CN110231303A - 一种快速测定奇亚籽灰分含量的方法 - Google Patents
一种快速测定奇亚籽灰分含量的方法 Download PDFInfo
- Publication number
- CN110231303A CN110231303A CN201910496412.1A CN201910496412A CN110231303A CN 110231303 A CN110231303 A CN 110231303A CN 201910496412 A CN201910496412 A CN 201910496412A CN 110231303 A CN110231303 A CN 110231303A
- Authority
- CN
- China
- Prior art keywords
- seed
- content
- ashes
- sample
- odd sub
- 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
- 239000002956 ash Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 51
- 235000002918 Fraxinus excelsior Nutrition 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000002329 infrared spectrum Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 4
- 238000010561 standard procedure Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 claims description 2
- 238000004566 IR spectroscopy Methods 0.000 claims 1
- 238000002790 cross-validation Methods 0.000 abstract description 8
- 238000004445 quantitative analysis Methods 0.000 abstract description 6
- 239000004615 ingredient Substances 0.000 abstract description 3
- 235000013305 food Nutrition 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 238000004380 ashing Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 235000008418 Hedeoma Nutrition 0.000 description 2
- 244000246386 Mentha pulegium Species 0.000 description 2
- 235000016257 Mentha pulegium Nutrition 0.000 description 2
- 240000005481 Salvia hispanica Species 0.000 description 2
- 235000001498 Salvia hispanica Nutrition 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000268590 Euryale ferox Species 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 235000012377 Salvia columbariae var. columbariae Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- DTOSIQBPPRVQHS-PDBXOOCHSA-N alpha-linolenic acid Chemical compound CC\C=C/C\C=C/C\C=C/CCCCCCCC(O)=O DTOSIQBPPRVQHS-PDBXOOCHSA-N 0.000 description 1
- 235000020661 alpha-linolenic acid Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 235000014167 chia Nutrition 0.000 description 1
- 235000020235 chia seed Nutrition 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- -1 ingredient Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229960004488 linolenic acid Drugs 0.000 description 1
- KQQKGWQCNNTQJW-UHFFFAOYSA-N linolenic acid Natural products CC=CCCC=CCC=CCCCCCCCC(O)=O KQQKGWQCNNTQJW-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin 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
-
- 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
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
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
本发明公开了一种快速测定奇亚籽灰分含量的方法,属于灰分含量检测领域。本发明方法以国标测定样品灰分含量获得参考值,同时以固定的光谱采集方法扫描样品,确定主成分数,选择光谱预处理方法,基于偏最小二乘法,构建光谱信息和灰分含量参考值之间的校正模型。利用已建立的校正模型便可以快速得到各成分的含量信息,且通过内部交叉验证法验证已建立的模型具有较高的预测精确度。本发明方法适用于奇亚籽中灰分的定量分析,方法准确,省时高效。
Description
技术领域
本发明涉及一种快速测定奇亚籽灰分含量的方法,属于灰分含量检测领域。
背景技术
奇亚籽(Chia seed)原产于墨西哥南部和一些北美洲地区,是薄荷类植物芡欧鼠尾草(Salvia Hispanica L.)的种子,由于芡欧鼠尾草适应在墨西哥及北美洲地区海拔约1200m的高原荒漠地区生长,且国内并没有此物种的繁殖地,目前国内市场上的奇亚籽均依赖于进口,样品收集不易。
奇亚籽富含一般谷物中稀有n-3系列不饱和脂肪酸(亚麻酸)、膳食纤维、高品质的蛋白质、矿物质和维生素E12,正以一款新型超级食物打入国内市场。市场上的奇亚籽价格高低不定,产地标识乱杂,品质参差不齐,包装后的奇亚籽内常混有稻草类的杂质或在加工过程中混入了一些泥沙,则在测定灰分时可检出。灰分是指样品经充分煅烧后留下的无机成分,包括钾、磷、钠、钙等盐类,含量的高低会影响奇亚籽的内在品质。
结合样品收集方面的原因,灰分含量测定的常规方法有直接灰化法,加助灰化剂灰化法,灰分的以上两种检测方法均较简单,但是耗时较长,仍然需注意细节,以保证实验数据的准确性。所以寻求一种快速、有效、无损的检测方法对奇亚籽灰分含量的测定具有重要的现实意义。
近红外光谱(Near Infrared Spectroscopy,NIRS)是基于可见光和中红外光谱之间的一段光谱,波长范围为780nm-2526nm,属于分子振动光谱,是含氢基团(C-H、N-H、O-H)振动的倍频与合频吸收,是获取含氢基团特征信息的一种有效载体。随着化学计量学的加入,近红外光谱技术在农产品等食品检测中有着较多的应用,它的特点是:检测成本低,快速,无损害待检测样品,可实现在线检测,是一种成熟的食品品质分析技术。这为将该技术用于奇亚籽灰分含量实时分析和监控成为一种可能。
目前已有利用近红外光谱检测灰分含量的报道,比如华东理工大学的熊利华采集4000~10000cm-1的光谱图,5300~7200cm-1、7800~10000cm-1的区域作为建立定量分析模型的光谱区域,光谱经变量标准化处理后,所建立的定量分析模型具有较大的稳定性;然而,该方法虽然可以较为准确的测定茶叶中的灰分含量,但是由于物质环境不同,与灰分相关的吸收波段差异较大,利用该方法中的波段数据无法建立准确的线性校正模型。此外,江西出入境检验检疫局检验检疫综合技术中心的耿响(CN105588819)选择了归一化的预处理方法,选择4400-4800、5400-6600、7800-9000作为建模波段;然而,该方法并未明确光谱数据如何构建校正模型,且该方法中的波段同样也无法有效、准确的预测奇亚籽中水分含量。因此,开发一种快速、有效、无损且准确的奇亚籽灰分含量检测方法是十分重要的。
发明内容
本发明的目的是为了克服现有奇亚籽中灰分含量在分析过程中费时费力,检测周期长,样品破坏性测试,效果不佳的缺点,提供一种基于近红外光谱、适用于奇亚籽中灰分含量测定的方法,实现准确建模、简便快速检测,可评价奇亚籽的质量,用于奇亚籽贸易品质的鉴别。
按照近红光谱产生的原理,无机成分在近红外光谱区并没有特征的吸收光谱,对灰分的定标只能根据与其他成分的相关性来进行,因此,灰分的近红外预测模型是根据它和其他营养成分的相关性来建立的,是一种间接定标方法灰分,以表征目标品质浓度特征,预处理后的光谱与实际测得的灰分含量参考值相关联,采用偏最小二乘法建立校正模型,这样就可以通过扫描奇亚籽的近红外光谱图,将相同预处理后的光谱调入校正模型,得到奇亚籽中的准确的灰分含量百分值。
本发明的第一个目的是提供一种测定奇亚籽灰分含量的方法,所述方法包括如下步骤:
(1)在4000-10000cm-1全光谱谱区范围内漫反射扫描奇亚籽样品,得到近红外光谱图;
(2)在所得近红外光谱图中选取特定波段范围,对特定波段范围内的光谱信息进行预处理,得到峰强度值;所述预处理的方式包括多元散射校正(MSC)、标准正态变化(SNV)、一阶导数(1st)、二阶导数(2nd)、SG平滑和ND平滑中的一种或者多种;所述特定波段范围包括6100-9950cm-1、6100-6500cm-1、7100-7800cm-1、9500-9950cm-1中的一种或多种。
(3)按国标方法测定奇亚籽样品中灰分含量作为参考值,并利用偏最小二乘法,与步骤(2)得到的峰强度值建立校正模型;
(4)待测样品经步骤(1)、(2)得到峰强度值,根据步骤(3)中的校正模型,计算得到待测样品样品中的灰分含量。
在本发明的一种实施方式中,所述步骤(2)中特定波段范围优选6100-9950cm-1、6100-6500cm-1、7100-7800cm-1、9500-9950cm-1中的一种或多种。
在本发明的一种实施方式中,所述步骤(2)中特定波段范围进一步优选6100-9950cm-1,或者6100-6500cm-1、7100-7800cm-1、9500-9950cm-1的组合。
在本发明的一种实施方式中,所述步骤(2)中特定波段范围进一步优选6100-9950cm-1。
在本发明的一种实施方式中,所述步骤(1)是将奇亚籽样品置于样品杯中,在谱区范围内漫反射扫描,分辨率4-16cm-1,扫描次数16-64次,增益4-8倍,得到近红外光谱。
在本发明的一种实施方式中,所述步骤(1)是将奇亚籽样品置于样品杯中,在谱区范围内漫反射扫描,分辨率8cm-1,扫描次数32次,增益8倍,得到近红外光谱。
在本发明的一种实施方式中,所述步骤(2)中预处理的方式优选MSC+1st+ND平滑,或者标准正态变化,一阶导数和ND平滑的组合。
在本发明的一种实施方式中,所述步骤(2)中预处理的方式进一步优选MSC+1st+ND平滑。
在本发明的一种实施方式中,所述预处理中采用MSC去除近红外漫反射光谱中样品的镜面反射及不均匀性造成的噪声和光谱的不重复性;采用一阶导数和/或二阶导数消除基线和提高分辨率、减少噪声干扰;采用SG平滑和/或ND平滑提高有效信息的信噪比。
在本发明的一种实施方式中,所述步骤(3)中以偏最小二乘法建立校正模型,结合主成分分析对光谱信息进行降维压缩。
在本发明的一种实施方式中,所述校正模型的主成分数为9。
本发明的第二个目的是将上述检测方法应用于实时检测奇亚籽中灰分含量变化中。
本发明的第三个目的是将上述检测方法应用于奇亚籽贸易品质监测领域中。
本发明的有益效果是:
本发明首次将近红外光谱结合化学计量学方法引入奇亚籽灰分含量的无损检测,用于奇亚籽中灰分的定量分析,方法准确,省时高效。
本发明与传统化学分析方法相比,检测速度快,不损坏样品,全程测定过程无需一分钟,是一种便捷方便、绿色环保的检测方法。
本发明方法将近红外光谱技术引入到奇亚籽数据库模型的搭建可以实现在线实时检测奇亚籽在贸易过程中灰分含量的变化,对确保奇亚籽贸易品质的稳定性是十分有意义的。
附图说明
图1是近红外光谱技术建立奇亚籽中灰分含量模型的流程图;
图2是奇亚籽的原始近红外光谱图;
图3是RMSECV随主成分数的变化图;
图4是校正集样品的预测值与参考值的相关图;
图5是验证集样品的预测值与参考值的相关图;
图6是样品内部交叉验证的结果图。
具体实施方式
下面以实施例的方式对本发明所述的近红外光谱模型建立及应用过程进一步说明,该实施例不应解释为对本发明的限制。
本发明所述的近红外光谱模型建立及应用过程如图1,具体如下:
1.代表性样品的收集及分类:
根据奇亚籽的生长环境和生长周期特点,分别收集各个奇亚籽主产地的样品,样品量达到103份,包括墨西哥、澳大利亚、阿根廷、玻利维亚、厄瓜多尔、尼加拉瓜、秘鲁等地区,收集周期大于二年(奇亚为薄荷类一年生植物),多批次采集,收集种类包含黑奇亚籽和白奇亚籽两种类型。将样品分为校正样品集和验证样品集,每集涵盖各个地区、批次和颜色种类的奇亚籽,有效地拓展样品数据的范围。样品进行光谱采集的同时立即按国标方法测定奇亚籽中的灰分含量,建立奇亚籽样品灰分含量数据库。
2.仪器条件及样品光谱的采集
仪器:近红外光谱由购自Thermo Fisher科技(中国)有限公司的Antaris II近红外分析仪扫描收集,该仪器配有光谱采集软件为RESULT-Integration;建模软件为TQAnalyst,均为Thermo Fisher科技(中国)有限公司开发。同时,配有InGaAs检测器。
样品光谱的采集:在25℃±2℃的条件下对待测奇亚籽样品进行近红外光谱谱图的采集,称取25g籽粒于标准样品杯中,在选取的谱区范围内用漫反射的方式扫描奇亚籽样品的近红外光谱,分辨率8cm-1,扫描次数32次,增益8×,同一样品倒出样品杯,重新装杯,如此扫描三次及以上,取平均光谱作为该样品的标准光谱。
3.参考值数据的测定:
按GB 5009.4-2016《食品安全国家标准食品中灰分的测定》采用550℃马弗炉灼烧法测定奇亚籽中灰分含量。样品经过碳化、灰化,前后坩埚增重量即为样品中总灰分的含量。测定所得奇亚籽灰分含量作为参考值。每个样品检测三次,取平均值。
4.样品集划分:
将103个样品分成两组,一组为校正集,用于建立定量模型;另一组作为验证集,用于检验模型的准确性和稳定性。为了避免由于样品分组不合理而导致的偏差,子集选择如下进行:对于每5个样本,随机选择4个作为校正集,而剩余样本用作预测集。因此,本实验应用82个作为校正集,另外21个组成验证集。由表1所示,校正集样品的含量范围涵盖了验证集样品的含量范围,说明该分组结果较好。
表1校正集与验证集的样品数及含量
样品集 | 含量单位 | 样品数 | 含量范围 | 平均含量 | 标准偏差 |
校正集 | g/g | 82 | 3.55~5.60 | 4.58 | 0.42 |
验证集 | g/g | 21 | 3.89~5.80 | 4.66 | 0.52 |
5.建立校正模型
利用建模软件对光谱进行预处理,提取并发大表达奇亚籽灰分含量的特征光谱信息。光谱预处理方法包括:为去除近红外漫反射光谱中样品的镜面反射及不均匀性造成的噪声,消除漫反射的基线及光谱的不重复性采用MSC;为消除基线和提高分辨率采用了一阶导数和二阶导数,为减少噪声干扰;提高有效信息的信噪比采用SG平滑和ND平滑。同时结合主成分分析对光谱信息进行降维压缩,以偏最小二乘法建立校正模型。
6.内部交叉验证
规定所有样品为校正集样品,采用留一法对模型进行内部交叉验证,即留下一份样品作为待预测样品,其余样品参与建模预测这一份样品灰分含量,如此循环反复测得103份预测值与灰分含量参考值的关系图,以相关系数RCV和交叉验证均方根误差(Root MeanSquare Error of Cross Validation,RMSECV)评估模型。
7.进行样品预测
在稳定的环境条件下,近红外分析仪中的卤钨灯光源发出光辐射,照射在奇亚籽样品上,漫反射出来的光被积分球收集,通过检测器将近红外光谱转化为数字信号传输到计算机,再用已建立和验证的校正模型对数字信号进行分析,从而得到奇亚籽中灰分含量的数据。
实施例1:奇亚籽灰分含量校正模型的构建
(1)在25℃±2℃的条件下对待测奇亚籽样品(分为校正集与验证集)进行近红外光谱谱图的采集,称取25g籽粒于标准样品杯中,在4000-10000cm-1谱区范围内用漫反射的方式扫描奇亚籽样品的近红外光谱,分辨率8cm-1,扫描次数32次,增益8×,同一样品倒出样品杯,重新装杯,如此扫描三次及以上,取平均光谱作为该样品的标准光谱。
(2)选取对标准光谱中6100-9950cm-1谱区范围内的光谱信息进行预处理,所述预处理方式为MSC+1st+ND平滑;
(3)奇亚籽样品按国标方法测定奇亚籽中的灰分含量,得到样品灰分含量参考值;提取6100-9950cm-1波数区间建立偏最小二乘法建立校正模型,得到预测值与灰分含量参考值的线性模型(PLS建模)。PLS建模中R为0.9259,RMSEC和RMSEP分别为0.120、0.168,RPD为3.1,RPD大于3,说明所建最优模型适合实际样品的检测。图4和5分别是校正集和验证集样品的预测值与灰分含量参考值的相关图,其中,校正集和验证集的相关系数Rc、Rp分别为0.9524和0.9259,均方根误差分别为0.120和0.168。
实施例2:奇亚籽灰分含量校正模型的验证
设所有样品为校正集样品,采用留一法对模型进行内部交叉验证,即留下一份样品作为待预测样品,其余样品参与建模预测这一份样品灰分含量,如此循环反复测得103份预测值,以相关系数RCV和RMSECV评估模型。
图6为用上述交叉验证后的校正集参考值(国标测定样品灰分含量)与NIR预测值相关图,从图中可以很直观的看出,并没有较大偏离拟合直线的点,线性拟合良好。其中,相关系数RCV为0.9182,RMSECV为0.172。RMSECV较小,RCV大于0.9,表明应用近红外光谱技术结合偏最小二乘法能够对奇亚籽中灰分含量进行定量分析。
实施例3:光谱预处理方式对PLS建模的影响
参考实施例1,将步骤(2)中的预处理方式替换为如表2所示的预处理方式,其他条件不变,进行PLS建模。
表2选用不同预处理方法的奇亚籽灰分含量PLS建模结果
其中:Raw:原始光谱;1st:一阶导数;2nd:二阶导数;MSC:多元散射校正;SNV:标准正态变化;ND平滑:Norris derivative fiter;SG平滑:Savitzky-Golay filter;主成份因子数均为各预处理方式下匹配的最优参数条件。
通过各种光谱预处理方法对谱图进行优化,分析软件自动选择波数范围和主成分数,结果由相关系数R和均方根误差(RMSEC和RMSEP)来评价模型的优劣,R(Rp大于阈值0.7)越大,RMSEC和RMSEP越小,相对分析误差(RPD)越大,则该预处理方法较好。判断模型是否适用于实际检验,相对分析误差(RPD)是重要的指标:RPD是标准差与均方根误差的比值,用于证明模型的预测能力。RPD数值差异较小,0.1之差可能是因为所收集的样品分布和范围差异的代表性较差,也可能因为模型数据处理方式选择不佳,导致参考值和预测值的线性拟合较差,均方根误差较大,0.1之差表示了完全不同的准确性结果;当RPD≥3时,说明效果良好,所建模型可以用于实际检测;如果RPD<3,说明检测欠佳,精度有待于提高。具体结果如表2所示,最佳预处理方法为MSC+1st+ND平滑,PLS建模中R为0.9259,RMSEC和RMSEP分别为0.120、0.168,RPD为3.1,RPD大于3,说明所建最优模型适合实际样品的检测。
实施例4:不同预处理波段对奇亚籽灰分含量PLS建模影响
参考实施例1,选用最佳预处理方式MSC+1st+ND平滑,将步骤(2)中的波段替换为如表3所示的波数范围,其他条件不变,进行PLS建模。
表3选用不同波段范围下奇亚籽灰分含量PLS建模结果
选用4000-10000cm-1全波数区间建立偏最小二乘法建立校正模型,得到预测值与参考值的线性模型;PLS建模中R为0.9157,RPD小于3,表明全波数下模型准确性欠佳。综合考虑表2和表3,特定波数6100-9950cm-1下,R为0.9259,RMSEC和RMSEP分别为0.120、0.168,RPD为3.1,RPD大于3,表明在预处理方法较好模型具有更高的预测精确度,更有助于实际样品的准确定量测定。
此外,在使用PLS建模时,主成分数也是校正模型的评价参数之一,当均方根误差(RMSECV)随着主成分数的增加而减少直至几乎稳定时,得到最佳主成分数为9(见图3),此时贡献率达99%。
Claims (10)
1.一种检测奇亚籽中灰分含量的方法,其特征在于,所述方法包括如下步骤:
(1)在4000-10000cm-1全光谱谱区范围内漫反射扫描奇亚籽样品,得到近红外光谱图;
(2)在所得近红外光谱图中选取特定波段范围,对特定波段范围内的光谱信息进行预处理,得到峰强度值;所述预处理的方式包括多元散射校正(MSC)、标准正态变化(SNV)、一阶导数(1st)、二阶导数(2nd)、SG平滑和ND平滑中的一种或者多种;所述特定波段范围包括6100-9950cm-1、6100-6500cm-1、7100-7800cm-1、9500-9950cm-1中的一种或多种;
(3)按国标方法测定奇亚籽样品中灰分含量作为参考值,并基于偏最小二乘法,与步骤(2)得到的峰强度值建立校正模型;
(4)待测奇亚籽样品经步骤(1)、(2)得到峰强度值,根据步骤(3)中的校正模型,计算得到待测样品中的灰分含量。
2.根据权利要求1所述的方法,其特征在于,所述步骤(2)中特定波段范围为6100-9950cm-1、6100-6500cm-1、7100-7800cm-1、9500-9950cm-1中的一种或多种。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤(2)中特定波段范围为6100-9950cm-1,或者为6100-6500cm-1、7100-7800cm-1、9500-9950cm-1的组合。
4.根据权利要求1-3任一所述的方法,其特征在于,所述步骤(2)中预处理的方式为MSC+1st+ND平滑,或者标准正态变化,一阶导数和ND平滑的组合。
5.根据权利要求1-4任一所述的方法,其特征在于,所述步骤(2)中预处理的方式为MSC+1st+ND平滑。
6.根据权利要求1-5任一所述的方法,其特征在于,所述步骤(1)是将奇亚籽样品置于样品杯中,在全光谱谱区范围内漫反射扫描,分辨率4-16cm-1,扫描次数16-64次,增益4-8倍,得到近红外光谱。
7.根据权利要求1-6任一所述的方法,其特征在于,所述步骤(1)是将奇亚籽样品置于样品杯中,在全光谱谱区范围内漫反射扫描,分辨率8cm-1,扫描次数32次,增益8倍,得到近红外光谱。
8.根据权利要求1-7任一所述的方法,其特征在于,采用留一法验证校正模型的稳定性与可靠性。
9.权利要求1-8任一所述的检测方法在实时检测奇亚籽中灰分含量变化方面的应用。
10.权利要求1-8任一所述的检测方法在奇亚籽贸易品质监测领域中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496412.1A CN110231303A (zh) | 2019-06-10 | 2019-06-10 | 一种快速测定奇亚籽灰分含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496412.1A CN110231303A (zh) | 2019-06-10 | 2019-06-10 | 一种快速测定奇亚籽灰分含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110231303A true CN110231303A (zh) | 2019-09-13 |
Family
ID=67859480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910496412.1A Pending CN110231303A (zh) | 2019-06-10 | 2019-06-10 | 一种快速测定奇亚籽灰分含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110231303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307745A (zh) * | 2020-04-13 | 2020-06-19 | 中国科学院上海技术物理研究所杭州大江东空间信息技术研究院 | 一种煤粉灰分含量测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1544921A (zh) * | 2003-11-26 | 2004-11-10 | 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 |
CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
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 |
-
2019
- 2019-06-10 CN CN201910496412.1A patent/CN110231303A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1544921A (zh) * | 2003-11-26 | 2004-11-10 | 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 |
CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307745A (zh) * | 2020-04-13 | 2020-06-19 | 中国科学院上海技术物理研究所杭州大江东空间信息技术研究院 | 一种煤粉灰分含量测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113192117A (zh) | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 | |
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 | |
CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及系统 | |
CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
CN109085136B (zh) | 近红外漫反射光谱测定水泥生料氧化物成分含量的方法 | |
CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
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 | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
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 | |
CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
CN104155264A (zh) | 一种用近红外光谱技术预测火炬松松脂中松节油含量的方法 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN103344597A (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
CN110487746A (zh) | 一种基于近红外光谱检测娃娃菜品质的方法 | |
CN110231305A (zh) | 一种测定奇亚籽中dpph自由基清除能力的方法 | |
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 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
CN110470629A (zh) | 一种油茶籽中水分和含油量的近红外定量分析方法 | |
CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |