CN113670840A - 鲜切笋中不溶性膳食纤维含量的快速无损检测方法 - Google Patents
鲜切笋中不溶性膳食纤维含量的快速无损检测方法 Download PDFInfo
- Publication number
- CN113670840A CN113670840A CN202110935581.8A CN202110935581A CN113670840A CN 113670840 A CN113670840 A CN 113670840A CN 202110935581 A CN202110935581 A CN 202110935581A CN 113670840 A CN113670840 A CN 113670840A
- Authority
- CN
- China
- Prior art keywords
- fresh
- sample
- mass
- dietary fiber
- insoluble dietary
- 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
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
-
- 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
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种鲜切笋中不溶性膳食纤维含量的快速无损检测方法,本发明以麻竹笋鲜切笋为研究对象,通过采集试验样品的高光谱数据,测定鲜切笋不溶性膳食纤维含量,结合化学计量学建立高光谱数据和理化指标之间的相关性,构建鲜切笋不溶性膳食纤维含量预测模型;建立一种基于高光谱的麻竹笋鲜切笋不溶性膳食纤维含量快速无损检测方法。本发明快速简便、效率高、不破坏样品,不使用任何化学试剂,测定结果准确,可以实现麻竹笋鲜切笋不溶性膳食纤维含量的快速无损检测。本发明基于高光谱技术的麻竹笋鲜切笋中不溶性膳食纤维含量的快速无损检测方法,为实现麻竹笋质量分级和加工标准化提供可行手段。
Description
技术领域
本发明涉及农产品品质无损检测领域,具体地说,涉及鲜切笋中不溶性膳食纤维含量的快速无损检测方法。
背景技术
麻竹笋具有爽口、笋味甘甜、香浓的口感,含有丰富的蛋白质、膳食纤维、矿物质和微量元素等多种营养成分。现代研究发现,竹笋具有降血糖、降血脂以及促消化等功效。其中,膳食纤维被营养界补充为第七类营养素,根据其溶解性分为可溶性膳食纤维和不溶性膳食纤维。现代研究发现,竹笋的降血糖、降血脂以及促消化等功效主要归功于其所含的膳食纤维。在我国,麻竹笋主要分布在广东广西、福建和台湾等省份,其中广东西牛麻竹笋和揭阳麻竹笋被评为国家地理标志产品。
麻竹笋鲜切笋,是麻竹笋即食食品加工的原材料,将收购来的大部分经过粗加工(一般处理方法为去除外壳、杂屑及笋尖部分,然后切割成单块笋节,去除嫩绿色及以下硬笋节,最后清洗干净)得到的麻竹笋半成品,即鲜切笋。
麻竹笋是当地农户赖以为生的食用农产品,也可以加工成预包装食品,如调味笋、麻竹笋罐头等。然而,不同品质的鲜切笋加工的调味笋在口感上具有较大差异,使用木质化程度高、硬度较大的鲜切笋加工制作的调味笋口感粗糙,嚼后有多余残渣,极大地影响产品质量。因此亟需建立一种快速、有效地检测鲜切笋品质的方法。
目前,针对鲜切笋品质评价还没有相关的国家标准或行业标准,只有《GB/T30762-2014主要竹笋质量分级》和《DB4418/T 012-2020地理标志产品西牛麻竹笋》对麻竹笋提出了感官、理化方面的评价要求。在检测标准中,最重要的感官评价指标和理化评价指标和分别为鲜嫩少渣和粗纤维含量,这些指标都与麻竹笋中不溶性膳食纤维(如纤维素、木质素等)含量密切相关。此外,麻竹笋在两种酶的作用下发生木质化,会导致不溶性膳食纤维中的木质素和纤维素含量急剧上升,这将直接影响麻竹笋鲜切笋品质。《GB/T 30762-2014主要竹笋质量分级》和《DB4418/T 012-2020地理标志产品西牛麻竹笋》中关于鲜嫩少渣的感官评价带有鲜明的主观性,没有具体的量化评价指标;而粗纤维的测定参照《GB/T5009.10-2003植物类食品中粗纤维的测定》,实验步骤繁琐,耗时耗力,且需要具有相关专业基础的实验人员操作。因此现有标准不能满足麻竹笋加工过程品质检测需要,无法实现麻竹笋产品质量控制。
发明内容
本发明的目的是提供一种鲜切笋中不溶性膳食纤维含量的快速无损检测方法。
为了实现本发明目的,本发明提供一种鲜切笋中不溶性膳食纤维含量的快速无损检测方法,所述方法包括以下步骤:
A、将麻竹笋制备成鲜切笋(去除外壳、杂屑及笋尖部分,然后切割成单块笋节,去除嫩绿色及以下的硬笋节),采集鲜切笋样品在400-1600nm范围内的高光谱数据;
B、采用化学法测定鲜切笋样品的不溶性膳食纤维含量;
C、将采集的光谱数据分为训练集和测试集,以训练集光谱数据作为自变量,不溶性膳食纤维含量作为因变量,同时结合光谱数据预处理和光谱数据降维处理,建立数学模型,并采用测试集对所建模型进行验证;
D、对步骤C所建模型进行评价,判定模型的有效性,获得有效数学模型;
E、在相同实验条件下,采集待测鲜切笋样品的高光谱数据,利用步骤D获得的有效数学模型,计算出待测鲜切笋样品的不溶性膳食纤维含量。
优选地,步骤A中采集的高光谱数据为高光谱反射率数据。
步骤B中不溶性膳食纤维含量的测定方法包括:
B1、称量鲜笋样品的质量(精确至0.1mg),将鲜笋切成大小均匀、厚度为2-3mm左右的笋片,平放在盘中;然后放入70℃、真空度为0.6MPa的真空干燥箱中烘干(过夜)至水分含量在5%以下,称量干燥后的样品质量;取出干燥样品后用粉碎机反复粉碎,过35目筛,得到样品;
B2、精确称量两份样品各约1g(精确至0.1mg,且样品之间质量差小于5mg),将样品置于500mL烧杯中,加入0.05mol/L MES-TRIS缓冲液40mL,用磁力搅拌直至样品完全分散在缓冲液中;依次使用热稳定的α-淀粉酶、碱性蛋白酶及葡萄糖淀粉苷酶水解,去除样品中的淀粉和蛋白质,得到酶解液;
B3、称量抽滤坩埚的质量,然后用洗涤液(依次用70℃热水、75%乙醇溶液、95%乙醇溶液和丙酮分析纯进行清洗)在抽滤坩埚中洗去酶解液中可溶性膳食纤维和杂质后,经过抽滤装置抽去废液得到残渣;最后将抽滤坩埚连同残渣放入105℃鼓风干燥箱中,(过夜)干燥至恒重后称量抽滤坩埚质量;取两份残渣分别用半自动凯氏定氮分析仪测定蛋白质质量,使用重量法测定灰分质量,最后通过式(1)计算出不溶性膳食纤维含量:
m——样品质量(g);
ma——抽滤坩埚质量(g);
mb——抽滤坩埚和残渣质量(g);
mA——样品蛋白质质量(g);
mB——样品灰分质量(g);
m1——干燥前样品质量(g);
m2——干燥后样品质量(g);
f——样品制备时因干燥导致质量变化的校正因子。
进一步地,步骤B2中水解方法如下:
(1)先向缓冲液中加入5000U/mL±500U/mL的热稳定的α-淀粉酶0.1mL,在95℃-100℃水浴中振荡30分钟,得到水解产物I;
(2)向水解产物I中加入300U/mL-400U/mL的碱性蛋白酶0.1mL,在60℃±1℃水浴中振荡30分钟,得到水解产物II;
(3)向水解产物II中加入2000U/mL-3300U/mL的葡萄糖淀粉苷酶0.1mL,在60℃±1℃水浴中振荡30分钟,得到水解产物III。
优选地,步骤C中训练集和测试集的样品比例为3∶1。
前述的方法,步骤C中光谱数据预处理可以采用SG、SNV、MSC或归一化处理法等,优选SNV。
前述的方法,步骤C中光谱数据降维处理可以采用PCA或RFE等,优选PCA。
前述的方法,步骤C中建立数学模型可以采用PLSR、PCR或SVR等,优选PLSR。
前述的方法,步骤D中以R2、RMSEC和RESMP为指标评价来判定模型的有效性。
本发明所述的麻竹笋可以是西牛麻竹笋或揭阳麻竹笋。
本发明以麻竹笋鲜切笋为研究对象,通过采集试验样品的高光谱数据,测定鲜切笋不溶性膳食纤维含量,结合化学计量学建立高光谱数据和理化指标之间的相关性,构建鲜切笋不溶性膳食纤维含量预测模型;建立一种基于高光谱的麻竹笋鲜切笋不溶性膳食纤维含量快速无损检测方法。本发明快速简便、效率高、不破坏样品,不使用任何化学试剂,测定结果准确,可以实现麻竹笋鲜切笋不溶性膳食纤维含量的快速无损检测。本发明基于高光谱技术的麻竹笋鲜切笋中不溶性膳食纤维含量的快速无损检测方法,为实现麻竹笋质量分级和加工标准化提供可行手段。
附图说明
图1为本发明鲜切笋中不溶性膳食纤维含量的快速无损检测方法的技术路线图。
图2为本发明较佳实施例中400-1000nm(a)和1000-1600nm(b)波段下不同部位鲜切笋平均光谱图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段,所用原料均为市售商品。
以下实施例中使用的SPECIM工业高光谱相机(FX10、FX17)购自芬兰SPECIM公司。
实施例1
本实施例提供的鲜切笋中不溶性膳食纤维含量的快速无损检测方法,是以西牛麻竹笋鲜切笋为研究对象,选取了4个部位(自下而上的4节笋节)的西牛麻竹笋为试验样本,采集400-1000nm和900-1700nm两段高光谱数据;其次测定鲜切笋样本中不溶性膳食纤维含量值;再次比较不同的光谱预处理方式和降维方法的建模效果,以最佳光谱预处理方式和降维方法建立不同机器学习模型,调优参数后评估模型的性能,获得最优机器学习模型;建立基于高光谱的麻竹笋鲜切笋成分快速无损检测方法,并应用于麻竹笋加工企业现场检测。本发明技术路线如图1所示。
1.实验材料与仪器
(1)实验样品
西牛麻竹笋,2020年10月购于清远市西牛镇农户,当天采摘。
西牛麻竹笋鲜切笋:共选取笋节(去除笋尖后)的四个不同位置,自下而上分别为底部,中间(其中中间共两节,分为中间下和中间上)和顶部各27份,共计108份样品。当天到货后立即开始前处理,得到的鲜切笋样本须在20分钟内完成高光谱数据采集,最后开始鲜切笋不溶性膳食纤维含量的化学实验测定。
(2)试剂药品
乙醇、丙酮、硼酸、盐酸、冰乙酸、氢氧化钠、硫酸钾、硫酸铜、甲基红、亚甲基蓝、2-(N-吗啉代)乙烷磺酸、三(羟甲基)氨基甲烷、重铬酸钾等分析纯;酸洗硅藻土、热稳定α-淀粉酶(上海源叶生物科技有限公司)、碱性蛋白酶(上海麦克林生化科技有限公司)、葡萄糖淀粉苷酶(上海麦克林生化科技有限公司)等。
(3)仪器设备(表1)
表1主要仪器设备
2.实验方法
(1)高光谱图谱采集
在采集高光谱数据前,需要调整好高光谱相机与样品(物镜)之间的距离、自动载物台的移动速度以及高光谱相机(内置CCD相机)的曝光时间,来确定图像的清晰度,防止出现失真现象。经过重复调试,最终设置扫描参数为载物台移动速度为8.5mm/s,物镜距离为30cm,曝光时间50ms,此外,在试验过程中保持室内完全黑暗,湿度温度基本一致。其中,使用lumo-sanner软件采集高光谱数据,采集的原始光谱数据使用分析软件ENVI 4.8(ExelisVisual Information Solutions公司,美国)完成图像数据处理。
(2)鲜切笋不溶性膳食纤维的测定
首先使用电子天平称量鲜切笋样品的质量,记录数据,精确至0.1mg;然后用水果刀将鲜切笋切割成大小均匀、厚度在2mm左右的笋片,平整地放置在铁盘中;接着将其放入70℃、真空度为0.6MPa的真空干燥箱中烘干过夜,至水分含量在5%以下,称量干燥后的样品质量;最后取出干燥样品后使用干净的粉碎机反复粉碎,直至在35目筛子中完全过筛,得到样品。
准确称取两份样品约1g(精确至0.1mg),且样品之间质量差小于5mg。将样品置于500mL烧杯中,加入0.05mol/L MES-TRIS缓冲液40mL,用磁力搅拌直至样品完全分散在缓冲液中;先后使用热稳定的α-淀粉酶、碱性蛋白酶及葡萄糖淀粉苷酶水解,去除样品中大部分的淀粉以及蛋白质,得到酶解液。
具体地,酶解方法如下:
(1)先向缓冲液中加入5000U/mL的热稳定的α-淀粉酶0.1mL,在95℃水浴中振荡30分钟,得到水解产物I;
(2)向水解产物I中加入300U/mL的碱性蛋白酶0.1mL,在60℃水浴中振荡30分钟,得到水解产物II;
(3)向水解产物II中加入3000U/mL的葡萄糖淀粉苷酶0.1mL,在60℃水浴中振荡30分钟,得到水解产物III。
先称量并记录过滤坩埚(洗净、恒重后)质量;然后使用洗涤液(依次用70℃热水、75%乙醇溶液、95%乙醇溶液和丙酮分析纯进行清洗)在抽滤坩埚中洗去沉淀液中可溶性膳食纤维和杂质后,经过抽滤装置抽去废液得到剩余残渣;最后将抽滤坩埚连同残渣放入105℃鼓风干燥箱中过夜,恒重后称量抽滤坩埚质量;取两份残渣分别使用半自动凯氏定氮分析仪测得蛋白质质量,使用重量法测得灰分质量,最后通过式(1)计算出不溶性膳食纤维含量。
m——样品质量(g);
ma——抽滤坩埚质量(g);
mb——抽滤坩埚和残渣质量(g);
mA——样品蛋白质质量(g);
mB——样品灰分质量(g);
m1——干燥前样品质量(g);
m2——干燥后样品质量(g);
f——样品制备时因干燥导致质量变化的校正因子。
(3)实验样本划分
样本按照3∶1的比例划分训练集和测试集,其中,随机选取81个样本数据用于模型建立,剩余27个样本数据则用于性能验证,共计108个样本。利用十折交叉验证方法将训练集分为十等分,每次取九等分用于训练,一等分用于验证,重复试验,以十次试验结果的准确率的均值作为最终的检测结果。
(4)光谱预处理
a.高光谱多项式卷积平滑处理
多项式卷积平滑处理Savitzky-Golay Method(SG)是基于最小二乘原理的算法,利用的是最小化思想,对每一列波长对应的反射率进行平滑处理,利用多项式对应关系依次滑动,直至将所有光谱都遍历完(遍历是指基于多项式卷积平滑处理的算法,依次对光谱中每个高光谱反射率做一次且仅做一次滑动处理)。
b.高光谱标准正态变量变换
标准正态变量变换(Standard Normal Variate Transform,SNV),最早由Geladi等人于1985年提出,是基于光谱阵的行对一条光谱进行处理,主要用于消除固体颗粒大小、表面散射等物理因素的影响。
c.高光谱多元散射校正
多元散射校正(Multiplicative scatter correction,MSC)是一种常规的高光谱数据预处理方法。此算法是以全部样品光谱的平均值作为与样品成分信息呈线性相关的“理想光谱”,并以此光谱为标准,对其他样品光谱数据进行校正,且校正后对样品的光谱信息无负面影响。
d.高光谱归一化
当光谱数据差异较大时,可以通过归一化处理将需要处理的数据限制在特定区间内(一般为0-1的之间),将有量纲的表达式变为无量纲的表达式后,以达到方便处理和加快收敛速度的效果,本发明采用最大值-最小值归一化进行处理。
(5)数据降维处理
a.主成分分析
主成分分析(Principal Component Analysis,PCA)是光谱数据降维中最常见的一种方法。其主要原理是将多维数据的特征变量映射到一个新的坐标系中,得到数个由原始变量相互正交的线性组合,即主成分。其中各个主成分之间互不相交,在保留大量有用信息的前提下,去除了多余变量。其中,前几个主成分对原始数据的方差解释最大,几乎占所有主成分的贡献率。一般认为,当提取的特征变量建立模型的预测相关系数足够大,且预测均方根误差在可接受范围内,此时所取的主成分数最佳。
b.特征递归消除
特征递归消除(Recursive Feature Elimination,RFE)通过使用所有特征变量训练模型来获得每个特征的重要程度,然后从当前的特征集合中移除最不重要的特征,最后在特征集合上不断的重复递归这个步骤,直到最终达到所需要的特征数量为止。
(6)预测模型的建立与比较
经过光谱预处理和降维后,选择最佳预处理方法和降维方法,并基于400-1000nm、900-1600nm(由于光谱两端信噪比较低,因此选取900-1600nm波段进行分析)以及融合波段(900-1600nm)分别建立偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量回归(SVR)三种不溶性膳食纤维预测模型。其中,评价模型性能好坏的参数主要有相关系数(Correlation Coefficient,R2)、均方根误差(Root Mean Squared Error,RMSE),包括训练集相关系数R2 C和测试集相关系数R2 P,训练集均方根误差RMSEC和测试集均方根误差RMSEP。通常,性能较好的预测模型应具有较大的R2和较小的RMSE。实验使用excel 2016和origin 2018进行数据预处理,通过python 3.7.6建立预测模型以及参数优化。
a.偏最小二乘回归
偏最小二乘回归(Partial Least Squares Regression,PLSR)是一种常用的多元统计分析方法。通过对光谱矩阵进行分解,筛选对因变量解释能力最强的变量,同时考虑了光谱数据中的信号和噪声,克服自变量之间的多重相关性问题,从而实现多个因变量对多个自变量的回归建模。
b.主成分回归
主成分回归(Principal Component Regression,PCR)是利用主成分分析法解决回归模型中的多重共线性问题后,以原始数据中提取的主成分变量作为自变量进行回归分析,然后根据得分系数矩阵将原变量代回得到的新的模型。
c.支持向量机回归
支持向量机回归(Support Vector Regression,SVR)是支持向量机在回归问题上的应用模型。主要是通过升维后,在高维空间中构造线性决策函数来实现线性回归。在所有样本点中,只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性,传统的拟合方法通常是在线性方程后面加高阶项。SVR在线性函数两侧制造了一个“间隔带”,对所有落入到间隔带内的样本不计算损失,也就是只有支持向量才会对其函数模型产生影响,最后通过最小化总损失和最大化间隔来得出优化后的模型。
3.实验结果
(1)不溶性膳食纤维含量测定结果
麻竹笋不溶性膳食纤维含量测定结果如表2、表3所示。
表2不同部位麻竹笋不溶性膳食纤维含量分析
注:数值右上角小写字母不同表示有显著差异,P<0.05;数值右上角大写字母不同表示有极显著差异,P<0.01。
表3不同部位不溶性膳食纤维含量的方差分析表
由表2可知,鲜竹笋底部的不溶性膳食纤维含量在1.653-2.574g/100g之间,平均值为2.033g/100g;鲜切笋中间下的不溶性膳食纤维含量在1.428-2.290g/100g之间,平均值为1.803g/100g;鲜切笋中间上的不溶性膳食纤维含量在1.105-2.837g/100g之间,平均值为1.909g/100g;鲜切笋顶部的不溶性膳食纤维含量在0.491-1.887g/100g之间,平均值为1.208g/100g。从表2可以看出,鲜切笋底部的不溶性膳食纤维含量最高,且顶部其他部位之间的不溶性膳食纤维含量差异极显著(P<0.01);底部、中间下及中间上相互之间的不溶性膳食纤维平均值含量差值较小,无显著差异。表3为鲜切笋不溶性膳食纤维含量的方差分析情况,由表3可知,处理间F值为11.764,远大于2,因此不同部位样本间具有显著性差异,可用于后续分析。
(2)平均光谱图
实验所采集的麻竹笋平均光谱图如图2所示。
实验采集高光谱的波长范围为400-1000nm和900-1700nm,共448个波段。由于机器暗流声的影响,采集的数据两端的光谱数据具有较小的信噪比,因此,研究时常去掉有明显噪声的波段。本实验采用400-1000nm和1000-1600nm波段,共392个波段进行后续分析。4个部位鲜切笋的平均反射率如图2所示,虽然不同鲜切笋的的光谱趋势一致,但仍然有部分波段出现重叠,这将对模型稳定性产生负面影响。因此,采用一些降维方法,选择重要波长建立预测模型具有必要性。两个波段中,4组鲜切笋平均反射率的总体趋势相同,尤其是1000-1600nm波段,不同部位鲜切笋之间的反射率具有明显的差异,区分度较高,如图2(b)所示。但在400-1000nm波段下,几个或多个部位鲜切笋的平均反射率出现重叠,重叠部分的规律性较差,不易区分,如图2(a)所示。因此,后续的数据预处理和降维步骤非常重要,可以减小特征差异性、提取有用信息,从而提高建模效果和效率。
(3)不同光谱预处理方法比较
表4中利用原始光谱数据和SG、MSC、SVN及归一化4种预处理方法对鲜切笋原始数据进行处理,然后建立PLSR模型比较不同预处理方法对不溶性膳食纤维含量的预测效果。由表4可知,在400-1000nm波段,除SNV方法外,经过其他预处理方法较原始光谱数据建立模型的预测效果更差,预测准确率下降;经SNV预处理后,基于400-1000nm波段建立的PLSR预测模型性能最好,预测准确度最大。其中,R2 P和RMSEP分别为0.852和0.156,实际预测效果较好。在1000-1600nm波段,经SNV预处理后,基于近红外高光谱波段建立的PLSR预测模型性能最好,预测准确度最大。其中,R2 P和RMSEP分别为0.867和0.161,实际预测效果较好;与原始光谱数据建立的预测模型相比,经其他预处理后建立的模型稳定性下降,R2 P由0.857上升到0.867,但预测准确度几乎没变,RMSEP由0.160略微变大到0.161。在融合光谱波段,经SNV预处理后较原始光谱数据建立的PLSR预测模型的稳定性增大,测试集的相关系数R2 P由0.869增大到0.891,PLSR模型的预测准确率也变大,预测的均方根误差RMSEP由0.163降至0.156。但使用其他预处理方法后,PLSR模型的预测效果反而变差,所以SNV最适用于融合光谱的预处理。因此,选择SNV作为预处理方法。
表4不同预处理方法建立的PLSR模型对不溶性膳食纤维含量的预测结果
(4)不同降维方法处理结果
表5不同降维方法建立的PLSR模型对不溶性膳食纤维含量的预测结果
表5为使用不同降维方法建立的PLSR模型对不溶性膳食纤维含量的预测结果。由表5可知,与全波长建立的模型相比,基于PCA和RFE降维后的高光谱数据建立模型的预测准确率普遍更高。在400-1600nm波段,当主成分数40时,使用PCA方法处理后的模型效果最好,其中,测试集的相关系数R2 P和测试集的均方根误差RMSEP分别为0.902和0.135。因此,选择PCA方法进行降维后的光谱数据用于后续分析效果最佳。
(5)预测模型的建立和比较
表6为在不同波段下,使用经过SNV方法预处理以及PCA方法降维后的高光谱数据建立的3个预测模型对不溶性膳食纤维预测结果的比较。如表6所示,在400-1000nm波段下,SNV-PCA-PLSR模型的预测效果在所有波段的模型中最好,其中R2 P和RMSEP分别为0.886和1.144,预测性能较好。在1000-1600nm波段下建立的SNV-PCA-PLSR模型的稳定性最好。其中,R2 P和RMSEP分别为0.882和1.139,预测性能较好。基于融合光谱建立的SNV-PCA-PLSR模型预测效果居最好,预测准确率最高,RMSEP为0.135,模型稳定性最大,R2 P为0.902。可能是因为400-1000nm波段和1000-1600nm波段的光谱数据与鲜切笋膳食纤维含量的相关性较大,不相关变量较少,造成基于融合光谱建立的所有模型预测性能较融合前有所上升。综上,通过比较三个波段下最好的预测模型可知,基于融合光谱400-1600nm波段建立的SNV-PCA-PLSR模型性能稳定性最好,预测准确度最高,用于快速预测鲜切笋不溶性膳食纤维含量具有可行性。
表6不同波段下3种模型对不溶性膳食纤维含量的预测结果
本发明对鲜切笋不溶性膳食纤维含量测定的化学实验和高光谱建模进行了分析,结果表明,(1)使用SG、MSC、SVN及归一化4种预处理方法,SNV的效果最好,使光谱曲线变得平滑的同时没有遗失重要特征;(2)使用PCA和RFE方法进行光谱降维处理,当主成分数为40时,PCA方法效果最好;(3)使用SNV方法预处理及PCA方法降维后的高光谱数据分别建立了PLSR、SVR和PCR3个预测模型,比较发现基于400-1600nm波段建立的SNV-PCA-PLSR模型预测准确率最高,可用于麻竹笋鲜切笋不溶性膳食纤维的快速检测,其中,测试集的相关系数R2 p和测试集的均方根误差RMSEP分别为0.902和0.135。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之做一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.鲜切笋中不溶性膳食纤维含量的快速无损检测方法,其特征在于,包括以下步骤:
A、将麻竹笋制备成鲜切笋,采集鲜切笋样品在400-1600nm范围内的高光谱数据;鲜切笋的制备方法包括:将麻竹笋去除外壳、杂屑及笋尖部分,然后切割成单块笋节,去除嫩绿色及以下的硬笋节;
B、采用化学法测定鲜切笋样品的不溶性膳食纤维含量;
C、将采集的光谱数据分为训练集和测试集,以训练集光谱数据作为自变量,不溶性膳食纤维含量作为因变量,同时结合光谱数据预处理和光谱数据降维处理,建立数学模型,并采用测试集对所建模型进行验证;
D、对步骤C所建模型进行评价,判定模型的有效性,获得有效数学模型;
E、在相同实验条件下,采集待测鲜切笋样品的高光谱数据,利用步骤D获得的有效数学模型,计算出待测鲜切笋样品的不溶性膳食纤维含量。
2.根据权利要求1所述的方法,其特征在于,步骤A中采集的高光谱数据为高光谱反射率数据。
3.根据权利要求1所述的方法,其特征在于,步骤B中不溶性膳食纤维含量的测定方法包括:
B1、称量鲜笋样品的质量,将鲜笋切成大小均匀、厚度为2-3mm的笋片,平放在盘中;然后放入70℃、真空度为0.6MPa的真空干燥箱中烘干至水分含量在5%以下,称量干燥后的样品质量;取出干燥样品后用粉碎机粉碎,过35目筛,得到样品;
B2、精确称量两份样品各1g,将样品置于500mL烧杯中,加入0.05mol/L MES-TRIS缓冲液40mL,用磁力搅拌直至样品完全分散在缓冲液中;依次使用热稳定的α-淀粉酶、碱性蛋白酶及葡萄糖淀粉苷酶水解,去除样品中的淀粉和蛋白质,得到酶解液;
B3、称量抽滤坩埚的质量,然后依次用70℃热水、75%乙醇溶液、95%乙醇溶液和丙酮在抽滤坩埚中洗去酶解液中可溶性膳食纤维和杂质后,经过抽滤装置抽去废液得到残渣;最后将抽滤坩埚连同残渣放入105℃鼓风干燥箱中,干燥至恒重后称量抽滤坩埚质量;取两份残渣分别用半自动凯氏定氮分析仪测定蛋白质质量,使用重量法测定灰分质量,最后通过式(1)计算出不溶性膳食纤维含量:
m——样品质量(g);
ma——抽滤坩埚质量(g);
mb——抽滤坩埚和残渣质量(g);
mA——样品蛋白质质量(g);
mB——样品灰分质量(g);
m1——干燥前样品质量(g);
m2——干燥后样品质量(g);
f——样品制备时因干燥导致质量变化的校正因子。
4.根据权利要求3所述的方法,其特征在于,步骤B2中水解方法如下:
(1)先向缓冲液中加入5000U/mL±500U/mL的热稳定的α-淀粉酶0.1mL,在95℃-100℃水浴中振荡30分钟,得到水解产物I;
(2)向水解产物I中加入300U/mL-400U/mL的碱性蛋白酶0.1mL,在60℃±1℃水浴中振荡30分钟,得到水解产物II;
(3)向水解产物II中加入2000U/mL-3300U/mL的葡萄糖淀粉苷酶0.1mL,在60℃±1℃水浴中振荡30分钟,得到水解产物III。
5.根据权利要求1所述的方法,其特征在于,步骤C中训练集和测试集的样品比例为3∶1。
6.根据权利要求1所述的方法,其特征在于,步骤C中光谱数据预处理采用SG、SNV、MSC或归一化处理法,优选SNV。
7.根据权利要求1所述的方法,其特征在于,步骤C中光谱数据降维处理采用PCA或RFE,优选PCA。
8.根据权利要求1所述的方法,其特征在于,步骤C中建立数学模型采用PLSR、PCR或SVR,优选PLSR。
9.根据权利要求1所述的方法,其特征在于,步骤D中以R2、RMSEC和RESMP为指标评价来判定模型的有效性。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述麻竹笋为西牛麻竹笋或揭阳麻竹笋。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935581.8A CN113670840A (zh) | 2021-08-13 | 2021-08-13 | 鲜切笋中不溶性膳食纤维含量的快速无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935581.8A CN113670840A (zh) | 2021-08-13 | 2021-08-13 | 鲜切笋中不溶性膳食纤维含量的快速无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113670840A true CN113670840A (zh) | 2021-11-19 |
Family
ID=78543023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110935581.8A Pending CN113670840A (zh) | 2021-08-13 | 2021-08-13 | 鲜切笋中不溶性膳食纤维含量的快速无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113670840A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
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 |
CN111398198A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种小麦籽粒微量元素快速无损检测方法 |
CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
-
2021
- 2021-08-13 CN CN202110935581.8A patent/CN113670840A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
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 |
CN111398198A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种小麦籽粒微量元素快速无损检测方法 |
CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
Non-Patent Citations (1)
Title |
---|
颜玲: "膳食纤维功能特性评价及纤维素分子量对肠道菌群影响的研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Non-destructive and rapid evaluation of staple foods quality by using spectroscopic techniques: a review | |
CN105181643B (zh) | 一种稻米品质的近红外检测方法与应用 | |
Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
Talens et al. | Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging | |
CN105044021B (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
Rodríguez-Pulido et al. | Grape seed characterization by NIR hyperspectral imaging | |
CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
Kelly et al. | Potential of near infrared transflectance spectroscopy to detect adulteration of Irish honey by beet invert syrup and high fructose corn syrup | |
CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及系统 | |
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 | |
Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
Wang et al. | Development of near‐infrared online grading device for long jujube | |
Bai et al. | Model robustness in estimation of blueberry SSC using NIRS | |
CN113670840A (zh) | 鲜切笋中不溶性膳食纤维含量的快速无损检测方法 | |
CN109540837B (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
CN109212095B (zh) | 一种快速评价甜叶菊综合质量的方法 | |
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 | |
Lebot | Near infrared spectroscopy for quality evaluation of root crops: practical constraints, preliminary studies and future prospects | |
CN111398191A (zh) | 一种水稻叶片逆境生理指标检测方法及系统 | |
CN114136918B (zh) | 一种基于近红外的稻米食味品质评价方法 | |
Kuai et al. | Prediction model of the key components for lodging resistance in rapeseed stalk using near‐infrared reflectance spectroscopy (NIRS) | |
Liang et al. | Mid-level data fusion combined with the fingerprint region in near-infrared and Fourier transform mid-infrared spectroscopy for classification DON levels defect of Fusarium head blight wheat | |
Zhang et al. | Rapid and non-destructive decay detection of Yali pears using hyperspectral imaging coupled with 2D correlation spectroscopy | |
CN112304921B (zh) | 一种基于拉曼光谱技术检测桑椹中花色素苷的方法 | |
Yan et al. | Application of Successive Projection Algorithm in Nondestructive Detection of Soluble Solid Content in Apple |
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: 20211119 |