱼虾类含蛋白质较高,而谷类含量较少,蔬菜水果中更少。日常生活中,植物蛋白尽管一般不如动物蛋白好,但仍是人类膳食蛋白质的重要来源。谷类一般含蛋白质6%-10%,不过其中必需氨基酸含量低。薯类含蛋白质2%-3%。某些坚果类如花生、核桃、杏仁和莲子等则含有较高的蛋白质(15%-30%)。豆科植物如某些干豆类的蛋白质含量可高达40%左右。特别是大豆在豆类中更为突出,它不仅蛋白质含量高,而且质量亦高,是人类食物蛋白质的良好来源。植物蛋白为素食者饮食中主要的蛋白质来源,可用以制成形、味、口感等与相应动物食品相似的仿肉制品。
生活中消费者对农产品中植物蛋白的含量越来越重视,尤其是对于素食主义者或养生者,因此,消费者在选择农产品时对其植物蛋白含量的要求也越来越关注,而目前对农产品植物蛋白含量的测定常以破坏性化学分析或者在实验室使用昂贵的实验仪器分析为主,这些方法都需要将农产品损坏,并且不能进行现场测试分析,测试过程繁琐、不利于消费者直接、快速知道农产品中植物蛋白含量的情况。同时,目前未有专利技术公开利用光谱法测定农产品中植物蛋白的方法,尤其是对农产品在无损状态下进行植物蛋白的方法。
发明内容
为了克服上述测定方法所存在的各种缺陷,本发明提供了一种利用光谱法测定农产品中植物蛋白的方法,该方法包括如下步骤:
A.利用化学检测方法测量同一农产品的n个样品中植物蛋白含量,得到相应植物蛋白化学检测数据,其中n≥50;
B.在光谱范围为800-2500nm下,对同一农产品的n个样品进行非破坏性的光谱测量,得到相应植物蛋白光谱数据,其中n≥50;
C.利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;
D.针对待检农产品在800-2500nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种;
E.运算服务器根据所需要检测的产品品种匹配数据模型并进行运算,获得所检测农产品的植物蛋白含量。
所述步骤C数据模型建立的方法,包括如下步骤:
步骤I:用光源发射兼光谱收集的装置发射光斑照射待检测的农产品样品A1,并收集农产品样品A1反射回来的光谱,采用光谱分析设备确定所收集的光谱的波长及吸光度,形成农产品样品A1的光谱数据;
步骤II:对农产品样品A1进行化学分析,分析植物蛋白含量,形成农产品样品的化学检测数据;
步骤III:将农产品A1的光谱数据和化学检测数据录入同一数据库,形成数据映射X1;
步骤IV:重复上述步骤I、步骤II和步骤III,对农产品样品A2至An+1进行n次重复,形成n组光谱数据和对应的n组化学检测数据,将光谱数据和化学检测数据录入同一数据库,形成n组数据映射的数据映射集合;
步骤V:将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应,确定2-100个波长吸光度变化与化学检测数据变化的定量关系;
步骤VI:将上述步骤的定量关系嵌入运算服务器,采集农产品新样品AX的光谱数据,将其录入数据库的同时,选取步骤V确定的2-100个波长录入运算服务器,计算出未进行实际检测的农产品新样品化学数据,同时将该化学数据输出到显示端和数据库,并在数据库中与农产品新样品AX的光谱数据形成测量数据映射;
步骤VII:根据步骤I至步骤VI所形成的数据库和运算服务器上的定量关系,将数据库和运算服务器相连,同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端,形成农产品的光谱数据模型。
上述步骤IV中建立数据映射集合的方法具体是:
1)光谱数据输入光谱数据库中,按照纳米级建立数据条,每个纳米级波长定义为一个数据条,将每个纳米级波长数据和波长强度数据录入数据库中,形成光谱数据库中的光谱数据条,光谱范围中的纳米波长数量k对应形成相应数量的光谱数据条k;例如波长范围为1000-1500纳米,则有501条光谱数据条,k为501,每个光谱数据条包括波长和强度;
2)化学检测数据输入化学数据库中,将化学检测数据按所检测成分的数量建立数据条,照成分建立数据条,每个成分定义为一条数据条,将每个成分名称及成分含量录入数据库中,形成化学数据库中的成分数据条,成分的数量对应形成相应数量的成分数据条;例如某物体的化学检测数据中有5中成分,则有5条数据条,分别为Y1、Y2……Y5,每个数据条包括成分名称和成分含量;或者将化学检测数据进行排列组合,然后将所有排列组合作为数据条数据数据库,排列组合;
3)将光谱表中的一条光谱数据条对应化学数据表中的所有成分数据条,形成映射数据组,对应原则是一条光谱数据条分别对应各成分数据条,形成单光谱和多成分对应的映射数据组;例如光谱数据条为X1000,成分数据条为Y1、Y2、Y3、Y4、Y5,则针对1000纳米的单光谱和多成分对应的映射数据组为{X1000Y1,X1000Y2,X1000Y3,X1000Y4,X1000Y5};
按照上述建立映射数据组的方法,将光谱表中的所有光谱数据条与化学数据表中所有成分数据条进行分别对应,形成所有映射数据组的集合,即为映射数据集合;例如光谱数据条为501条,成分数据条为5条,则一次检测所形成的光谱数据和化学检测数据的映射数据集合中包含501×5=2505条数据,该2505条数据即为物体该次检测的映射数据集合。
如果对该物体的不同样品进行n次检测,则形成n个映射数据集合,将n个映射数据集合统一输入一个单独的数据库中,则形成该物体映射数据库。
上述n大于等于50,更加优选的,n大于等于100。
优选的,所述光谱的波长范围为800-1800nm,或光谱的波长范围为1500-2500。
优选的,所述农产品为植物蛋白成分含量差异值在0-50%的同类农产品。所述植物蛋白成分含量差异值是指各农产品样品中植物蛋白含量的绝对值与各农产品样品中植物蛋白含量的平均值的比值的百分数。
优选的,所述光谱数据为波长为800-1800nm的1001个波长的波长和强度的数据集合,或者光谱数据为波长为1500-2500的1001个波长的波长和强度的数据集合。
优选的,所述农产品包括叶菜类、水果类、粮食类、块茎类、果菜类。进一步优选的,所述水果类为蜜桔、脐橙、苹果、梨、草莓、猕猴桃。所述果菜类为黄瓜、茄子、西红柿、芋头、土豆、萝卜、丝瓜。
优选的,所述步骤A中化学检测方法采用GBT5009.5-2010进行检测。
本发明的方法中,光谱数据为通过光谱收集装置收集的不同波长的光能量,通过光转化信号装置转化为光谱数据,光谱数据一般要求具有光谱强度,即使某波长光波强度为零,则在光谱数据也需要记载。
与现有技术相比,本发明具有如下有益效果:
1、本发明检测时,只需对农产品进行简单的清洗或切割,当农产品的皮厚大于1mm以上时,才对农产品切开得到断面,对得到的断面进行光谱测量得到农产品中植物蛋白含量。该方法只在必要时对农产品进行切割,不需对农产品进行化学处理或更多的机械处理。检测方法更简单和便捷。
2、采用光谱技术分析测定,分析速度快,能随时检测,方便快捷;
3、本发明的光谱数据和化学检测数据的映射方法充分考虑不同农产品的组成特性,可以根据需要同时测定不同农产品中植物蛋白含量;
4、本发明提供的光谱数据和化学成分数据之间的建模方法可方便更新基础数据库,提供大而可靠的数据,提高检测精确度,减少人为误差。
5、本发明方法建立的数据模型所基于的光谱数据是针对农产品大于等于50个样品及样品的各个部位所反射回来的光谱数据,所搜集的光谱数据齐全,光谱数据模型无需校正即能对农产品中植物蛋白的含量进行准确的测量。同时,本发明中同一数据模型适用于农产品中植物蛋白成分含量差异值在0-50%内,这样检测结果更准确。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明,但本发明要求保护的范围并不局限于实施例表达的范围。
实施例1
一种利用光谱法测定陕西洋县黑米中植物蛋白的方法,该方法具体如下:
黑米中植物蛋白小于10g/100g,因此利用GBT5009.5-2010中凯氏定氮法测量100粒陕西洋县黑米中植物蛋白含量,得到相应植物蛋白化学检测数据;在光谱范围为800-2500nm下,对相应的100粒陕西洋县黑米进行非破坏性的光谱测量,得到相应植物蛋白光谱数据;利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;其中,建立农产品植物蛋白检测的数据模型的光谱数据是选取了4个波长范围(分别为1200-1600nm,1000-1100nm,2000-2300nm,900-950nm)的吸光度数值与相应的化学检测数据进行对应,来确定该4个波长吸光度变化与化学检测数据变化的定量关系。
针对30粒待检陕西洋县黑米在800-2500nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种为陕西洋县黑米;运算服务器根据所需要检测的产品品种陕西洋县黑米匹配数据模型并进行运算,获得所检测陕西洋县黑米的植物蛋白含量。同时,还针对该30粒待检陕西洋县黑米采用GBT5009.5-2010中凯氏定氮法进行化学检测,结果发现陕西洋县黑米中植物蛋白成分含量差异值为8.5%,对该30粒陕西洋县黑米使用化学检测和光谱法测定得到的植物蛋白含量的误差小于0.29mg/100g。
针对30粒待检普通大米在800-2500nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种为陕西洋县黑米;运算服务器根据所需要检测的产品品种陕西洋县黑米匹配数据模型并进行运算,获得所检测普通大米的植物蛋白含量。同时,还针对该30粒待检普通大米采用GBT5009.5-2010中凯氏定氮法进行化学检测,结果发现普通大米与陕西洋县黑米中的植物蛋白成分含量差异值为53.5%(大于50%),对该30粒陕西洋县黑米使用化学检测和光谱法测定得到的植物蛋白含量的差异值在48.5mg/100g左右。说明普通大米与陕西洋县黑米中的植物蛋白成分含量差异值超过50%,差异值过大,适用于测量陕西洋县黑米的数据模型不适用于测量普通大米。
实施例2
一种利用光谱法测定干黄豆中植物蛋白的方法,该方法具体如下:
干黄豆中植物蛋白小于10g/100g,因此利用GBT5009.5-2010中凯氏定氮法测量100粒干黄豆中植物蛋白含量,得到相应植物蛋白化学检测数据;在光谱范围为800-1700nm下,对相应的100粒干黄豆进行非破坏性的光谱测量,得到相应植物蛋白光谱数据;利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;其中,建立农产品植物蛋白检测的数据模型的光谱数据是选取了3个波长范围(分别为1200-1600nm,1000-1100nm,900-950nm)的吸光度数值与相应的化学检测数据进行对应,来确定该3个波长吸光度变化与化学检测数据变化的定量关系。针对25粒待检干黄豆在800-1700nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种为干黄豆;运算服务器根据所需要检测的产品品种干黄豆匹配数据模型并进行运算,获得所检测干黄豆的植物蛋白含量。同时,还针对该25粒待检干黄豆采用GBT5009.5-2010中凯氏定氮法进行化学检测,结果发现对该25粒干黄豆使用化学检测和光谱法测定得到的植物蛋白含量的误差小于0.28mg/100g。
实施例3
一种利用光谱法测定白花生肉中植物蛋白的方法,该方法具体如下:
白花生肉中植物蛋白小于10g/100g,因此利用GBT5009.5-2010中凯氏定氮法测量30粒白花生肉中植物蛋白含量,得到相应植物蛋白化学检测数据;在光谱范围为800-2500nm下,对相应的30粒白花生肉进行非破坏性的光谱测量,得到相应植物蛋白光谱数据;利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;其中,建立农产品植物蛋白检测的数据模型的光谱数据是选取了2个波长范围(分别为1200-1600nm,2000-2300nm)的吸光度数值与相应的化学检测数据进行对应,来确定该3个波长吸光度变化与化学检测数据变化的定量关系。针对25粒待检白花生肉在800-2500nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种为白花生肉;运算服务器根据所需要检测的产品品种白花生肉匹配数据模型并进行运算,获得所检测白花生肉的植物蛋白含量。同时,还针对该25粒待检白花生肉采用GBT5009.5-2010中凯氏定氮法进行化学检测,结果发现对该25粒白花生肉使用化学检测和光谱法测定得到的植物蛋白含量的误差大于58.67mg/100g,说明基于小于50个样品建立数据模型其测量样品的植物蛋白含量的误差大。
实施例4
一种利用光谱法测定土豆中植物蛋白的方法,该方法具体如下:
利用双缩脲法(Biuret法)的化学检测方法测量300个土豆中植物蛋白含量,得到相应植物蛋白化学检测数据;在光谱范围为800-2500nm下,对相应的300个土豆进行非破坏性的光谱测量,得到相应植物蛋白光谱数据;利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;其中,建立农产品植物蛋白检测的数据模型的光谱数据是选取了3个波长范围(分别为1000-1100nm,2000-2300nm,900-9500nm)的吸光度数值与相应的化学检测数据进行对应,来确定该3个波长吸光度变化与化学检测数据变化的定量关系。
针对15个待检土豆在800-2500nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种为土豆;运算服务器根据所需要检测的产品品种土豆匹配数据模型并进行运算,获得所检测土豆的植物蛋白含量。
同时,还针对该15个待检土豆采用双缩脲法(Biuret法)进行化学检测,结果发现对该15个土豆使用化学检测和光谱法测定得到的植物蛋白含量的误差小于0.21mg/100g。
但用GBT5009.5-2010中凯氏定氮法对15个待检土豆进行化学检测,结果发现对该15个土豆使用GBT5009.5-2010中凯氏定氮法和上述光谱法测定得到的植物蛋白含量的误差大于30.46mg/100g。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (8)
1.一种利用光谱法测定农产品中植物蛋白的方法,该方法包括如下步骤:
A.利用化学检测方法测量同一农产品的n个样品中植物蛋白含量,得到相应植物蛋白化学检测数据,其中n≥50;
B.在光谱范围为800-2500nm下,对同一农产品的n个样品进行非破坏性的光谱测量,得到相应植物蛋白光谱数据,其中n≥50;
C.利用光谱数据和化学检测数据建立农产品植物蛋白检测的数据模型,数据模型嵌入数据运算服务器;
D.针对待检农产品在800-2500nm下进行光谱数据收集,将所收集的光谱数据输入数据运算服务器,同时选择需要检测的农产品品种;
E.运算服务器根据所需要检测的产品品种匹配数据模型并进行运算,获得所检测农产品的植物蛋白含量。
2.根据权利要求1所述的方法,其特征在于,所述光谱的波长范围为800-1800nm,或光谱的波长范围为1500-2500nm。
3.根据权利要求1或2所述的方法,其特征在于,所述农产品为植物蛋白成分含量差异值在0-50%的同类农产品。
4.根据权利要求1所述的方法,其特征在于n大于等于100,优选的n大于等于200。
5.根据权利要求1所述的方法,其特征在于,所述步骤C数据模型建立的方法包括如下步骤:
步骤I:用光源发射兼光谱收集的装置发射光斑照射待检测的农产品样品A1,并收集农产品样品A1反射回来的光谱,采用光谱分析设备确定所收集的光谱的波长及吸光度,形成农产品样品A1的光谱数据;
步骤II:对农产品样品A1进行化学分析,分析植物蛋白含量,形成农产品样品的化学检测数据;
步骤III:将农产品A1的光谱数据和化学检测数据录入同一数据库,形成数据映射X1;
步骤IV:重复上述步骤I、步骤II和步骤III,对农产品样品A2至An+1进行n次重复,形成n组光谱数据和对应的n组化学检测数据,将光谱数据和化学检测数据录入同一数据库,形成n组数据映射的数据映射集合;
步骤V:将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应,确定2-100个波长吸光度变化与化学检测数据变化的定量关系;
步骤VI:将上述步骤的定量关系嵌入运算服务器,采集农产品新样品AX的光谱数据,将其录入数据库的同时,选取步骤V确定的2-100个波长录入运算服务器,计算出未进行实际检测的农产品新样品化学数据,同时将该化学数据输出到显示端和数据库,并在数据库中与农产品新样品AX的光谱数据形成测量数据映射;
步骤VII:根据步骤I至步骤VI所形成的数据库和运算服务器上的定量关系,将数据库和运算服务器相连,同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端,形成农产品的光谱数据模型。
6.根据权利要求5所述的方法,其特征在于,所述光谱数据为波长为800-1800nm的1001个波长的波长和强度的数据集合,或者光谱数据为波长为1500-2500的1001个波长的波长和强度的数据集合。
7.根据权利要求1所述的方法,其特征在于,农产品包括叶菜类、水果类、粮食类、块茎类、果菜类。
8.根据权利要求1所述的方法,其特征在于,所述步骤A中化学检测方法采用GB5009.5-2010进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032031.6A CN105606559A (zh) | 2015-12-31 | 2015-12-31 | 一种利用光谱法测定农产品中植物蛋白的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032031.6A CN105606559A (zh) | 2015-12-31 | 2015-12-31 | 一种利用光谱法测定农产品中植物蛋白的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105606559A true CN105606559A (zh) | 2016-05-25 |
Family
ID=55986665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511032031.6A Pending CN105606559A (zh) | 2015-12-31 | 2015-12-31 | 一种利用光谱法测定农产品中植物蛋白的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606559A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840941A (zh) * | 2017-03-16 | 2017-06-13 | 中国林业科学研究院林业研究所 | 一种快速判定杂交构树采收时期的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1284164A (zh) * | 1998-02-06 | 2001-02-14 | 德斯夸瑞德发展有限公司 | 谷物质量监测仪 |
CN1353304A (zh) * | 2001-12-05 | 2002-06-12 | 单凯 | 一种对谷物进行品质检测的方法及其装置 |
CN103237078A (zh) * | 2013-04-27 | 2013-08-07 | 翁整 | 近红外食品安全鉴别系统 |
CN105181643A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
CN105181642A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种花生品质的近红外检测方法及应用 |
-
2015
- 2015-12-31 CN CN201511032031.6A patent/CN105606559A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1284164A (zh) * | 1998-02-06 | 2001-02-14 | 德斯夸瑞德发展有限公司 | 谷物质量监测仪 |
CN1353304A (zh) * | 2001-12-05 | 2002-06-12 | 单凯 | 一种对谷物进行品质检测的方法及其装置 |
CN103237078A (zh) * | 2013-04-27 | 2013-08-07 | 翁整 | 近红外食品安全鉴别系统 |
CN105181643A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
CN105181642A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种花生品质的近红外检测方法及应用 |
Non-Patent Citations (2)
Title |
---|
严衍禄 等: "《近红外光谱分析的原理、技术与应用》", 31 January 2013, 中国轻工业出版社 * |
李宁 等: "近红外光谱法非破坏性测定黄豆籽粒中蛋白质、脂肪含量", 《光谱学与光谱分析》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840941A (zh) * | 2017-03-16 | 2017-06-13 | 中国林业科学研究院林业研究所 | 一种快速判定杂交构树采收时期的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
Kiani et al. | Fusion of artificial senses as a robust approach to food quality assessment | |
Alfatni et al. | The application of internal grading system technologies for agricultural products–Review | |
Di Natale et al. | Outer product analysis of electronic nose and visible spectra: application to the measurement of peach fruit characteristics | |
Büning-Pfaue | Analysis of water in food by near infrared spectroscopy | |
Wang et al. | Raman spectroscopic techniques for nondestructive analysis of agri-foods: A state-of-the-art review | |
Ali et al. | Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review | |
Xue et al. | Application of particle swarm optimization (PSO) algorithm to determine dichlorvos residue on the surface of navel orange with Vis-NIR spectroscopy | |
CN103412004B (zh) | 一种甜橙储存时间的检测方法 | |
Wang et al. | The applications of hyperspectral imaging technology for agricultural products quality analysis: A review | |
Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
Clark | Fast determination by Fourier-transform infrared spectroscopy of sugar–acid composition of citrus juices for determination of industry maturity standards | |
Munawar et al. | The application of near infrared technology as a rapid and non-destructive method to determine vitamin C content of intact mango fruit. | |
CN105527236A (zh) | 一种利用光谱法测定农产品主要营养成分的方法 | |
CN105136767B (zh) | 基于拉曼光谱生鲜鸡肉中鲜味物质肌苷酸的快速检测方法 | |
Johnson et al. | Application of infrared spectroscopy for the prediction of nutritional content and quality assessment of faba bean (Vicia faba L.) | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
Ferrara et al. | The prediction of ripening parameters in Primitivo wine grape cultivar using a portable NIR device | |
JPH01216265A (ja) | 近赤外線による果実・野菜の品質の非破壊測定法 | |
CN109709042A (zh) | 一种用于土壤属性测定的信息采集装置及测定方法 | |
CN105606559A (zh) | 一种利用光谱法测定农产品中植物蛋白的方法 | |
CN105699301B (zh) | 一种利用光谱法测定农产品中粗纤维素的方法 | |
Fu et al. | Determination of soluble solid content and acidity of loquats based on FT-NIR spectroscopy | |
Amirul et al. | Estimation of harumanis (Mangifera Indica L.) sweetness using near-infrared (NIR) spectroscopy | |
CN105675548A (zh) | 一种利用光谱法测定水稻主要营养成分的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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: 20160525 |
|
RJ01 | Rejection of invention patent application after publication |