CN109486898A - 基于电子鼻快速预测大米中曲霉属真菌生长状况的方法 - Google Patents
基于电子鼻快速预测大米中曲霉属真菌生长状况的方法 Download PDFInfo
- Publication number
- CN109486898A CN109486898A CN201811489702.5A CN201811489702A CN109486898A CN 109486898 A CN109486898 A CN 109486898A CN 201811489702 A CN201811489702 A CN 201811489702A CN 109486898 A CN109486898 A CN 109486898A
- Authority
- CN
- China
- Prior art keywords
- rice
- sample
- electronic nose
- aspergillus
- sensor
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 70
- 235000009566 rice Nutrition 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241000228212 Aspergillus Species 0.000 title claims abstract description 35
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000003860 storage Methods 0.000 claims abstract description 29
- 230000005484 gravity Effects 0.000 claims abstract description 23
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 241000894006 Bacteria Species 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000011081 inoculation Methods 0.000 claims abstract description 5
- 241000233866 Fungi Species 0.000 claims description 16
- 238000007789 sealing Methods 0.000 claims description 11
- 241001225321 Aspergillus fumigatus Species 0.000 claims description 9
- 229940091771 aspergillus fumigatus Drugs 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 241000131314 Aspergillus candidus Species 0.000 claims description 7
- 238000004451 qualitative analysis Methods 0.000 claims description 5
- 230000002000 scavenging effect Effects 0.000 claims description 4
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 241000228193 Aspergillus clavatus Species 0.000 claims 1
- 241000228245 Aspergillus niger Species 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000001954 sterilising effect Effects 0.000 abstract 1
- 238000004659 sterilization and disinfection Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 48
- 235000013305 food Nutrition 0.000 description 10
- 102100028260 Gamma-secretase subunit PEN-2 Human genes 0.000 description 4
- 101000579663 Homo sapiens Gamma-secretase subunit PEN-2 Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010017533 Fungal infection Diseases 0.000 description 2
- 208000031888 Mycoses Diseases 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
- C12Q1/06—Quantitative determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/37—Assays involving biological materials from specific organisms or of a specific nature from fungi
- G01N2333/38—Assays involving biological materials from specific organisms or of a specific nature from fungi from Aspergillus
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Wood Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Zoology (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Microbiology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Immunology (AREA)
- Biotechnology (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Analytical Chemistry (AREA)
- Algebra (AREA)
- Toxicology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于电子鼻快速预测大米中曲霉属真菌生长状况的方法。将大米经过紫外灭菌后,接种一定量的曲霉属真菌。使用电子鼻对不同贮藏时间的大米接种后的样品进行顶空气体检测;同时采用传统的平板计数法检测大米样品上的菌落数;根据主成分分析对电子鼻传感器阵列进行优化,使用稳定值法对优选后的传感器响应信号进行特征提取。最后采用Logisitic方程根据主成分分析中二维得分图的重心横坐标和菌落生长天数进行曲霉属真菌生长曲线模拟,选择其中相关系数大而均方根误差小的模型作为最终的菌落生长模型。本发明提供了一种快速预测曲霉属真菌在大米中生长状况的方法,对大米样本无损害,操作简单,并具有良好的拟合效果,具有较高的实际应用价值。
Description
技术领域
本发明属于微生物检测领域,涉及一种基于电子鼻快速预测大米中曲霉属真菌生长状况的方法。
背景技术
稻米是世界各国最重要的粮食品种之一,世界上约有50%的人口以稻米为主食,其中亚洲地区就有20多亿人以稻米及其制品为热量摄入的主要来源。多年来,我国稻谷产量稳居世界第一,约占全世界稻谷总产量的30%,占国内谷物总产量的1/3左右。且随着人民生活水平的提高及人口数量的增加,其消费量也呈逐渐上升趋势。然而,谷物中含有丰富的营养物质,在适宜的水分、温度条件下极易感染真菌发生变质。据悉,全世界每年由于粮食霉变或污染真菌毒素引起的农产品和工业原料的损失达数百亿美元。更严重的是,人类若误食受真菌污染的食品,就会中毒或诱发一些疾病,甚至包括癌症。所以,食品中的真菌污染状况尤其应引起重视。预测微生物学用于描述和预测微生物在一定条件下的生长情况,对食品安全做出快速评估,目前已经应用于蔬菜、肉制品、水产品和乳制品等食品中。它可通过特定数学模型的建立,定量描述和预测食品中微生物在特定条件下的存活或生长,以达到不进行产品检测即可预测食物腐败程度,实现对食品品质的快速预测和评估。但该法通常需要先采用传统的平板计数法进行菌落数的统计,方法复杂耗时,破坏样品,不能实现快速评估。电子鼻作为一种快速、无损的检测手段,在曲霉属真菌生长状况预测方面具有广泛应用前景。
发明内容
针对目前真菌检测方法复杂耗时、效率低、成本高等问题,本发明提供了一种基于电子鼻快速预测大米中曲霉属真菌生长状况的方法,该方法能较准确快速的预测出大米受污染的程度,并且不损害大米样品。
一种基于电子鼻快速预测大米受曲霉属真菌侵染程度的方法,它的具体步骤如下:
(1)对大米样品进行灭菌、曲霉属真菌接种和贮藏,将贮藏0天-6天的大米样品按照每天间隔共取出7组样品(每组样品重复N次,N>10),在室温下密封,密封体积不少于500mL(按大米重量与容器体积比例1g:25mL)。样品静置30-60分钟,使密封容器中的顶空气体达到饱和,从而获得顶空气体。通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内,检测记录传感器响应信号,从而得到传感器对不同贮藏时间的大米样品的响应曲线;
(2)对步骤(1)中经过电子鼻检测后的不同贮藏时间的检测样品进行润洗、稀释、平板培养5-7天后数菌落,从而获得不同储藏时间的样品菌落数;
(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值,采用主成分分析法对提取的特征值进行定性分析;根据主成分分析的二维得分图中的样本点求出不同贮藏时间重复样品的重心横坐标,通过Logistic方程对上述获得的重心横坐标进行大米中真菌生长状况进行拟合,建立菌落生长时间和重心横坐标的预测模型,选择其中相关系数大而均方根误差小的模型作为最终真菌生长状况的预测模型。从而达到仅利用电子鼻就能有效预测大米中曲霉属真菌生长模型的目的。
所述Logistic方程公式为:
式中N0和Nmax为菌落的初始量和最大量;μmax为霉菌最大生长率;λ为霉菌生长的滞后时间,t为霉菌生长时间。
进一步地,所述的步骤(3)中相关系数和均方根误差的计算公式如下:
r为相关系数;RMSE为均方根误差;N为预测模型建立过程中使用的大米受曲霉属真菌侵染程度已知的样本个数;Xi为预测模型建立过程中第i个样本菌落数的实际值;为预测模型建立过程中所有样本菌落数真实值的平均值;Yi为预测模型建立过程中第i个样本菌落数的预测值;为预测模型过程中所有样本菌落数预测值的平均值。
本发明的有益效果是:利用电子鼻对大米中曲霉属真菌生长状况进行预测,以传感器响应曲线稳定值作为特征值,采用Logistic方程根据主成分分析中二维得分图的X轴重心坐标和菌落生长天数进行曲霉属真菌生长曲线模拟,从而获得曲霉属真菌生长状况的预测模型。该方法实现了使用电子鼻直接对大米中曲霉属真菌生长状况的快速预测,并具有快速无损的特点,为大米,甚至是农产品霉菌生长预测提供了一种新方法。
附图说明
图1是电子鼻检测大米受亮白曲霉侵染程度的传感器响应信号;
图2是电子鼻亮白曲霉菌落数与主成分分析二维得分图的重心横坐标相关性;
图3是Logistic模型对大米受亮白曲霉侵染程度的拟合曲线;
图4是电子鼻检测大米受烟曲霉侵染程度的传感器响应信号;
图5是电子鼻烟曲霉菌落数与主成分分析二维得分图的重心横坐标相关性;
图6是Logistic模型对大米受烟曲霉侵染程度模拟。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
本发明采用一种基于电子鼻快速预测大米中曲霉属真菌生长状况的方法,基于电子鼻数据建立起有效的预测模型,具体步骤如下:
(1)将市售大米置于110mW s/cm2的紫外灯下灭菌30-60min后,接种一定浓度的曲霉属真菌,并置于28±1℃,85%相对湿度下贮藏。将贮藏0天-6天的大米样品按照每天间隔共取出7组样品(每组样品重复N次,N>10),容器体积不少于500mL(按大米重量与容器体积比例1g:25mL)。样品静置30-60分钟,使密封容器中的顶空气体达到饱和,从而获得顶空气体;每次电子鼻检测开始前,使用干燥洁净空气对电子鼻系统进行清洗,设置清洗流速为400mL/min-600mL/min,清洗时间为60-80秒;清洗完成后,通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内,电子鼻传感器与样品气体发生反应产生传感器信号;所述传感器信号是传感器接触样品气体时的电导率G与传感器在经过校准气体时的电导率G0的比值,即G/G0;内置泵气体流速为200-300mL/min,检测时间为70-90秒;检测记录传感器阵列响应信号,从而得到传感器阵列对不同储藏时间的大米样品的响应曲线;
(2)对步骤(1)中经过电子鼻检测后的不同贮藏时间的检测样品进行润洗、稀释、平板培养5-7天后数菌落,从而获得不同储藏时间的样品菌落数;
(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值,采用主成分分析法对提取的特征值进行定性分析;根据主成分分析的二维得分图中的样本点求出不同贮藏时间重复样品的X轴重心坐标,通过Logistic方程对上述获得的重心横坐标进行大米中真菌生长状况进行拟合,建立菌落生长时间和重心横坐标的预测模型,选择其中相关系数大而均方根误差小的模型作为最终真菌生长状况的预测模型。从而达到仅利用电子鼻就能有效预测大米中曲霉属真菌生长模型的目的。
所述Logistic方程公式为:
式中N为菌落数;N0和Nmax为菌落的初始量和最大量;μmax为霉菌最大生长率;λ为霉菌生长的滞后时间,t为霉菌生长时间。
进一步地,所述的步骤(3)中相关系数和均方根误差的计算公式如下:
r为相关系数;RMSE为均方根误差;N为预测模型建立过程中使用的大米受曲霉属真菌侵染程度已知的样本个数;Xi为预测模型建立过程中第i个样本菌落数的实际值;为预测模型建立过程中所有样本菌落数真实值的平均值;Yi为预测模型建立过程中第i个样本菌落数的预测值;为预测模型过程中所有样本菌落数预测值的平均值。
实施例
本发明适用于大米、小麦、玉米等农产品中不同曲霉属真菌生长状况的快速预测,主要适用于电子鼻检测并对其结果数据处理。以下的实施例便于更好的理解本发明,但并不限定本发明。
实施例1
一种基于电子鼻快速预测大米受亮白曲霉侵染程度的方法,它的步骤如下:
(1)以市售江苏星佳大米作为实验对象,置于110mW s/cm2的紫外灯下灭菌30-60min后,选取7批大米样品分别接种0.2mL浓度为107CFU/mL的亮白曲霉孢子悬浮液,并置于28±1℃,85%相对湿度下贮藏。每隔24h取出一批大米样品在室温下置于容器内密封,共计取出7组样品(每组样品重复21次),每组分别编号为0d,1d,2d,3d,4d,5d,6d。容器体积为500mL,样品静置60分钟后,使密封容器中的顶空气体达到饱和,从而获得顶空气体;每次电子鼻检测开始前,使用干燥洁净空气对电子鼻系统进行清洗,设置清洗流速为600ml/min,清洗时间为60秒;清洗完成后,通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内,电子鼻传感器与样品气体发生反应产生传感器信号;所述传感器信号是传感器接触样品气体时的电导率G与传感器在经过校准气体时的电导率G0的比值,即G/G0;内置泵气体流速为200ml/min,检测时间为90秒;检测记录传感器阵列响应信号,从而得到传感器阵列对不同储藏时间的大米样品的响应曲线。
本案例中应用的是德国AIRSENSE公司的PEN2型电子鼻为检测仪器,该电子鼻系统由10个金属氧化物传感器,其型号与相应特性如表1所示:
表1 PEN2型电子鼻传感器阵列和各传感器响应特点
获得电子鼻的输出结果后,对其进行特征提取,观测响应曲线,发现均在75秒之后趋于稳定,因此以响应曲线75秒时的数值作为特征值,图1为大米接种亮白曲霉后不同贮藏时间的电子鼻响应曲线图。
(2)不同贮藏时间的大米接种样品菌落总数测定按照食品安全国家标准GB4789.15-2010进行,菌落数测定重复三次;
(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值,采用主成分分析法对提取的特征值进行定性分析;根据主成分分析的二维得分图中的样本点求出不同贮藏时间重复样品的重心横坐标,具体计算公式如下:式中Xmean为不同贮藏时间检测样本重心的横坐标,Xi为不同贮藏时间检测样本点的横坐标。
本实施例中,不同时间的菌落数和二维得分图中各个已知新鲜度检测样本重心横坐标如表2所示。
表2各组不同贮藏时间检测样本的重心横坐标
将重心横坐标与菌落数进行相关性分析,相关系数达到0.965,说明二者具有较好的线性关系,结果如图2所示。通过Logistic模型对上述获得的重心横坐标坐标进行大米中亮曲霉生长状况的拟合,结果如图3所示。其表达式为:式中N为菌落数,t为亮曲霉生长时间。其相关系数R2为0.996,RMSE=0.120说明该模型预测大米中亮曲霉生长状况较好。
实施例2
一种基于电子鼻快速预测大米中烟曲霉生长状况的方法,它的步骤如下:
(1)以市售江苏星佳大米作为实验对象,置于110mW s/cm2的紫外灯下灭菌30-60min后,选取7批大米样品分别接种0.2mL浓度为107CFU/mL的烟曲霉孢子悬浮液,并置于28±1℃,85%相对湿度下贮藏。每隔24h取出一批大米样品在室温下置于容器内密封,共计取出7组样品(每组样品重复21次),每组分别编号为0d,1d,2d,3d,4d,5d,6d。容器体积为500mL,样品静置60分钟后,使密封容器中的顶空气体达到饱和,从而获得顶空气体;每次电子鼻检测开始前,使用干燥洁净空气对电子鼻系统进行清洗,设置清洗流速为600ml/min,清洗时间为60秒;清洗完成后,通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内,电子鼻传感器与样品气体发生反应产生传感器信号;所述传感器信号是传感器接触样品气体时的电导率G与传感器在经过校准气体时的电导率G0的比值,即G/G0;内置泵气体流速为200ml/min,检测时间为90秒;检测记录传感器阵列响应信号,从而得到传感器阵列对不同储藏时间的大米样品的响应曲线;
本案例中应用的是德国AIRSENSE公司的PEN2型电子鼻为检测仪器,该电子鼻系统由10个金属氧化物传感器,其型号与相应特性如表1所示:
表1 PEN2型电子鼻传感器阵列和各传感器响应特点
获得电子鼻的输出结果后,对其进行特征提取,观测响应曲线,发现均在75秒之后趋于稳定,因此以响应曲线75秒时的数值作为特征值,图4为大米接种烟曲霉后不同贮藏时间的电子鼻响应曲线图。
(2)不同贮藏时间的大米接种样品菌落总数测定按照食品安全国家标准GB4789.15-2010进行,菌落数测定重复三次;
(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值,采用主成分分析法对提取的特征值进行定性分析;根据主成分分析的二维得分图中的样本点求出不同贮藏时间重复样品的重心横坐标,具体计算公式如下:式中Xmean为不同贮藏时间检测样本重心的横坐标,Xi为不同贮藏时间检测样本点的横坐标。
本实施例中,不同时间的烟曲霉菌落数和二维得分图中各个已知新鲜度检测样本重心横坐标如表2所示。
表2各组不同贮藏时间检测样本的重心横坐标
将重心横坐标与菌落数进行相关性分析,相关系数达到0.910,说明二者具有较好的线性关系,结果如图5所示。通过Logistic模型对上述获得的重心横坐标坐标进行大米中烟曲霉生长状况的拟合,结果如图6所示。其表达式为:式中N为菌落数,t为亮曲霉生长时间。其相关系数R2为0.996,RMSE=0.341说明该模型预测大米中亮曲霉生长状况效果较好。
通过以上实施例对基于电子鼻快速预测大米中曲霉属真菌生长状况方法的详细介绍,所建立的大米中曲霉属真菌生长状况的预测模型具有较高预测性能,进一步说明,本发明公开的方法具有较高的应用价值,值得广泛推广。
Claims (4)
1.一种基于电子鼻快速预测大米中曲霉属真菌生长状况的方法,其特征在于,该方法包括如下步骤:
步骤1、对大米样品进行灭菌、曲霉属真菌接种和贮藏,将贮藏0天-6天的大米样品按照每天间隔共取出7组样品,每组样品重复N次,N>10,在室温下密封,密封体积不少于500 mL,按大米重量与容器体积比例1 g : 25 mL,样品静置30-60分钟,使密封容器中的顶空气体达到饱和,从而获得顶空气体,通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内,检测记录传感器响应信号,从而得到传感器对不同贮藏时间的大米样品的响应曲线;
步骤2、对步骤1中的7组样品进行润洗、稀释、平板培养5-7天,对平板上的曲霉属真菌菌落进行计数,从而获得不同贮藏时间的样品菌落数;
步骤3、提取步骤1中传感器检测稳定时的响应信号值作为特征值,采用主成分分析法对提取的特征值进行定性分析;根据主成分分析的二维得分图中的样本点求出不同贮藏时间重复样品的重心横坐标,通过Logistic方程对上述获得的重心横坐标进行大米中真菌生长状况进行拟合,建立菌落生长时间和重心横坐标的预测模型,选择其中相关系数大而均方根误差小的模型作为最终真菌生长状况的预测模型,从而达到仅利用电子鼻就能有效预测大米中曲霉属真菌生长模型的目的;
所述Logistic方程公式为:
式中N0和Nmax为菌落的初始量和最大量;μmax为霉菌最大生长率;λ为霉菌生长的滞后时间,t为霉菌生长时间。
2.根据权利要求1所述的方法,其特征在于,步骤1中,所述的曲霉属真菌为大米发霉中的优势曲霉属真菌,包括亮白曲霉、烟曲霉、棒曲霉和黑曲霉。
3.根据权利要求1所述的方法,其特征在于,步骤1中,将大米样品置于110 mW s/cm 2的紫外灯下灭菌30-60 min,贮藏条件28±1 ℃,85 %相对湿度,每次电子鼻检测开始前,使用干燥洁净空气对电子鼻系统进行清洗,设置清洗流速为400 ml/min-600 ml/min,清洗时间为60-90秒;清洗完成后,通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内,电子鼻传感器与样品气体发生反应产生传感器信号;所述传感器信号是传感器接触样品气体时的电导率G与传感器在经过校准气体时的电导率G0的比值,即G/G0;内置泵气体流速为200-300 ml/min,检测时间为70-90秒;检测记录传感器阵列响应信号,从而得到传感器阵列对不同储藏时间的大米样品的响应曲线。
4.根据权利要求1所述的方法,其特征在于,步骤3中,相关系数和均方根误差的计算公式如下:
R2为相关系数;RMSE为均方根误差;N为预测模型建立过程中使用的大米受曲霉属真菌侵染程度已知的样本个数;Xi为预测模型建立过程中第i个样本菌落数的实际值;为预测模型建立过程中所有样本菌落数真实值的平均值;Yi为预测模型建立过程中第i个样本菌落数的预测值;为预测模型过程中所有样本菌落数预测值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811489702.5A CN109486898B (zh) | 2018-12-06 | 2018-12-06 | 基于电子鼻快速预测大米中曲霉属真菌生长状况的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811489702.5A CN109486898B (zh) | 2018-12-06 | 2018-12-06 | 基于电子鼻快速预测大米中曲霉属真菌生长状况的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109486898A true CN109486898A (zh) | 2019-03-19 |
CN109486898B CN109486898B (zh) | 2022-06-21 |
Family
ID=65709547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811489702.5A Expired - Fee Related CN109486898B (zh) | 2018-12-06 | 2018-12-06 | 基于电子鼻快速预测大米中曲霉属真菌生长状况的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109486898B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114487143A (zh) * | 2020-11-11 | 2022-05-13 | 天津科技大学 | 一种对成品粮储藏过程中霉变快速判别的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080199904A1 (en) * | 2006-10-11 | 2008-08-21 | Suslick Kenneth S | Apparatus and method for detecting and identifying microorganisms |
CN104267067A (zh) * | 2014-10-28 | 2015-01-07 | 南京农业大学 | 一种气味传感器对铜绿假单胞杆菌生长预测的方法 |
CN105373669A (zh) * | 2015-11-28 | 2016-03-02 | 泰山医学院 | 一种黄伞菌发酵条件优化及动力学模型的构建方法 |
CN106996965A (zh) * | 2017-05-02 | 2017-08-01 | 华中农业大学 | 稻米霉菌在线监测系统、建立方法及应用 |
CN107764793A (zh) * | 2017-10-19 | 2018-03-06 | 西华大学 | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 |
-
2018
- 2018-12-06 CN CN201811489702.5A patent/CN109486898B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080199904A1 (en) * | 2006-10-11 | 2008-08-21 | Suslick Kenneth S | Apparatus and method for detecting and identifying microorganisms |
CN104267067A (zh) * | 2014-10-28 | 2015-01-07 | 南京农业大学 | 一种气味传感器对铜绿假单胞杆菌生长预测的方法 |
CN105373669A (zh) * | 2015-11-28 | 2016-03-02 | 泰山医学院 | 一种黄伞菌发酵条件优化及动力学模型的构建方法 |
CN106996965A (zh) * | 2017-05-02 | 2017-08-01 | 华中农业大学 | 稻米霉菌在线监测系统、建立方法及应用 |
CN107764793A (zh) * | 2017-10-19 | 2018-03-06 | 西华大学 | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 |
Non-Patent Citations (4)
Title |
---|
SHUANG GU: "Early discrimination and growth tracking of Aspergillus spp. contamination in rice kernels using electronic nose", 《FOOD CHEMISTRY》 * |
宋伟: "应用电子鼻判别不同储藏条件下粳稻谷品质的研究", 《中国粮油学报》 * |
朱 娜: "电子鼻对草莓采后贮藏早期霉菌感染的检测", 《农业工程学报》 * |
赖章林: "搅打奶油中金黄色葡萄球菌生长预测模型的建立", 《山东农业大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114487143A (zh) * | 2020-11-11 | 2022-05-13 | 天津科技大学 | 一种对成品粮储藏过程中霉变快速判别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109486898B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sanaeifar et al. | Early detection of contamination and defect in foodstuffs by electronic nose: A review | |
Pitt et al. | Fungi and food spoilage | |
Bonah et al. | Application of electronic nose as a non-invasive technique for odor fingerprinting and detection of bacterial foodborne pathogens: A review | |
Falasconi et al. | Electronic nose for microbiological quality control of food products | |
CN103424428A (zh) | 一种基于电子鼻的猪肉新鲜度快速检测方法 | |
Ezhilan et al. | An electronic nose for royal delicious apple quality assessment–a tri-layer approach | |
Arnold et al. | Use of digital aroma technology and SPME GC‐MS to compare volatile compounds produced by bacteria isolated from processed poultry | |
CN103424521B (zh) | 一种牛肉新鲜度检测装置及检测方法 | |
Wang et al. | Early detection of Zygosaccharomyces Rouxii—spawned spoilage in apple juice by electronic nose combined with chemometrics | |
US6450008B1 (en) | Food applications of artificial olfactometry | |
CN102590288A (zh) | 基于电子鼻的食品品质检测系统和检测方法 | |
CN107505306A (zh) | 基于重水标记的拉曼光谱快速检测牛奶中沙门氏菌的方法 | |
CN109666717A (zh) | 基于电子鼻的大米受曲霉属真菌侵染程度的预测方法 | |
Xiao et al. | Determination of the freshness of beef strip loins (M. longissimus lumborum) using electronic nose | |
Gu et al. | Predicting the growth situation of Pseudomonas aeruginosa on agar plates and meat stuffs using gas sensors | |
CN105699437B (zh) | 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法 | |
CN103412102B (zh) | 鸡胸脯肉新鲜度检测装置及检测方法 | |
CN109486898A (zh) | 基于电子鼻快速预测大米中曲霉属真菌生长状况的方法 | |
Asefa et al. | The performance of SAS-super-180 air sampler and settle plates for assessing viable fungal particles in the air of dry-cured meat production facility | |
CN109711603A (zh) | 基于电子鼻快速预测稻米受曲霉属真菌侵染数量的方法 | |
Dilbaghi et al. | Food spoilage, food infections and intoxications caused by microorganisms and methods for their detection | |
Caicedo-Eraso et al. | Electrical impedance spectroscopy applied to quality control in the food industry | |
CN107764793A (zh) | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 | |
CN102749516B (zh) | 一种食品中微生物生长曲线自动测绘的方法 | |
Zhao et al. | Evaluation of quality changes of leisure dried tofu during storage based on electronic nose |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220621 |