CN114624402A - 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 - Google Patents
一种基于近红外光谱的螺蛳粉酸笋品质评价方法 Download PDFInfo
- Publication number
- CN114624402A CN114624402A CN202210109731.4A CN202210109731A CN114624402A CN 114624402 A CN114624402 A CN 114624402A CN 202210109731 A CN202210109731 A CN 202210109731A CN 114624402 A CN114624402 A CN 114624402A
- Authority
- CN
- China
- Prior art keywords
- quality
- spectrum
- sample
- near infrared
- infrared spectrum
- 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.)
- Granted
Links
- 235000017166 Bambusa arundinacea Nutrition 0.000 title claims abstract description 80
- 235000017491 Bambusa tulda Nutrition 0.000 title claims abstract description 80
- 235000015334 Phyllostachys viridis Nutrition 0.000 title claims abstract description 80
- 239000011425 bamboo Substances 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 62
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 49
- 235000009566 rice Nutrition 0.000 title claims abstract description 49
- 235000012149 noodles Nutrition 0.000 title claims abstract description 45
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 41
- 241000237858 Gastropoda Species 0.000 title claims abstract description 30
- 238000013441 quality evaluation Methods 0.000 title abstract description 5
- 240000007594 Oryza sativa Species 0.000 title 1
- 244000082204 Phyllostachys viridis Species 0.000 title 1
- 238000001228 spectrum Methods 0.000 claims abstract description 82
- 241001330002 Bambuseae Species 0.000 claims abstract description 79
- 241000209094 Oryza Species 0.000 claims abstract description 48
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000001953 sensory effect Effects 0.000 claims abstract description 13
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 241000776912 Margarya Species 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 5
- 239000000796 flavoring agent Substances 0.000 claims description 2
- 235000019634 flavors Nutrition 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 239000000126 substance Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012546 transfer Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 150000001413 amino acids Chemical class 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000698584 Bellamya quadrata Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 150000001298 alcohols Chemical class 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000000035 biogenic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 150000002989 phenols Chemical class 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 150000003505 terpenes Chemical class 0.000 description 1
- 235000007586 terpenes Nutrition 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- 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
- G01N21/29—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using visual detection
-
- 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
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
- G01N2021/4764—Special kinds of physical applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于食品品质检测技术领域,具体为一种基于近红外光谱的螺蛳粉酸笋品质评价方法,包括:将样品划分为校正集和验证集;对螺蛳粉酸笋样品进行感官评分;对样品进行红外光谱扫描获取近红外光谱数据;对近红外光谱数据进行预处理;应用siPLS法将预处理后的全部光谱数据均等划分为10~24个光谱子区间,筛选出与样品品质密切相关的最佳光谱子区间;将上述得到的最佳光谱子区间进行主成分分析,以主成分数为输入值,以柳州螺蛳粉酸笋品质为输出值,应用Jordan‑Elman nets人工神经网络方法建立柳州螺蛳粉酸笋品质近红外光谱预测模型。本发明在不破坏样品的前提下,实现了对柳州螺蛳粉酸笋品质的快速、准确评价。
Description
技术领域
本发明属于食品品质检测技术领域,具体涉及一种基于近红外光谱的螺蛳粉酸笋品质评价方法。
背景技术
当前,人们对柳州螺蛳粉酸笋的评价仍多采用传统的感官评价方法。传统感官审评法虽然经典,但专业性较强,易受审评员嗜好差异、身体状况和环境等多种因素影响,结果主观性较强。此外,采用的化学检测方法需要通过测定内含成分含量再评价柳州螺蛳粉酸笋品质高低,虽然该方法较为准确,但测定前需先将样品粉碎,测定过程中费时、费力,不利于柳州螺蛳粉酸笋品质的实时检测,因此,非常有必要开发一种便捷、科学、客观有效的柳州螺蛳粉酸笋品质评价方法。
近红外光谱主要反映的样品中X-H化学键信息,具有快速、无损的分析优势,目前已经广泛应用于农业、石油化工、纺织业和医药等行业。国内外很多学者应用近红外光谱技术实现了对酸菜的挥发性盐基氮、亚硝酸盐、生物胺等成分含量预测,开展了柳州螺蛳粉酸笋品质的快速评估和水产种类判别研究。但在柳州螺蛳粉酸笋研究方面,目前主要集中在成分分析、质量控制、代谢物图谱、腐败菌类鉴别、发酵技术提升等研究方面,在柳州螺蛳粉酸笋品质评价方面也开展了部分研究工作,主要是仍是传统的品质感官评价及电子鼻评价模型构建,但目前还较少有应用近红外技术对柳州螺蛳粉酸笋品质开展快速、无损评价研究的报道。因此,本研究借助近红外光谱技术,分别结合联合区间偏最小二乘法(synergyinterval partial least squares,siPLS)、主成分分析(principal componentanalysis,PCA)和Jordan-Elman nets人工神经网络方法建立柳州螺蛳粉酸笋品质预测模型,为柳州螺蛳粉酸笋品质快速评价提供一种新方法。
发明内容
针对现有技术中存在的上述不足之处,本发明提供了一种基于近红外光谱的螺蛳粉酸笋品质评价方法,该方法在不破坏样品的前提下,短时间内就可快速、准确地预测柳州螺蛳粉酸笋品质高低,实现了对柳州螺蛳粉酸笋品质的快速、准确评价。
为实现上述目的,本发明提供的技术方案为:
一种基于近红外光谱的螺蛳粉酸笋品质评价方法,包括如下步骤:
(1)将样品按照3∶1比例划分为校正集和验证集2个集合;
(2)通过看外形、察颜色、嗅香气、尝滋味和感受质地对螺蛳粉酸笋样品进行感官评分;
(3)采用近红外光谱仪对样品进行漫反射光谱扫描获取近红外光谱数据;
(4)对近红外光谱数据进行预处理,分别比较标准变量变换SNV、多元散射校正MSC、一阶导数和二阶导数光谱预处理方法的效果,筛选出最佳预处理方法;
(5)应用siPLS法将预处理后的全部光谱数据均等划分为10~24个光谱子区间,然后联合其中的2~4个光谱子区间分别建立偏最小二乘法PLS模型,当模型的交互验证均方根方差RMSECV最小时,此时得到的光谱区间即为筛选的与样品品质密切相关的特征光谱区间;
(6)将上述得到的特征光谱区间进行主成分分析(PCA),以主成分数为输入值,以柳州螺蛳粉酸笋品质为输出值,应用Jordan-Elmannets人工神经网络方法建立柳州螺蛳粉酸笋品质近红外光谱预测模型,所得结果用校正集决定系数验证集决定系数RMSECV、预测均方根均方差RMSEP表示;其中,以越大、RMSEP越小时,模型预测效果越好;
(7)对需要测定品质的螺蛳粉酸笋进行漫反射光谱扫描获取近红外光谱数据,并将预处理后的光谱数据按特征光谱区间对应的光谱波数输入上述模型中即可完成螺蛳粉酸笋品质的快速评价。
作为进一步优选的技术方案,步骤(3)所述近红外光谱仪采用傅里叶变换近红外光谱仪,光谱扫描范围为4000-10000cm-1,分辨率为8cm-1。
作为进一步优选的技术方案,步骤(3)所述扫描具体为:扫描过程中样品杯旋转360°,每个样品扫描3条光谱,每条光谱扫描64次,然后进行光谱平均,作为该样品的最终光谱。
作为进一步优选的技术方案,步骤(5)所述RMSECV按式(1)计算:
式中:n为校正集样品数;yi为样品i的实测值;y’i为校正集样品i的预测值。
作为进一步优选的技术方案,步骤(5)所述最佳光谱子区间的波段对应的光谱波数分别为4377.6-4751.7、4755.6-5129.7、6262.7-6633.9、7386~7756.3cm-1。
作为进一步优选的技术方案,步骤(6)中RMSEP按式(2)计算:
式中:n为验证集样品数;yi为样品i的实测值;y’i为验证集样品i的预测值。
与现有技术相比,本发明的技术方案的有益效果是:
本发明在保证样品完整的条件下获取光谱信息,通过近红外光谱技术、光谱预处理、联合区间偏最小二乘法筛选特征光谱区间后进行主成分分析,再建立品质分数的Jordan-Elman nets人工神经网络预测模型,最终建立了一个稳健的柳州螺蛳粉酸笋品质预测模型( RMSEP=0.387),使得在不破坏样品的前提下,短时间(几秒钟)内就可快速、准确地预测柳州螺蛳粉酸笋品质高低,实现了对柳州螺蛳粉酸笋品质的快速、准确评价,为降低产品的销售成本提供了一种新的途径。同时,在今后应用过程中,通过利用已经筛选的特征光谱区间,剔除了大量无关的光谱信息,还可以有针对性的开发检测柳州螺蛳粉酸笋品质的近红外光谱仪器,而不必使用全波长近红外光谱检测器,可以降低仪器的研发成本,有利于开发的仪器尽早投入使用。
附图说明
图1为不同样品的平均近红外光谱图;
图2为不同预处理方法下得到的品质得分PLS模型结果比较图;
图3为未知样品的品质分数预测结果图。
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。
实施例
一种基于近红外光谱的螺蛳粉酸笋品质评价方法,包括如下步骤:
(1)样品划分
选取柳州螺蛳粉酸笋样品共130个,其加工时间为2021年5-10月。其中,120个样品用于建立模型,并将样品按照3∶1比例划分为校正集(90个样品)和验证集(30个样品) 2个集合,其中验证集样品用于检验校正集模型的稳健性。10个样品来源未知,用于检验模型的实际预测效果。
(2)感官评价
根据GB/T 23776-2018,用四分法取得柳州螺蛳粉酸笋样品20.0g。9名感官审评专家对柳州螺蛳粉酸笋品质进行打分,看外形、察颜色、嗅香气、尝滋味和感受质地,各项分数所占比例分别为20%、15%、25%、30%和10%。满分为100分,品质越好,分数越高。
(3)近红外光谱采集
采用傅里叶变换近红外光谱仪(Antaris II型,赛默飞世尔公司,美国)测定,光谱扫描范围4 000-10 000cm-1,分辨率8cm-1,检测器InGaAs。在扫描光谱前,需将仪器开机预热1h待状态稳定后再扫描光谱。扫描过程中,将柳州螺蛳粉酸笋样品装入与仪器配套的样品杯中,采用漫反射方式扫描光谱;为确保采集每个样品的全部近红外光谱信息,扫描过程中样品杯会旋转360°,每个样品扫描3条光谱,每条光谱扫描64次,然后进行光谱平均,作为该样品的最终光谱(如其中的7个样品的最终光谱图如图1所示)。
(4)光谱数据分析
将每条光谱转化为1557对数据点于Excel表中保存,数据点间隔为3.86cm-1,分别应用TQ Analyst 9.4.45软件、OPUS 7.0软件和Matlab 2012a软件对数据进行分析。为有效去除光谱中夹杂的大量噪声信息,提高光谱的信噪比,分别比较标准变量变换(standardnormal variate,SNV)、多元散射校正(multiple scatter correction,MSC)和一阶导数和二阶导数等光谱预处理方法的效果,筛选出最佳预处理方法。
应用siPLS法将预处理后的全部光谱数据均等划分为10~24个光谱子区间,然后联合其中的2~4个光谱子区间分别建立偏最小二乘(partial least squares,PLS)法模型,当模型的交互验证均方根方差(root mean square error of cross validation,RMSECV)最小时,此时得到的光谱区间即为筛选的与样品品质密切相关的最佳光谱子区间。RMSECV按式(1) 计算:
式卡:n为校止集样品数;yi为样品i实测值;y’i为校正集样品i预测值。
将上述得到的最佳光谱子区间进行主成分分析(PCA),以主成分数为输入值,以柳州螺蛳粉酸笋品质为输出值,应用Jordan-Elman nets人工神经网络方法建立柳州螺蛳粉酸笋品质近红外光谱预测模型,所得结果用校正集决定系数验证集决定系数RMSECV、预测均方根均方差(root mean square error of prediction,RMSEP)表示。其中,以越大、RMSEP越小时,模型预测效果越好。最后,对需要测定品质的螺蛳粉酸笋进行漫反射光谱扫描获取近红外光谱数据,并将预处理后的光谱数据按特征光谱区间对应的光谱波数输入上述模型中即可完成螺蛳粉酸笋品质的快速评价。
其中,RMSEP按式(2)计算:
式中:n为验证集样品数;yi为样品i实测值;y’i为验证集样品i预测值。
申请人对上述感官评价的结果进行了统计,结果如表1所示。从表1可以看出,全部柳州螺蛳粉酸笋样品感官品质得分范围为78.00-93.00分,校正集样品的品质得分范围为77.00~92.00分,验证集样品的品质得分范围为83.00-91.00分,验证集样品的品质得分范围处于校正集样品品质得分范围内,表明建模样品的划分是合理的,为建立稳健的柳州螺蛳粉酸笋品质得分预测模型提供了前提条件。
表1 柳州螺蛳粉酸笋品质的感觉评价得分
同时,上述应用多种光谱预处理方法对柳州螺蛳粉酸笋样品的近红外光谱数据进行预处理,并应用PLS法分别建立品质得分近红外光谱预测模型,结果见图2所示。从图2可知,不同光谱预处理方法对样品的原始光谱预处理后效果不同,建立的柳州螺蛳粉酸笋品质分数 PLS模型预测结果差异较大,当无光谱预处理时,建立的PLS模型预测结果最差( RMSECV=1.874);随着不同的光谱预处理方法对柳州螺蛳粉酸笋样品原始光谱进行去噪处理, PLS模型结果都有不同程度的提升,其中以MSC+二阶导数的光谱预处理方法建立的模型预测结果最佳(RMSECV=1.205),与无光谱预处理方法模型预测结果相比,RMSECV 降低了32.1%,可见,对原始光谱进行预处理可以有效提高光谱的信噪比。但是,图2中建立的柳州螺蛳粉酸笋分数近红外预测模型结果还较差,不能较为准确地预测未知柳州螺蛳粉酸笋的品质分数,因此,还需要进一步筛选反映柳州螺蛳粉酸笋品质的特征光谱区间,提升模型的预测效果。
应用siPLS方法分别建立每2~4个光谱子区间的预测模型,当RMSECV最小时,此时建模光谱区间即为筛选的反映柳州螺蛳粉酸笋品质的特征光谱区间,所得结果见表2。
表2 品质分数siPLS模型结果
从表2可以看出,随着光谱区间划分从10~24个逐渐增长的过程中,全部应用4个光谱区间建立PLS模型,表明4个光谱子区间含有的建模有用信息比2个或3个光谱子区间波段有效信息多,因此,当全光谱划分为一定的光谱子区间时,应用4个子区间建立的siPLS模型预测效果最佳。随着光谱划分子区间数逐渐增多,建立的siPLS模型RMSECV呈现逐渐变小再逐渐增大的趋势,当全光谱划分为16个子区间、选用[23710]4个光谱子区间波段建立模型时,RMSECV最小(0.855),此时建模的[2,3,7,10]4个光谱子区间波段即为筛选的反映柳州螺蛳粉酸笋品质的最佳光谱区间波段,对应的光谱波数分别为4377.6-4751.7、 4755.6-5129.7、6262.7-6633.9、7386~7756.3cm-1。可见,应用siPLS方法筛选的特征光谱区间只占全部光谱数据的25.00%,但模型的预测效果又得到了进一步提升,与上述MSC+ 二阶导数的光谱预处理方法建立的模型预测结果相比,RMSECV降低了29%。其中,在 4377.6-5129.7cm-1范围内,是C-H键一级倍频吸收区和C=O二级倍频吸收区; 6262.7-6633.9cm-1范围内,是N-H二级倍频吸收区;7386-7756.3cm-1范围内,是C-H 键二级倍频吸收区。这是由于,柳州螺蛳粉酸笋在发酵与贮藏过程中,会发生一系列以氮类物质为主的生化反应,产生新的化学物质,富含大量的醇类、酸类、酯类、醛类、酚类、烷烃类和萜烯类等物质,这些物质含有大量的C-H和C=O化学键;柳州螺蛳粉酸笋中还含有大量的游离氨基酸,游离氨基酸对酸笋的鲜爽味具有很大的关系,与柳州螺蛳粉酸笋品质呈正相关,含有较多的N-H化学键,这些物质含有的化学键信息在近红外光谱波段范围内被siPLS方法筛选出来,可见,筛选的特征光谱区间可以有效反映柳州螺蛳粉酸笋的品质。因此,应用siPLS方法筛选的特征光谱区间(即最佳光谱子区间)较好反映了柳州螺蛳粉酸笋的品质,与实际感官审评结果相符。
再对特征光谱区间进行主成分分析(PCA),结果如下表3所示。
表3 前七个主要成分的贡献率
从表3可以看出,对特征光谱区间进行PCA后,前7个主成分的贡献率迅速降低,其中 PC1贡献率为92.33%,PC2贡献率为4.87%,PC3贡献率为1.95%,PC4~PC7的各个主成分贡献率均低于1.00%;前3个主成分的累计贡献率为99.15%,可见前3个主成分的信息就可以代表特征光谱区间的全部信息,可用于下一步建立Jordan-Elman nets人工神经网络预测模型。
因此,本发明人工神经网络预测模型建立具体为:以前3个主成分为输入值,以柳州螺蛳粉酸笋品质分数为输出值,应用Jordan-Elman nets人工神经网络方法建立柳州螺蛳粉酸笋品质分数的近红外光谱预测模型。在建立模型过程中,各传递层之间应用的传递函数不同,模型预测结果也不同。本发明在建立人工神经网络模型过程中,学习速率为0.1,比较3种信息传递函数,分别为linear[-1,1]函数、logistic函数和tanh函数。模型的预测结果见表4。
表4 三种信息传递函数人工神经网络模型结果
从表4可以看出,3种信息传递函数建立的柳州螺蛳粉酸笋品质分数的Jordan-Elman nets人工神经网络模型中,线性的linear函数模型预测结果最差(RMSEP=0.524),双曲线型tanh函数模型预测结果最佳(RMSEP=0.387),这是由于在建模过程中,柳州螺蛳粉酸笋光谱中含有的信息较为复杂,而不是单纯一种物质的光谱信息,因此,线性的传递函数linear预测效果会相对较差;logistic函数是S型函数,表明光谱信息存在一定的非线性因素,模型预测结果较线性linear函数稍佳;tanh函数是双曲正切函数,模型收敛速度较快,减少迭代次数,模型的预测结果在3种传递函数中最佳,预测模型也最稳健。
为检验建立的Jordan-Elman nets人工神经网络模型的实际预测效果,对10个未知样品品质分数进行预测,所得结果见图3。从图3可以看出,应用最佳的人工神经网络模型可以准确预测10个未知样品的品质(根据图3数据计算可得,RMSEP=0.393),预测结果与验证集模型较为接近,表明在tanh传递函数下,应用Jordan-Elmannets人工神经网络模型可以准确的预测柳州螺蛳粉酸笋的品质。
实现柳州螺蛳粉酸笋品质快速、无损检测是当前的发展趋势,有利于产品销售时品质的实时检测,对柳州螺蛳粉酸笋发酵品质控制技术改造升级具有重要意义。本发明将近红外光谱技术、siPLS法、PCA和Jordan-Elman nets人工神经网络相结合,建立一个稳健的柳州螺蛳粉酸笋品质预测模型(RMSEP=0.387),在不破坏样品的前提下,短时间(几秒钟)内就可快速、准确地预测柳州螺蛳粉酸笋品质高低,为降低产品的销售成本提供了一种新的途径。同时,在今后应用过程中,通过利用已经筛选的特征光谱区间,剔除了大量无关的光谱信息,还可以有针对性的开发检测柳州螺蛳粉酸笋品质的近红外光谱仪器,而不必使用全波长近红外光谱检测器,可以降低仪器的研发成本,有利于开发的仪器尽早投入使用。
Claims (7)
1.一种基于近红外光谱的螺蛳粉酸笋品质评价方法,其特征在于,包括如下步骤:
(1)将样品按照3∶1比例划分为校正集和验证集2个集合;
(2)通过看外形、察颜色、嗅香气、尝滋味和感受质地对螺蛳粉酸笋样品进行感官评分;
(3)采用近红外光谱仪对样品进行漫反射光谱扫描获取近红外光谱数据;
(4)对近红外光谱数据进行预处理,分别比较标准变量变换SNV、多元散射校正MSC、一阶导数和二阶导数光谱预处理方法的效果,筛选出最佳预处理方法;
(5)应用siPLS法将预处理后的全部光谱数据均等划分为10~24个光谱子区间,然后联合其中的2~4个光谱子区间分别建立偏最小二乘法PLS模型,当模型的交互验证均方根方差RMSECV最小时,此时得到的光谱区间即为筛选的与样品品质密切相关的特征光谱区间;
(6)将上述得到的特征光谱区间进行主成分分析,以主成分数为输入值,以柳州螺蛳粉酸笋品质为输出值,应用Jordan-Elman nets人工神经网络方法建立柳州螺蛳粉酸笋品质近红外光谱预测模型,所得结果用校正集决定系数验证集决定系数RMSECV、预测均方根均方差RMSEP表示;其中,以越大、RMSEP越小时,模型预测效果越好;
(7)对需要测定品质的螺蛳粉酸笋进行漫反射光谱扫描获取近红外光谱数据,并将预处理后的光谱数据按特征光谱区间对应的光谱波数输入上述模型中即可完成螺蛳粉酸笋品质的快速评价。
2.根据权利要求1所述的基于近红外光谱的螺蛳粉酸笋品质评价方法,其特征在于,步骤(3)所述近红外光谱仪采用傅里叶变换近红外光谱仪,光谱扫描范围为4000-10000cm-1,分辨率为8cm-1。
3.根据权利要求2所述的基于近红外光谱的螺蛳粉酸笋品质评价方法,其特征在于,步骤(3)所述扫描具体为:扫描过程中样品杯旋转360°,每个样品扫描3条光谱,每条光谱扫描64次,然后进行光谱平均,作为该样品的最终光谱。
5.根据权利要求1所述的基于近红外光谱的螺蛳粉酸笋品质评价方法,其特征在于,步骤(5)所述最佳光谱子区间的波段对应的光谱波数分别为4377.6-4751.7、4755.6-5129.7、6262.7-6633.9、7386~7756.3cm-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109731.4A CN114624402B (zh) | 2022-01-28 | 2022-01-28 | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109731.4A CN114624402B (zh) | 2022-01-28 | 2022-01-28 | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114624402A true CN114624402A (zh) | 2022-06-14 |
CN114624402B CN114624402B (zh) | 2023-06-27 |
Family
ID=81898803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210109731.4A Active CN114624402B (zh) | 2022-01-28 | 2022-01-28 | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114624402B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933043A (zh) * | 2023-09-15 | 2023-10-24 | 天津现代创新中药科技有限公司 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140078597A (ko) * | 2014-06-02 | 2014-06-25 | 대한민국(농촌진흥청장) | 근적외선 분광기를 이용한 이탈리안 라이그라스 사일리지의 pH, 수분함량 및 젖산함량 측정 방법 |
CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
CN110308111A (zh) * | 2019-06-14 | 2019-10-08 | 湖北省农业科学院果树茶叶研究所 | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 |
CN110334714A (zh) * | 2019-06-14 | 2019-10-15 | 湖北省农业科学院果树茶叶研究所 | 一种基于人工神经网络技术的机采眉茶车色样品等级预测方法 |
US20200049623A1 (en) * | 2018-08-13 | 2020-02-13 | Oil Crops Research Institute, Chinese Academy Of Agricultural Sciences | Nir spectroscopy method for fatty acid content of oilseeds |
-
2022
- 2022-01-28 CN CN202210109731.4A patent/CN114624402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
KR20140078597A (ko) * | 2014-06-02 | 2014-06-25 | 대한민국(농촌진흥청장) | 근적외선 분광기를 이용한 이탈리안 라이그라스 사일리지의 pH, 수분함량 및 젖산함량 측정 방법 |
US20200049623A1 (en) * | 2018-08-13 | 2020-02-13 | Oil Crops Research Institute, Chinese Academy Of Agricultural Sciences | Nir spectroscopy method for fatty acid content of oilseeds |
CN110308111A (zh) * | 2019-06-14 | 2019-10-08 | 湖北省农业科学院果树茶叶研究所 | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 |
CN110334714A (zh) * | 2019-06-14 | 2019-10-15 | 湖北省农业科学院果树茶叶研究所 | 一种基于人工神经网络技术的机采眉茶车色样品等级预测方法 |
Non-Patent Citations (1)
Title |
---|
周竹等: "雷竹笋硬度的近红外光谱检测模型优化", 《浙江农林大学学报》, vol. 32, no. 6, pages 875 - 882 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933043A (zh) * | 2023-09-15 | 2023-10-24 | 天津现代创新中药科技有限公司 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114624402B (zh) | 2023-06-27 |
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 | |
CN104949936A (zh) | 基于优化偏最小二乘回归模型的样品成份测定方法 | |
CN103558167A (zh) | 一种快速测定腌肉中氯化钠含量的方法 | |
WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
CN114624402A (zh) | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 | |
CN110186870B (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 | |
Gao et al. | Comparative analysis of non-destructive prediction model of soluble solids content for malus micromalus makino based on near-infrared spectroscopy | |
CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
CN108120694A (zh) | 用于晒红烟化学成分分析的多元校正方法及系统 | |
Wang et al. | Rapid detection of quality of Japanese fermented soy sauce using near-infrared spectroscopy | |
AU2021104058A4 (en) | Analysis Method of Nutritional Quality of Pleurotus Ostreatus | |
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 | |
Riau et al. | Selection of compound group to identify the authenticity one of jamu product using the group lasso for logistic regression | |
CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
CN106501212A (zh) | 基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法 | |
CN107167447A (zh) | 采用近红外光谱技术计算勾兑苹果汁中苹果原汁含量的方法 | |
CN113125378A (zh) | 基于近红外光谱的不同部位驼肉中营养成分的快速检测方法 | |
CN111259970A (zh) | 一种馒头加工过程中面团发酵状态的智能化监测方法 | |
CN110646373A (zh) | 一种烟用香精香料糖分含量测定方法 | |
CN110308110B (zh) | 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法 | |
Guan et al. | The qualitative and quantitative analysis of aromatic vinegar produced during different seasons by near infrared spectroscopy | |
CN114136918B (zh) | 一种基于近红外的稻米食味品质评价方法 | |
CN110779897B (zh) | 一种营养米粉中无机硒的测定方法 | |
CN115791695A (zh) | 一种基于近红外光谱技术判别高温大曲的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |