CN105675548A - 一种利用光谱法测定水稻主要营养成分的方法 - Google Patents

Abstract

本发明公开了一种利用光谱法测定水稻主要营养成分的方法，确定光谱法测定水稻主要营养成分为：淀粉、蛋白质、脂肪、纤维素；确定水稻主要营养成分测量的光谱范围为：800-2500nm；建立光谱和化学成分之间的数据模型；通过运算服务器根据所需要检测的产品名称和营养成分匹配数据模型中的大于等于15个公式，进行运算，获得所检测水稻的所选定的营养成分含量。

Description

一种利用光谱法测定水稻主要营养成分的方法

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水稻主要营养成分的方法。

背景技术

随着人们对食品安全的关注度越来越高，消费者在选择果蔬时对其内部品质指标的要求也越来越高，水稻作为餐饮上最常见的果蔬，其营养成分品质的高低通常作为选择水稻的主要参考指标，而目前对水稻营养成分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，主要由人工结合化学处理的方法来完成，操作过程繁琐，工作量大，所需时间长，检测效率和检测结果的一致性都比较差。除传统的化学方法外，一些先进的新技术或者其他领域的技术也都有所引入，如计算机视觉、液相色谱、随机扩增多态性DNA技术(RAPD)等，但其方法大都因检测速度慢、有损、效率低、成本高等原因不能满足粮食作物检测的要求，并且这些方法都需要将水稻损坏，并且不能进行现场测试分析。

利用光谱技术分析成为农作物成分检测的发展方向，现代近红外光谱分析技术分析速度快，是因为光谱测量速度很快，计算机计算结果速度也很快的原因。

专利申请201310280774.X公开了一种基于近红外光谱的水稻种质真伪无损检测方法，包括光谱采集，光谱预处理，聚类分析。将待测产品的种子放入样品杯，使用样品杯漫反射扫描参数，光谱扫描范围为4000～12000cm^-1，本发明是利用不同遗传背景的水稻品种籽粒中含氢基团化学物质组成和比例不同，通过近红外光谱技术建立聚类分析模型，快速无损地检测区分种子真伪。

目前的方法中，因为模型的建立按照图谱的模式进行的，或者是按照局部数据进行的，或者是在化学计量的基础上进行匹配光谱数据，这些方法都存在建模后调整难度大，基础数据不齐全，导致数据模型的校正和公式的更新和更换难度大，如何建立光谱数据和水稻化学成分数据模型成为该领域的研究重点和难点。

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水稻主要营养成分的方法，该方法包括如下步骤：

A.确定光谱法测定水稻主要营养成分种类为T，1≤T≤4，营养成分分别为：淀粉、蛋白质、脂肪、纤维素；

B.确定水稻主要营养成分测量的光谱范围为：800-2500nm；

C.进行大于等于50个以上水稻样品的光谱数据收集和化学检测数据收集；

D.利用光谱数据和化学检测数据建立数据模型，数据模型嵌入数据运算服务器；

E.针对待检水稻进行光谱数据收集，将光谱数据输入数据运算服务器，同时选择需要检测的水稻和营养成分，所述营养成分为步骤A中确定的营养成分中的一种或多种；

F.运算服务器根据所需要检测的产品名称和营养成分匹配数据模型中的K个公式，进行运算，获得所检测水稻的所选定的营养成分含量，K≥T。

所述步骤D是利用光谱数据和化学检测数据建立数据模型，包括将物体的光谱数据输入光谱数据库，将相同物体的化学检测数据的输入化学数据库，然后将光谱数据库中的光谱数据和化学数据库中的化学检测数据进行映射，形成该物体的映射数据库，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水稻样品A₁，然后收集水稻样品A₁反射回来的光谱，采用光谱分析设备确定所收集光谱的波长及吸光度，形成水稻样品A₁的光谱数据；

步骤II：对水稻样品A₁进行化学分析，分析其T种成分及含量，形成水稻样品的化学检测数据；

步骤III：将水稻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，对水稻样品A₂至A_n+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具有定性和定量关系的K个公式。

步骤VI：将上述步骤的K个公式嵌入运算服务器，采集水稻新样品A_X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水稻新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与水稻新样品A_X的光谱数据形成测量数据映射，该测量数据映射与已有的数据映射形成更新的数据映射集合。

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K个公式，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，形成水稻的光谱数据模型。

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30，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，所述水稻为营养组成成分基本相同但成分含量差异值在20％以内的同类水稻。

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，所述公式的个数为K个，K值满足如下关系式：

$K\≥\underset{i=1}{\overset{T}{\Σ}}{C}_T^i$

T表示水稻的营养成分数，其中C表示组合式的含义

优选的，所述公式中的T为4，所述公式的个数为15个。

本发明的方法中，化学测量数据，也称为化学计量数据，是指通过某些物质的国家标准进行测量获得的化学数据。例如水稻中的淀粉含量，需要按照国家标准或者是行业标准进行测量，也可以采用满足国标测量精度的仪器进行测量。

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。

本发明方法的有益效果体现在如下三个方面：

1、本发明检测时，水稻样品无需预处理，达到无损测量的效果；

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检测数据的单物质特性和组合物质的特性，可以根据需要同时测定水稻单个营养成分或者多种成分；

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。

具体实施方式

实施例1

一种利用光谱法测定水稻主要营养成分的方法，该方法包括如下步骤：

A.确定光谱法测定水稻主要营养成分为：淀粉、蛋白质、脂肪、纤维素；

B.确定水稻主要营养成分测量的光谱范围为：800-2500nm；

C.进行100个水稻样品的光谱数据收集和化学检测数据收集；

D.利用光谱数据和化学检测数据建立数据模型，数据模型嵌入数据运算服务器；

E.针对待检水稻进行光谱数据收集，将光谱数据输入数据运算服务器，同时选择需要检测的产品和营养成分，所述营养成分为步骤A中确定的营养成分中的一种或多种；

F.运算服务器根据所需要检测的产品名称和营养成分匹配数据模型中的15个公式，进行运算，获得所检测水稻的所选定的营养成分含量，K≥T。

实施例2

一种利用光谱法测定水稻主要营养成分的方法，该方法包括如下步骤：

A.确定光谱法测定水稻主要营养成分为：淀粉、蛋白质、脂肪、纤维素；

B.确定水稻主要营养成分测量的光谱范围为：800-1800nm；

C.进行500个水稻样品的光谱数据收集和化学检测数据收集；

D.利用光谱数据和化学检测数据建立数据模型，数据模型嵌入数据运算服务器；

E.针对待检水稻进行光谱数据收集，将光谱数据输入数据运算服务器，同时选择需要检测的产品和营养成分，所述营养成分为步骤A中确定的营养成分中的一种或多种；

F.运算服务器根据所需要检测的产品名称和营养成分匹配数据模型中的15个公式，进行运算，获得所检测水稻的所选定的营养成分含量，K≥T。

实施例3

一种利用光谱法测定水稻主要营养成分的方法，该方法包括如下步骤：

A.确定光谱法测定水稻主要营养成分为：淀粉、蛋白质、脂肪、纤维素；

B.确定水稻主要营养成分测量的光谱范围为：1000-2500nm；

C.进行250个水稻样品的光谱数据收集和化学检测数据收集；

D.利用光谱数据和化学检测数据建立数据模型，数据模型嵌入数据运算服务器；

E.针对待检水稻进行光谱数据收集，将光谱数据输入数据运算服务器，同时选择需要检测的产品和营养成分，所述营养成分为步骤A中确定的营养成分中的一种或多种；

F.运算服务器根据所需要检测的产品名称和营养成分匹配数据模型中的15个公式，进行运算，获得所检测水稻的所选定的营养成分含量，K≥T。

Claims (8)

1.一种利用光谱法测定水稻主要营养成分的方法，该方法包括如下步骤：

A.确定光谱法测定水稻主要营养成分种类为T，1≤T≤4，营养成分分别为：淀粉、蛋白质、脂肪、纤维素；

B.确定水稻主要营养成分测量的光谱范围为：800-2500nm；

C.进行大于等于n个以上水稻样品的光谱数据收集和化学检测数据收集，其中n大于等于50；

D.利用光谱数据和化学检测数据建立K个公式组成水稻检测的数据模型，数据模型嵌入数据运算服务器；

E.针对待检水稻进行光谱数据收集，将光谱数据输入数据运算服务器，同时选择需要检测的水稻和营养成分，所述营养成分为步骤A中确定的营养成分中的一种或多种；

F.运算服务器根据所需要检测的产品名称和营养成分匹配数据模型中的K个公式，进行运算，获得所检测水稻的所选定的营养成分含量，K≥T。

2.根据权利要求1所述的方法，其特征在于K值满足如下关系式：

$K\≥\underset{i=1}{\overset{T}{\Σ}}{C}_T^i$

T表示水稻的营养成分数，其中C表示组合式的含义。

3.根据权利要求2所述的方法，其特征在于，T＝4，所述公式的个数为15个。

4.根据权利要求1-3任一项所述的方法，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。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述水稻为营养组成成分基本相同但成分含量差异值在20％以内的同类水稻，水稻样品无需预处理。

6.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。

7.根据权利要求1所述的方法，其特征在于，所述步骤D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水稻样品A₁，然后收集水稻样品A₁反射回来的光谱，采用光谱分析设备确定所收集光谱的波长及吸光度，形成水稻样品A₁的光谱数据；

步骤II：对水稻样品A₁进行化学分析，分析其T种成分及含量，形成水稻样品的化学检测数据；

步骤III：将水稻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，对水稻样品A₂至A_n+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具有定性和定量关系的K个公式。

步骤VI：将上述步骤的K个公式嵌入运算服务器，采集水稻新样品A_X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水稻新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与水稻新样品A_X的光谱数据形成测量数据映射，该测量数据映射与已有的数据映射形成更新的数据映射集合。

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K个公式，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，形成水稻的光谱数据模型。

8.根据权利要求7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。