CN113484303A - 基于拉曼光谱检测小米类胡萝卜素的方法 - Google Patents

基于拉曼光谱检测小米类胡萝卜素的方法 Download PDF

Info

Publication number
CN113484303A
CN113484303A CN202110744901.1A CN202110744901A CN113484303A CN 113484303 A CN113484303 A CN 113484303A CN 202110744901 A CN202110744901 A CN 202110744901A CN 113484303 A CN113484303 A CN 113484303A
Authority
CN
China
Prior art keywords
raman spectrum
millet
samples
carotenoid
group
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
Application number
CN202110744901.1A
Other languages
English (en)
Inventor
梁克红
赵欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Food And Nutrition Development Ministry Of Agriculture And Rural Areas
Original Assignee
Institute Of Food And Nutrition Development Ministry Of Agriculture And Rural Areas
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of Food And Nutrition Development Ministry Of Agriculture And Rural Areas filed Critical Institute Of Food And Nutrition Development Ministry Of Agriculture And Rural Areas
Priority to CN202110744901.1A priority Critical patent/CN113484303A/zh
Publication of CN113484303A publication Critical patent/CN113484303A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering

Abstract

本发明公开了一种基于拉曼光谱检测小米类胡萝卜素的方法，包括如下步骤：步骤一、称取原料；步骤二、确定类胡萝卜素的检测值；步骤三、确定原始拉曼光谱；步骤四、对拉曼光谱组中的168个小米样品以3:1的比例进行建模集和预测集划分；步骤五、采用小波变换法对原始拉曼光谱进行预处理；步骤六、建立PLS模型。本发明采用上述结构的基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。

Description

基于拉曼光谱检测小米类胡萝卜素的方法
技术领域
本发明涉及类胡萝卜素无损检测技术领域，特别是涉及一种基于拉曼光谱检测小米类胡萝卜素的方法。
背景技术
类胡萝素广泛存在于植物、真菌、藻类和细菌中，目前在自然界已经鉴定出来700多种。类胡萝卜素作为重要的天然色素，在人体健康中扮演了重要的角色，具有很多生理功能。如叶黄素、玉米黄质具有较强抗氧化性，能够清除自由基的影响，提高免疫功能，减少患慢性病、癌症等风险，可以预防和治疗糖尿病，有效减少蓝光对视网膜的伤害，预防年龄相关性黄斑变性等病症。类胡萝卜素是人体自身无法合成的健康必需的营养物质，只能依赖饮食供给，而粮食作物是每日必须大量摄入的食物，其类胡萝卜含量和组成对人体健康有重要的意义。
小米是粮食作物中富含类胡萝卜素的一种作物，测定小米中类胡萝卜素对于小米的品质、人体健康具有重要意义。传统的类胡萝卜素检测方法包括紫外-可见分光光度法、高效液相色谱法、液相色谱质谱联用法、超临界流体色谱法及核磁共振法等。以上传统的检测方法具有破坏性、检测步骤繁琐的缺点，且无法实现在线检测。因此需要一种快速无损检测小米的类胡萝卜素含量的方法。
发明内容
本发明的目的是提供一种基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。
为实现上述目的，本发明提供了一种基于拉曼光谱检测小米类胡萝卜素的方法，包括如下步骤：步骤一、称取原料：从同一批量的小米中称取两份相同数量的原料，一份为拉曼光谱组，另一份为测量组，对拉曼光谱组和测量组中的小米样品进行一一对应的编号标记，拉曼光谱组和测量组均包括168 个小米样品；
步骤二、确定类胡萝卜素的检测值：利用高效液相测定测量组中小米样品的叶黄素和玉米黄质的浓度含量，以叶黄素和玉米黄质的浓度含量之和作为类胡萝卜素的检测值；
步骤三、确定原始拉曼光谱：将拉曼光谱组中的每个样品置于光学检测平台上，每个样品选取10个不同的位置各采集一条光谱，用10个光谱的平均值做为每个样品的原始拉曼光谱；
步骤四、对拉曼光谱组中的168个小米样品以3:1的比例进行建模集和预测集划分：将拉曼光谱组中的小米样品按照与其同一编号的测量组中的小米样品的类胡萝卜素的检测值从小到大排列，每8个拉曼光谱组中的小米样品为一组，从每组中选择第2和7个小米样品作为预测集，剩下的小米样品作为建模集，得到126个建模集样品和42个预测集样品；
步骤五、采用小波变换法对原始拉曼光谱进行预处理；
步骤六、采用连续投影算法提取17个预处理后的拉曼光谱全波段中的特征波数，进而对应地提取出17个预处理后的拉曼光谱强度，以提取出的预处理后的拉曼光谱强度为自变量，以对应的类胡萝卜素的检测值为因变量，建立PLS模型，PLS模型公式为：
Figure BDA0003144077380000031
其中Y为预测的小米类胡萝卜素含量(μg/g)，Xi为在波数为i时预处理后的拉曼光谱强度。
优选的，拉曼光谱采集过程中，扫描次数350次，扫描波段200-3400 cm-1，激发波长532nm，暴露时间0.04s，物镜的放大倍数为10倍。
优选的，以原始光谱和预处理后的拉曼光谱为自变量，以与每条光谱对应的类胡萝卜素的检测值为因变量，分别采取平滑去噪、归一化、多元散射校正、基线校正和小波变换五种预处理方法对原始拉曼光谱进行预处理，建立预处理模型，采用全交互验证方法对预处理模型建立PLS建模定量预测结果，通过预测集的决定系数(R2 p)和均方根误差(RMSEP)为主要的评判标准，建模集的决定系数(R2 c)和均方根误差(RMSEC)为辅助评判标准，挑选出最优的拉曼光谱数据预处理方法。
优选的，17个特征波数分别945，1000，1131，1160，1144，1171， 1184，1357，1500，1515，1520，1525，1821，2622，2314，2845，3062 cm-1。
因此，本发明采用上述结构的基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是步骤三中一个小米样品拉曼采集的原始拉曼光谱。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
一种基于拉曼光谱检测小米类胡萝卜素的方法，包括如下步骤：包括如下步骤：步骤一、称取原料：从同一批量的小米中称取两份相同数量的原料，一份为拉曼光谱组，另一份为测量组，对拉曼光谱组和测量组中的小米样品进行一一对应的编号标记，拉曼光谱组和测量组均包括168个小米样品；
步骤二、确定类胡萝卜素的检测值：利用高效液相测定测量组中小米的叶黄素和玉米黄质的浓度含量，以叶黄素和玉米黄质的浓度含量之和作为类胡萝卜素的检测值；
步骤三、确定原始拉曼光谱：将拉曼光谱组中的每个样品置于光学检测平台上，拉曼光谱采集过程中，扫描次数350次，扫描波段200-3400cm-1，激发波长532nm，暴露时间0.04s，物镜的放大倍数为10倍。每个样品选取10 个不同的位置各采集一条光谱，用10个光谱的平均值做为每个样品的原始拉曼光谱。一个小米样品拉曼采集的原始拉曼光谱见图1。
步骤四、对拉曼光谱组中的168个小米样品以3:1的比例进行建模集和预测集划分：将拉曼光谱组中的小米样品按照与其同一编号的测量组中的小米样品的类胡萝卜素的检测值从小到大排列，每8个拉曼光谱组中的小米样品为一组，从每组中选择第2和7个小米样品作为预测集，剩下的小米样品作为建模集，得到126个建模集样品和42个预测集样品；
步骤五、采用小波变换法对原始拉曼光谱进行预处理。小波变换法对原始拉曼光谱的预处理结果最为精确，具体选用过程为：以原始光谱和预处理后的拉曼光谱为自变量，以每条光谱对应的类胡萝卜素的检测值为因变量，分别采取平滑去噪、归一化、多元散射校正、基线校正和小波变换五种预处理方法对原始拉曼光谱进行预处理，建立预处理模型，采用全交互验证方法对预处理模型建立PLS建模定量预测结果，见表1。通过预测集的决定系数 (R2 p)和均方根误差(RMSEP)为主要的评判标准，建模集的决定系数(R2 c)和均方根误差(RMSEC)为辅助评判标准，决定系数越高，自变量对因变量的解释程度越高，均方根误差值越小，预测的精确度越高，根据表1的数据结果可知小波变换法为最优的拉曼光谱数据预处理方法。
表1不同光谱预处理方法得到的PLS建模定量预测结果
Figure BDA0003144077380000051
步骤六、采用连续投影算法提取17个预处理后的拉曼光谱全波段中的特征波数，17个特征波数分别945，1000，1131，1160，1144，1171，1184， 1357，1500，1515，1520，1525，1821，2622，2314，2845，3062cm-1。进而对应地提取出17个预处理后的拉曼光谱强度，以提取出的预处理后的拉曼光谱强度为自变量，以对应的类胡萝卜素的检测值为因变量，建立PLS模型，PLS模型公式为：
Figure BDA0003144077380000061
其中Y为预测的小米类胡萝卜素含量(μg/g)，Xi为在波数为i时预处理后的拉曼光谱强度。
采用全交互验证方法对PLS模型建立的PLS建模定量预测结果见表2，通过预测集的决定系数(R2 p)和均方根误差(RMSEP)为主要的评判标准，建模集的决定系数(R2 c)和均方根误差(RMSEC)为辅助评判标准，根据表2的数据结果可知，本PLS模型能够对小米类胡萝卜素含量进行精准的预测。
表2 PLS建模定量预测结果
Figure BDA0003144077380000062
因此，本发明采用上述结构的基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (4)

1.一种基于拉曼光谱检测小米类胡萝卜素的方法，其特征在于：包括如下步骤：步骤一、称取原料：从同一批量的小米中称取两份相同数量的原料，一份为拉曼光谱组，另一份为测量组，对拉曼光谱组和测量组中的小米样品进行一一对应的编号标记，拉曼光谱组和测量组均包括168个小米样品；
步骤二、确定类胡萝卜素的检测值：利用高效液相测定测量组中小米样品的叶黄素和玉米黄质的浓度含量，以叶黄素和玉米黄质的浓度含量之和作为类胡萝卜素的检测值；
步骤三、确定原始拉曼光谱：将拉曼光谱组中的每个样品置于光学检测平台上，每个样品选取10个不同的位置各采集一条光谱，用10个光谱的平均值做为每个样品的原始拉曼光谱；
步骤四、对拉曼光谱组中的168个小米样品以3:1的比例进行建模集和预测集划分：将拉曼光谱组中的小米样品按照与其同一编号的测量组中的小米样品的类胡萝卜素的检测值从小到大排列，每8个拉曼光谱组中的小米样品为一组，从每组中选择第2和7个小米样品作为预测集，剩下的小米样品作为建模集，得到126个建模集样品和42个预测集样品；
步骤五、采用小波变换法对原始拉曼光谱进行预处理；
步骤六、采用连续投影算法提取17个预处理后的拉曼光谱全波段中的特征波数，进而对应地提取出17个预处理后的拉曼光谱强度，以提取出的预处理后的拉曼光谱强度为自变量，以对应的类胡萝卜素的检测值为因变量，建立PLS模型，PLS模型公式为：
Figure FDA0003144077370000021
其中Y为预测的小米类胡萝卜素含量(μg/g)，Xi为在波数为i时预处理后的拉曼光谱强度。
2.根据权利要求1所述的基于拉曼光谱检测小米类胡萝卜素的方法，其特征在于：拉曼光谱采集过程中，扫描次数350次，扫描波段200-3400cm-1，激发波长532nm，暴露时间0.04s，物镜的放大倍数为10倍。
3.根据权利要求2所述的基于拉曼光谱检测小米类胡萝卜素的方法，其特征在于：以原始光谱和预处理后的拉曼光谱为自变量，以与每条光谱对应的类胡萝卜素的检测值为因变量，分别采取平滑去噪、归一化、多元散射校正、基线校正和小波变换五种预处理方法对原始拉曼光谱进行预处理，建立预处理模型，采用全交互验证方法对预处理模型建立PLS建模定量预测结果，通过预测集的决定系数(R2p)和均方根误差(RMSEP)为主要的评判标准，建模集的决定系数(R2c)和均方根误差(RMSEC)为辅助评判标准，挑选出最优的拉曼光谱数据预处理方法。
4.根据权利要求3所述的基于拉曼光谱检测小米类胡萝卜素的方法，其特征在于：17个特征波数分别945，1000，1131，1160，1144，1171，1184，1357，1500，1515，1520，1525，1821，2622，2314，2845，3062cm-1。
CN202110744901.1A 2021-07-01 2021-07-01 基于拉曼光谱检测小米类胡萝卜素的方法 Pending CN113484303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110744901.1A CN113484303A (zh) 2021-07-01 2021-07-01 基于拉曼光谱检测小米类胡萝卜素的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110744901.1A CN113484303A (zh) 2021-07-01 2021-07-01 基于拉曼光谱检测小米类胡萝卜素的方法

Publications (1)

Publication Number Publication Date
CN113484303A true CN113484303A (zh) 2021-10-08

Family

ID=77939968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110744901.1A Pending CN113484303A (zh) 2021-07-01 2021-07-01 基于拉曼光谱检测小米类胡萝卜素的方法

Country Status (1)

Country Link
CN (1) CN113484303A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984659A (zh) * 2021-10-13 2022-01-28 自然资源部第二海洋研究所 一种基于单细胞拉曼光谱的好氧不产氧光合细菌检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000078217A1 (en) * 1999-06-18 2000-12-28 The University Of Utah Research Foundation Method and apparatus for noninvasive measurement of carotenoids and related chemical substances in biological tissue
CN105675582A (zh) * 2016-03-22 2016-06-15 浙江大学 利用拉曼光谱检测水果中β-胡萝卜素含量的方法
CN106290292A (zh) * 2016-07-25 2017-01-04 浙江大学 一种利用共聚焦显微拉曼检测茶叶中类胡萝卜素含量的方法
CN109839370A (zh) * 2019-03-18 2019-06-04 安徽农业大学 一种基于原位拉曼光谱技术的茶鲜叶质量评判方法及应用
CN111912828A (zh) * 2020-08-19 2020-11-10 河南省农业科学院农副产品加工研究中心 一种快速检测玉米中类胡萝卜素含量的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000078217A1 (en) * 1999-06-18 2000-12-28 The University Of Utah Research Foundation Method and apparatus for noninvasive measurement of carotenoids and related chemical substances in biological tissue
CN105675582A (zh) * 2016-03-22 2016-06-15 浙江大学 利用拉曼光谱检测水果中β-胡萝卜素含量的方法
CN106290292A (zh) * 2016-07-25 2017-01-04 浙江大学 一种利用共聚焦显微拉曼检测茶叶中类胡萝卜素含量的方法
CN109839370A (zh) * 2019-03-18 2019-06-04 安徽农业大学 一种基于原位拉曼光谱技术的茶鲜叶质量评判方法及应用
CN111912828A (zh) * 2020-08-19 2020-11-10 河南省农业科学院农副产品加工研究中心 一种快速检测玉米中类胡萝卜素含量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李晓丽等: ""基于拉曼光谱技术的茶树叶片中类胡萝卜素含量无损快速检测"", 《光谱学与光谱分析》, vol. 37, no. 11, pages 3465 - 3470 *
王涛;裘正军;张卫正;赵艳茹;何勇;: "基于拉曼光谱技术的枇杷果实β-胡萝卜素含量无损测定研究", 光谱学与光谱分析, no. 11 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984659A (zh) * 2021-10-13 2022-01-28 自然资源部第二海洋研究所 一种基于单细胞拉曼光谱的好氧不产氧光合细菌检测方法

Similar Documents

Publication Publication Date Title
Wu et al. Determination of toxigenic fungi and aflatoxins in nuts and dried fruits using imaging and spectroscopic techniques
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
CN110646407A (zh) 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法
Chen et al. Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms
CN108801975A (zh) 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法
CN112669915A (zh) 一种基于神经网络与近红外光谱的梨无损检测方法
Wu et al. Study on the optimal algorithm prediction of corn leaf component information based on hyperspectral imaging
CN107036999A (zh) 一种基于近红外光谱及化学计量学的五元调和油定量分析方法
CN113484303A (zh) 基于拉曼光谱检测小米类胡萝卜素的方法
Wang et al. Estimating cotton leaf nitrogen by combining the bands sensitive to nitrogen concentration and oxidase activities using hyperspectral imaging
CN102313715A (zh) 基于激光技术的蜂蜜品质检测方法
Ning et al. Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network
CN107796779A (zh) 橡胶树叶片氮素含量的近红外光谱诊断方法
Wen et al. Visualization of chlorophyll content distribution in apple leaves based on hyperspectral imaging technology
CN106525760A (zh) 一种用于六元调和油定量分析的方法
LU500390B1 (en) A Method for Detecting Carotenoids in Millet Based on Raman Spectrum
CN104914053B (zh) 构建树木冠层光合性状预测模型及检测光合性状
Alamu et al. Application of near infrared reflectance spectroscopy in screening of fresh cassava (Manihot esculenta Crantz) storage roots for provitamin A carotenoids
CN113252624A (zh) 一种基于荧光光谱的苹果黄酮含量无损检测方法
CN113075197A (zh) 一种白胡椒粉中玉米粉掺假含量的快速检测方法
Mayranti et al. Chlorophyll A and B Content Measurement System of Velvet Apple Leaf in Hyperspectral Imaging
Luo et al. Prediction of the Harvest Time of Cabernet Sauvignon Grapes Using Near-Infrared Spectroscopy
TANG et al. The rapid detection method of chlorophyll content in rapeseed based on hyperspectral technology
Zhang et al. The rapid detection of the tannin content of grains based on hyperspectral imaging technology and chemometrics
CN113740274B (zh) 一种异养小球藻生物量与叶黄素光谱成像实时监测方法

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