CN108801973B - 利用单粒检测配件同步检测花生中主要成分的近红外方法 - Google Patents
利用单粒检测配件同步检测花生中主要成分的近红外方法 Download PDFInfo
- Publication number
- CN108801973B CN108801973B CN201810687201.1A CN201810687201A CN108801973B CN 108801973 B CN108801973 B CN 108801973B CN 201810687201 A CN201810687201 A CN 201810687201A CN 108801973 B CN108801973 B CN 108801973B
- Authority
- CN
- China
- Prior art keywords
- peanut
- sample
- simple grain
- infrared
- detection
- 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.)
- Active
Links
- 241001553178 Arachis glabrata Species 0.000 title claims abstract description 102
- 235000020232 peanut Nutrition 0.000 title claims abstract description 102
- 235000017060 Arachis glabrata Nutrition 0.000 title claims abstract description 100
- 235000010777 Arachis hypogaea Nutrition 0.000 title claims abstract description 100
- 235000018262 Arachis monticola Nutrition 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000003333 near-infrared imaging Methods 0.000 title claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 229930006000 Sucrose Natural products 0.000 claims abstract description 17
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 claims abstract description 17
- 150000001413 amino acids Chemical class 0.000 claims abstract description 16
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 16
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 16
- 239000005720 sucrose Substances 0.000 claims abstract description 16
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 238000010561 standard procedure Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 41
- 235000001014 amino acid Nutrition 0.000 claims description 13
- 229940024606 amino acid Drugs 0.000 claims description 13
- 235000018102 proteins Nutrition 0.000 claims description 13
- 239000004615 ingredient Substances 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 claims description 8
- 238000007796 conventional method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 239000004471 Glycine Substances 0.000 claims description 4
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 claims description 4
- CKLJMWTZIZZHCS-REOHCLBHSA-N L-aspartic acid Chemical compound OC(=O)[C@@H](N)CC(O)=O CKLJMWTZIZZHCS-REOHCLBHSA-N 0.000 claims description 4
- AGPKZVBTJJNPAG-WHFBIAKZSA-N L-isoleucine Chemical compound CC[C@H](C)[C@H](N)C(O)=O AGPKZVBTJJNPAG-WHFBIAKZSA-N 0.000 claims description 4
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 claims description 4
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 claims description 4
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 claims description 4
- KZSNJWFQEVHDMF-BYPYZUCNSA-N L-valine Chemical compound CC(C)[C@H](N)C(O)=O KZSNJWFQEVHDMF-BYPYZUCNSA-N 0.000 claims description 4
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 claims description 4
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 claims description 4
- 239000004472 Lysine Substances 0.000 claims description 4
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 claims description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 4
- AYFVYJQAPQTCCC-UHFFFAOYSA-N Threonine Natural products CC(O)C(N)C(O)=O AYFVYJQAPQTCCC-UHFFFAOYSA-N 0.000 claims description 4
- 239000004473 Threonine Substances 0.000 claims description 4
- KZSNJWFQEVHDMF-UHFFFAOYSA-N Valine Natural products CC(C)C(N)C(O)=O KZSNJWFQEVHDMF-UHFFFAOYSA-N 0.000 claims description 4
- 235000004279 alanine Nutrition 0.000 claims description 4
- HNDVDQJCIGZPNO-UHFFFAOYSA-N histidine Natural products OC(=O)C(N)CC1=CN=CN1 HNDVDQJCIGZPNO-UHFFFAOYSA-N 0.000 claims description 4
- AGPKZVBTJJNPAG-UHFFFAOYSA-N isoleucine Natural products CCC(C)C(N)C(O)=O AGPKZVBTJJNPAG-UHFFFAOYSA-N 0.000 claims description 4
- 229960000310 isoleucine Drugs 0.000 claims description 4
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 claims description 4
- 239000004474 valine Substances 0.000 claims description 4
- MTCFGRXMJLQNBG-UHFFFAOYSA-N Serine Natural products OCC(N)C(O)=O MTCFGRXMJLQNBG-UHFFFAOYSA-N 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 239000012780 transparent material Substances 0.000 claims description 3
- HNDVDQJCIGZPNO-YFKPBYRVSA-N L-histidine Chemical compound OC(=O)[C@@H](N)CC1=CN=CN1 HNDVDQJCIGZPNO-YFKPBYRVSA-N 0.000 claims description 2
- KDXKERNSBIXSRK-YFKPBYRVSA-N L-lysine Chemical compound NCCCC[C@H](N)C(O)=O KDXKERNSBIXSRK-YFKPBYRVSA-N 0.000 claims description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 2
- 239000008188 pellet Substances 0.000 claims description 2
- 125000001500 prolyl group Chemical group [H]N1C([H])(C(=O)[*])C([H])([H])C([H])([H])C1([H])[H] 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- MTCFGRXMJLQNBG-REOHCLBHSA-N (2S)-2-Amino-3-hydroxypropansäure Chemical compound OC[C@H](N)C(O)=O MTCFGRXMJLQNBG-REOHCLBHSA-N 0.000 claims 1
- 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
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000010408 sweeping Methods 0.000 claims 1
- 210000004885 white matter Anatomy 0.000 claims 1
- 239000000126 substance Substances 0.000 description 17
- 229960004793 sucrose Drugs 0.000 description 10
- 239000004475 Arginine Substances 0.000 description 3
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ODKSFYDXXFIFQN-BYPYZUCNSA-P L-argininium(2+) Chemical compound NC(=[NH2+])NCCC[C@H]([NH3+])C(O)=O ODKSFYDXXFIFQN-BYPYZUCNSA-P 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 235000003704 aspartic acid Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- OQFSQFPPLPISGP-UHFFFAOYSA-N beta-carboxyaspartic acid Natural products OC(=O)C(N)C(C(O)=O)C(O)=O OQFSQFPPLPISGP-UHFFFAOYSA-N 0.000 description 1
- 230000035571 calor Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 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
本发明属于检测技术领域,提出一种利用单粒检测配件同步检测花生中主要成分的近红外方法,包括步骤:用单粒花生的近红外测定装置扫描获得每个品种单粒花生的光谱信息;采用标准方法检测所述单粒花生的水分、脂肪、蛋白质、蔗糖和氨基酸含量;对光谱信息进行预处理,以预处理后的单粒花生光谱信息为信息自变量,以所述的单粒花生的水分、脂肪、蛋白质、蔗糖和氨基酸含量为因变量,建立回归模型;对未知单粒花生进行测定,即可同时得到单粒花生的各主要成分含量。本发明通过单粒花生的近红外测定装置实现了快速测定单粒花生水分、脂肪、蛋白质、蔗糖和氨基酸含量,满足了育种家筛选种质资源的要求,提高了检测效率。
Description
技术领域
本发明属于检测技术领域,具体涉及一种对花生的近红外检测方法。
背景技术
目前我国拥有8000余份花生品种资源和近300个主栽品种,为花生产业的发展奠定了坚实基础,但花生的品质指标(脂肪、蛋白质、氨基酸等)检测往往采用化学方法,检测方法费时费力,操作繁琐,需要专业人员和昂贵设备。目前主要利用近红外光谱进行无损检测,其原理是:花生中不同的有机组分在近红外光谱区的吸收波长不同,其吸收的强度与有机成分组成和含量具有相关性关系。花生品质指标(脂肪、蛋白质、氨基酸等)都含有各种含氢基团,通过对花生的近红外光谱分析,并结合相应的化学计量学方法,可以对花生品质指标进行评价。该方法具有不破坏样品,不用试剂、不污染环境、便于操作等特点。
中国专利ZL201210349665.4公布了近红外检测花生中蛋白质组分含量的方法;中国专利ZL201210007425.6公布了近红外检测花生中氨基酸含量的方法。以上发明专利主要采用容积为100mL左右的圆筒状样品池,这类样品池需要花生样品量一般为50g-100g,适用于企业收购环节,但是育种专家选育新花生品种时,样品量非常少,往往为十几克,甚至几粒,传统的圆筒状样品池不适用于单粒花生品质测定,即使进行扫描光谱也难以得到理想的结果,而采用化学方法会严重破坏珍贵的育种材料,因此,单粒花生的快速无损测定是花生检测领域的难点和疼点之一。此外,目前的专利涉及到的近红外方法往往只能测定花生中的一种成分,无法同时测定多种组分,检测效率低。因此开同步检测单粒花生主要成分的近红外装置和方法,有利于提高我国单粒花生检测的水平,促进花生产业发展。
发明内容
针对现有技术存在的问题,本发明的目的是提出一种利用单粒检测配件同步检测花生中主要成分的近红外方法。
实现本发明上述目的的技术方案为:
一种利用单粒检测配件同步检测花生中主要成分的近红外方法,其包括以下步骤:
S1收集具有代表性的花生品种,用单粒花生的近红外测定装置扫描获得每个品种单粒花生的光谱信息;
S2采用标准方法检测所述单粒花生的水分、脂肪、蛋白质、蔗糖和氨基酸含量;
S3对所述单粒花生的光谱信息进行导数和/或去趋势预处理;
S4以预处理后的单粒花生光谱信息为信息自变量,以所述的单粒花生的水分、脂肪、蛋白质、蔗糖和氨基酸含量为因变量,建立水分、脂肪、蛋白质、蔗糖和氨基酸回归模型;
S5将所有模型转移到单粒花生的近红外测定装置,对未知单粒花生进行测定,即可同时得到单粒花生的各主要成分含量。
其中,所述单粒花生的近红外测定装置包括了光谱采集设备和单粒检测配件,单粒检测配件底部为厚度1±0.5mm的石英玻璃材质的透光层,用于单粒花生光谱扫描。
进一步地,所述单粒检测配件包括透光层和手持结构,透光层和手持结构贴合;手持结构为黑色不透明材料制成,手持结构上开有两个大小不一样的椭圆形通孔,以适于不同大小的花生颗粒;进行检测时,透光层对着近红外光谱仪的出光孔,单粒花生通孔里,通过手转动花生,实现不同位置的扫描。
其中,所述近红外测定装置的波长范围为908-1676nm。
进一步地,步骤S1中,将单粒花生放入单粒检测配件,扫描前先进行黑白校正;具体方法为,开始扫描时先进行暗电流扫描(黑校正),然后用聚四氟乙烯板进行扫描(白校正)。
其中,步骤S1中,每个品种的花生挑取1~5粒,每粒花生均扫描5个不同位置,将扫描得到的多个光谱值取平均值,以表示该花生品种的光谱信息。
优选地,步骤S3中,成分为水分、脂肪、蔗糖、精氨酸、天门冬氨酸、亮氨酸、赖氨酸、组氨酸和缬氨酸时,采用一阶导数预处理;成分为蛋白质、苯丙氨酸、甘氨酸、酪氨酸、丝氨酸、苏氨酸、丙氨酸、异亮氨酸时,采用二阶导数预处理;成分为脯氨酸时,采用去趋势预处理。
其中,步骤S4中,通过偏最小二乘法建立所述自变量和因变量的回归模型;利用留一法方法对所述偏最小二乘法回归模型进行验证。
其中,步骤S4中,回归模型和留一法验证采用下述公式(1)计算相关系数Rcal或Rcv;用公式(2)计算标准偏差SEC或SECV,
式(1)中,xi为第i个样品近红外方法预测值,是预测值的平均值;yi为第i个样品标准方法的测定值,是测定值的平均值;n为两个变量的样本值的个数;样本为校正集时,R为Rcal;样本为留一法验证时,R为Rcv;
式(2)中,xi为校正集第i样品近红外方法的预测值,yi为校正集第i样品常规方法的测定值,n为校正集的样品数;当xi为留一法验证第i样品近红外方法的预测值时,n为留一法验证的样品数,则公式(2)SEC表示的是SECV。
本发明收集了我国主栽地区(河北、山东和河南等)主栽品种花生,如:白沙1016、海花1号、远杂9102、丰花1号、鲁花11号、鲁花9号,花育19号等,对收集的花生样品无需进行任何的预处理,利用单粒花生的近红外测定装置采集单粒花生光谱数据,同时利用国标方法测定水分、脂肪、蛋白质、蔗糖和氨基酸含量,对光谱数据进行求导等预处理,并利用偏最小二乘法建立图像中光谱信息与水分、脂肪、蛋白质、蔗糖和氨基酸含量的回归模型。与现有技术相比,本发明具有以下优点和有益效果:
1、本发明通过单粒花生的近红外测定装置实现了快速测定单粒花生水分、脂肪、蛋白质、蔗糖和氨基酸含量,满足了育种家筛选种质资源的要求,提高了检测效率。
2、花生样品无需进行任何预处理,无破坏性,不使用任何试剂,保护环境,操作快速简单、避免了人为因素的干扰,测定结果更加高效,客观。
3、通过收集近5年来全国花生主栽地区主栽品种,克服了地区的差异、品种的差异和时间的差异,使本发明方法能够涵盖了全国绝大多数品种,适用范围广。
附图说明
图1为本发明同步检测单粒花生中主要成分的近红外方法的流程图;
图2为单粒花生的近红外检测配件的立体图;
其中,100为透光层,110为通孔,111为大通孔,112为小通孔,120为手持结构。
图3为实施例1单粒花生的平均光谱。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
以下实验方法中如无特殊说明,均为常规方法。所用的材料、试剂等,如无特殊说明,均可从商业途径得到。
实施例所用单粒花生的近红外测定装置,其光谱仪,光谱范围为908~1676nm,单粒检测配件(图2)底部为1mm厚的石英玻璃材质的透光层100,透光层和手持结构贴合;手持结构120为黑色不透明材料制成,手持结构120上开有两个椭圆形通孔110,分别是大通孔111和小通孔112。进行检测时,透光层100对着近红外光谱仪的出光孔,单粒花生根据大小选择放入一个通孔,通过手转动花生,实现不同位置的扫描。
以下实施例中光谱数据的分析处理均由挪威CAMO公司出售的化学计量学软件TheUnscrambler10.3中完成。
实施例1
本实施例提供一种利用单粒检测配件同步检测花生中主要成分的近红外方法,该方法的流程如图1,具体包括以下步骤:
S1收集我国主栽省份主栽花生样品120个品种,从每个品种中挑选3粒饱满、无霉变的花生仁,用单粒花生的近红外测定装置扫描获得每粒花生上5个位置的光谱信息,重复扫描同一品种3粒花生,取3粒花生光谱的平均值作为该品种的光谱信息(多个花生品种的平均光谱如图3,图3中横坐标为光谱值,纵坐标为反射值)。每次扫描前,先进行黑白校正,采集暗电流和聚四氟乙烯参考板光谱信息。
S2对上述不同品种花生样品的光谱信息进行求导等预处理。导数处理可以有效地消除基线和其他背景的干扰,分辨重叠峰,提高分辨率和灵敏度,去趋势可以用来消除漫反射光谱的基线漂移。经过多次实验,计算各种预处理方法后的Rcal(cv)值和SEC(SECV)值,取Rcal(cv)值最大且SEC(SECV)值最小的为宜;选定的不同成分建模所采用的光谱预处理方法见表1。
表1单粒花生不同成分建立所采用的光谱预处理方法
S3分别采用国标GB 5009.3-2016、GB 5009.6-2016、GB5009.5-2016、GB 5009.8-2016和GB 5009.124-2016推荐方法测定花生样品的水分、脂肪、蛋白质、蔗糖和氨基酸含量,每个品种重复测定三次,取平均值。
S4以所述花生样品的预处理后的平均光谱为自变量,以花生样品的主要成分含量为因变量,通过偏最小二乘法建立自变量和因变量的偏最小二乘法回归模型。
然后进行留一法验证,采用下述公式(1)计算相关系数(Rcal或Rcv);公式(2)计算标准偏差(SEC或SECV),结果见表1。
式(1)中,xi为第i个样品近红外方法预测值,是预测值的平均值;yi为第i个样品常规方法的测定值,是测定值的平均值;n为两个变量的样本值的个数。如果样本为校正集,则R为Rcal;如果为留一法验证,则R为Rcv。
式(2)中,xi为校正集第i样品近红外方法的预测值,yi为校正集第i样品常规方法的测定值,n为校正集的样品数。如果xi为留一法验证第i样品近红外方法的预测值,n为留一法验证的样品数,则公式(2)表示的是SECV。
表2单粒花生主要成分回归模型参数
成分 | 范围(g/100g) | R<sub>cal</sub> | SEC | R<sub>cv</sub> | SECV |
水分 | 4.26~6.84 | 0.83 | 0.33 | 0.74 | 0.42 |
脂肪 | 40.70~57.47 | 0.88 | 1.57 | 0.83 | 1.83 |
蛋白质 | 17.06~29.62 | 0.82 | 1.44 | 0.76 | 1.63 |
蔗糖 | 1.78~6.15 | 0.87 | 0.51 | 0.75 | 0.68 |
精氨酸 | 2.04~3.99 | 0.77 | 0.28 | 0.72 | 0.31 |
天门冬氨酸 | 2.25~4.25 | 0.76 | 0.30 | 0.70 | 0.33 |
苯丙氨酸 | 0.95~1.83 | 0.78 | 0.12 | 0.72 | 0.13 |
甘氨酸 | 1.11~2.25 | 0.70 | 0.16 | 0.64 | 0.17 |
亮氨酸 | 1.18~2.27 | 0.79 | 0.14 | 0.66 | 0.18 |
酪氨酸 | 0.63~1.60 | 0.73 | 0.15 | 0.64 | 0.17 |
脯氨酸 | 0.71~1.46 | 0.77 | 0.10 | 0.65 | 0.12 |
丝氨酸 | 0.98~1.86 | 0.72 | 0.14 | 0.63 | 0.16 |
赖氨酸 | 0.74~1.30 | 0.65 | 0.08 | 0.55 | 0.08 |
苏氨酸 | 0.50~0.88 | 0.63 | 0.06 | 0.57 | 0.07 |
丙氨酸 | 0.63~1.37 | 0.61 | 0.12 | 0.52 | 0.13 |
组氨酸 | 0.46~0.82 | 0.64 | 0.05 | 0.52 | 0.05 |
缬氨酸 | 0.73~1.38 | 0.76 | 0.08 | 0.68 | 0.09 |
异亮氨酸 | 0.58~1.11 | 0.75 | 0.07 | 0.66 | 0.08 |
S5选择10个未知花生样品,按照上述光谱扫描方法采集光谱,并利用上述模型对花生成分进行预测,结果如表3-表20所示。
表3水分含量预测
表4脂肪含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 48.3 | 51.09 | -2.79 |
样品2 | 45.9 | 46.91 | -1.01 |
样品3 | 46.1 | 46.18 | -0.08 |
样品4 | 44.8 | 48.40 | -3.60 |
样品5 | 47.3 | 45.81 | 1.49 |
样品6 | 44.6 | 47.53 | -2.93 |
样品7 | 46.8 | 43.47 | 3.33 |
样品8 | 45.3 | 50.73 | -5.43 |
样品9 | 44.9 | 45.04 | -0.14 |
样品10 | 54.3 | 48.93 | 5.37 |
表5蛋白质含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 23.2 | 21.68 | 1.52 |
样品2 | 23.4 | 22.27 | 1.13 |
样品3 | 21.7 | 22.42 | -0.72 |
样品4 | 23.6 | 21.13 | 2.47 |
样品5 | 23.2 | 22.48 | 0.72 |
样品6 | 21.8 | 22.02 | -0.22 |
样品7 | 24.6 | 23.40 | 1.20 |
样品8 | 25.8 | 24.40 | 1.40 |
样品9 | 22.9 | 21.80 | 1.10 |
样品10 | 22.0 | 18.36 | 3.64 |
表6蔗糖含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 3.60 | 3.49 | -0.11 |
样品2 | 3.20 | 3.91 | 0.71 |
样品3 | 4.14 | 4.02 | -0.12 |
样品4 | 3.53 | 4.03 | 0.5 |
样品5 | 3.95 | 4.44 | 0.49 |
样品6 | 5.18 | 4.80 | -0.38 |
样品7 | 4.16 | 4.72 | 0.56 |
样品8 | 3.45 | 3.97 | 0.52 |
样品9 | 4.15 | 4.44 | 0.29 |
样品10 | 3.77 | 4.20 | 0.43 |
表7精氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 3.07 | 3.41 | 0.34 |
样品2 | 3.12 | 3.43 | 0.31 |
样品3 | 3.27 | 3.32 | 0.05 |
样品4 | 3.15 | 3.18 | 0.03 |
样品5 | 3.2 | 3.39 | 0.19 |
样品6 | 2.95 | 3.23 | 0.28 |
样品7 | 3.34 | 3.23 | -0.11 |
样品8 | 3.53 | 3.71 | 0.18 |
样品9 | 3.1 | 3.06 | -0.04 |
样品10 | 2.7 | 3.45 | 0.75 |
表8天门冬氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 3.06 | 3.50 | 0.43 |
样品2 | 3.16 | 3.33 | 0.17 |
样品3 | 3.28 | 3.25 | -0.02 |
样品4 | 3.23 | 3.31 | 0.08 |
样品5 | 3.14 | 3.25 | 0.11 |
样品6 | 2.92 | 3.30 | 0.39 |
样品7 | 3.31 | 3.24 | -0.07 |
样品8 | 3.62 | 3.72 | 0.10 |
样品9 | 3.11 | 3.10 | -0.01 |
样品10 | 2.71 | 3.63 | 0.92 |
表9苯丙氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.33 | 1.21 | -0.12 |
样品2 | 1.7 | 1.39 | -0.31 |
样品3 | 1.71 | 1.34 | -0.37 |
样品4 | 1.6 | 1.14 | -0.46 |
样品5 | 1.73 | 1.42 | -0.31 |
样品6 | 1.09 | 1.26 | 0.17 |
样品7 | 1.49 | 1.27 | -0.22 |
样品8 | 1.72 | 1.48 | -0.24 |
样品9 | 1.58 | 1.22 | -0.36 |
样品10 | 1.02 | 1.26 | 0.24 |
表10甘氨酸含量预测
表11亮氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.89 | 2.13 | 0.24 |
样品2 | 1.93 | 2.02 | 0.09 |
样品3 | 2.03 | 1.88 | -0.15 |
样品4 | 2 | 2.07 | 0.07 |
样品5 | 1.98 | 2.00 | 0.02 |
样品6 | 1.84 | 1.96 | 0.12 |
样品7 | 2.11 | 2.30 | 0.19 |
样品8 | 2.22 | 2.25 | 0.03 |
样品9 | 1.93 | 1.79 | -0.14 |
样品10 | 1.7 | 1.82 | 0.12 |
表12酪氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.06 | 1.10 | 0.04 |
样品2 | 1.05 | 0.99 | -0.06 |
样品3 | 1.11 | 0.94 | -0.17 |
样品4 | 1.14 | 1.04 | -0.10 |
样品5 | 1.09 | 1.00 | -0.10 |
样品6 | 1.02 | 0.97 | -0.05 |
样品7 | 1.11 | 1.01 | -0.10 |
样品8 | 1.25 | 1.13 | -0.12 |
样品9 | 1.06 | 1.09 | 0.03 |
样品10 | 0.89 | 1.14 | 0.25 |
表13脯氨酸含量预测
表14丝氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.36 | 1.37 | 0.01 |
样品2 | 1.41 | 1.23 | -0.18 |
样品3 | 1.46 | 1.22 | -0.23 |
样品4 | 1.45 | 1.27 | -0.18 |
样品5 | 1.38 | 1.21 | -0.17 |
样品6 | 1.30 | 1.39 | 0.09 |
样品7 | 1.44 | 1.38 | -0.05 |
样品8 | 1.57 | 1.50 | -0.07 |
样品9 | 1.32 | 1.27 | -0.05 |
样品10 | 1.19 | 1.45 | 0.26 |
表15赖氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.00 | 0.97 | -0.03 |
样品2 | 0.95 | 0.99 | 0.04 |
样品3 | 1.01 | 0.95 | -0.06 |
样品4 | 1.11 | 0.95 | -0.16 |
样品5 | 1.04 | 0.97 | -0.07 |
样品6 | 0.99 | 0.97 | -0.03 |
样品7 | 1.11 | 0.99 | -0.12 |
样品8 | 1.24 | 1.08 | -0.17 |
样品9 | 1.06 | 0.97 | -0.10 |
样品10 | 0.94 | 1.05 | 0.11 |
表16苏氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 0.68 | 0.74 | 0.05 |
样品2 | 0.70 | 0.77 | 0.07 |
样品3 | 0.71 | 0.74 | 0.03 |
样品4 | 0.75 | 0.75 | -0.01 |
样品5 | 0.70 | 0.73 | 0.03 |
样品6 | 0.68 | 0.72 | 0.04 |
样品7 | 0.72 | 0.79 | 0.07 |
样品8 | 0.80 | 0.81 | 0.01 |
样品9 | 0.70 | 0.72 | 0.02 |
样品10 | 0.61 | 0.77 | 0.16 |
表17丙氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.02 | 1.12 | 0.10 |
样品2 | 1.05 | 1.18 | 0.13 |
样品3 | 1.09 | 1.08 | -0.01 |
样品4 | 1.10 | 1.12 | 0.02 |
样品5 | 1.05 | 1.05 | 0.00 |
样品6 | 1.01 | 1.12 | 0.11 |
样品7 | 1.11 | 1.20 | 0.09 |
样品8 | 1.20 | 1.25 | 0.05 |
样品9 | 1.07 | 0.99 | -0.08 |
样品10 | 0.91 | 1.11 | 0.20 |
表18组氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 0.61 | 0.66 | 0.06 |
样品2 | 0.62 | 0.68 | 0.07 |
样品3 | 0.64 | 0.66 | 0.02 |
样品4 | 0.66 | 0.65 | -0.01 |
样品5 | 0.63 | 0.65 | 0.02 |
样品6 | 0.58 | 0.68 | 0.10 |
样品7 | 0.65 | 0.72 | 0.07 |
样品8 | 0.70 | 0.74 | 0.04 |
样品9 | 0.62 | 0.61 | -0.01 |
样品10 | 0.54 | 0.71 | 0.17 |
表19缬氨酸含量预测
名称 | 化学值 | 平均值 | 偏差 |
样品1 | 1.00 | 0.93 | -0.07 |
样品2 | 0.95 | 1.00 | 0.04 |
样品3 | 1.01 | 1.04 | 0.03 |
样品4 | 1.11 | 0.91 | -0.20 |
样品5 | 1.04 | 1.00 | -0.05 |
样品6 | 0.99 | 0.97 | -0.03 |
样品7 | 1.11 | 1.11 | 0.01 |
样品8 | 1.24 | 1.14 | -0.10 |
样品9 | 1.06 | 0.93 | -0.13 |
样品10 | 0.94 | 1.04 | 0.10 |
表20异亮氨酸含量预测
比较标准方法测得的化学值和本检测方法得到的平均值,可见偏差为0.05~1.5,本方法的可靠性很高。采用本近红外方法,一个单粒花生的检测时间只需要5min,操作简单,不破坏样品,无需复杂的样品预处理,具有方便、快捷的优势。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (1)
1.一种利用单粒检测配件同步检测花生中主要成分的近红外方法,其特征在于,包括以下步骤:
S1收集具有代表性的花生品种,用单粒花生的近红外测定装置扫描获得每个品种单粒花生的光谱信息;所述单粒花生的近红外测定装置包括了光谱采集设备和单粒检测配件;所述单粒检测配件包括透光层和手持结构,底部设置厚度1±0.5mm的石英玻璃材质的透光层,用于单粒花生光谱扫描,透光层和手持结构贴合;手持结构为黑色不透明材料制成,手持结构上开有两个大小不一样的椭圆形通孔,以适于不同大小的花生颗粒;进行检测时,透光层对着近红外光谱仪的出光孔,单粒花生通孔里,通过手转动花生,实现不同位置的扫描;
所述近红外测定装置的波长范围为908-1676nm;
S2采用标准方法检测所述单粒花生的水分、脂肪、蛋白质、蔗糖和氨基酸含量;
S3对所述单粒花生的光谱信息进行导数或去趋势预处理;成分为水分、脂肪、蔗糖、精氨酸、天门冬氨酸、亮氨酸、赖氨酸、组氨酸和缬氨酸时,采用一阶导数预处理;成分为蛋白质、苯丙氨酸、甘氨酸、酪氨酸、丝氨酸、苏氨酸、丙氨酸、异亮氨酸时,采用二阶导数预处理;成分为脯氨酸时,采用去趋势预处理;
S4以预处理后的单粒花生光谱信息为信息自变量,以所述的单粒花生的水分、脂肪、蛋白质、蔗糖和氨基酸含量为因变量,建立水分、脂肪、蛋白质、蔗糖和氨基酸回归模型;
S5将所有模型转移到单粒花生的近红外测定装置,对未知单粒花生进行测定,即可同时得到单粒花生的各主要成分含量;
步骤S1中,将单粒花生放入单粒检测配件,扫描前先进行黑白校正;具体方法为,开始扫描时先进行暗电流扫描,然后用聚四氟乙烯板进行扫描;每个品种的花生挑取1~5粒,放到椭圆形通孔处,下方为光谱采集光板,每粒花生均扫描5个不同位置,将扫描得到的多个光谱值取平均值,以表示该花生品种的光谱信息;
步骤S4中,通过偏最小二乘法建立所述自变量和因变量的回归模型;利用留一法方法对所述偏最小二乘法回归模型进行验证;回归模型和留一法验证采用下述公式(1)计算相关系数Rcal或Rcv;用公式(2)计算标准偏差SEC或SECV,
式(1)中,xi为第i个样品近红外方法预测值,是预测值的平均值;yi为第i个样品标准方法的测定值,是测定值的平均值;n为两个变量的样本值的个数;样本为校正集时,R为Rcal;样本为留一法验证时,R为Rcv;
式(2)中,xi为校正集第i样品近红外方法的预测值,yi为校正集第i样品常规方法的测定值,n为校正集的样品数;当xi为留一法验证第i样品近红外方法的预测值时,n为留一法验证的样品数,则公式(2)SEC表示的是SECV。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687201.1A CN108801973B (zh) | 2018-06-28 | 2018-06-28 | 利用单粒检测配件同步检测花生中主要成分的近红外方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687201.1A CN108801973B (zh) | 2018-06-28 | 2018-06-28 | 利用单粒检测配件同步检测花生中主要成分的近红外方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108801973A CN108801973A (zh) | 2018-11-13 |
CN108801973B true CN108801973B (zh) | 2019-08-20 |
Family
ID=64071029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810687201.1A Active CN108801973B (zh) | 2018-06-28 | 2018-06-28 | 利用单粒检测配件同步检测花生中主要成分的近红外方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108801973B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380746A (zh) * | 2020-05-12 | 2020-07-07 | 青岛大学 | 一种花生中脂肪、蛋白质和矿物质含量的连续检测方法 |
CN113484270A (zh) * | 2021-06-04 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2217838A (en) * | 1988-04-15 | 1989-11-01 | Shell Int Research | Near infrared determination of petrophysical and petrochemical properties |
CN100419409C (zh) * | 2003-11-26 | 2008-09-17 | 广东省农业科学院作物研究所 | 一种非破坏性测定花生单粒种子含油量的方法 |
CN101887018B (zh) * | 2009-05-13 | 2012-01-25 | 山东省花生研究所 | 一种非破坏性测定花生种子主要脂肪酸含量的方法 |
CN102590129B (zh) * | 2012-01-11 | 2014-03-26 | 中国农业科学院农产品加工研究所 | 近红外检测花生中氨基酸含量的方法 |
CN105181642B (zh) * | 2015-10-12 | 2018-04-03 | 华中农业大学 | 一种花生品质的近红外检测方法及应用 |
-
2018
- 2018-06-28 CN CN201810687201.1A patent/CN108801973B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108801973A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rigon et al. | A novel method for the estimation of soybean chlorophyll content using a smartphone and image analysis | |
CN101382488B (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
CN105203464B (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
CN110441248B (zh) | 基于高光谱图像技术的窖泥水分预测模型建立的方法 | |
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 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN102435580A (zh) | 近红外牛奶成分快速测量装置与方法 | |
CN102539375A (zh) | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 | |
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 | |
CN106018335A (zh) | 基于近红外光谱的整粒棉籽中植酸含量的无损测定方法 | |
CN108801973B (zh) | 利用单粒检测配件同步检测花生中主要成分的近红外方法 | |
CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
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 | |
Fu et al. | Nondestructive phenotyping fatty acid trait of single soybean seeds using reflective hyperspectral imagery | |
CN108548792A (zh) | 一种花生籽仁可溶性糖含量的快速无损检测方法 | |
CN102313712A (zh) | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 | |
CN109540832A (zh) | 一种基于融合近-中红外光谱规模化奶牛场粪液中总氮的检测方法 | |
CN202372440U (zh) | 近红外牛奶成分快速测量装置 | |
CN109406447A (zh) | 一种高粱中单宁的近红外检测方法 | |
CN105115909B (zh) | 基于高光谱成像技术检测花生中脂肪含量分布的方法 | |
Wang et al. | Prediction of soil organic matter content using VIS/NIR soil sensor | |
CN115754184A (zh) | 一种鲑鱼土腥味快速检测系统及方法 | |
CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
Itoh et al. | Measurement of nitrate concentration distribution in vegetables by near-infrared hyperspectral imaging |
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 |