CN108717001A - 一种小麦籽粒硬度的检测方法 - Google Patents
一种小麦籽粒硬度的检测方法 Download PDFInfo
- Publication number
- CN108717001A CN108717001A CN201810535288.0A CN201810535288A CN108717001A CN 108717001 A CN108717001 A CN 108717001A CN 201810535288 A CN201810535288 A CN 201810535288A CN 108717001 A CN108717001 A CN 108717001A
- Authority
- CN
- China
- Prior art keywords
- wheat
- sample
- hardness
- calibration
- grain
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- 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
- G01N21/251—Colorimeters; Construction thereof
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种小麦籽粒硬度的检测方法,包括润麦制粉、采集定标集样品面粉反射光色差值、检测定标集样品籽粒硬度、建立回归定标模型、采集预测集样品面粉反射光色差值以及最终的硬度预测计算,通过将色差值的三个参数均作为X变量进行回归分析,避免了单一指标不能同时表征两个或以上面粉色泽影响因素,利用多变量回归分析筛选最优变量组合并建立定标模型,籽粒硬度预测准确度高;定标集样品组成要求包含角质小麦和粉质小麦,避免同一类型小麦硬度造成定标偏差的影响,预测集样品越多越能够显现出本发明的快速、便捷的优势,适用于大批量小麦籽粒样品的硬度预测;相比于近红外检测的仪器购置费用低,相比于其他方法,检测时间大大缩短。
Description
技术领域
本发明属于小麦硬度检测技术领域,具体涉及一种小麦籽粒硬度的检测方法。
背景技术
籽粒硬度是一种重要的小麦分级标准,显著影响小麦面粉颗粒大小、出粉率等磨粉品质,面筋含量、面团特性等面筋品质,以及面条等食品加工品质。
目前,检测籽粒硬度方法主要有颗粒指数法、近红外光谱法和单籽粒谷物特征测定法(SKCS)。颗粒指数法主要是将籽粒磨成面粉,经特定筛子筛一定时间后,计算筛后与筛前质量的比值,即是该样品的PSI值,颗粒指数法是标准的参考方法,应用最为广泛,但检测耗时最长;近红外光谱法主要是利用波长1680和2230nm两处近红外光的强吸收点建立模型进行籽粒硬度的检测,虽然该法检测快速便捷,但近红外检测仪器购买费用高昂;单籽粒谷物特征分析仪由美国谷物市场研究室和瑞典波通(perten)仪器公司研制,通过测定压碎籽粒所需的力来测定其硬度。虽然该方法操作简单、数据可靠,但该仪器同样存在价格较高的问题,且易受杂物及大颗粒影响而堵塞。目前,主要是通过后两种方法检测小麦籽粒硬度,但这三种方法均存在不同缺点,难以被广泛引用。
发明内容
本发明克服了现有技术中存在的缺陷,提供了一种便捷、低成本的小麦籽粒硬度检测方法,利用反射光分光光度法检测面粉表面反射光色差值L*、a*、b*来检测籽粒硬度,周期短,检测结果精确度高。
本发明的具体技术方案是:
一种小麦籽粒硬度的检测方法,关键点是,所述检测方法包括以下步骤:
A、选取定标集样品和预测集样品小麦,定标集样品包括角质小麦和粉质小麦,调节样品籽粒含水量至12%-14%,取一部分定标集样品和全部预测集样品,磨粉去皮形成定标面粉和预测面粉,备用;
B、取定标面粉,利用色差计采集其反射光色差值L*、a*、b*值;取剩余定标集样品,利用单籽粒谷物特征分析仪、颗粒指数法或近红外光谱法获得籽粒硬度;
C、利用步骤B中获得的L*、a*、b*值和硬度值,通过多元线性回归模型和逐步回归算法建立回归定标模型;
D、取预测面粉,利用色差计采集其反射光色差值L*、a*、b*值,代入步骤C中建立的回归定标模型中计算预测集样品的籽粒硬度。
所述的步骤A中,定标集样品中角质小麦和粉质小麦的比例为(0.8-1.2):(0.8-1.2)。
所述的步骤A中,定标集样品不少于10个,预测集样品不少于20个。
所述的步骤A中,当籽粒含水量小于目标含水量时,进行润麦,当大于目标含水量时,进行烘干;润麦时,加水量计算公式如下:H=M×(1-C1)/(1-C2)-M,其中,M为样品的质量,C1为实际含水量,C2为目标含水量,H、M的单位均为g。
所述的步骤A中,籽粒含水量测定采用近红外分析仪或国标烘干法。
所述的步骤A中,磨粉细度不低于60目。
所述的步骤C中,采用统计软件SAS多元线性回归模型和逐步回归算法,将L*、a*、b*设定为X变量,将硬度值设定为Y变量,采用逐步回归算法筛选入模自变量,最终建立籽粒硬度的定标模型Y=f(X)。
本发明的有益效果是:本发明通过将色差值的三个参数均作为X变量进行回归分析,从而避免了单一指标不能同时表征两个或以上面粉色泽影响因素,如面粉颗粒直径、黄色素含量等,因此,利用多变量回归分析建立定标模型,籽粒硬度预测准确度高;
本发明定标集样品组成要求包含角质小麦和粉质小麦,避免同一类型小麦硬度造成定标偏差的影响,预测集样品越多越能够显现出本发明的快速、便捷的优势,适用于大批量小麦籽粒样品的硬度预测;
本发明涉及的步骤操作简单,仪器购置费用低;检测时无需籽粒,只需检测样品面粉色差值即可实现硬度检测目的,检测时间比单籽粒谷物特征分析仪检测所需时间缩短2倍以上,可以满足育种人员对大规模育种后代快速筛选检测的需求。
附图说明
图1是具体实施例中利用本发明方法测定定标集样品籽粒硬度与单籽粒谷物特征分析仪测定结果相关性的示意图。
附图中,1代表PH82NX007,2代表PH82NX010,3代表PH82NX017,4代表PH82NX021,5代表PH82NX024,6代表PH82NX008,7代表PH82NX012,8代表PH82NX013,9代表PH82NX014,10代表PH82NX170。
具体实施方式
本发明涉及一种小麦籽粒硬度的检测方法,包括润麦制粉、采集定标集样品面粉发射光色差值、检测定标集样品籽粒硬度、建立回归定标模型、采集预测集样品面粉反射光色差值以及最终的硬度预测计算,具体操作过程通过具体实施例进行详细阐述,具体实施例中,所用试验材料,如无特殊说明,均购自上海生工生物工程技术有限公司,所用近红外分析仪购自丹麦福斯分析仪器公司,柯尼卡美能达色差计CR-400购买自上海图新电子科技有限公司,Junior小型试验磨购自北京冠远科技有限公司,所用SAS9.0统计软件购自赛仕软件(北京)有限公司,以下实施例中的定量试验,均设置三次重复实验,结果取平均值,定标集样品和预测集样品来自由中国农业科学院作物科学研究所培育的PH82-2/内乡188重组自交系群体后代,共220个自交系,在山东省农作物种质字眼中心种质保存库保存。
具体实施例,籽粒硬度对加工品质有重要影响,是优质专用小麦品种的主要选择指标之一。山东农业大学培育的PH82-2是硬质、高蛋白优质小麦品种,适用于制作面条和馒头;河南省内乡县农科所培育的内乡188是软质小麦品种,具有适应性广、产量高的特点。配置PH82-2/内乡188杂交组合和构建重组自交系群体的主要目的是期望选育出集两个品种优良性状于一身的小麦新品种,并进行籽粒硬度及相关品质等数量性状位点的定位。
所述定标集样品为PH82-2/内乡188群体重组自交系PH82NX007、PH82NX010、PH82NX017、PH82NX021、PH82NX024五个角质自交系和PH82NX008、PH82NX012、PH82NX013、PH82NX014、PH82NX170五个粉质自交系;预测集样品为H82-2/内乡188小麦重组自交系群体后代PH82NX001-PH82NX006、PH82NX009、PH82NX011、PH82NX015、PH82NX016、PH82NX018、PH82NX020、PH82NX023、PH82NX025、PH82NX027-PH82NX036、PH82NX038-PH82NX058、PH82NX060、PH82NX062-PH82NX066、PH82NX068-PH82NX102、PH82NX104-PH82NX113、PH82NX105-PH82NX113、PH82NX115-PH82NX121、PH82NX123-PH82NX131、PH82NX133-PH82NX139、PH82NX141、PH82NX142、PH82NX144、PH82NX146-PH82NX152、PH82NX154、PH82NX156-PH82NX16、PH82NX171-PH82NX189、PH82NX191-PH82NX210、PH82NX212-PH82NX214、PH82NX216-PH82NX239共220个自交系,具体见表1中所列。
表1
基于CIELAB系统反射光分光光度法对PH82-2/内乡188重组自交系群体后代籽粒硬度进行检测。
A、从表1中选取PH82NX007、PH82NX010、PH82NX017、PH82NX021、PH82NX024五个角质小麦自交系和PH82NX170、PH82NX008、PH82NX012、PH82NX013、PH82NX014五个粉质小麦自交系组成定标集样品,见表2,其余210个小麦自交系组成预测集样品,见表3,每个自交系组成一个样品;
每个样品分别取20g(M)小麦籽粒去杂,放入密闭塑料瓶中,根据AACC方法(American Association of Cereal Chemists,1983.Approved methods of theAACC.Method 8-01,eighth ed.)进行润麦,将所有样品的籽粒含水量调至14%(C2),即利用近红外分析仪分别检测定所有样品籽粒的实际含水量(C1),按照公式:加水量H(ml)=每个样品的质量20克×[1-样品籽粒实际的含水量C1]/[1-样品籽粒要求达到的含水量C2]-每个样品的质量20克,计算出每个样品需要加水的量,见表2、表3,分别加入样品中,然后静置14个小时,籽粒含水量调至14%,利用Buhler实验磨制粉,过60目筛去麸皮,一般出粉率在70-80%,所得面粉备用;
B、取定标集样品每个样品的定标面粉5g,标号后利用柯尼卡美能达CR400色差计在CIELAB系统模式下采集所有样品的反射光色差值L*、a*、b*值,测试盒的测量口径50mm;取定标集样品每个样品不少于300粒,利用波通单籽粒谷物特征分析仪(SKCS4100)进行硬度检测,获得籽粒硬度;
C、利用步骤B中获得的L*、a*、b*值和硬度值建立SAS统计软件格式文件,选择逐步回归方法,设定L*、a*、b*为X变量,籽粒硬度值为Y变量,变量入模和出模值水平均为默认值0.05,拟合结果为a*、b*值入模,定标模型为:籽粒硬度指数=51.2028×Fa+16.9736×Fb-23.8742(P<0.0001),决定系数为0.9582,标准误差为7,其中,Fa表示面粉a*值,Fb表示面粉b*值,决定系数较高,标准误差较小;
D、取预测集样品中每个样品的预测面粉5g,标号后利用色差计采集各个样品面粉的反射光色差值L*、a*、b*值,见表3所列,代入步骤C中建立的回归定标模型中计算预测集样品的籽粒硬度指数,见表3所列。
表2 10个定标集样品及检测结果一览表
表3 210个预测集样品及检测结果一览表
为了体现本发明方法准确度高的优势,通过以下两个验证方法来进行展示;
方法一:
以具体实施过程表2中10个定标集样品为方法验证材料,随机排序样品,利用表2中本发明测定值与单籽粒谷物特征分析仪测定的籽粒硬度指数,建立SAS统计软件格式文件,选择逐步回归方法,设定本发明测定值为X变量和籽粒硬度指数为Y变量,建立回归方程为Y=0.9582X+1.7086(Y表示单籽粒谷物特征分析仪测定的籽粒硬度指数;X表示本发明测定值),决定系数(r2)为0.9582(p<0.0001),见图1中所示,二者差值的绝对值最大为10,最小为0,见表2中所列,标准误差为7,可见,本发明测定值与标准值接近,检测结果准确度高,可以用于预测集样品籽粒硬度的预测。
方法二:
以具体实施过程表3中210个预测集样品作为检测样品,利用单籽粒谷物特征分析仪检测样品籽粒硬度指数,进行本发明方法的验证。
取不少于300粒步骤A中制备的预测集210个样品籽粒,标号后按照具体实施过程中步骤B中方法检测每个样品的籽粒硬度指数,见表3所列;
将实施过程中步骤D采集每个待测样品反射光色差值a*值和b*值代入定标模型中计算出每个待测样品籽粒硬度指数,见表3所列;
利用本发明测定值与单籽粒谷物特征分析仪测定的籽粒硬度指数,建立SAS统计软件格式文件,选择逐步回归方法,设定本发明测定值为X变量和单籽粒谷物特征分析仪测定的籽粒硬度指数为Y变量,建立回归方程为Y=1.0064X-0.3237(Y表示单籽粒谷物特征分析仪测定的籽粒硬度指数;X表示本发明预测值),其决定系数(r2)为0.9342(p<0.0001),二者差值的绝对值最大为13,最小为0,参见表3,标准误差为6。可见,本发明检测值检测结果与标准值接近,检测结果准确度高,可以用于预测集样品籽粒硬度的预测。
Claims (7)
1.一种小麦籽粒硬度的检测方法,其特征在于,所述检测方法包括以下步骤:
A、选取定标集样品和预测集样品小麦,定标集样品包括角质小麦和粉质小麦,调节样品籽粒含水量至12%-14%,取一部分定标集样品和全部预测集样品,磨粉去皮形成定标面粉和预测面粉,备用;
B、取定标面粉,利用色差计采集其反射光色差值L*、a*、b*值;取剩余定标集样品,利用单籽粒谷物特征分析仪、颗粒指数法或近红外光谱法获得籽粒硬度;
C、利用步骤B中获得的L*、a*、b*值和硬度值,通过多元线性回归模型和逐步回归算法建立回归定标模型;
D、取预测面粉,利用色差计采集其反射光色差值L*、a*、b*值,代入步骤C中建立的回归定标模型中计算预测集样品的籽粒硬度。
2.根据权利要求1所述的一种小麦籽粒硬度的检测方法,其特征在于,所述的步骤A中,定标集样品中角质小麦和粉质小麦的比例为(0.8-1.2):(0.8-1.2)。
3.根据权利要求1所述的一种小麦籽粒硬度的检测方法,其特征在于,所述的步骤A中,定标集样品不少于10个,预测集样品不少于20个。
4.根据权利要求1所述的一种小麦籽粒硬度的检测方法,其特征在于,所述的步骤A中,当籽粒含水量小于目标含水量时,进行润麦,当大于目标含水量时,进行烘干;润麦时,加水量计算公式如下:H=M×(1-C1)/(1-C2)-M,其中,M为样品的质量,C1为实际含水量,C2为目标含水量,H单位为ml,M单位为g。
5.根据权利要求1所述的一种小麦籽粒硬度的检测方法,其特征在于,所述的步骤A中,籽粒含水量测定采用近红外分析仪或国标烘干法。
6.根据权利要求1所述的一种小麦籽粒硬度的检测方法,其特征在于,所述的步骤A中,磨粉细度不低于60目。
7.根据权利要求1所述的一种小麦籽粒硬度的检测方法,其特征在于,所述的步骤C中,采用统计软件SAS多元线性回归模型和逐步回归算法,将L*、a*、b*设定为X变量,将硬度值设定为Y变量,采用逐步回归算法筛选入模自变量,最终建立籽粒硬度的定标模型Y=f(X)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535288.0A CN108717001B (zh) | 2018-05-30 | 2018-05-30 | 一种小麦籽粒硬度的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535288.0A CN108717001B (zh) | 2018-05-30 | 2018-05-30 | 一种小麦籽粒硬度的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717001A true CN108717001A (zh) | 2018-10-30 |
CN108717001B CN108717001B (zh) | 2019-04-16 |
Family
ID=63911717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810535288.0A Active CN108717001B (zh) | 2018-05-30 | 2018-05-30 | 一种小麦籽粒硬度的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717001B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505919A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009288176A (ja) * | 2008-05-30 | 2009-12-10 | Chiyoda Denshi Kogyo Kk | 果実食味評価装置用検量線書き込みシステム及び果実食味評価装置用検量線補正プログラム |
CN203396697U (zh) * | 2013-08-29 | 2014-01-15 | 浙江农林大学 | 一种基于高光谱成像技术的竹笋硬度检测切分装置 |
-
2018
- 2018-05-30 CN CN201810535288.0A patent/CN108717001B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009288176A (ja) * | 2008-05-30 | 2009-12-10 | Chiyoda Denshi Kogyo Kk | 果実食味評価装置用検量線書き込みシステム及び果実食味評価装置用検量線補正プログラム |
CN203396697U (zh) * | 2013-08-29 | 2014-01-15 | 浙江农林大学 | 一种基于高光谱成像技术的竹笋硬度检测切分装置 |
Non-Patent Citations (2)
Title |
---|
IWONA KONOPKA 等: "Wheat endosperm hardness. Part I. Relationships to colour of kernel cross-section", 《EUR FOOD RES TECHNOL 》 * |
桑伟 等: "新疆小麦品种籽粒性状、磨粉品质及其关系的研究", 《麦类作物学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505919A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
CN113505919B (zh) * | 2021-06-25 | 2022-02-25 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108717001B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caporaso et al. | Near-Infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains | |
Williams | Screening wheat for protein and hardness by near infrared reflectance spectroscopy | |
Pojić et al. | Near infrared spectroscopy—advanced analytical tool in wheat breeding, trade, and processing | |
Zhang et al. | Non-destructive analysis of germination percentage, germination energy and simple vigour index on wheat seeds during storage by Vis/NIR and SWIR hyperspectral imaging | |
Finlay et al. | Genotypic and environmental variation in grain, flour, dough and bread-making characteristics of western Canadian spring wheat | |
Jiang et al. | Analysis of protein, starch and oil content of single intact kernels by near infrared reflectance spectroscopy (NIRS) in maize (Zea mays L.) | |
Revilla et al. | Predicting the physicochemical properties and geographical ORIGIN of lentils using near infrared spectroscopy | |
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
Sissons et al. | Application of near infrared reflectance spectroscopy to a durum wheat breeding programme | |
Wang et al. | Quantitative analysis of fat content in rice by near‐infrared spectroscopy technique | |
Williams | Grains and seeds | |
Flores et al. | Prediction of total soluble solid content in intact and cut melons and watermelons using near infrared spectroscopy | |
Katayama et al. | Prediction of starch, moisture, and sugar in sweetpotato by near infrared transmittance | |
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 | |
Awanthi et al. | Adaptation of visible and short wave Near Infrared (VIS-SW-NIR) common PLS model for quantifying paddy hardness | |
Bei et al. | Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data | |
Wafula et al. | Prediction of cooking times of freshly harvested common beans and their susceptibility to develop the hard-to-cook defect using near infrared spectroscopy | |
Bantadjan et al. | Establishment of an accurate starch content analysis system for fresh cassava roots using short-wavelength near infrared spectroscopy | |
Sun et al. | Near infrared spectroscopy determination of chemical and sensory properties in tomato | |
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 | |
Ping et al. | Prediction of the total starch and amylose content in barley using near-infrared reflectance spectroscopy | |
Liu et al. | Measurement of soluble solids content of three fruit species using universal near infrared spectroscopy models | |
Sánchez et al. | First steps to predicting pulp colour in whole melons using near-infrared reflectance spectroscopy | |
Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |