CN110411975A - 一种冻干双孢菇霉变程度检测方法及系统 - Google Patents
一种冻干双孢菇霉变程度检测方法及系统 Download PDFInfo
- Publication number
- CN110411975A CN110411975A CN201910732957.8A CN201910732957A CN110411975A CN 110411975 A CN110411975 A CN 110411975A CN 201910732957 A CN201910732957 A CN 201910732957A CN 110411975 A CN110411975 A CN 110411975A
- Authority
- CN
- China
- Prior art keywords
- plate count
- total plate
- infrared spectrum
- freeze
- middle infrared
- 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
- 235000001674 Agaricus brunnescens Nutrition 0.000 title claims abstract description 114
- 241000222519 Agaricus bisporus Species 0.000 title claims abstract description 109
- 238000004108 freeze drying Methods 0.000 title claims abstract description 101
- 238000000465 moulding Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims description 39
- 230000004069 differentiation Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 21
- 241000894006 Bacteria Species 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 7
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 claims description 6
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims description 6
- 229910052738 indium Inorganic materials 0.000 claims description 6
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000001373 regressive effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000004566 IR spectroscopy Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000011017 operating method Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 96
- 239000011159 matrix material Substances 0.000 description 13
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000002835 absorbance Methods 0.000 description 5
- SBIBMFFZSBJNJF-UHFFFAOYSA-N selenium;zinc Chemical compound [Se]=[Zn] SBIBMFFZSBJNJF-UHFFFAOYSA-N 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 238000003752 polymerase chain reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- PFNQVRZLDWYSCW-UHFFFAOYSA-N (fluoren-9-ylideneamino) n-naphthalen-1-ylcarbamate Chemical compound C12=CC=CC=C2C2=CC=CC=C2C1=NOC(=O)NC1=CC=CC2=CC=CC=C12 PFNQVRZLDWYSCW-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 108020004711 Nucleic Acid Probes Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001332 colony forming effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 239000002853 nucleic acid probe Substances 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 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
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
本发明公开了一种冻干双孢菇霉变程度检测方法及系统。所述方法首先获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；对所述中红外光谱进行预处理，生成预处理后的中红外光谱；根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型。采用本发明建立的菌落总数预测模型，只需采集待测冻干双孢菇样品的待测中红外光谱，即可快速预测待测冻干双孢菇样品的菌落总数，从而快速测定待测冻干双孢菇样品的霉变程度，操作步骤简单，检测时间短，检测成本低，为冻干双孢菇的霉变程度快速检测提供了绿色、经济、快捷的理论支持和解决途径。
Description
技术领域
本发明涉及食品安全检测技术领域，特别是涉及一种冻干双孢菇霉变程度检测方法及系统。
背景技术
冻干双孢菇具备新鲜双孢菇的鲜味和营养价值且耐储存，故受到广泛的关注且市场销售量逐年上升。但由于冷冻干燥食品的特殊结构，冻干双孢菇在贮藏中极易吸收水分而产生霉变。而目前冻干双孢菇质量快速检测的相关研究较少，需要新的检测技术来保证其商品性与安全性。
传统的微生物检测方法前处理复杂，试剂消耗量大，菌落培养周期长，无法对大量的样品进行实时检测。现代生物技术的微生物检测方法包括：核酸探针技术、PCR(Polymerase Chain Reaction，聚合酶链式反应)技术、生物芯片技术、生物传感器检测技术等，这些现有的检测技术普遍存在操作步骤复杂，检测周期长，检测成本高的问题，都难以实现对样品的快速检测。
发明内容
本发明的目的是提供一种冻干双孢菇霉变程度检测方法及系统，以解决现有微生物检测方法操作步骤复杂，检测周期长，检测成本高，难以实现样品快速检测的问题。
为实现上述目的，本发明提供了如下方案：
一种冻干双孢菇霉变程度检测方法，所述方法包括：
获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；
对所述中红外光谱进行预处理，生成预处理后的中红外光谱；
根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型；
根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数；
根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。
可选的，所述获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数，具体包括：
采用傅里叶变换红外光谱仪和铟镓砷光电检测器采集不同霉变程度的冻干双孢菇样品的中红外光谱；
采用平板计数法测定不同霉变程度的冻干双孢菇样品的实际菌落总数；
将不同霉变程度的冻干双孢菇样品的中红外光谱及其实际菌落总数对应存储。
可选的，所述对所述中红外光谱进行预处理，生成预处理后的中红外光谱，具体包括：
根据所述冻干双孢菇样品的中红外光谱的均值和标准差对所述中红外光谱进行校正，生成所述中红外光谱的校正谱；
采用二阶求导方法消除所述校正谱的基线偏移，强化光谱特征，生成所述预处理后的中红外光谱。
可选的，所述根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型，具体包括：
将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集；
对所述建模集中的所述预处理后的中红外光谱及对应的实际菌落总数进行偏最小二乘回归分析，建立菌落总数训练模型；
根据所述预测集中的所述预处理后的中红外光谱及对应的实际菌落总数确定所述菌落总数训练模型的判别准确率；
判断所述判别准确率是否高于90％，获得第一判断结果；
若所述第一判断结果为所述判别准确率不高于90％，返回所述将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集的步骤；
若所述第一判断结果为所述判别准确率高于90％，确定所述菌落总数训练模型为所述菌落总数预测模型。
可选的，所述根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数，具体包括：
获取待测冻干双孢菇样品的待测中红外光谱；
对所述待测中红外光谱进行分解，获得所述待测中红外光谱的得分向量；
将所述得分向量带入所述菌落总数预测模型，得到所述待测冻干双孢菇样品的预测菌落总数。
一种冻干双孢菇霉变程度检测系统，所述系统包括：
样品参数集获取模块，用于获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；
预处理模块，用于对所述中红外光谱进行预处理，生成预处理后的中红外光谱；
模型建立模块，用于根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型；
菌落总数预测模块，用于根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数；
霉变程度确定模块，用于根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。
可选的，所述样品参数集获取模块具体包括：
中红外光谱采集单元，用于采用傅里叶变换红外光谱仪和铟镓砷光电检测器采集不同霉变程度的冻干双孢菇样品的中红外光谱；
实际菌落总数测定单元，用于采用平板计数法测定不同霉变程度的冻干双孢菇样品的实际菌落总数；
样品参数集存储单元，用于将不同霉变程度的冻干双孢菇样品的中红外光谱及其实际菌落总数对应存储。
可选的，所述预处理模块具体包括：
光谱校正单元，用于根据所述冻干双孢菇样品的中红外光谱的均值和标准差对所述中红外光谱进行校正，生成所述中红外光谱的校正谱；
二阶求导单元，用于采用二阶求导方法消除所述校正谱的基线偏移，强化光谱特征，生成所述预处理后的中红外光谱。
可选的，所述模型建立模块具体包括：
样品参数集划分单元，用于将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集；
训练模型建立单元，用于对所述建模集中的所述预处理后的中红外光谱及对应的实际菌落总数进行偏最小二乘回归分析，建立菌落总数训练模型；
判别准确率确定单元，用于根据所述预测集中的所述预处理后的中红外光谱及对应的实际菌落总数确定所述菌落总数训练模型的判别准确率；
判别准确率判断单元，用于判断所述判别准确率是否高于90％，获得第一判断结果；
模型优化重建单元，用于若所述第一判断结果为所述判别准确率不高于90％，返回所述将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集的步骤；
预测模型确定单元，用于若所述第一判断结果为所述判别准确率高于90％，确定所述菌落总数训练模型为所述菌落总数预测模型。
可选的，所述菌落总数预测模块具体包括：
待测中红外光谱获取单元，用于获取待测冻干双孢菇样品的待测中红外光谱；
光谱分解单元，用于对所述待测中红外光谱进行分解，获得所述待测中红外光谱的得分向量；
菌落总数预测单元，用于将所述得分向量带入所述菌落总数预测模型，得到所述待测冻干双孢菇样品的预测菌落总数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种冻干双孢菇霉变程度检测方法及系统，所述方法首先获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；对所述中红外光谱进行预处理，生成预处理后的中红外光谱；根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型；根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数；根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。采用本发明建立的菌落总数预测模型，只需采集待测冻干双孢菇样品的待测中红外光谱，即可快速预测待测冻干双孢菇样品的菌落总数，从而快速测定待测冻干双孢菇样品的霉变程度，操作步骤简单，检测时间短，检测成本低，为冻干双孢菇的霉变程度快速检测提供了绿色、经济、快捷的理论支持和解决途径。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的冻干双孢菇霉变程度检测方法的流程图；
图2为本发明提供的冻干双孢菇霉变程度检测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
中红外光谱技术分析时所需样品少，检测速度快，中红外光的信号与检测物质的官能团相对应，可以通过官能团信息对物质的成分进行分析。据此本发明基于中红外光谱分析技术，提出一种冻干双孢菇霉变程度检测方法及系统，以解决现有微生物检测方法操作步骤复杂，检测周期长，检测成本高，难以实现样品快速检测的问题，对于确保食品质量与安全具有重要的意义。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的冻干双孢菇霉变程度检测方法的流程图。参见图1，本发明提供的冻干双孢菇霉变程度检测方法具体包括：
步骤101：获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数。
收集n个不同霉变程度的冻干双孢菇样品，采用傅里叶变换红外光谱仪和InGaAs(铟镓砷)光电检测器采集n个不同霉变程度的冻干双孢菇样品的中红外光谱吸光度，其中检测冻干双孢菇样品选取的波数范围为3600-3200cm-1和1700-1600cm-1。并采用平板计数法测定不同霉变程度的冻干双孢菇样品的实际菌落总数M。数据采集完成后，将不同霉变程度的冻干双孢菇样品的中红外光谱及其实际菌落总数对应存储。
在实际操作过程中，可以取n个不同霉变程度的冻干双孢菇样品(简称样本)，将约1g样品置于ATR(衰减全反射)附件的ZnSe(硒化锌)晶体上，尽可能保证取样位置的代表性及样品放置位置的一致性。采用Tensor 27型傅立叶变换红外光谱仪和45℃ ZnSe衰减全反射附件(ATR)检测样品的中红外光谱(简称光谱)信息，并采用平板计数法测定其实际菌落总数M。
中红外光谱信号中包含大量噪音和无效信息，采用全光谱建模不仅增大工作量，而且降低建模数据的精确度，故本发明选取样品原始光谱3600-3200cm-1和1700-1600cm-1的光谱信号的平均值作为样品的中红外光谱进行后续分析。
步骤102：对所述中红外光谱进行预处理，生成预处理后的中红外光谱。
中红外光谱仪所采集的光谱数据包含了大量噪音、背景及其它干扰信息，而这些干扰信息的存在影响了数据分析及模型建立的精度。为了减少干扰信息的影响，本发明对所述中红外光谱数据进行SNV+二阶求导预处理，以提高建立的近红外光谱模型的准确性和精度。
具体的，本发明使用MATLAB工具箱中的标准正态变量变换(SNV)及二阶求导工具对采集的中红外光谱数据进行预处理，以此提升光谱模型准确度。其中SNV使用各中红外光谱的均值和标准差对光谱进行校正，校正过程包括：
根据所述冻干双孢菇样品的中红外光谱确定光谱均值，样品中红外光谱的均值计算公式如下：
其中Xij为第i个冻干双孢菇样品的第j个波数对应的中红外光谱矢量，p为光谱波数数目，为样品光谱的均值。
样品中红外光谱的标准差计算如下：
其中σi为样品光谱的标准差。
根据样品光谱的均值和标准差对所述中红外光谱进行校正，生成所述中红外光谱的校正谱，校正谱计算公式如下：
其中Xi为第i个样品的光谱矢量，Xi(SNV)为样品光谱的校正谱。
再利用MATLAB工具箱中的二阶求导工具消除所述校正谱的基线偏移，强化光谱特征，生成所述预处理后的中红外光谱。
步骤103：根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型。
本发明基于中红外光谱技术来检测冻干双孢菇的霉变程度，依据霉菌总数与其对应光谱吸收值的关系，基于偏最小二乘回归分析方法，建立实际菌落总数M与对应中红外光谱吸光度的偏最小二乘判别分析(PLS-DA)模型(即菌落总数预测模型)，由此实现霉变程度的快速检测。
将所述预处理后的中红外光谱及对应的实际菌落总数参数集照2∶1比例划分为建模集和预测集，并依据样品霉菌总数与其相应光谱吸收值的对应关系，建立PLS-DA(Partial Least Squares Discrimination Analysis，偏最小二乘判别分析)模型，基于偏最小二乘(PLS)回归方法，利用校正样本的自变量矩阵X(光谱值)和分类变量Y(菌落总数)建立回归模型，根据待测样本的菌落总数预测值判断样本的霉变程度，判别过程包括：
(1)建立建模集样本的分类变量(菌落总数)矩阵Y和对应的自变量(光谱值)矩阵X；
(2)对菌落总数矩阵Y与光谱数据矩阵X进行PLS(partial least-squaresregression，偏最小二乘回归)分析，建立PLS模型，即本发明的菌落总数训练模型，其中：
其中，矩阵T和U分别为X和Y的得分矩阵，矩阵P和Q分别为X和Y的载荷矩阵，E和F分别为X和Y的残差矩阵，上标T表示转置运算。
将矩阵T和U拟合线性回归，得到回归系数矩阵B：
U＝TB (5)
其中B为回归系数矩阵。
从而建立菌落总数训练模型：
y＝tBQ (6)
其中y表示菌落总数，t为样本光谱分解的得分向量。
根据所述预测集中的所述预处理后的中红外光谱数据及对应的实际菌落总数确定所述菌落总数训练模型的判别准确率；模型准确率判别可以采用最大相对分析误差RPD(residual predictive deviation)方法，计算RPD值作为判别准确率。RPD值计算公式如下：
其中n表示样本数量，表示菌落总数预测值，Yt表示菌落总数实际值，STDEV表示测试样本标准差，RSEMP为模型预测均方根误差，采用公式(8)计算得到的RPD的值即为RPD值。
判断所述判别准确率是否高于90％，获得第一判断结果；
若所述第一判断结果为所述判别准确率不高于90％，返回所述将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集的步骤；重复更改建模集与预测集的样本以优化菌落总数训练模型，至判别准确率高于90％即可选择进行应用。
若所述第一判断结果为所述判别准确率高于90％，确定所述菌落总数训练模型为所述菌落总数预测模型。
本发明随机选取n个光谱数据的2/3作为模型建模集，1/3作为模型预测集，以建立的PLS-DA模型的准确度作为预测效果的验证效果，准确度高于90％即证明模型可有效用于干双孢菇霉变程度的检测，提高了菌落总数预测模型的预测准确度。
步骤104：根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数。
利用步骤103中建立的菌落总数预测模型，基于待测冻干双孢菇的光谱信息输出其霉变程度。
预测待测样本的菌落总数时，首先采集待测冻干双孢菇样品的待测中红外光谱；并对所述待测中红外光谱进行分解，获得所述待测中红外光谱的得分向量t。将待测冻干双孢菇样品的光谱得分向量t带入PLS-DA模型后得到样品菌落总数。
即，根据待测样本得分向量t，最终求得预测菌落总数y＝tBQ，根据不同的y值可判定出待测样本的分类，即霉变程度。
步骤105：根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。
依据预测菌落总数y将冻干双孢菇分为健康(y＜2.5Log CFU·g-1)、轻度霉变(2.5Log CFU·g-1＜y＜4.8Log CFU·g-1)和严重霉变(y＞4.8Log CFU·g-1)三种霉菌感染程度。每克样品中菌落形成单位为Log CFU·g-1。
本发明提供的冻干双孢菇霉变程度检测方法，基于中红外光谱技术检测冻干双孢菇的霉菌程度，通过偏最小二乘判别分析方法(PLS-DA)，依据霉菌总数与其对应光谱吸收值的关系，建立样品中霉菌总数实际值与预测值的相关关系模型，由此实现对冻干双孢菇中霉变程度的快速检测。本发明为食用菌干制品快速检测提供了新的理论支持和解决方式。
基于本发明提供的冻干双孢菇霉变程度检测方法，本发明还提供一种冻干双孢菇霉变程度检测系统，参见图2，所述系统包括：
样品参数集获取模块201，用于获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；
预处理模块202，用于对所述中红外光谱进行预处理，生成预处理后的中红外光谱；
模型建立模块203，用于根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型；
菌落总数预测模块204，用于根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数；
霉变程度确定模块205，用于根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。
其中，所述样品参数集获取模块201具体包括：
中红外光谱采集单元，用于采用傅里叶变换红外光谱仪和铟镓砷光电检测器采集不同霉变程度的冻干双孢菇样品的中红外光谱；
实际菌落总数测定单元，用于采用平板计数法测定不同霉变程度的冻干双孢菇样品的实际菌落总数；
样品参数集存储单元，用于将不同霉变程度的冻干双孢菇样品的中红外光谱及其实际菌落总数对应存储。
所述预处理模块202具体包括：
光谱校正单元，用于根据所述冻干双孢菇样品的中红外光谱的均值和标准差对所述中红外光谱进行校正，生成所述中红外光谱的校正谱；
二阶求导单元，用于采用二阶求导方法消除所述校正谱的基线偏移，强化光谱特征，生成所述预处理后的中红外光谱。
所述模型建立模块203具体包括：
样品参数集划分单元，用于将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集；
训练模型建立单元，用于对所述建模集中的所述预处理后的中红外光谱及对应的实际菌落总数进行偏最小二乘回归分析，建立菌落总数训练模型；
判别准确率确定单元，用于根据所述预测集中的所述预处理后的中红外光谱及对应的实际菌落总数确定所述菌落总数训练模型的判别准确率；
判别准确率判断单元，用于判断所述判别准确率是否高于90％，获得第一判断结果；
模型优化重建单元，用于若所述第一判断结果为所述判别准确率不高于90％，返回所述将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集的步骤；
预测模型确定单元，用于若所述第一判断结果为所述判别准确率高于90％，确定所述菌落总数训练模型为所述菌落总数预测模型。
所述菌落总数预测模块204具体包括：
待测中红外光谱获取单元，用于获取待测冻干双孢菇样品的待测中红外光谱；
光谱分解单元，用于对所述待测中红外光谱进行分解，获得所述待测中红外光谱的得分向量；
菌落总数预测单元，用于将所述得分向量带入所述菌落总数预测模型，得到所述待测冻干双孢菇样品的预测菌落总数。
以下结合具体实例对本发明作进一步说明。
收集不同霉变程度的冻干双孢菇样品，采用平板计数法测定其实际菌落总数。运用Tensor 27型傅里叶变换中红外光谱仪45℃ ZnSe衰减全反射附件(ATR)采集样品的中红外光谱信息。取约1g样品置于ATR附件的ZnSe晶体上，以空气为背景进行检测，样品重复扫描3次。扫描波数范围为3600-3200cm-1和1700-1600cm-1，分辨率为4cm-1，扫描64次。选取样品原始光谱的信号平均值，进行SNV+二阶求导预处理。预处理后的光谱数据按照2∶1比例划分为建模集和预测集，并依据样品霉菌总数与其相应光谱吸收值的对应关系，建立样品中实际菌落总数与中红外光谱信号值的PLS-DA模型，优化模型至判别准确率高于90％即可选择进行应用。
经实验验证，采用本发明方法建立的菌落总数预测模型对建模集识别率为97.5％，预测集识别率为99％，证明了模型的可靠性。将待测冻干双孢菇样品带入最优PLS-DA模型后得到样品菌落总数，按照标准划分为健康(＜2.5Log CFU·g-1)、轻度霉变(2.54.8Log CFU·g-1)和严重霉变(＞4.8Log CFU·g-1)，由此实现冻干双孢菇的霉变程度快速检测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种冻干双孢菇霉变程度检测方法，其特征在于，所述方法包括：
获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；
对所述中红外光谱进行预处理，生成预处理后的中红外光谱；
根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型；
根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数；
根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。
2.根据权利要求1所述的冻干双孢菇霉变程度检测方法，其特征在于，所述获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数，具体包括：
采用傅里叶变换红外光谱仪和铟镓砷光电检测器采集不同霉变程度的冻干双孢菇样品的中红外光谱；
采用平板计数法测定不同霉变程度的冻干双孢菇样品的实际菌落总数；
将不同霉变程度的冻干双孢菇样品的中红外光谱及其实际菌落总数对应存储。
3.根据权利要求2所述的冻干双孢菇霉变程度检测方法，其特征在于，所述对所述中红外光谱进行预处理，生成预处理后的中红外光谱，具体包括：
根据所述冻干双孢菇样品的中红外光谱的均值和标准差对所述中红外光谱进行校正，生成所述中红外光谱的校正谱；
采用二阶求导方法消除所述校正谱的基线偏移，强化光谱特征，生成所述预处理后的中红外光谱。
4.根据权利要求3所述的冻干双孢菇霉变程度检测方法，其特征在于，所述根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型，具体包括：
将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集；
对所述建模集中的所述预处理后的中红外光谱及对应的实际菌落总数进行偏最小二乘回归分析，建立菌落总数训练模型；
根据所述预测集中的所述预处理后的中红外光谱及对应的实际菌落总数确定所述菌落总数训练模型的判别准确率；
判断所述判别准确率是否高于90％，获得第一判断结果；
若所述第一判断结果为所述判别准确率不高于90％，返回所述将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集的步骤；
若所述第一判断结果为所述判别准确率高于90％，确定所述菌落总数训练模型为所述菌落总数预测模型。
5.根据权利要求4所述的冻干双孢菇霉变程度检测方法，其特征在于，所述根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数，具体包括：
获取待测冻干双孢菇样品的待测中红外光谱；
对所述待测中红外光谱进行分解，获得所述待测中红外光谱的得分向量；
将所述得分向量带入所述菌落总数预测模型，得到所述待测冻干双孢菇样品的预测菌落总数。
6.一种冻干双孢菇霉变程度检测系统，其特征在于，所述系统包括：
样品参数集获取模块，用于获取不同霉变程度的冻干双孢菇样品的中红外光谱及实际菌落总数；
预处理模块，用于对所述中红外光谱进行预处理，生成预处理后的中红外光谱；
模型建立模块，用于根据所述预处理后的中红外光谱及实际菌落总数建立菌落总数预测模型；
菌落总数预测模块，用于根据所述菌落总数预测模型确定待测冻干双孢菇样品的预测菌落总数；
霉变程度确定模块，用于根据所述预测菌落总数确定所述待测冻干双孢菇样品的霉变程度。
7.根据权利要求6所述的冻干双孢菇霉变程度检测系统，其特征在于，所述样品参数集获取模块具体包括：
中红外光谱采集单元，用于采用傅里叶变换红外光谱仪和铟镓砷光电检测器采集不同霉变程度的冻干双孢菇样品的中红外光谱；
实际菌落总数测定单元，用于采用平板计数法测定不同霉变程度的冻干双孢菇样品的实际菌落总数；
样品参数集存储单元，用于将不同霉变程度的冻干双孢菇样品的中红外光谱及其实际菌落总数对应存储。
8.根据权利要求7所述的冻干双孢菇霉变程度检测系统，其特征在于，所述预处理模块具体包括：
光谱校正单元，用于根据所述冻干双孢菇样品的中红外光谱的均值和标准差对所述中红外光谱进行校正，生成所述中红外光谱的校正谱；
二阶求导单元，用于采用二阶求导方法消除所述校正谱的基线偏移，强化光谱特征，生成所述预处理后的中红外光谱。
9.根据权利要求8所述的冻干双孢菇霉变程度检测系统，其特征在于，所述模型建立模块具体包括：
样品参数集划分单元，用于将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集；
训练模型建立单元，用于对所述建模集中的所述预处理后的中红外光谱及对应的实际菌落总数进行偏最小二乘回归分析，建立菌落总数训练模型；
判别准确率确定单元，用于根据所述预测集中的所述预处理后的中红外光谱及对应的实际菌落总数确定所述菌落总数训练模型的判别准确率；
判别准确率判断单元，用于判断所述判别准确率是否高于90％，获得第一判断结果；
模型优化重建单元，用于若所述第一判断结果为所述判别准确率不高于90％，返回所述将所述预处理后的中红外光谱及对应的实际菌落总数划分为建模集和预测集的步骤；
预测模型确定单元，用于若所述第一判断结果为所述判别准确率高于90％，确定所述菌落总数训练模型为所述菌落总数预测模型。
10.根据权利要求9所述的冻干双孢菇霉变程度检测系统，其特征在于，所述菌落总数预测模块具体包括：
待测中红外光谱获取单元，用于获取待测冻干双孢菇样品的待测中红外光谱；
光谱分解单元，用于对所述待测中红外光谱进行分解，获得所述待测中红外光谱的得分向量；
菌落总数预测单元，用于将所述得分向量带入所述菌落总数预测模型，得到所述待测冻干双孢菇样品的预测菌落总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910732957.8A CN110411975A (zh) | 2019-08-09 | 2019-08-09 | 一种冻干双孢菇霉变程度检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910732957.8A CN110411975A (zh) | 2019-08-09 | 2019-08-09 | 一种冻干双孢菇霉变程度检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110411975A true CN110411975A (zh) | 2019-11-05 |
Family
ID=68366650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910732957.8A Pending CN110411975A (zh) | 2019-08-09 | 2019-08-09 | 一种冻干双孢菇霉变程度检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110411975A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111958A (zh) * | 2021-04-23 | 2021-07-13 | 中南大学 | 一种基于cnn-svr模型和迁移学习的光谱模型传递方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636455A (zh) * | 2012-05-21 | 2012-08-15 | 山东理工大学 | 一种近红外光谱测定双孢蘑菇硬度的方法 |
| CN105975966A (zh) * | 2016-04-21 | 2016-09-28 | 南京农业大学 | 一种稻谷霉变无损检测的方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
| CN108760647A (zh) * | 2018-03-20 | 2018-11-06 | 南京财经大学 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
-
2019
- 2019-08-09 CN CN201910732957.8A patent/CN110411975A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636455A (zh) * | 2012-05-21 | 2012-08-15 | 山东理工大学 | 一种近红外光谱测定双孢蘑菇硬度的方法 |
| CN105975966A (zh) * | 2016-04-21 | 2016-09-28 | 南京农业大学 | 一种稻谷霉变无损检测的方法 |
| CN108760647A (zh) * | 2018-03-20 | 2018-11-06 | 南京财经大学 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| AOIFE O’GORMAN,ET AL: "Use of Fourier Transform Infrared Spectroscopy and Chemometric Data Analysis To Evaluate Damage and Age in Mushrooms (Agaricus bisporus) Grown in Ireland", 《J. AGRIC. FOOD CHEM.》 * |
| WENJIAN YANG,ET AL: "Identification of bacterial composition in freeza-dried agaricus bisporus during storage and the resultant odor Deterioration", 《ORIGINAL RESEARCH》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111958A (zh) * | 2021-04-23 | 2021-07-13 | 中南大学 | 一种基于cnn-svr模型和迁移学习的光谱模型传递方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| CN103674838B (zh) | 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 | |
| CN102323267A (zh) | 一种快速评价生鲜肉品新鲜度的系统及方法 | |
| CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
| CN102435556B (zh) | 用于复杂非均相混合物体系的准确光谱定量分析方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| US20070211247A1 (en) | Visible/Near-Infrared Spectrometry And Its Device | |
| CN101206463B (zh) | 一种在线监控药物生产混合过程的方法及系统 | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| CN103674854A (zh) | 一种基于联合区间偏最小二乘判别分析的苹果分级方法 | |
| CN101620180A (zh) | 近红外技术快速检测茶叶品质的方法 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| Shin et al. | Rapid and non-destructive spectroscopic method for classifying beef freshness using a deep spectral network fused with myoglobin information | |
| CN105548062B (zh) | 生鲜牛肉多指标的快速无损同步检测方法 | |
| CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
| CN101504363A (zh) | 一种基于近红外光谱分析的食用油脂酸价检测方法 | |
| CN108846203A (zh) | 水果无损检测的方法及装置 | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| CN103712948B (zh) | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 | |
| CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
| CN110441254A (zh) | 一种用于识别塑料的近红外光频梳光谱仪 | |
| CN110487746A (zh) | 一种基于近红外光谱检测娃娃菜品质的方法 | |
| Xia et al. | Simultaneous, rapid and nondestructive determination of moisture, fat content and storage time in leisure dried tofu using LF-NMR | |
| Shirai et al. | Detection of fluorescence signals from ATP in the second derivative excitation–emission matrix of a pork meat surface for cleanliness evaluation | |
| Shao et al. | Measurement of yogurt internal quality through using Vis/NIR 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |