CN111487219A

CN111487219A - 一种基于近红外光谱技术的快速检测香梨木质素含量方法

Info

Publication number: CN111487219A
Application number: CN201910070731.6A
Authority: CN
Inventors: 王健; 李宗朋; 李子文; 尹建军; 宋全厚
Original assignee: China National Research Institute of Food and Fermentation Industries
Current assignee: China National Research Institute of Food and Fermentation Industries
Priority date: 2019-01-25
Filing date: 2019-01-25
Publication date: 2020-08-04

Abstract

本发明公开了一种基于近红外光谱分析技术的库尔勒香梨木质素含量检测方法，包括以下步骤：（1）选取一定数量的五种不同库尔勒香梨果实作为样本；（2）建立库尔勒香梨木质素含量和库尔勒香梨赤道线三个位置的近红外光谱的对应关系（3）采集待检测香梨样品对应赤道线三个位置的近红外光谱；（3）根据所建立的库尔勒香梨木质素含量与赤道线位置的近红外光谱的对应关系以及所述待检测的库尔勒香梨赤道位置的近红外光谱，计算待检测的库尔勒香梨中的木质素含量；（4）通过本发明的方法，能够利用近红外光谱仪检测库尔勒香梨赤道线处的近红外光谱，并根据库尔勒香梨木质素含量与香梨赤道线上的近红外光谱的对应关系，计算待测的香梨中的木质素含量，相较于使用的传统理化检测方法，该发明的方法不需要进行繁琐的化学实验，无需浪费大量的化学试剂，可进行大批量香梨样品木质素含量的测定。

Description

一种基于近红外光谱技术的快速检测香梨木质素含量方法

技术领域

本发明涉及一种快速检测香梨木质素含量的方法，特别是涉及一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法。

背景技术

库尔勒香梨作为新疆的特色水果之一，果实品质细分和均一化标准的市场需求越来越多，库尔勒香梨果实的品质与石细胞含量紧密相关，石细胞又是由大量的木质素聚合而成，与石细胞含量成正相关，果实石细胞木质素的合成与积累，对糖酸口感风味的组分构成和积累影响显著，因此在香梨的精准采收分选中，石细胞木质素含量可以作为不同果实品质识别的关键指标。

传统木质素含量指标是通过化学分析方法测定得到的，但是该方法破坏了梨的内在品质，属于有损测量方法，采取的是抽样检测方式，不能对全部梨果样品逐一进行检验，而且检测速度慢，实验步骤繁琐，所以不适合香梨生产和分选中的大批量测量。

因此，需要一种更加精确有效便捷的检测方法来测定库尔勒香梨的木质素含量指标。

发明内容

本发明的目的在于针对传统化学方法检测香梨中木质素含量存在的上述缺点，提供一种基于近红外光谱分析技术的快速检测香梨木质素含量的方法，该方法具有快速、精准等优点。

其特征在于，包括如下步骤。

1）建立香梨木质素含量与香梨果实表面赤道线处的近红外光谱的对应关系。

2）采集待检测的香梨赤道线处的近红外光谱信息。

3）根据1）中建立的库尔勒香梨木质素含量与香梨赤道位置处的近红外光谱的对应关系以及2）中测定的香梨赤道线处的近红外光谱，得出待检测香梨中的木质素含量。

通过本发明的方法，可利用近红外光谱仪检测库尔勒香梨赤道线处的近红外光谱，并根据香梨木质素含量与香梨果实表面赤道线处的近红外光谱的对应关系，计算待检测香梨木质素含量，与传统的化学分析法不同，在建立了对应关系后，该方法无需再进行复杂的化学实验操作，能够实现大批量的检测。

在一个具体实施方案中，1）包括以下步骤。

a、采集多个与待测香梨相同品种的香梨样品。

b、测量所述多个香梨样品的近红外光谱。

c、测量所述多个香梨样品的木质素含量。

d、根据步骤a和b的结果建立所述香梨近红外光谱与木质素含量的对应关系。使用相同品种的香梨样品来建立对应关系使得预测结果准确。

在上述优选实施方案中，步骤1）中所述的香梨样品包括不同产地，不同产区的脱萼梨、宿萼梨、突顶果、青头果和粗皮果样品。

在上述优选实施方案中，步骤b中对每个香梨样品采集其3条赤道线处的近红外光谱，所述香梨样品的近红外光谱由所述3处赤道线的光谱平均得到，所述的3条赤道线均匀分布且夹角均为120°。

在上述优选实施方案中，步骤2）在线近红外光谱仪的采集参数如下：扫描光程为1mm，分辨率为8 cm^-1，扫描次数为32次，波长范围为10000-4000 cm^-1。

在上述优选实施方案中，用于建立所述对应关系的近红外光谱的波段为7502-6098 cm^-1。

在上述实施方案中，所述香梨木质素含量的定量校正模型依次采用如下步骤而建立得到。

a、光谱预处理方法：所述光谱预处理方法选自如下至少一种：多元散射校正、Savitzky-Golay+一阶导数、中心化和标准正态变量变换（SNV）。

b、样本集划分方法：Kennard-Stone（K-S）法。

c、化学计量学建模方法：所述化学计量学建模方法选自如下任意一种：偏最小二乘法判别分析（PLSDA）、最小二乘支持向量机（LS-SVM）。

在上述优选实施方案中，用于建立香梨木质素含量的定量校正模型的近红外光谱进行的预处理方法为标准正态变量变换（SNV）。

在一个具体实施方案中，步骤4）中所述的香梨木质素预测模型采用的化学计量学建模方法为偏最小二乘判别分析（PLSDA）。

在上述优选实施方案中，步骤b中所述多个香梨样品被分为校正集和验证集，并且校正集和验证集的样品数量比为2:1。

本发明为水果采摘后分选过程木质素检测环节提供一种全新的快速、准确、简单的检测方法，对果品控制以及整个行业意义重大。

与现有技术相比，本发明的技术优势体现在如下方面：本发明通过获取香梨样品的近红外光谱得到其光谱信息，采用不同的数据降维技术对原始数据进行预处理，然后分别建立预测模型，并对比优选出最佳数学模型，为香梨木质素含量的检测提供一种在线、快捷、准确的方法。

附图说明

图1为不同LV_S对应的RMSECV。

图2为117个样品木质素含量预测值与实测值相关图。

图3为PLS模型的验证效果。

具体实施方式

下面通过具体实施案例对本发明的方法进行说明，但本发明并不局限于此，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

下述实施例中所述实验方法，如无特殊说明，均为常规方法；所述试剂和材料，如无特殊说明，均可从商业途径获得。

1.试验地点及供试材料。

试验在新疆农业科学院的农产品加工储藏所进行。供试品种为从库尔勒市某几个梨果园采集的库尔勒香梨样品117个，其中包括粗皮果、青头果、脱萼果、宿萼果、突顶果五种不同香梨果实，做好标记，储存于实验冷库4 ℃环境中。

2.试验设计。

具体操作步骤如下。

1）香梨的近红外光谱采集。

利用的近红外光谱分析仪为瑞士步琪有限公司生产的傅里叶变换近红外光谱仪；光谱仪光源为卤钨灯，配有固体测量池、温控InGaAs检测器，光谱范围为10000-4000 cm^-1；扫描参数设定为：分辨率为8 cm^-1；扫描次数为32次；数据保存范围为10000-4000 cm^-1，光谱类型为Aborbance；分束器为石英，光谱数据点数为1501个；利用配套软件NIRWareOperator，采用漫反射方式采集样品的近红外光谱信息，每个香梨样品扫描赤道线得到3条光谱，确保扫描信息完整，所述的3条赤道线均匀分布且夹角均为120°，收集所得光谱均以吸光度log(1/R)形式加入香梨样品的近红外光谱图库中。

2）香梨木质素含量的测定。

木质素含量的直接测定按照Klason木质素检测方法进行。

3）香梨木质素含量的近红外光谱定量分析模型的建立。

（1）木质素含量的实测结果。

采用Klason木质素测量方法测定117个香梨样品的木质素含量，统计结果如表1所示，117个样品木质素含量范围为2.6-9.6%，采用Kennard-Stone（K-S）法对117个样本集进行划分，样品的校正集与验证集的比例为2:1，木质素含量实测值的统计结果见表1。

表1样品木质素含量的测量结果。

（2）特征波长的筛选结果如下。

表2不同波段筛选的建模效果。

波段筛选方法	PC	波点数	R	RMSEP（%）	RPD
						ALL-PLS	8	1501	0.76	1.5957	2.04
BiPLS-PLS	11	528	0.87	1.4623	2.77
						UVE-PLS	10	140	0.97	1.3588	5.00

利用不同的特征波长筛选方法，经过UVE计算之后，变量数相较于原始光谱的1501个波长点，显著减少为140个，极大地降低了建模的复杂程度，提高了计算速度；最佳波段为7502-6098 cm^-1，其对应的RMSEP最小，为1.3588%。

（3）最佳主因子数的选取。

以内部交叉验证均方差RMSECV最小和错误判别样品数最少为原则，确定模型的主成分因子数，选取主因子数1到12，采用偏最小二乘法建立模型，模型预测效果如图1所示，在主因子数为10时，内部交叉验证均方差最小为1.3312%，效果最好。

（4）香梨木质素含量定量分析模型的建立。

将步骤1）中所得香梨样品的近红外光谱数据与步骤2）中所得的香梨木质素含量对应，先利用标准正态变量变换（SNV）对五种不同种类香梨样品的光谱进行预处理，在波段7502-6098 cm^-1内，以主因子数为10，利用偏最小二乘判别分析（PLSDA）建立香梨木质素含量的定量模型，效果如图2所示。

综上所述，库尔勒香梨木质素含量近红外校正模型的建立，光谱最佳波段在7502-6098 cm^-1，主成分数为10时，建立模型相关系数R最大为0.9573 ，校正集均方根误差(Rootmean square error of calibration，RMSEC)为1.2313%，验证集均方根误差（Root meansquare error of prediction, RMSEP）为1.3652%，模型效果最好。

（5）PLS模型的验证。

校正模型运用外部验证，将相关系数R和预测标准偏差RMSEP作为模型预测效果的评价标准。

将39个未参与校正模型建立的香梨样品光谱图导入PLS模型中进行验证，如图3所示，木质素指标的实测与预测值数据点总体呈对角线分布，同时通过成对t检验，脂肪指标预测值与实测值间无明显差异(P>0.95)。PLS验证模型R为0.9878，RMSEP为1.3913%。

4）采用步骤1）和2）所述相同方法采集的待测香梨样品的光谱数据以及其木质素含量，用上述步骤3）所构建的近红外定量模型检测待测香梨样品，实现快速测定香梨木质素含量，为香梨品质的快速分级提供技术参考。

Claims

1.一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特征在于，具体包括以下步骤：

1）建立库尔勒香梨木质素含量与香梨赤道线处的近红外光谱的对应关系；

2）测定待检测的库尔勒香梨赤道线处的近红外光谱；

3）根据步骤1）中建立的库尔勒香梨木质素含量与香梨赤道位置处的近红外光谱的对应关系以及步骤2）测定的香梨赤道线处的近红外光谱，得出待检测的香梨中的木质素含量。

2.根据权利要求1所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特点在于，步骤1）包括以下步骤：

1）选取一定数量的香梨样品作为样本；

2）采用在线近红外光谱分析仪采集香梨样品赤道线处的近红外光谱；

3）采用Klason法对香梨样品的木质素含量进行测定；

4）根据2）和3）的结果，通过化学计量学软件建立香梨样品的木质素含量的定量校正模型，即可确定库尔勒香梨木质素含量与香梨赤道线处的近红外光谱的对应关系。

3.根据权利要求2所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特征在于：步骤1）中所述的香梨样品包括不同产地、产区的等量脱萼梨、宿萼梨、突顶果、青头果和粗皮果样品。

4.根据权利要求2所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特征在于：步骤2）对每个香梨样品采集3个赤道线处的近红外光谱，所述香梨样品的近红外光谱由所述3个赤道线位置的光谱平均得到，所述的3条赤道线均匀分布且夹角均为120°。

5.根据权利要求2所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特征在于：步骤2）中所述的在线近红外光谱仪的采集参数如下：扫描光程为1 mm，分辨率为8 cm^-1，扫描次数为32次，波长范围为10000-4000 cm^-1。

6.根据权利要求2所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特征在于：用于建立所述对应关系的近红外光谱的波段为7502-6098 cm^-1。

7.根据权利要求2所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量的方法，其特征在于：步骤4）中，所述香梨木质素含量的定量校正模型依次采用如下步骤而建立得到：

a、光谱预处理方法：所述光谱预处理方法选自如下至少一种：多元散射校正、Savitzky-Golay一阶导数、中心化和标准正态变量变换；

b、样本集划分方法：Kennard-Stone（K-S）法；

c、化学计量学建模方法：所述化学计量学建模方法选自如下任意一种：偏最小二乘判别分析（PLSDA）、最小二乘支持向量机（LS-SVM）或人工神经网络法（ANN）。

8.根据权利要求2和7所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量方法，其特征在于：用于建立所述定量分析模型的近红外光谱采用的预处理方法为标准正态变量变换（SNV）。

9.根据权利要求7所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量方法，其特征在于：步骤c中，所述香梨木质素预测模型依次采用的化学计量学建模方法为偏最小二乘判别分析（PLSDA）。

10.根据权利要求7所述的一种基于近红外光谱分析技术的快速检测库尔勒香梨木质素含量方法，其特征在于：步骤b中，所述多个香梨样品被分为校正集和验证集，并且校正集和验证集的样品数量比为2:1。