CN113484270A - 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 - Google Patents
一种单粒水稻脂肪含量定量分析模型的构建及检测方法 Download PDFInfo
- Publication number
- CN113484270A CN113484270A CN202110625356.4A CN202110625356A CN113484270A CN 113484270 A CN113484270 A CN 113484270A CN 202110625356 A CN202110625356 A CN 202110625356A CN 113484270 A CN113484270 A CN 113484270A
- Authority
- CN
- China
- Prior art keywords
- rice
- spectrum
- fat content
- model
- grain
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 157
- 235000009566 rice Nutrition 0.000 title claims abstract description 157
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 17
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 238000001514 detection method Methods 0.000 title claims description 23
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 156
- 238000001228 spectrum Methods 0.000 claims abstract description 89
- 235000019625 fat content Nutrition 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 238000000944 Soxhlet extraction Methods 0.000 claims abstract description 12
- 235000013312 flour Nutrition 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001035 drying Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 235000013339 cereals Nutrition 0.000 claims description 30
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 18
- 235000021329 brown rice Nutrition 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000005303 weighing Methods 0.000 claims description 12
- 239000003208 petroleum Substances 0.000 claims description 10
- 238000000411 transmission spectrum Methods 0.000 claims description 9
- 239000005338 frosted glass Substances 0.000 claims description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 5
- 229910052782 aluminium Inorganic materials 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010992 reflux Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000002904 solvent Substances 0.000 claims description 3
- 230000035784 germination Effects 0.000 claims description 2
- 238000000227 grinding Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims 1
- 238000009395 breeding Methods 0.000 description 12
- 230000001488 breeding effect Effects 0.000 description 12
- 238000002203 pretreatment Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 239000000843 powder Substances 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 229920000856 Amylose Polymers 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种单粒水稻脂肪含量定量分析模型构建方法，涉及脂肪含量定量分析技术领域，本发明包括以下步骤：S1、收集脂肪含量有差异的若干份水稻样品，干燥处理，平衡水分后作为校正集；S2、采用漫透射或漫反射方式采集校正集每粒水稻的近红外光谱；S3、将校正集每份水稻样品处理成米粉，采用索氏提取法检测每个样品的脂肪含量，构建校正集参比值矩阵；S4、选取S2获得的近红外光谱进行预处理，分析获得单粒水稻脂肪含量的近红外定量分析模型。本发明还提供单粒水稻脂肪含量检测方法。本发明优点为：本发明所建模型对单粒水稻脂肪含量均具有较为准确的预测精度。仅需采集单粒水稻光谱并调用模型，可快速、无损地获得每粒水稻脂肪含量。
Description
技术领域
本发明涉及脂肪含量的无损定量分析技术领域，具体涉及一种单粒水稻脂肪含量定量分析模型构建方法、检测方法。
背景技术
品质育种是当代水稻育种的一个趋势和重要目标，然而由于湿化学法检测技术的限制，育种家无法在早世代对水稻品质进行评价。为了加快育种进程，需要在早世代对水稻品质进行无损评价甚至分选出特定性状的种子。脂肪是水稻的主要成分之一，多为优质的不饱和脂肪酸，具有很高的营养价值，同时是影响米饭的口感的重要因素之一，在水稻的食味评价中起着重要的作用。脂肪在较高的温度下，易发生水解、氧化和酸败，脂肪酸含量升高，从而使稻谷发生陈化，使得口感和使用价值下降。因此，脂肪在水稻品质育种中是一项重要的评价指标。
水稻脂肪的常见化学检测方法是索氏提取法，索氏提取法需要将水稻去壳后，将糙米磨成小于1mm大小的糙米粉，使用石油醚或者乙醚通过长时间的回流提取，将糙米粉中的脂肪抽提出来，这种方法耗时长、使用的有机试剂属于危险易燃品、会破坏样本且无法在少量粒数的样本水平上进行检测。
近红外是一种波长范围为780nm-2526nm(波数范围12800cm-1-3960cm-1)之间的电磁波，是由分子振动从基态向高能级跃迁时，含氢基团振动的倍频吸收和合频吸收产生，几乎可覆盖所有的有机化合物和混合物，已经广泛应用于农业、工业、食品等领域，拥有高效、无损检测等优点。近红外的光谱分析分为漫反射光谱和漫透射光谱两种，漫反射应用的谱区主要在近红外光谱中样品的吸收相对较高、透入样品深度较浅的长波近红外区；漫透射应用的谱区主要在近红外光谱中样品的吸收相对较低、透入样品深度较深的短波近红外区。如公开号为CN108680515A的专利公开一种单粒水稻直链淀粉定量分析模型构建及其检测方法，但其针对的是水稻中直链淀粉含量的定量分析。
由于近红外光谱信息存在谱带宽、吸收特征峰重叠等特点，同时，NIR光谱还易受到测量条件、样品状态等外界因素的影响，使得对特定组分的NIR光谱分析更具有复杂性。因此，需要通过光谱预处理和波段选择等化学计量学方法对含氢基团的光谱特征进行分析，通过对光谱数据的处理、变换、减弱等消除各种非目标组分对光谱的影响，尽可能地去除无关信息变量,提高校正模型的预测能力和准确性，从而对不同组分建立准确度高的定量模型。
目前，国内外已有一些使用近红外光谱技术检测种子脂肪含量的研究，李路等成功建立群体稻谷的脂肪含量近红外漫反射模型，王海莲等成功建立群体糙米、群体糙米粉的脂肪含量近红外漫反射模型，但尚未见利用近红外检测单粒水稻脂肪的报道。这是由于近红外方法需要以传统湿化学方法作为参比进行定标，而由于单粒水稻称样量极小，用于脂肪含量检测的索氏提取法无法对单粒水稻实现精确测定，因而实现单粒水稻脂肪含量的近红外检测存在难度。
发明内容
本发明所要解决的技术问题在于现有技术中需要采用传统湿化学方法对群体水稻样品中的脂肪含量进行检测，提供一种单粒水稻脂肪含量定量分析模型构建方法、检测方法，将代表群体水稻的单粒水稻光谱与群体样的脂肪含量相关联，构建模型。
本发明通过以下技术手段实现解决上述技术问题：
一种单粒水稻脂肪含量定量分析模型构建方法，包括以下步骤：
S1、收集脂肪含量有差异的若干份水稻样品，干燥处理，平衡水分后作为校正集；
S2、校正集每份水稻样品分别选取15颗籽粒，采用漫透射或漫反射方式采集校正集中每粒水稻的近红外光谱，光谱平均后作为样品光谱；
S3、将校正集每份水稻样品处理成米粉，采用索氏提取法检测每个样品的脂肪含量，构建校正集参比值矩阵；
S4、选取步骤S2获得的近红外光谱并进行预处理，分析后获得单粒水稻脂肪含量的近红外定量分析模型；
所述漫透射方式采集的近红外光谱选取的光谱区间为7799.1cm-1-8478cm-1和9804.9cm-1-10483.7cm-1范围的光谱，预处理方式为一阶导数和矢量归一化，获得预处理后的校正集光谱矩阵；之后利用偏最小二乘法构建光谱与参比值的关系模型，模型使用的PLS因子数为2；
所述漫反射方式采集的近红外光谱选取的光谱区间为1220nm-1340nm和1700nm-1820nm，预处理方式为多元散射校正，获得预处理后的校正集光谱矩阵,之后利用偏最小二乘法构建光谱与参比值的关系模型，模型使用的PLS因子数为8。
有益效果：本发明对每份样品选取若干粒水稻分别进行光谱采集，并取平均光谱，以反映该样本群体中单粒水稻光谱的平均表现。并利用索氏提取法对每份样品的群体样进行脂肪含量检测。将经过平均的单粒水稻光谱与群体样的脂肪含量相关联，构建模型。这一方法可以良好地克服水稻称样量小的问题，使得所获得的单粒水稻光谱和脂肪含量的参比值尽可能地相关。
优选地，所述步骤S1中挑选的稻谷为外观饱满、成熟的籽粒，无未成熟、发芽、虫蛀、破损、生霉的籽粒。
优选地，所述步骤S3中将校正集每份水稻经出糙、磨粉后处理成米粉。
优选地，所述步骤S2采集光谱是在具有静态单粒水稻光谱扫描功能或具有自动分选单粒水稻的近红外分析平台实施的。
优选地，所述步骤S2中采集漫透射光谱的具体步骤包括：采集近红外漫透射光谱时，在检测窗口固定一直径30mm中间有直径2mm小孔的铝片，光谱扫描范围为5793cm-1-12489cm-1，分辨率16cm-1，对该检测窗口进行扫描，作为背景光谱；将水稻样品平放在铝片上，水稻正面、背面各采集1条光谱后计算平均光谱，作为该样品光谱。
优选地，所述步骤S2中采集漫反射光谱的具体步骤包括：光谱范围为1100nm-2300nm，分辨率为1nm，将水稻样品平放在传送带上，水稻正面、背面各采集1条光谱后计算平均光谱，作为该样品光谱。
优选地，所述步骤S3采用的索氏提取法检测每个样品的脂肪含量的具体步骤包括：
1)试样处理：稻谷脱壳后磨粉，取通过孔径1mm的圆孔筛的米粉备用，准确称取混匀后的糙米粉5g，全部转移到滤纸筒中；
2)抽提：将滤纸筒放入索氏抽提器的抽提筒内，连接已干燥至恒重的接收瓶，由抽提器冷凝管上端加入石油醚至瓶内容积的三分之二处，水浴加热使石油醚不断回流抽提，抽提8h，提取结束时，用磨砂玻璃棒接取1滴提取液，磨砂棒上无油斑表明提取完毕；
3)称量：取下接收瓶，回收石油醚，待接收瓶内溶剂剩余1ml-2mL时在水浴上蒸干，再于105℃干燥1h，放入干燥器内冷却0.5h后称量，重复以上操作直至恒重；
4)计算脂肪含量：脂肪含量公式为
式中X为稻谷中脂肪含量(以质量分数计，％)，m1为恒重后接收瓶和脂肪的质量(g)，m0为接收瓶的质量(g)，m2为糙米的质量(g)，M为糙米含水量(以质量分数计，％)，根据该公式计算脂肪含量。
一种单粒水稻脂肪含量检测方法，包括以下步骤：
1)收集若干粒外观饱满成熟，无发芽、虫蛀、破损、生霉的水稻作为验证集，采用漫透射或漫反射方式采集每粒样品的近红外光谱；
2)采用上述单粒水稻脂肪含量定量分析模型预测验证集各样品的脂肪含量。
有益效果：相比传统湿化学法可实现单粒水稻水平上脂肪含量的检测，本发明方法快速、无损、环保，能够实现单粒水稻中脂肪含量的快速无损检测，可满足育种家在早世代快速筛选特定脂肪含量水稻品种、且在选育后继续种植的需求，旨在为水稻在早世代育种和品质评价提供一种快速、无损的检测方法，提高育种效率、促进育种技术发展。
本发明方法包括漫反射和漫透射两种光谱采集方式，所建模型对单粒水稻脂肪含量均具有较为准确的预测精度。
在预测时，仅需采集单粒水稻光谱并调用模型，即可快速、无损地获得每粒水稻脂肪含量。
本发明的优点在于：本发明对每份样品选取若干粒水稻分别进行光谱采集，并取平均光谱，以反映该样本群体中单粒水稻光谱的平均表现。并利用索氏提取法对每份样品的群体样进行脂肪含量检测。将经过平均的单粒水稻光谱与群体样的脂肪含量相关联，构建模型。这一方法可以良好地克服水稻称样量小的问题，使得所获得的单粒水稻光谱和脂肪含量的参比值尽可能地相关。
相比传统湿化学法可实现单粒水稻水平上脂肪含量的检测，本发明方法快速、无损、环保，能够实现单粒水稻中脂肪含量的快速无损检测，可满足育种家在早世代快速筛选特定脂肪含量水稻品种、且在选育后继续种植的需求，旨在为水稻在早世代育种和品质评价提供一种快速、无损的检测方法，提高育种效率、促进育种技术发展。本发明方法包括漫反射和漫透射两种光谱采集方式，所建模型对单粒水稻脂肪含量均具有较为准确的预测精度。
在预测时，仅需采集单粒水稻光谱并调用模型，即可快速、无损地获得每粒水稻脂肪含量。
附图说明
图1为本发明实施例1中的单粒水稻漫透射光谱；
图2为本发明实施例1中近红外单粒水稻脂肪漫透射模型的交叉验证结果；
图3为本发明实施例1中近红外单粒水稻脂肪漫透射模型对验证集样品的验证结果；
图4为本发明实施例2中的单粒水稻漫反射光谱；
图5为本发明实施例2中近红外单粒水稻脂肪漫反射模型的交叉验证结果；
图6为本发明实施例2中近红外单粒水稻脂肪漫反射模型对验证集样品的验证结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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。
下述实施例中所用的试验材料和试剂等，如无特殊说明，均可从商业途径获得。
实施例中未注明具体技术或条件者，均可以按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。
定量模型评价的指标包括：校正均方根误差(RMSEC)、预测均方根误差(RMSEP)、预测相关系数(R)。
详细计算方法如下所示：
式中，yi,actual为校正集中第i个样品的参比值；yi,predicted为校正集交叉验证过程中第i个样品的模型预测值；n为校正集的样品数；RMSECV越小，表明模型对校正集的样本预测效果越好。
式中，yi,actual为验证集中第i个样品的参比值；yi,predicted为验证集中第i个样品的模型预测值；m为验证集的样品数；RMSEP值越小，表明所建模型的预测能力越强、预测结果越准确。
式中，yi,actual为第i个验证集样品的参比值；yi,predicted为第i个验证集样品的近红外模型预测值；yi,actual为所有验证集样品参比值的平均值；m验证集为样品数。预测相关系数R越接近1，表示预测值越接近参比值，即准确性越高。
实施例1
单粒水稻脂肪含量定量分析模型构建方法及检测方法，本实施例采取近红外漫透射技术，具体包括以下步骤：
S1、收集39个水稻品种，去除杂质后，烘干至水分含量为12％，放入干燥器中平衡水分7天以上。每份稻谷选取15粒稻谷，稻谷的外观饱满、颜色一致，非未成熟、发芽、虫蛀、破损、生霉的稻谷。
S2、使用德国布鲁克MPA傅立叶变换近红外光谱仪采集单粒水稻漫透射光谱，采集近红外漫透射光谱时，在检测窗口固定一直径30mm中间有直径2mm小孔的铝片，采集光谱的参数:光谱范围为5793cm-1-12489cm-1、分辨率为16cm-1、扫描64次，每粒稻谷放置在样品池中正面反面各扫描一次光谱，对全部15粒光谱采集后进行平均，平均光谱即为单粒水稻漫透射光谱，如图1所示。
S3、每份稻谷取30g，使用索氏提取法检测脂肪含量，索氏提取法提取脂肪的具体步骤为：
①试样处理：稻谷脱壳后磨粉，取通过孔径1mm的圆孔筛的米粉备用，准确称取混匀后的糙米粉5g，全部转移到滤纸筒中。
②抽提：将滤纸筒放入索氏抽提器的抽提筒内，连接已干燥至恒重的接收瓶，由抽提器冷凝管上端加入石油醚至瓶内容积的三分之二处，水浴加热使石油醚不断回流抽提，抽提8h，提取结束时，用磨砂玻璃棒接取1滴提取液，磨砂棒上无油斑表明提取完毕。
③称量：取下接收瓶，回收石油醚，待接收瓶内溶剂剩余1ml-2mL时在水浴上蒸干，再于105℃干燥1h，放入干燥器内冷却0.5h后称量，重复以上操作直至恒重。
④计算脂肪含量：脂肪含量公式为
式中X为稻谷中脂肪含量，m1为恒重后接收瓶和脂肪的含量，m0为接收瓶的质量，m2为糙米的质量。
S4、将39份水稻脂肪样品的光谱和脂肪含量对应后，通过Kennard-Stone(KS)算法将前72％的样品划分为校正集，剩余28％划分为验证集，其中，校正集有28份，验证集有11份。
光谱处理后，选取合适的光谱区间和预处理方法处理光谱，光谱区间为7799.1cm-1-8478cm-1和9804.9cm-1-10483.7cm-1，预处理方式为一阶导数+矢量归一化，最佳PLS因子数2；使用偏最小二乘法建立水稻单粒脂肪校正模型，模型的预测相关系数R为0.8620，RMECV为0.224，图2为近红外单粒水稻脂肪漫透射模型的交叉验证结果。
S5、利用所构建的模型预测验证集样本，验证集的RMSEP为0.266。图3为近红外单粒水稻脂肪漫透射模型对验证集样品的验证结果。由图3可知，验证集样本预测值和真值具有良好的相关性和较小的误差，表明本发明方法对单粒水稻脂肪含量的预测具有较好的准确性。
当对待测水稻种子中的脂肪含量进行预测时，采用步骤S2相同的方法采集单粒水稻光谱，采用步骤S4中相同光谱的预处理方法处理单粒水稻原始光谱，然后采用本实施例中模型对预处理后的光谱进行预测，获得待测水稻种子脂肪含量。
实施例2
单粒水稻脂肪含量定量分析模型构建方法及检测方法，本实施例采取近红外漫反射技术，具体包括以下步骤：
S1、收集39个水稻品种，去除杂质后，烘干至水分含量为12％，放入干燥器中平衡水分7天以上。每份稻谷选取15粒稻谷，稻谷的外观饱满、颜色一致，非未成熟、发芽、虫蛀、破损、生霉的稻谷。
S2、使用美国BRIMROSE LUMINAR3076近红外自动选种机上采集单粒水稻近红外漫反射光谱，光谱扫描参数为：光谱范围为1100nm-2300nm，分辨率为1nm。每粒稻谷放置于自动传送带上正面、背面朝上各进行一次漫反射光谱采集，对全部15粒稻谷的光谱采集后进行平均，经过平均后的光谱即为单粒水稻漫反射光谱，如图4所示。
S3、每份稻谷取30g，使用索氏提取法检测脂肪含量，其具体步骤和实施例1中相同。
S4、将39份水稻脂肪样品划分为校正集和验证集，校正集和验证集的样本和实施例1中完全相同。
光谱处理后，选取合适的光谱区间和预处理方法处理光谱，光谱区间为1220nm-1340nm和1700nm-1820nm，预处理方式为多元散射，最佳PLS因子数8；使用偏最小二乘法建立水稻单粒脂肪校正模型，模型的相关系数R为0.8791，RMECV为0.214，图5为近红外单粒水稻脂肪漫反射模型的交叉验证结果。
S5、利用所构建的模型预测验证集样本，验证集的RMSEP为0.262。图6为近红外单粒水稻脂肪漫反射模型对验证集样品的验证结果。由图6可知，验证集样本预测值和真值具有良好的相关性和较小的误差，表明本发明方法对单粒水稻脂肪含量的预测具有较好的准确性。
当对待测水稻种子中的脂肪含量进行预测时，采用步骤S2相同的方法采集单粒水稻光谱，采用步骤S4中相同光谱的预处理方法处理单粒水稻原始光谱，然后采用本实施例中模型对预处理后的光谱进行预测，获得待测水稻种子脂肪含量。
对比例1
本对比例与实施例1的区别之处在于：选择不同的预处理方法和光谱区间优化模型，并对各模型进行评价。
表1为不同光谱预处理方法和光谱区间的近红外单粒水稻脂肪漫透射模型的结果
从表1可以看出，通过不同光谱区间、预处理方法优化模型，提高近红外单粒水稻脂肪漫透射模型结果的准确性，而采用本发明中的方法对单粒水稻脂肪含量的预测具有较好的准确性。
对比例2
本对比例与实施例2的区别之处在于：选择不同的预处理方法和光谱区间优化模型，并对各模型进行评价。
表2为不同预处理方法和光谱区间的近红外单粒水稻脂肪漫反射模型的结果
从表2可以看出，通过不同光谱区间、预处理方法优化模型，提高近红外单粒水稻脂肪漫反射模型的准确性，而采用本发明中的方法对单粒水稻脂肪含量的预测具有较好的准确性。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种单粒水稻脂肪含量定量分析模型构建方法，其特征在于：包括以下步骤：
S1、收集脂肪含量有差异的若干份水稻样品，干燥处理，平衡水分后作为校正集；
S2、校正集每份水稻样品分别选取15颗籽粒，采用漫透射或漫反射方式采集校正集中每粒水稻的近红外光谱，光谱平均后作为样品光谱；
S3、将校正集每份水稻样品处理成米粉，采用索氏提取法检测每个样品的脂肪含量，构建校正集参比值矩阵；
S4、选取步骤S2获得的近红外光谱并进行预处理，分析后获得单粒水稻脂肪含量的近红外定量分析模型；
所述漫透射方式采集的近红外光谱选取的光谱区间为7799.1cm-1-8478cm-1和9804.9cm-1-10483.7cm-1范围的光谱，预处理方式为一阶导数和矢量归一化，获得预处理后的校正集光谱矩阵；之后利用偏最小二乘法构建光谱与参比值的关系模型，模型使用的PLS因子数为2；
所述漫反射方式采集的近红外光谱选取的光谱区间为1220nm-1340nm和1700nm-1820nm，预处理方式为多元散射校正，获得预处理后的校正集光谱矩阵,之后利用偏最小二乘法构建光谱与参比值的关系模型，模型使用的PLS因子数为8。
2.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S1中挑选的稻谷为外观饱满、成熟的籽粒，无未成熟、发芽、虫蛀、破损、生霉的籽粒。
3.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S3中将校正集每份水稻经出糙、磨粉后处理成米粉。
4.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S4中利用偏最小二乘法将经过预处理的光谱矩阵与步骤S3中的参比值矩阵进行回归关联分析，获得单粒水稻脂肪含量的近红外定量分析模型。
5.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：采用漫透射方式采集，预处理方式为一阶导数+矢量归一化，获得预处理后的校正集光谱矩阵。
6.根据权利要求5所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S2采集光谱是在具有静态单粒水稻光谱扫描功能或具有自动分选单粒水稻的近红外分析平台实施的。
7.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S2中采集漫透射光谱的具体步骤包括：采集近红外漫透射光谱时，在检测窗口固定一直径30mm中间有直径2mm小孔的铝片，光谱扫描范围为5793cm-1-12489cm-1，分辨率16cm-1，对该检测窗口进行扫描，作为背景光谱；将水稻样品平放在铝片上，水稻正面、背面各采集1条光谱后计算平均光谱，作为该样品光谱。
8.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S2中采集漫反射光谱的具体步骤包括：光谱范围为1100nm-2300nm，分辨率为1nm，将水稻样品平放在传送带上，水稻正面、背面各采集1条光谱后计算平均光谱，作为该样品光谱。
9.根据权利要求1所述的单粒水稻脂肪含量定量分析模型构建方法，其特征在于：所述步骤S3采用的索氏提取法检测每个样品的脂肪含量的具体步骤包括：
1)试样处理：稻谷脱壳后磨粉，取通过孔径1mm的圆孔筛的米粉备用，准确称取混匀后的糙米粉5g，全部转移到滤纸筒中；
2)抽提：将滤纸筒放入索氏抽提器的抽提筒内，连接已干燥至恒重的接收瓶，由抽提器冷凝管上端加入石油醚至瓶内容积的三分之二处，水浴加热使石油醚不断回流抽提，抽提8h，提取结束时，用磨砂玻璃棒接取1滴提取液，磨砂棒上无油斑表明提取完毕；
3)称量：取下接收瓶，回收石油醚，待接收瓶内溶剂剩余1ml-2mL时在水浴上蒸干，再于105℃干燥1h，放入干燥器内冷却0.5h后称量，重复以上操作直至恒重；
4)计算脂肪含量：脂肪含量公式为
式中X为稻谷中脂肪含量，m1为恒重后接收瓶和脂肪的含量，m0为接收瓶的质量，m2为糙米的质量，M为糙米含水量，根据该公式计算脂肪含量。
10.一种单粒水稻脂肪含量检测方法，其特征在于：包括以下步骤：
1)收集若干粒外观饱满成熟，无发芽、虫蛀、破损、生霉的水稻作为验证集，采用漫透射或漫反射方式采集每粒样品的近红外光谱；
2)采用权利要求1-9中任一项所述的构建方法构建的单粒水稻脂肪含量定量分析模型预测验证集各样品的脂肪含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110625356.4A CN113484270A (zh) | 2021-06-04 | 2021-06-04 | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110625356.4A CN113484270A (zh) | 2021-06-04 | 2021-06-04 | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113484270A true CN113484270A (zh) | 2021-10-08 |
Family
ID=77934707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110625356.4A Pending CN113484270A (zh) | 2021-06-04 | 2021-06-04 | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113484270A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114136918A (zh) * | 2021-11-29 | 2022-03-04 | 中国科学院合肥物质科学研究院 | 一种基于近红外的稻米食味品质评价方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102252936A (zh) * | 2011-04-29 | 2011-11-23 | 山东省农业科学院农产品研究所 | 一种测定食品中粗脂肪含量的方法 |
| CN105181643A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
| CN106018335A (zh) * | 2016-08-04 | 2016-10-12 | 浙江大学 | 基于近红外光谱的整粒棉籽中植酸含量的无损测定方法 |
| CN106706553A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 |
| CN106706554A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 |
| CN107314988A (zh) * | 2017-07-05 | 2017-11-03 | 华中农业大学 | 一种油菜籽粒油酸含量近红外分析方法 |
| CN107515203A (zh) * | 2017-07-19 | 2017-12-26 | 中国农业大学 | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 |
| CN107917897A (zh) * | 2017-12-28 | 2018-04-17 | 福建医科大学 | 近红外光谱测定特医食品多组分含量的方法 |
| CN108613943A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学院合肥物质科学研究院 | 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 |
| CN108680515A (zh) * | 2018-08-27 | 2018-10-19 | 中国科学院合肥物质科学研究院 | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 |
| CN108801973A (zh) * | 2018-06-28 | 2018-11-13 | 中国农业科学院农产品加工研究所 | 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 |
| CN109374548A (zh) * | 2018-11-14 | 2019-02-22 | 深圳职业技术学院 | 一种利用近红外快速测定大米中营养成分的方法 |
| CN110231302A (zh) * | 2019-06-10 | 2019-09-13 | 江南大学 | 一种快速测定奇亚籽粗脂肪含量的方法 |
-
2021
- 2021-06-04 CN CN202110625356.4A patent/CN113484270A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102252936A (zh) * | 2011-04-29 | 2011-11-23 | 山东省农业科学院农产品研究所 | 一种测定食品中粗脂肪含量的方法 |
| CN105181643A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
| CN106706553A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 |
| CN106706554A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 |
| CN106018335A (zh) * | 2016-08-04 | 2016-10-12 | 浙江大学 | 基于近红外光谱的整粒棉籽中植酸含量的无损测定方法 |
| CN107314988A (zh) * | 2017-07-05 | 2017-11-03 | 华中农业大学 | 一种油菜籽粒油酸含量近红外分析方法 |
| CN107515203A (zh) * | 2017-07-19 | 2017-12-26 | 中国农业大学 | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 |
| CN107917897A (zh) * | 2017-12-28 | 2018-04-17 | 福建医科大学 | 近红外光谱测定特医食品多组分含量的方法 |
| CN108613943A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学院合肥物质科学研究院 | 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 |
| CN108801973A (zh) * | 2018-06-28 | 2018-11-13 | 中国农业科学院农产品加工研究所 | 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 |
| CN108680515A (zh) * | 2018-08-27 | 2018-10-19 | 中国科学院合肥物质科学研究院 | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 |
| CN109374548A (zh) * | 2018-11-14 | 2019-02-22 | 深圳职业技术学院 | 一种利用近红外快速测定大米中营养成分的方法 |
| CN110231302A (zh) * | 2019-06-10 | 2019-09-13 | 江南大学 | 一种快速测定奇亚籽粗脂肪含量的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李路 等: ""稻谷脂肪近红外光谱特征筛选及检测模型构建"", 《食品与发酵工业》, vol. 44, no. 2, pages 87 - 91 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114136918A (zh) * | 2021-11-29 | 2022-03-04 | 中国科学院合肥物质科学研究院 | 一种基于近红外的稻米食味品质评价方法 |
| CN114136918B (zh) * | 2021-11-29 | 2023-11-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外的稻米食味品质评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105181643B (zh) | 一种稻米品质的近红外检测方法与应用 | |
| CN105044021B (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
| CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
| 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 | |
| CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| Caporaso et al. | Application of calibrations to hyperspectral images of food grains: Example for wheat falling number | |
| Wang et al. | Quantitative analysis of fat content in rice by near‐infrared spectroscopy technique | |
| 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 | |
| CN110715918B (zh) | 单籽粒玉米淀粉含量拉曼高光谱分级方法 | |
| CN115201148A (zh) | 一种基于近红外光谱快速检测稻谷脂肪酸含量的方法 | |
| CN113484270A (zh) | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 | |
| Paulsen et al. | Maize starch yield calibrations with near infrared reflectance | |
| CN106706554A (zh) | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 | |
| CN106770016B (zh) | 单粒稻谷种子的蛋白质定量分析nir透射光谱测量方法 | |
| Rathna Priya et al. | Characterising corn grain using infrared imaging and spectroscopic techniques: a review | |
| CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| Yuan et al. | Application of hyperspectral imaging to discriminate waxy corn seed vigour after aging. | |
| 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 | |
| KR20170055753A (ko) | 근적외선 분광기를 이용한 목초종자의 품종판별 방법 | |
| Chen et al. | The characteristic of hyperspectral image of wheat seeds during sprouting | |
| Sheng | Determination of shearing force by measuring NDF and ADF in tea stems with hyperspectral imaging technique | |
| Sundaram et al. | Classification of in-shell peanut kernels nondestructively using VIS/NIR reflectance 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 |