CN117269106A - 快速预测辣椒蛋白质含量的高光谱模型 - Google Patents
快速预测辣椒蛋白质含量的高光谱模型 Download PDFInfo
- Publication number
- CN117269106A CN117269106A CN202311222610.1A CN202311222610A CN117269106A CN 117269106 A CN117269106 A CN 117269106A CN 202311222610 A CN202311222610 A CN 202311222610A CN 117269106 A CN117269106 A CN 117269106A
- Authority
- CN
- China
- Prior art keywords
- model
- hyperspectral
- protein content
- capsicum
- plsr
- 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
- 235000002566 Capsicum Nutrition 0.000 title claims abstract description 85
- 240000008574 Capsicum frutescens Species 0.000 title claims abstract description 62
- 239000001390 capsicum minimum Substances 0.000 title claims abstract description 58
- 102000004169 proteins and genes Human genes 0.000 title abstract description 21
- 108090000623 proteins and genes Proteins 0.000 title abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000006002 Pepper Substances 0.000 claims abstract description 19
- 241000722363 Piper Species 0.000 claims abstract description 19
- 235000016761 Piper aduncum Nutrition 0.000 claims abstract description 19
- 235000017804 Piper guineense Nutrition 0.000 claims abstract description 19
- 235000008184 Piper nigrum Nutrition 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000001035 drying Methods 0.000 claims abstract description 7
- 238000000227 grinding Methods 0.000 claims abstract description 6
- 230000029087 digestion Effects 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 24
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 239000000843 powder Substances 0.000 claims description 15
- 238000002790 cross-validation Methods 0.000 claims description 14
- 238000000701 chemical imaging Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004448 titration Methods 0.000 claims description 11
- 238000004821 distillation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 229910000365 copper sulfate Inorganic materials 0.000 claims description 6
- ARUVKPQLZAKDPS-UHFFFAOYSA-L copper(II) sulfate Chemical compound [Cu+2].[O-][S+2]([O-])([O-])[O-] ARUVKPQLZAKDPS-UHFFFAOYSA-L 0.000 claims description 6
- OTYBMLCTZGSZBG-UHFFFAOYSA-L potassium sulfate Chemical compound [K+].[K+].[O-]S([O-])(=O)=O OTYBMLCTZGSZBG-UHFFFAOYSA-L 0.000 claims description 6
- 229910052939 potassium sulfate Inorganic materials 0.000 claims description 6
- 235000011151 potassium sulphates Nutrition 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 4
- 238000002329 infrared spectrum Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 235000019624 protein content Nutrition 0.000 description 44
- 238000005516 engineering process Methods 0.000 description 12
- 238000010238 partial least squares regression Methods 0.000 description 12
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 11
- 238000004611 spectroscopical analysis Methods 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 241000758706 Piperaceae Species 0.000 description 8
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 241000208293 Capsicum Species 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 239000012153 distilled water Substances 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- RBTBFTRPCNLSDE-UHFFFAOYSA-N 3,7-bis(dimethylamino)phenothiazin-5-ium Chemical compound C1=CC(N(C)C)=CC2=[S+]C3=CC(N(C)C)=CC=C3N=C21 RBTBFTRPCNLSDE-UHFFFAOYSA-N 0.000 description 1
- 238000010159 Duncan test Methods 0.000 description 1
- 238000007696 Kjeldahl method Methods 0.000 description 1
- 241000588653 Neisseria Species 0.000 description 1
- 229910021536 Zeolite Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- OHJMTUPIZMNBFR-UHFFFAOYSA-N biuret Chemical compound NC(=O)NC(N)=O OHJMTUPIZMNBFR-UHFFFAOYSA-N 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- KGBXLFKZBHKPEV-UHFFFAOYSA-N boric acid Chemical compound OB(O)O KGBXLFKZBHKPEV-UHFFFAOYSA-N 0.000 description 1
- 239000004327 boric acid Substances 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- YKPUWZUDDOIDPM-SOFGYWHQSA-N capsaicin Chemical compound COC1=CC(CNC(=O)CCCC\C=C\C(C)C)=CC=C1O YKPUWZUDDOIDPM-SOFGYWHQSA-N 0.000 description 1
- 229960002504 capsaicin Drugs 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- NKLPQNGYXWVELD-UHFFFAOYSA-M coomassie brilliant blue Chemical compound [Na+].C1=CC(OCC)=CC=C1NC1=CC=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C=CC(=CC=2)N(CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=C1 NKLPQNGYXWVELD-UHFFFAOYSA-M 0.000 description 1
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- CEQFOVLGLXCDCX-WUKNDPDISA-N methyl red Chemical compound C1=CC(N(C)C)=CC=C1\N=N\C1=CC=CC=C1C(O)=O CEQFOVLGLXCDCX-WUKNDPDISA-N 0.000 description 1
- 229960000907 methylthioninium chloride Drugs 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 239000010457 zeolite Substances 0.000 description 1
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
- G01N21/359—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
- G01N21/25—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
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/22—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using chemical indicators
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于辣椒加工品品质预测领域，具体涉及一种快速预测辣椒蛋白质含量的高光谱模型。一种快速预测辣椒蛋白质含量的高光谱模型，包括以下步骤：将辣椒烘干、磨碎，备用；打开高光谱仪，预热，系统校正，调试，测定出4.10ms曝光时间，6.56mm/s平台移动速度和900～1700nm探测波长；将样品放入测试平台，开启光谱仪扫描，得到辣椒高光谱图像；蛋白质含量测定；对光谱数据进行光谱预处理；采用偏最小二乘法将光谱学信息与蛋白质含量进行量化分析。本申请对辣椒光谱特征及其蛋白质含量之间的定量关系进行综合分析，建立基于近红外光谱的辣椒蛋白质含量的估测模型，实现辣椒蛋白质含量的精准预测，具有良好的理论研究意义和实际应用价值。
Description
技术领域
本发明属于辣椒加工品品质预测领域，具体涉及一种快速预测辣椒蛋白质含量的高光谱模型。
背景技术
辣椒含有丰富的VC、辣椒素、矿物质和蛋白质等，具有很高的营养价值。辣椒可增进食欲、帮助消化、促进血液循环，驱寒解表，因此深受消费者的喜爱。据调查，我国在2021年的辣椒种植面积达到153.33万公顷，在世界范围内的辣椒种子中，约占40％。我国辣椒种植面积和辣椒消费水平是世界第一大国。
由于生活条件的改善，以及育种技术的进步，对辣椒质量的影响越来越大，其中，蛋白质水平能反应出辣椒的品质。目前对辣椒蛋白质含量的检测方法有凯氏定氮法、考马斯亮蓝法、双缩脲法等一些常规手段，这些传统检测蛋白质含量的方法主要以理化检测为主，且操作的过程相对复杂。
高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，对被测样本的光谱信息和图像信息进行同步采集，对外观进行实时、在线的非破坏性测试，可以对常规测试方法进行补充、说明。与传统的光谱技术相比，高光谱成像技术具有以下优点：(1)分析效率高，通过对同一目标同时采集多个波长，可快速实现目标检测；(2)样品无需破损，高光谱成像技术不会对样品造成损坏，提高了数据的采集效率；(3)多指标同时分析，可实现多个指标的同时检测，提高了检测的准确性和可靠性。
目前，有关辣椒蛋白质含量的研究报道较少，因此，需要提供一种基于近红外光谱的辣椒蛋白质含量的估测模型。
发明内容
本发明的目的在于提供一种快速预测辣椒蛋白质含量的高光谱模型，该高光谱模型能够快速无损测定辣椒蛋白质含量，具有较好的预测性、稳定性和普适性。
为实现上述目的，本发明一种快速预测辣椒蛋白质含量的高光谱模型采取下述技术方案：
一种快速预测辣椒蛋白质含量的高光谱模型，包括以下步骤：
(1)样品准备，将辣椒烘干、磨碎成粉后，储存备用；
(2)光谱采集，打开高光谱仪，预热30min，让高光谱成像系统达到稳定状态，并进行系统校正；经过调试，测定出4.10ms的曝光时间，6.56mm/s的平台移动速度以及900～1700nm的探测波长；再将待测样品放入高光谱测试平台，开启光谱仪Spectral Image—NIR软件扫描，得到辣椒高光谱图像；
(3)蛋白质含量测定，将辣椒粉置于消化管中，加入硫酸铜、硫酸钾和硫酸，混合后移入消化炉中，一头接水管，另一头接冷凝管，温度设置为400～420℃，消化1h至消化完全，待出现清激的蓝绿色消化完成，冷却，将消化管取出加入水；蒸馏后滴定，再计算即可；
(4)光谱数据预处理，对光谱数据进行光谱预处理；
(5)模型构建，采用偏最小二乘法将光谱学信息与蛋白质含量进行量化分析。
优选地，步骤(2)中，所述光谱的波长为900～1700nm。
优选地，步骤(4)中，光谱预处理采用光谱化、均一化或多元散射校正。
优选地，步骤(5)中，所述模型为RC-ST-PLSR、SWR-ST-PLSR或SPA-BC-PLSR。
优选地，步骤(5)中，采用回归系数法、连续投影算法或逐步回归法筛选最优波长。
优选地，步骤(5)中，模型的性能指标为校正集相关系数、交叉验证集相关系数、预测集相关系数、校正集均方根误差、内部交叉验证均方根误差和外部预测均方根误差。
进一步优选地，所述RC-ST-PLSR模型的最优波长数为10个；所述SWR-ST-PLSR模型的最优波长数为9个；所述SPA-ST-PLSR模型的最优波长数为12个。
更进一步优选地，所述SWR-ST-PLSR模型的相关系数均最大校正集相关系数、交叉验证集相关系数、预测集相关系数均大于RC-ST-PLSR模型和SPA-ST-PLSR模型。
有益效果：
本申请以辣椒为研究对象，采集同一时期不同品种的辣椒，测定其光谱数据及蛋白质含量，并对辣椒光谱特征及其蛋白质含量之间的定量关系进行综合分析，建立基于近红外光谱的辣椒蛋白质含量的估测模型。
本申请利用近红外高光谱成像技术结合不同预处理方法，构建了辣椒中蛋白质含量的快速预测模型，实现辣椒蛋白质含量的精准预测，具有良好的理论研究意义和实际应用价值，同时，对其他作物中蛋白质含量估测提供了借鉴和参考。
附图说明
图1是商师2号-30、商师2号-40、商师2号-50、商师2号-60、商师2号-70、商师2号-80、商师2号-CK、商师3号-30、商师3号-40、商师3号-50、商师3号-60、商师3号-70、商师3号-80、商师3号-CK样品原始光谱的平均光谱曲线；
图2是商师2号-30、商师2号-40、商师2号-50、商师2号-60、商师2号-70、商师2号-80、商师2号-CK、商师3号-30、商师3号-40、商师3号-50、商师3号-60、商师3号-70、商师3号-80、商师3号-CK样品smoothing光滑的平均光谱曲线；
图3是商师2号-30、商师2号-40、商师2号-50、商师2号-60、商师2号-70、商师2号-80、商师2号-CK、商师3号-30、商师3号-40、商师3号-50、商师3号-60、商师3号-70、商师3号-80、商师3号-CK样品Normalize预处理后的平均光谱曲线；
图4是商师2号-30、商师2号-40、商师2号-50、商师2号-60、商师2号-70、商师2号-80、商师2号-CK、商师3号-30、商师3号-40、商师3号-50、商师3号-60、商师3号-70、商师3号-80、商师3号-CK样品MSC预处理后的平均光谱曲线。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
实施例1
一种快速预测辣椒蛋白质含量的高光谱模型，包括以下步骤：
(1)样品准备，将辣椒烘干、磨碎成粉后，储存备用。
(2)光谱采集，打开高光谱仪，预热30min，让高光谱成像系统达到稳定状态，并进行系统校正；经过调试，测定出4.10ms的曝光时间，6.56mm/s的平台移动速度以及900～1700nm的探测波长；再将待测样品放入高光谱测试平台，开启光谱仪Spectral Image—NIR软件扫描，得到辣椒高光谱图像，光谱的波长为900～1700nm。
(3)蛋白质含量测定，将辣椒粉置于消化管中，加入硫酸铜、硫酸钾和硫酸，混合后移入消化炉中，一头接水管，另一头接冷凝管，温度设置为400～420℃，消化1h至消化完全，待出现清激的蓝绿色消化完成，冷却，将消化管取出加入水；蒸馏后滴定，再计算即可。
(4)光谱数据预处理，对光谱数据进行光谱预处理；光谱预处理采用光谱化(ST)。
(5)模型构建，采用偏最小二乘法将光谱学信息与蛋白质含量进行量化分析，采用回归系数法、连续投影算法或逐步回归法筛选最优波长，模型为SWR-ST-PLSR，模型的性能指标为校正集相关系数、交叉验证集相关系数、预测集相关系数、校正集均方根误差、内部交叉验证均方根误差和外部预测均方根误差，SPA-ST-PLSR模型的最优波长数为12个。
实施例2
一种快速预测辣椒蛋白质含量的高光谱模型，包括以下步骤：
(1)样品准备，将辣椒烘干、磨碎成粉后，储存备用。
(2)光谱采集，打开高光谱仪，预热30min，让高光谱成像系统达到稳定状态，并进行系统校正；经过调试，测定出4.10ms的曝光时间，6.56mm/s的平台移动速度以及900～1700nm的探测波长；再将待测样品放入高光谱测试平台，开启光谱仪Spectral Image—NIR软件扫描，得到辣椒高光谱图像，光谱的波长为900～1700nm。
(3)蛋白质含量测定，将辣椒粉置于消化管中，加入硫酸铜、硫酸钾和硫酸，混合后移入消化炉中，一头接水管，另一头接冷凝管，温度设置为400～420℃，消化1h至消化完全，待出现清激的蓝绿色消化完成，冷却，将消化管取出加入水；蒸馏后滴定，再计算即可；
(4)光谱数据预处理，对光谱数据进行光谱预处理；光谱预处理采用ST。
(5)模型构建，采用偏最小二乘法将光谱学信息与蛋白质含量进行量化分析，采用回归系数法、连续投影算法或逐步回归法筛选最优波长，模型为RC-ST-PLSR，模型的性能指标为校正集相关系数、交叉验证集相关系数、预测集相关系数、校正集均方根误差、内部交叉验证均方根误差和外部预测均方根误差，RC-ST-PLSR模型的最优波长数为10个。
实施例3
一种快速预测辣椒蛋白质含量的高光谱模型，包括以下步骤：
(1)样品准备，将辣椒烘干、磨碎成粉后，储存备用。
(2)光谱采集，打开高光谱仪，预热30min，让高光谱成像系统达到稳定状态，并进行系统校正；经过调试，测定出4.10ms的曝光时间，6.56mm/s的平台移动速度以及900～1700nm的探测波长；再将待测样品放入高光谱测试平台，开启光谱仪Spectral Image—NIR软件扫描，得到辣椒高光谱图像，光谱的波长为900～1700nm。
(3)蛋白质含量测定，将辣椒粉置于消化管中，加入硫酸铜、硫酸钾和硫酸，混合后移入消化炉中，一头接水管，另一头接冷凝管，温度设置为400～420℃，消化1h至消化完全，待出现清激的蓝绿色消化完成，冷却，将消化管取出加入水；蒸馏后滴定，再计算即可；
(4)光谱数据预处理，对光谱数据进行光谱预处理；光谱预处理采用ST。
(5)模型构建，采用偏最小二乘法将光谱学信息与蛋白质含量进行量化分析，采用回归系数法、连续投影算法或逐步回归法筛选最优波长，模型为SWR-ST-PLSR，模型的性能指标为校正集相关系数、交叉验证集相关系数、预测集相关系数、校正集均方根误差、内部交叉验证均方根误差和外部预测均方根误差，SWR-ST-PLSR模型的最优波长数为9个，SWR-ST-PLSR模型的相关系数均最大校正集相关系数、交叉验证集相关系数、预测集相关系数均大于RC-ST-PLSR模型和SPA-ST-PLSR模型。
实验部分
1、仪器
全自动凯氏定氮仪、HIS-Enir-400-1700高光谱成像系统和Unscrambler v9.7软件。
2、实验方法
2.1样品准备
辣椒品种为商师2号[GPD辣椒(2023)410071]和商师3号[GPD辣椒(2023)410072]，分别不施加生物炭肥(CK)和施加生物炭肥30、40、50、60、70和80kg/亩，对应的辣椒样品分别为商师2号-30、商师2号-40、商师2号-50、商师2号-60、商师2号-70、商师2号-80、商师2号-CK、商师3号-30、商师3号-40、商师3号-50、商师3号-60、商师3号-70、商师3号-80和商师3号-CK(14个样品)，上述14个样品分别设置3个种植区，种植区随机排列。辣椒栽培株距33.3cm，行距33.3cm，每个种植区长5m、宽3m。
辣椒栽培并种植成功后，将成熟的辣椒干燥箱内烘干，磨碎后获得42个粉状样品。分别放置在密封袋中，分装、编号，储存备用。
2.2光谱的采集
测试前，打开高光谱仪，预热30min，让高光谱成像系统达到稳定状态，并进行系统校正。经过调试，测定出4.10ms的曝光时间，6.56mm/s的平台移动速度以及900～1700nm的探测波长。再将待测样品放入高光谱测试平台，开启光谱仪Spectral Image—NIR软件扫描，得到辣椒高光谱图像。为克服光源强度分布不均匀、暗电流和样本本身特性的不同等因素对样本图像产生的影响，将采集到的原始高光谱图像经过黑白校正转化为校正图像。
2.3蛋白质含量测定
(1)样品处理
将2g粉状样品置于消化管中，加入0.49g硫酸铜、6g硫酸钾和20mL硫酸，摇匀后移入消化炉中，一头接水管，另一头接冷凝管，温度设置为400～420℃，消化1h至消化完全，同时做空白实验(无样品)，待出现清激的蓝绿色消化完成，冷却，将消化管取出加入50mL水。
(2)蒸馏
将NaOH溶液(400g/L)，硼酸溶液(20g/L)和蒸馏水依次装入白桶中，连接冷凝水装置，连接全自动凯氏定氮仪的红色排水阀，使用时应使仪器平行，使用完成后再向右转打开，两根黑色的为排水管，放入水池、开机，仪器自动加水，加水完成，选择手动模式进行预热，蒸馏300s，预热完成后，将消化管(消化好的溶夜，加入沸石/玻璃珠)放至全自动凯氏定氮仪的左边，消化管套至橡胶管，锥形瓶中加入已配好的指示剂2～3滴，放在定氮仪的右边，左右摇晃底座，使其连接紧密，开机自动加蒸馏水，选择自动程序设定，加酸5s、加水4s、加碱20s、蒸馏480s，保存，启动，运行后，消化管中全自动加碱(NaOH)，产生黑色沉淀，然后开始蒸馏，右边的锥形瓶中自动加H3BO3，蒸馏产生的NH3会H2BO3吸收，蒸馏完成后，仪器会有报警声，检查是否蒸馏完全。接馏出液，用奈氏试剂检查，如无棕红色生成，表明蒸馏完毕。
(3)滴定
用0.1000mol/L盐酸溶液滴定吸收液，由蓝色变成微红色(用甲基红—亚甲基蓝混合指示剂)即为终点，同时作一试剂空白记录数据
(4)蛋白质含量计算：
蛋白质的含量按式(1)计算：
式中：
X——样品中蛋白质的含量，单位为克每百克(g/100g)；
V1——样品消耗硫酸或盐酸标准滴定液的体积，单位为毫升(mL)；
V2——试剂空白消耗硫酸或盐酸标准滴定液的体积，单位为毫升(mL)；
C——硫酸或盐酸标准滴定液浓度，单位为摩尔每升(mol/L)；
m——试样的质量，单位为克(g)；
V3——吸取消化液的体积，单位为毫升(mL)；
F——氮换算为蛋白质的系数；
0.0140——1.0mL硫酸[C(1/2H2SO4＝1.000mol/L)]或盐酸[C(HCl＝1.000mol/L)]标准滴定，溶液相当的氮的质量，单位为克(g)；
100——换算系数。
蛋白质含量≥1g/100g时，结果保留三位有效数字；蛋白质含量<1g/100g时，结果保留两位有效数字。
2.4光谱数据预处理
采用光谱化(ST)、均一化(NR)、多元散射校正(MSC)三种方法进行光谱预处理。
2.5模型构建
采用偏最小二乘法(PLSR)将光谱学信息与测定指标(蛋白质)进行量化分析的方法。构建的PLSR模型性能通过相关系数(rc、rCV、rP)、均方根误差(RMSEC、RMSECV、RMSEP)进行评价。
2.6最优波长筛选
高光谱图像系统可以从复杂的样本中获取大量的光谱信息，包括反射率、散射和吸收等。在本申请所收集到的900～1700nm的区域中，共有486个波长，利用回归系数法、连续投影算法和逐步回归法来筛选最优波长。
3、数据处理
在软件Unscrambler 9.7中进行PLSR模型的建立，选出最佳预处理方法以及RC方法筛选出最优波长，在软件MATLEB R2016a中进行SPA方法和SWR方法最优波长的筛选，然后在算法RC、SPA、SWR中选出最佳算法。
4、结果分析
4.1不同辣椒蛋白质含量
将样品的蛋白质含量值导入Statistical Product and Service Solutions(SPSS)运用邓肯氏检验进行差异显著性多重比较，所得结果如表1所示。
表1对不同生物炭肥辣椒蛋白质含量
注：表中不同小写字母代表同一品种不同处理间差异达0.05显著水平。
由表1可知，不同生物炭肥处理中的样品蛋白质含量为0.1721-0.2917g/100g，其中商师3号-30样品蛋白质含量最多，为0.2917g/100g，显著高于其它品种；而商师2号-30品样品蛋白质含量最少，为0.1721g/100g，显著低于其它品种。样品间蛋白质含量差异显著(p<0.05)。
4.2辣椒样品的平均光谱特征
由高光谱仪的HSIAnalyzer分析器软件获得的42个试样的初始平均光谱特性和用不同方式进行预处理后的平均光谱如图1-4所示。从图1-4可知，在900～1700nm波长范围内，三种光谱中的光谱特征总体趋势相同，但是光谱中吸收峰的位置高低稍有差别，这是因为不同辣椒的化学组成有差别。
4.3光谱预测辣椒蛋白质含量
在900～1700nm的486个波长上进行了预处理，对辣椒蛋白质的光谱进行了PLSR分析，结果如表2所示。
表2辣椒蛋白质含量全波段PLSR回归预测结果
注：rC——校正相关系数；RMSEC——校正均方根误差；rCV——交叉验证相关系数；RMSECV——交叉验证均方根误差；rP——预测相关系数；RMSEP——预测均方根误差；RAW——原始光谱；ST——光谱化预处理；NR——均一化预处理；MSC——多元散射校正预处。
由表2可知，在原有光谱以及三种预处理(ST、NR和MSC)光谱基础上，建立4种PLSR模型对辣椒蛋白质含量的预测都有很好的效果，三种不同预处理光谱的相关系数rc均在0.89以上，说明它们之间存在较强的相关性，并且，均方根误差均较小，低于0.5％，比较平稳。基于ST光谱构建的ST-PLSR模型rP最大(0.96)，RMSEP最小(0.2％)，表明对辣椒蛋白含量水平有较好的预测作用。因此，建立一种利用900～1700nm波段的偏最小二乘回归方程，对蛋白质进行快速、准确的预测。
4.4最优波长筛选
根据ST光谱，建立PLSR模型对辣椒蛋白质含量进行最优预测，结果如表3所示。
表3最优波长筛选
基于ST光谱筛选最优波长，以提高建模效率，利用RC法、PA法、Stepwise法对ST光谱进行了优选，得到了10个、9个和12个最佳波长，减少量都大于97％。
4.5预测辣椒蛋白质含量
基于RC、SWR和SPA，利用最优波长建立3种RLSR模型，预测结果如表4所示。
表4辣椒蛋白质含量
相对于SPA-ST-PLSR模型，RC-ST-PLSR和SWR-ST-PLSR模型对辣椒蛋白含量进行了更为准确的预测，但是SPA-BC-PLSR模型对辣椒蛋白含量的预测准确率较低，这表明RC方法和SWR方法选择的最优波长更适用于ST-PLSR模型。SWR-ST-PLSR模型最佳，系数rc＝0.97，预测值与实测值的标准误差(RMSEP)为0.003，具有较高的准确度和精确度，可以更好的预测辣椒蛋白质含量。
SWR-ST-PLSR模型的最优波长数最少(9个)，但是，相关系数均最大，均方根误差最小。这说明SW-BC-PLSR模型具有更好的预测效果。
为了探究900～1700nm高光谱信息与辣椒蛋白质含量之间的定量关系，本试验采用三种不同的预处理(MSC、ST、NR)，对辣椒进行900～1700nm高光信息采集，并分析光谱数据与辣椒蛋白质含量之间的定量关系。为了建立精确、有效的模型，采用PLSR算法对486个波长进行建模，并将其预测结果与传统的化学分析方法进行比较。结果表明，采用PLSR算法建立的模型具有更高的预测精度和可靠性。
本申请利用高光谱成像技术有效地预测辣椒中蛋白质的含量，同时对其他作物的蛋白质含量估测提供了借鉴和参考。
为实现高光谱技术对辣椒中蛋白质含量的快速预测，采用高光谱技术结合偏最小二乘回归(PLSR)算法对42个(14*3)辣椒样品中的蛋白质含量进行定量建模分析，为辣椒中蛋白质含量的高效预测提供理论依据。
在本发明中，术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种快速预测辣椒蛋白质含量的高光谱模型，其特征在于，包括以下步骤：
(1)样品准备，将辣椒烘干、磨碎成粉后，储存备用；
(2)光谱采集，打开高光谱仪，预热30min，让高光谱成像系统达到稳定状态，并进行系统校正；经过调试，测定出4.10ms的曝光时间，6.56mm/s的平台移动速度以及900～1700nm的探测波长；再将待测样品放入高光谱测试平台，开启光谱仪Spectral Image—NIR软件扫描，得到辣椒高光谱图像；
(3)蛋白质含量测定，将辣椒粉置于消化管中，加入硫酸铜、硫酸钾和硫酸，混合后移入消化炉中，一头接水管，另一头接冷凝管，温度设置为400～420℃，消化1h至消化完全，待出现清激的蓝绿色消化完成，冷却，将消化管取出加入水；蒸馏后滴定，再计算即可；
(4)光谱数据预处理，对光谱数据进行光谱预处理；
(5)模型构建，采用偏最小二乘法将光谱学信息与蛋白质含量进行量化分析。
2.根据权利要求1所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，步骤(2)中，所述光谱的波长为900～1700nm。
3.根据权利要求1所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，步骤(4)中，光谱预处理采用光谱化、均一化或多元散射校正。
4.根据权利要求1所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，步骤(5)中，所述模型为RC-ST-PLSR、SWR-ST-PLSR或SPA-BC-PLSR。
5.根据权利要求1所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，步骤(5)中，采用回归系数法、连续投影算法或逐步回归法筛选最优波长。
6.根据权利要求1所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，步骤(5)中，模型的性能指标为校正集相关系数、交叉验证集相关系数、预测集相关系数、校正集均方根误差、内部交叉验证均方根误差和外部预测均方根误差。
7.根据权利要求1～6任一项所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，所述RC-ST-PLSR模型的最优波长数为10个；所述SWR-ST-PLSR模型的最优波长数为9个；所述SPA-ST-PLSR模型的最优波长数为12个。
8.根据权利要求7所述的快速预测辣椒蛋白质含量的高光谱模型，其特征在于，所述SWR-ST-PLSR模型的相关系数均最大校正集相关系数、交叉验证集相关系数、预测集相关系数均大于RC-ST-PLSR模型和SPA-ST-PLSR模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311222610.1A CN117269106A (zh) | 2023-09-21 | 2023-09-21 | 快速预测辣椒蛋白质含量的高光谱模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311222610.1A CN117269106A (zh) | 2023-09-21 | 2023-09-21 | 快速预测辣椒蛋白质含量的高光谱模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117269106A true CN117269106A (zh) | 2023-12-22 |
Family
ID=89200275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311222610.1A Pending CN117269106A (zh) | 2023-09-21 | 2023-09-21 | 快速预测辣椒蛋白质含量的高光谱模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117269106A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934972A (zh) * | 2024-03-21 | 2024-04-26 | 贵州万德科技有限公司 | 一种辣椒加工用图像筛选方法及其筛选系统 |
-
2023
- 2023-09-21 CN CN202311222610.1A patent/CN117269106A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934972A (zh) * | 2024-03-21 | 2024-04-26 | 贵州万德科技有限公司 | 一种辣椒加工用图像筛选方法及其筛选系统 |
| CN117934972B (zh) * | 2024-03-21 | 2024-05-28 | 贵州万德科技有限公司 | 一种辣椒加工用图像筛选方法及其筛选系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | Quantitative visualization of photosynthetic pigments in tea leaves based on Raman spectroscopy and calibration model transfer | |
| Liu et al. | Prediction of nitrogen and phosphorus contents in citrus leaves based on hyperspectral imaging | |
| CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN102788752A (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN105092519B (zh) | 基于增量偏最小二乘法的样品成份测定方法 | |
| CN117269106A (zh) | 快速预测辣椒蛋白质含量的高光谱模型 | |
| CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
| Wang et al. | Rapid detection of protein content in rice based on Raman and near-infrared spectroscopy fusion strategy combined with characteristic wavelength selection | |
| 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 | |
| Lu et al. | A feasibility quantitative analysis of NIR spectroscopy coupled Si-PLS to predict coco-peat available nitrogen from rapid measurements | |
| Zhang et al. | Spectral technology and multispectral imaging for estimating the photosynthetic pigments and SPAD of the Chinese cabbage based on machine learning | |
| CN106198447A (zh) | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 | |
| CN102313712A (zh) | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 | |
| Wang et al. | Prediction of N, P, and K contents in sugarcane leaves by VIS-NIR spectroscopy and modeling of NPK interaction effects | |
| CN106018321A (zh) | 玉米单粒种子蛋白质检测模型的构建方法及其应用 | |
| CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
| CN113670913A (zh) | 水稻氮素含量反演高光谱植被指数构建方法 | |
| Wang et al. | Estimating cotton leaf nitrogen by combining the bands sensitive to nitrogen concentration and oxidase activities using hyperspectral imaging | |
| CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
| CN112362812A (zh) | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 | |
| Sun et al. | Nondestructive identification of barley seeds varieties using hyperspectral data from two sides of barley seeds | |
| Wen et al. | Visualization of chlorophyll content distribution in apple leaves based on hyperspectral imaging technology | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| CN102175620A (zh) | 近红外光谱测定玉米中赖氨酸的方法 |
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 |