CN117607066A - 基于高光谱成像的茄子皮中花青素浓度确定方法 - Google Patents
基于高光谱成像的茄子皮中花青素浓度确定方法 Download PDFInfo
- Publication number
- CN117607066A CN117607066A CN202311494918.1A CN202311494918A CN117607066A CN 117607066 A CN117607066 A CN 117607066A CN 202311494918 A CN202311494918 A CN 202311494918A CN 117607066 A CN117607066 A CN 117607066A
- Authority
- CN
- China
- Prior art keywords
- anthocyanin
- eggplant
- mobile phase
- model
- hyperspectral
- 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
- 229930002877 anthocyanin Natural products 0.000 title claims abstract description 123
- 235000010208 anthocyanin Nutrition 0.000 title claims abstract description 123
- 239000004410 anthocyanin Substances 0.000 title claims abstract description 123
- 150000004636 anthocyanins Chemical class 0.000 title claims abstract description 123
- 244000061458 Solanum melongena Species 0.000 title claims abstract description 98
- 235000002597 Solanum melongena Nutrition 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 18
- 238000002310 reflectometry Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 238000004128 high performance liquid chromatography Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 claims description 15
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims description 15
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 claims description 10
- 235000019253 formic acid Nutrition 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 6
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- 238000002137 ultrasound extraction Methods 0.000 claims description 6
- 238000009835 boiling Methods 0.000 claims description 5
- NEZONWMXZKDMKF-JTQLQIEISA-N Alkannin Chemical compound C1=CC(O)=C2C(=O)C([C@@H](O)CC=C(C)C)=CC(=O)C2=C1O NEZONWMXZKDMKF-JTQLQIEISA-N 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 4
- UNNKKUDWEASWDN-UHFFFAOYSA-N alkannin Natural products CC(=CCC(O)c1cc(O)c2C(=O)C=CC(=O)c2c1O)C UNNKKUDWEASWDN-UHFFFAOYSA-N 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 241001071917 Lithospermum Species 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010828 elution Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 239000011259 mixed solution Substances 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 239000006228 supernatant Substances 0.000 claims description 3
- 241001303601 Rosacea Species 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 claims description 2
- 201000004700 rosacea Diseases 0.000 claims description 2
- 239000000243 solution Substances 0.000 claims description 2
- 240000004246 Agave americana Species 0.000 claims 1
- 150000002211 flavins Chemical class 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010238 partial least squares regression Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 15
- 239000003086 colorant Substances 0.000 description 10
- 235000013399 edible fruits Nutrition 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 108010007337 Azurin Proteins 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 5
- YKRGDOXKVOZESV-WRJNSLSBSA-N Paeoniflorin Chemical compound C([C@]12[C@H]3O[C@]4(O)C[C@](O3)([C@]1(C[C@@H]42)O[C@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O1)O)C)OC(=O)C1=CC=CC=C1 YKRGDOXKVOZESV-WRJNSLSBSA-N 0.000 description 5
- YKRGDOXKVOZESV-UHFFFAOYSA-N paeoniflorin Natural products O1C(C)(C2(CC34)OC5C(C(O)C(O)C(CO)O5)O)CC3(O)OC1C24COC(=O)C1=CC=CC=C1 YKRGDOXKVOZESV-UHFFFAOYSA-N 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 244000193174 agave Species 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 241000940612 Medina Species 0.000 description 2
- 235000008708 Morus alba Nutrition 0.000 description 2
- -1 aromatic carboxylic acids Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- VEVZSMAEJFVWIL-UHFFFAOYSA-O cyanidin cation Chemical compound [O+]=1C2=CC(O)=CC(O)=C2C=C(O)C=1C1=CC=C(O)C(O)=C1 VEVZSMAEJFVWIL-UHFFFAOYSA-O 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- KZMACGJDUUWFCH-UHFFFAOYSA-O malvidin Chemical compound COC1=C(O)C(OC)=CC(C=2C(=CC=3C(O)=CC(O)=CC=3[O+]=2)O)=C1 KZMACGJDUUWFCH-UHFFFAOYSA-O 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- OARRHUQTFTUEOS-UHFFFAOYSA-N safranin Chemical compound [Cl-].C=12C=C(N)C(C)=CC2=NC2=CC(C)=C(N)C=C2[N+]=1C1=CC=CC=C1 OARRHUQTFTUEOS-UHFFFAOYSA-N 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- CWVRJTMFETXNAD-FWCWNIRPSA-N 3-O-Caffeoylquinic acid Natural products O[C@H]1[C@@H](O)C[C@@](O)(C(O)=O)C[C@H]1OC(=O)\C=C\C1=CC=C(O)C(O)=C1 CWVRJTMFETXNAD-FWCWNIRPSA-N 0.000 description 1
- ZHQQRIUYLMXDPP-SSDOTTSWSA-N Actinidine Natural products C1=NC=C(C)C2=C1[C@H](C)CC2 ZHQQRIUYLMXDPP-SSDOTTSWSA-N 0.000 description 1
- 239000004229 Alkannin Substances 0.000 description 1
- JLUQTCXCAFSSLD-NXEZZACHSA-N Anemonin Chemical compound C1=CC(=O)O[C@]11[C@@]2(C=CC(=O)O2)CC1 JLUQTCXCAFSSLD-NXEZZACHSA-N 0.000 description 1
- JLUQTCXCAFSSLD-UHFFFAOYSA-N Anemonin Natural products C1=CC(=O)OC11C2(C=CC(=O)O2)CC1 JLUQTCXCAFSSLD-UHFFFAOYSA-N 0.000 description 1
- PZIRUHCJZBGLDY-UHFFFAOYSA-N Caffeoylquinic acid Natural products CC(CCC(=O)C(C)C1C(=O)CC2C3CC(O)C4CC(O)CCC4(C)C3CCC12C)C(=O)O PZIRUHCJZBGLDY-UHFFFAOYSA-N 0.000 description 1
- 240000005099 Cercis occidentalis Species 0.000 description 1
- 235000006228 Cercis occidentalis Nutrition 0.000 description 1
- UYUXSRADSPPKRZ-SKNVOMKLSA-N D-glucurono-6,3-lactone Chemical compound O=C[C@H](O)[C@H]1OC(=O)[C@@H](O)[C@H]1O UYUXSRADSPPKRZ-SKNVOMKLSA-N 0.000 description 1
- 108010092160 Dactinomycin Proteins 0.000 description 1
- GCPYCNBGGPHOBD-UHFFFAOYSA-N Delphinidin Natural products OC1=Cc2c(O)cc(O)cc2OC1=C3C=C(O)C(=O)C(=C3)O GCPYCNBGGPHOBD-UHFFFAOYSA-N 0.000 description 1
- VHLJDTBGULNCGF-UHFFFAOYSA-N Limonin Natural products CC1(C)OC2CC(=O)OCC23C4CCC5(C)C(CC(=O)C6OC56C4(C)C(=O)CC13)c7cocc7 VHLJDTBGULNCGF-UHFFFAOYSA-N 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000010624 Medicago sativa Nutrition 0.000 description 1
- 241000218231 Moraceae Species 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- CWVRJTMFETXNAD-KLZCAUPSSA-N Neochlorogenin-saeure Natural products O[C@H]1C[C@@](O)(C[C@@H](OC(=O)C=Cc2ccc(O)c(O)c2)[C@@H]1O)C(=O)O CWVRJTMFETXNAD-KLZCAUPSSA-N 0.000 description 1
- 244000183278 Nephelium litchi Species 0.000 description 1
- KFLQGJQSLUYUBF-WOJBJXKFSA-N Phyllanthin Chemical compound C([C@H](COC)[C@@H](COC)CC=1C=C(OC)C(OC)=CC=1)C1=CC=C(OC)C(OC)=C1 KFLQGJQSLUYUBF-WOJBJXKFSA-N 0.000 description 1
- KFLQGJQSLUYUBF-PMACEKPBSA-N Phyllanthin Natural products C([C@@H](COC)[C@H](COC)CC=1C=C(OC)C(OC)=CC=1)C1=CC=C(OC)C(OC)=C1 KFLQGJQSLUYUBF-PMACEKPBSA-N 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 1
- 229930183496 Safracin Natural products 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 230000036579 abiotic stress Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 108090000350 actinidain Proteins 0.000 description 1
- 229930183665 actinomycin Natural products 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 235000019232 alkannin Nutrition 0.000 description 1
- RXVGBQCEAQZMLW-UHFFFAOYSA-N alpha-solanine Natural products CC1CCC2C(C)C3C(CC4C5CC=C6CC(CCC6(C)C5CCC34C)OC7OC(CO)C(O)C(OC8OC(CO)C(O)C(O)C8O)C7OC9OC(CO)C(O)C(O)C9O)N2C1 RXVGBQCEAQZMLW-UHFFFAOYSA-N 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 230000004790 biotic stress Effects 0.000 description 1
- 229930187794 buddledin Natural products 0.000 description 1
- 125000000484 butyl group Chemical group [H]C([*])([H])C([H])([H])C([H])([H])C([H])([H])[H] 0.000 description 1
- CWVRJTMFETXNAD-JUHZACGLSA-N chlorogenic acid Chemical compound O[C@@H]1[C@H](O)C[C@@](O)(C(O)=O)C[C@H]1OC(=O)\C=C\C1=CC=C(O)C(O)=C1 CWVRJTMFETXNAD-JUHZACGLSA-N 0.000 description 1
- 229940074393 chlorogenic acid Drugs 0.000 description 1
- FFQSDFBBSXGVKF-KHSQJDLVSA-N chlorogenic acid Natural products O[C@@H]1C[C@](O)(C[C@@H](CC(=O)C=Cc2ccc(O)c(O)c2)[C@@H]1O)C(=O)O FFQSDFBBSXGVKF-KHSQJDLVSA-N 0.000 description 1
- 235000001368 chlorogenic acid Nutrition 0.000 description 1
- BMRSEYFENKXDIS-KLZCAUPSSA-N cis-3-O-p-coumaroylquinic acid Natural products O[C@H]1C[C@@](O)(C[C@@H](OC(=O)C=Cc2ccc(O)cc2)[C@@H]1O)C(=O)O BMRSEYFENKXDIS-KLZCAUPSSA-N 0.000 description 1
- 235000007336 cyanidin Nutrition 0.000 description 1
- 235000007242 delphinidin Nutrition 0.000 description 1
- JKHRCGUTYDNCLE-UHFFFAOYSA-O delphinidin Chemical compound [O+]=1C2=CC(O)=CC(O)=C2C=C(O)C=1C1=CC(O)=C(O)C(O)=C1 JKHRCGUTYDNCLE-UHFFFAOYSA-O 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019441 ethanol Nutrition 0.000 description 1
- 230000001747 exhibiting effect Effects 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
- 230000006870 function Effects 0.000 description 1
- 229950002441 glucurolactone Drugs 0.000 description 1
- 229930182470 glycoside Natural products 0.000 description 1
- 150000002338 glycosides Chemical class 0.000 description 1
- 229930187533 granatin Natural products 0.000 description 1
- BJRNKVDFDLYUGJ-RMPHRYRLSA-N hydroquinone O-beta-D-glucopyranoside Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC1=CC=C(O)C=C1 BJRNKVDFDLYUGJ-RMPHRYRLSA-N 0.000 description 1
- KBDSLGBFQAGHBE-MSGMIQHVSA-N limonin Chemical compound C=1([C@H]2[C@]3(C)CC[C@H]4[C@@]([C@@]53O[C@@H]5C(=O)O2)(C)C(=O)C[C@@H]2[C@]34COC(=O)C[C@@H]3OC2(C)C)C=COC=1 KBDSLGBFQAGHBE-MSGMIQHVSA-N 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 235000009584 malvidin Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- HKUHOPQRJKPJCJ-UHFFFAOYSA-N pelargonidin Natural products OC1=Cc2c(O)cc(O)cc2OC1c1ccc(O)cc1 HKUHOPQRJKPJCJ-UHFFFAOYSA-N 0.000 description 1
- 235000006251 pelargonidin Nutrition 0.000 description 1
- XVFMGWDSJLBXDZ-UHFFFAOYSA-O pelargonidin Chemical compound C1=CC(O)=CC=C1C(C(=C1)O)=[O+]C2=C1C(O)=CC(O)=C2 XVFMGWDSJLBXDZ-UHFFFAOYSA-O 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N phenol group Chemical group C1(=CC=CC=C1)O ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- 150000002989 phenols Chemical class 0.000 description 1
- 238000012247 phenotypical assay Methods 0.000 description 1
- 230000008640 plant stress response Effects 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- IKGXIBQEEMLURG-NVPNHPEKSA-N rutin Chemical compound O[C@@H]1[C@H](O)[C@@H](O)[C@H](C)O[C@H]1OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](OC=2C(C3=C(O)C=C(O)C=C3OC=2C=2C=C(O)C(O)=CC=2)=O)O1 IKGXIBQEEMLURG-NVPNHPEKSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- ZGVSETXHNHBTRK-OTYSSXIJSA-N solanine Chemical compound O([C@H]1[C@@H](O)[C@@H](CO)O[C@H]([C@@H]1O[C@@H]1[C@@H]([C@H](O)[C@@H](O)[C@H](C)O1)O)O[C@@H]1CC2=CC[C@H]3[C@@H]4C[C@@H]5N6C[C@@H](C)CC[C@@H]6[C@H]([C@@H]5[C@@]4(C)CC[C@@H]3[C@@]2(C)CC1)C)[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O ZGVSETXHNHBTRK-OTYSSXIJSA-N 0.000 description 1
- 229940031352 solanine Drugs 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
- G01N2030/062—Preparation extracting sample from raw material
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像的茄子皮中花青素浓度确定方法，基于高光谱装置，获取茄子的平均反射率；提取茄子皮中的花青素；对提取的花青素进行高效液相色谱分析，确定茄子皮中的花青素含量；对茄子的平均反射率进行预处理得到预处理数据集；提取所述预处理数据集中的光谱数据特征；构建LS‑SVM模型和PLSR模型，以光谱数据特征及其对应的茄子皮中的花青素含量作为数据集分别对所述LS‑SVM模型和PLSR模型进行训练，以训练得到的LS‑SVM模型和PLSR模型实现茄子皮中花青素浓度的确定。本发明构建了高光谱成像与茄子果皮中花青素含量之间的预测模型，以实现对茄子果皮中花青素的非破坏性检测。
Description
技术领域
本发明属于花青素含量检测技术领域，特别是涉及一种基于高光谱成像的茄子皮中花青素浓度确定方法。
背景技术
花青素以C6-C3-C6骨架结构为基础，并带有糖苷(-Ovando等，2009)。根据羟基化基团的数量、与其结构中的糖的性质和数量、结合到分子中的糖中的脂肪酸或芳香族羧酸以及这些键的位置，已经确定了大约23种花青苷(/>-Ovando等，2009)。在植物中，只检测到了花青素、花翠素、芍药素、马尔维素、六出花素和洋紫荆素(dePascual-Teresa和Sanchez-Ballesta，2007)。除了展示丰富的色彩外，花青素还在植物的应激响应中起着关键作用(Naing和Kim，2021；Yan等，2022；Kaur等，2023)。增加植物中的花青素水平已经引起研究人员越来越多的关注，作为提高植物品质和抵抗生物和非生物胁迫的手段(Kaur等，2023；Li和Ahammed，2023)。更重要的是，花青素对改善人类健康具有重要意义(Tsuda，2012；Speer等，2020)。
茄子(茄科茄属Solanum melongena L.)是一种在世界范围内广泛种植的经济重要蔬菜。茄子果实中含有丰富的酚类化合物，如花青素、绿原酸、维生素P，对人体健康有益(Todaro等，2009；Basuny等，2012；Plazas等，2013；Dong等，2020)。由于茄子中酚类物质含量高，被列为具有抗氧化能力的十大蔬菜之一(-Medina等，2017)。茄子果实呈现出白色、绿色、紫色、暗紫色等鲜艳的颜色，这取决于花青素的类型和含量(/>-Medina等，2017)。多项研究结果表明，茄子皮中的花青素含有洋紫草素、紫花苜蓿素、马利维丁和花青素，具体取决于茄子的材料和提取方法(Nothmann等，1976；Basuny等，2012；/>-Medina等，2017；Ferarsa等，2018)。目前有两种主要方法来定量茄子皮中的花青素含量，即用于单一花青素分析的高效液相色谱法(HPLC)和用于总单体花青素分析的pH差异法(Zhang等，2014；Ferarsa等，2018)。对于这两种方法，定量程序涉及样品的研磨和花青素的提取。这一过程需要几个小时的时间和劳动。对大规模检测花青素含量来说很困难。例如，要鉴定调控花青素生物合成的QTL，只能通过基于颜色的目测判别来确定花青素含量，因为样品数量达到几百甚至几千个(Toppino等，2020；Guan等，2022)。此外，这些方法破坏性强，会产生化学残留物。因此，建立一种高效的花青素定量方法具有重要意义。
高光谱成像是一种高通量的植物表型分析方法，包括检测生物、非生物和化学性质的测试(等，2022)。由于其高通量和非破坏性检测的优势，它在化学性质测试中具有显著优势，包括对花青素的分析，并被广泛应用(Qin和Lu，2008；Fernandes等，2011；Hernández-Hierro等，2013；Chen等，2015；Yang等，2015；Pandey等，2017；Zhang等，2017；Caporaso等，2018；Tian等，2020；Dai等，2023；Li等，2023)。张等人(2017)的研究结果显示，葡萄酒葡萄皮中花青素的平方相关系数(R2)和均方根误差(RMSE)分别达到0.87和0.1442(g/L M3G)。杨等人(2015)证明，在荔枝果皮储存期间，用于定量花青素的最佳预测模型达到了0.1的R2值和0.567％的RMSE。在桑葚果实花青素含量的预测中，基于SAE-GA-ELM的模型表现最佳，在训练数据集中的R2为0.97，在训练和测试数据集中的RMSE为0.22mg/g(Li等，2023)。这些发现表明，利用高光谱成像技术可以非破坏性地检测植物果皮中的花青素含量。
但现有技术中，将高光谱成像技术应用茄子花青素含量尚未见报道，如何实现茄子果皮中花青素的非破坏性检测是当下亟需要解决的技术问题。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此，需要一种基于高光谱成像的茄子皮中花青素浓度确定方法，构建高光谱成像与茄子果皮中花青素含量之间的预测模型，以实现对茄子果皮中花青素的非破坏性检测。该研究为茄子数量性状位点(QTL)分析提供了基础，用于调控花青素生物合成。
本发明提供一种基于高光谱成像的茄子皮中花青素浓度确定方法，所述方法包括：
基于高光谱装置，获取茄子的平均反射率；
提取茄子皮中的花青素；
对提取的花青素进行高效液相色谱分析，确定茄子皮中的花青素含量；
对茄子的平均反射率进行预处理得到预处理数据集；
提取所述预处理数据集中的光谱数据特征；
构建LS-SVM模型和PLSR模型，以光谱数据特征及其对应的茄子皮中的花青素含量作为数据集分别对所述LS-SVM模型和PLSR模型进行训练，以训练得到的LS-SVM模型和PLSR模型实现茄子皮中花青素浓度的确定。
进一步地，所述高光谱装置包括高光谱相机和灯座，所述高光谱相机的波长为400～1000nm，在波长维度上具有128个像素，所述灯座内设置至少一个卤素灯，所述基于高光谱装置，获取茄子的平均反射率，具体包括：
将茄子和光谱球置于高光谱相机下方，使卤素灯发出的光线反射，进行高光谱成像后，收集均匀厚度的果皮，并使用液氮冷冻，存放于温度在-80℃以下的环境中，用于后续的花青素含量分析。
进一步地，所述花青素包括洋紫草素、花青素、龙舌兰素、玫瑰苷素、褐黄素和紫苷素，所述提取茄子皮中的花青素，具体包括：
配置比例为(1.5～2.5):(0.5～1.5):(0.5～1.5)的无水乙醇、水和盐酸的混合溶液作为提取剂；
向所述均匀厚度的果皮中加入适量所述提取剂，摇匀；
在避光条件下进行超声提取；
超声提取得到的提取液在沸水中煮沸；
冷却后加入额外的提取剂使总体积回到最初加入提取剂后的体积，摇匀静置；
收集上清液并通过0.1～0.3μm的有机膜进行过滤。
进一步地，所述对提取的花青素进行高效液相色谱分析，确定茄子皮中的花青素含量，具体包括：
将甲酸和水按体积比为(0.5～1.5)：(8～10)进行混合得到移动相A；
将甲醇、乙腈、水和甲酸按照(21.5～23.5)：(21.5～23.5)：(38～42)：(8～12)的体积比进行混合得到移动相B；
利用所述移动相A和所述移动相B对提取的花青素进行洗脱，确定茄子皮中的花青素含量
HPLC分析使用移动相A，其由甲酸和水按1:9的比例组成，而移动相B由甲醇、乙腈、水和甲酸按22.5:22.5:40:10的比例组成。梯度洗脱方法使用特定的时间间隔和移动相B。
进一步地，所述利用所述移动相A和所述移动相B对提取的花青素进行洗脱，具体包括：
在0-2分钟，使用7-40％移动相B；
在2-11分钟，使用40-67％移动相B；
在11-12分钟，使用67-100％移动相B；
在12-14分钟，使用100％移动相B；
在14-15分钟，使用100-7％移动相B；
在15-20分钟，使用7％移动相B。
进一步地，利用CARS方法提取所述预处理数据集中的光谱数据特征。
进一步地，对茄子的平均反射率进行预处理得到预处理数据集的方法包括标准化变量、自动缩放、归一化、Savitzky-Golay卷积平滑和均值中心化中的一种及其组合。
本发明至少具有以下有益效果：
本发明采集了高光谱图像，并使用高效液相色谱法(HPLC)检测花青素含量。结果显示，不同颜色的茄子品种具有不同类型和含量的花青素，以及不同的平均反射光谱。为了减少背景噪声，对平均反射光谱使用了五种预处理算法：标准化变量(SNV)、自动缩放(AUT)、归一化(NOR)、Savitzky-Golay卷积平滑(SG)和均值中心化(MC)。此外，采用竞争自适应加权采样(CARS)方法降低了高维高光谱数据的维度。为了预测茄子果实中的花青素含量，建立了两个模型：偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)。基于NORCARS LS-SVM的模型表现最佳，相关系数(R2)大于0.99，预测残差平方和(PRESS)小于0.02，均方根误差(RMSE)小于0.02，用于花青素苷、花青素、矢车菊素和总花青素的预测。这些结果表明，高光谱成像是分析茄子果皮中花青素含量的一种快速和非破坏性方法。这种方法将有助于茄子育种。
附图说明
图1示出了根据本发明实施例的不同颜色茄子皮的HPLC色谱图和光谱反射图。A，不同颜色的茄子皮。B，不同颜色茄子皮的HPLC色谱图。C，不同颜色茄子皮的光谱反射。
图2示出了根据本发明实施例的使用不同算法对光谱数据进行预处理结果，算法依次为标准化变量(SNV)、自动缩放(AUT)、归一化(NOR)、Savitzky-Golay卷积平滑(SG)和均值中心化(MC)。
图3示出了根据本发明实施例的基于全波段的PLSR模型对测试集中青花素含量的预测结果。
图4示出了根据本发明实施例的基于全波段的LS-SVM模型对测试集中青花素含量的预测结果。
图5示出了根据本发明实施例的基于CARS提取的特征变量的LS-SVM模型对测试集中青花素含量的预测结果。
图6示出了根据本发明实施例的基于全波段的PLSR模型对测试集中洋葵素含量的预测结果。
图7示出了根据本发明实施例的基于全波段的LS-SVM模型对测试集中洋葵素含量的预测结果。
图8示出了根据本发明实施例的基于CARS提取的特征变量的LS-SVM模型对测试集中洋葵素含量的预测结果。
图9示出了根据本发明实施例的基于全波段的PLSR模型对测试集中花青素含量的预测结果。
图10示出了根据本发明实施例的基于全波段的LS-SVM模型对测试集中花青素含量的预测结果。
图11示出了根据本发明实施例的基于CARS提取的特征变量的LS-SVM模型对测试集中花青素含量的预测结果。
图12示出了根据本发明实施例的基于全波段的PLSR模型对测试集中总花青素含量的预测结果。
图13示出了根据本发明实施例的基于全波段的LS-SVM模型对测试集中总花青素含量的预测结果。
图14示出了根据本发明实施例的基于CARS提取的特征变量的LS-SVM模型对测试集中总花青素含量的预测结果。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
本发明实施例提供一种基于高光谱成像的茄子皮中花青素浓度确定方法，该方法包括以下步骤S1-S6。
该方法始于步骤S1，基于高光谱装置，获取茄子的平均反射率。
示例性地，本实施例选择了由中国热带农业科学院南亚热带作物研究所培育的20个茄子品种。这20个茄子品种包括白色、绿色、浅紫色、绿紫色和深紫色等不同颜色。共收集了277个茄子果实。
在一些实施例中，所述高光谱装置包括一个高光谱相机和一个灯座。仅作为示例，高光谱相机型号为SOC70VP，波长范围为400到1000纳米，近似分辨率为0.6纳米，在波长维度上有128个像素(通道)。灯座内安装有两个功率为500瓦特、电压为220伏特的飞利浦卤素灯。茄子和光谱球位于高光谱相机下方，以使卤素灯发出的光线反射。进行高光谱成像后，使用尖锐的刀片收集1毫米均匀厚度的果皮，并使用液氮冷冻，存放在-80℃下，用于后续的花青素含量分析。使用SRAnal 710软件计算反射值。使用ENVI 5.3软件提取感兴趣区域(ROI)并计算平均反射率。
步骤S2，提取茄子皮中的花青素。
在一些实施例中，使用高效液相色谱法(HPLC)方法对茄子果皮中的花青素进行了鉴定和定量。检测到的六种花青素包括洋紫草素、花青素、龙舌兰素、玫瑰苷素、褐黄素和紫苷素。提取过程涉及无水乙醇、水和盐酸的混合溶液，比例为2:1:1。开始提取时，准确称量1.0克粉末并转移到一个带塞子的10毫升容量瓶中。加入足够的提取剂至刻度线，并vigorously摇1分钟。然后在避光条件下进行超声提取30分钟。为了将花青素水解为花青素醇，超声提取得到的提取液在沸水中煮沸1小时。冷却后，加入额外的提取剂使总体积达到10毫升。充分摇匀并静置。上清液被收集并通过0.22μm的有机膜进行过滤。
步骤S3，对提取的花青素进行高效液相色谱分析，确定茄子皮中的花青素含量。
在一些实施例中，用于分析的HPLC系统是LC-20A，配备了紫外(UV)检测器。HPLC分析使用移动相A，其由甲酸和水按1:9的比例组成，而移动相B由甲醇、乙腈、水和甲酸按22.5:22.5:40:10的比例组成。梯度洗脱方法使用特定的时间间隔和移动相B的百分比如下：0-2分钟：7-40％ B；2-11分钟：40-67％ B；11-12分钟：67-100％ B；12-14分钟：100％B；14-15分钟：100-7％ B；15-20分钟：7％ B。注入样品体积为10μl，并对每个样品进行三次重复实验。德尔菲丁、花青素、龙舌兰素、石榴素、牡丹素和醉莓素的标准品从Sigma获得。花青素的总含量通过累加这六种花青素的数量来确定。
基于步骤S1-S3，可以得出如下结论：不同品种的茄子含有不同水平的花青素，并呈现出不同的平均反射光谱。
茄子果实的颜色由花青素和叶绿素的类型和含量所决定(图1中的A和B)。人眼对果实颜色的感知受到许多因素的影响，因此用适当的仪器和设备测量花青素的含量和类型非常重要。高效液相色谱(HPLC)广泛用于检测茄子中花青素的含量和类型。本研究中，HPLC结果显示，在测试的8个白色茄子和28个绿色茄子中，没有任何一种含有花青素。两个白色茄子含有0.9834μg/g和0.6368μg/g的天青素。138个茄子的果皮含有花青素和天青素。67个茄子的果皮含有花青素和天青素。21个茄子含有花青素、天青素和花叶青素。277个茄子中没有一个含有番红素、牡丹素或葡萄红素。据我们所知，尽管茄子展现出多种颜色，但只有花叶青素、天青素和花青素被报道在茄子的果皮中存在(Todaro等，2009年；Basuny等，2012年；-Medina等，2017年)。番红素、牡丹素和葡萄红素尚未被报道，这与我们的结果一致(Todaro等，2009年；Basuny等，2012年；/>-Medina等，2017年)。然而，本实施例使用的是紫色长茄子。进一步的研究需要确定其他类型或基因型的茄子是否含有番红素、牡丹素和葡萄红素。
不同颜色的茄子的平均反射率有所不同。绿色和绿紫色的果实都表现出典型的绿色植物的平均反射率模式，其中在550nm处峰值。然而，与绿色茄子相比，绿紫色茄子的反射率较低，这是由于绿紫色品种中含有花青素。白色茄子的平均反射率在450-700nm之间保持相对稳定，因为这些茄子的果皮中不含叶绿素或花青素。白色茄子在400-700nm之间具有最高的反射率，而深紫色茄子具有最低的反射率。浅紫色和深紫色茄子在500nm左右表现出最小的反射率(图1中C)，这与更高的花青素含量和较低的反射率相关。这对应于花青素在535nm左右的吸收峰值。
步骤S4，对茄子的平均反射率进行预处理得到预处理数据集。
在一些实施例中，为了减小背景噪声等因素对平均反射率的影响，使用Matlab2020a进行预处理。在预处理后，使用randperm函数将数据按7:3的比例划分为训练数据集和测试数据集。
步骤S5，提取所述预处理数据集中的光谱数据特征。
示例性地，为了提高模型效率和最小化输入变量的数量，采用了CARS方法来提取光谱数据特征。该方法通过自适应重新加权选择最具信息量的变量，以减少光谱数据中的冗余。
光谱数据仍然包含由高光谱系统的电流引起的背景干扰和噪声。对光谱数据进行预处理是必要的，以最小化背景干扰和噪声，并提高模型预测的准确性。然而，目前还不确定哪种方法会产生最好的结果。为了建立可靠的预测模型，将五种预处理方法(标准化变量、自动缩放、归一化、Savitzky-Golay卷积平滑和均值中心化)应用于光谱数据，并使用CARS提取特征变量。结果表明，与未经预处理的反射率相比，经过预处理后的反射率变得更加集中(图2)。
此外，预处理光谱数据有潜力增加特征变量的数量。在应用各种预处理方法后，CARS提取的相同花青素的特征变量出现了不一致性。同样，即使在相同的预处理下，CARS提取的不同花青素的特征变量也显示了不一致性。在经过SNV预处理后，选择了所有的128个变量。
步骤S6，构建LS-SVM模型和PLSR模型，以光谱数据特征及其对应的茄子皮中的花青素含量作为数据集分别对所述LS-SVM模型和PLSR模型进行训练，以训练得到的LS-SVM模型和PLSR模型实现茄子皮中花青素浓度的确定。
示例性地，使用MATLAB 2022a和LS-SVMlabv1_8开发了LS-SVM模型。使用MATLAB2022a开发了PLSR模型。
下面本发明实施例将详细介绍回归模型的建模与验证，包括花青素的建模与验证、德尔芬氏苷的建模与验证、乌苏丁的建模和验证以及总花青素的建模和验证。
花青素的建模与验证：
使用PLSR和LS-SVM模型构建了花青素、洋紫苏素、茄紫素和总花青素的估计模型。PLS回归模型在高光谱分析中被广泛应用，它将自变量与表示样本类别的整数相关联(Chen等，2015；Pandey等，2017；Burnett等，2021；Zhang等，2022)。评估了花青素的回归结果，尽管SNV-PLSR模型具有最好的R2值(0.8616)，但PRESS、PMSEP和SDV分别为880.754、3.2575和2.5832。这个结果表明测量值和预测值之间存在显著差异(图3)。
LS-SVM具有快速和良好的回归泛化能力。在本实施例中，与PLSR模型相比，LS-SVM模型产生了更好的预测结果。张等人(Zhang等，2017)和陈等人(Chen等，2015)表明，支持向量回归(SVR)模型在葡萄酒葡萄花青素估计中的表现总体优于PLSR。然而，SNV LS-SVM模型的完美预测结果可能是不可靠的，因为Matlabe软件发出了有关奇异性或不适当缩放的潜在问题的警告，导致结果不准确。最好的模型是NOR LS-SVM模型，其R2值为0.9932，PRESS、PMSEP和SDV值分别为0.007、0.0329和0.0330(图4)。
为了进一步提高预测精度，使用CARS提取的特征变量建立了LS-SVM模型。SNV-CARS LS-SVM模型可能也是不可靠的。最好的模型是NOR-CARS LS-SVM模型，其R2值为0.9942，PRESS、PMSEP和SDV值分别为0.0745、0.0300和0.0300(图5)，表明，CARS可以减少模型输入变量的冗余性，并帮助提高桑葚中花青素估计模型的准确性。
德尔芬氏苷的建模与验证：
对于PLSR模型，使用非预处理的数据集获得了最佳的预测结果，R2值为0.9887。然而，PRESS、RMSEP和SDV值相对较高，分别为6768.0543、9.0301和0.9236。值得注意的是，应用SNV、AUT、NOR、SG和MC预处理技术并没有改善预测的准确率(图6)。
在LS-SVM模型的情况下，SNV LS-SVM模型也展示了完美的准确率，但需要谨慎，因为这个结果可能不可靠。NOR LS-SVM模型的准确率最高，R2值为0.9962。对应的PRESS、RMSEP和SDV值都相对较低，分别为0.0771、0.0305和0.0304(图7)。
此外，对于NOR-CARS LS-SVM模型，预测结果的R2值达到了0.9973，对应的PRESS、RMSEP和SDV值分别为0.0518、0.0250和0.0248(图8)。
乌苏丁的建模和验证：
PLSR分析的结果表明，所有预测的结果都不令人满意。SNV PLSR模型显示了最高的准确性，R2值为0.9149。然而，该模型的PRESS、RMSEP和SDV值分别为617.4846、2.7276和1.9786(图9)。
同样，SNV LS-SVM模型在预测中表现出完美的准确率，尽管这些结果可能也不可靠。NOR LS-SVM模型的准确率最高，R2值为0.9960。此外，该模型的PRESS、RMSEP和SDV值分别为0.0451、0.0233和0.0233(图10)。
此外，NOR-CARS LS-SVM模型的R2值为0.9947，对应的PRESS、RMSEP和SDV值分别为0.0828、0.0316和0.0313(图11)。
总花青素的建模和验证：
PLSR分析的结果表明，所有预测结果模型中，SNV PLSR模型表现最好，R2值为0.9149。然而，PRESS、RMSEP和SDV值分别为7104.4550、9.2818和0.7788(图12)。
同样，SNV LS-SVM模型在预测中显示出较高的准确性。然而，这些结果应谨慎解释，因为它们可能不完全可靠。NOR LS-SVM模型的准确率最高，R2值为0.9976。相应的PRESS、RMSEP和SDV值分别为0.0442、0.0231和0.0232(图13)。
此外，NOR-CARS LS-SVM模型产生了有希望的预测结果。其R2值为0.9987，对应的PRESS、RMSEP和SDV值分别为0.0293、0.0188和0.0189(图14)。
总体而言，PLSR和LS-SVM模型在预测中显示出不同水平的准确性，其中NOR LS-SVM模型始终表现优于其他模型。然而，PLSR模型的高PRESS值表明这些结果应谨慎解释。
因此，本实施例选择了20个不同品种的茄子，利用了SVN、AUT、NOR、SG和MC方法对高光谱反射数据进行预处理。此外，本实施例使用CARS方法筛选出特征变量。实施例应用PLSR和LS-SVM模型来预测茄子皮中花青素含量。值得注意的是，NOR-CARS LS-SVM得到了最好的结果，对于花青素苷、花青素、洋葵素和总花青素，R2值超过了0.99。这些发现表明，高光谱成像和NOR-CARS LS-SVM的结合能够实现对花青素含量的快速、非破坏性和高精度检测。这一进展将极大地推动茄子育种和QTLs定位研究。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的发明的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (7)
1.一种基于高光谱成像的茄子皮中花青素浓度确定方法，其特征在于，所述方法包括：
基于高光谱装置，获取茄子的平均反射率；
提取茄子皮中的花青素；
对提取的花青素进行高效液相色谱分析，确定茄子皮中的花青素含量；
对茄子的平均反射率进行预处理得到预处理数据集；
提取所述预处理数据集中的光谱数据特征；
构建LS-SVM模型和PLSR模型，以光谱数据特征及其对应的茄子皮中的花青素含量作为数据集分别对所述LS-SVM模型和PLSR模型进行训练，以训练得到的LS-SVM模型和PLSR模型实现茄子皮中花青素浓度的确定。
2.根据权利要求1所述的方法，其特征在于，所述高光谱装置包括高光谱相机和灯座，所述高光谱相机的波长为400～1000nm，在波长维度上具有128个像素，所述灯座内设置至少一个卤素灯，所述基于高光谱装置，获取茄子的平均反射率，具体包括：
将茄子和光谱球置于高光谱相机下方，使卤素灯发出的光线反射，进行高光谱成像后，收集均匀厚度的果皮，并使用液氮冷冻，存放于温度在-80℃以下的环境中，用于后续的花青素含量分析。
3.根据权利要求2所述的方法，其特征在于，所述花青素包括洋紫草素、花青素、龙舌兰素、玫瑰苷素、褐黄素和紫苷素，所述提取茄子皮中的花青素，具体包括：
配置比例为(1.5～2.5):(0.5～1.5):(0.5～1.5)的无水乙醇、水和盐酸的混合溶液作为提取剂；
向所述均匀厚度的果皮中加入适量所述提取剂，摇匀；
在避光条件下进行超声提取；
超声提取得到的提取液在沸水中煮沸；
冷却后加入额外的提取剂使总体积回到最初加入提取剂后的体积，摇匀静置；
收集上清液并通过0.1～0.3μm的有机膜进行过滤。
4.根据权利要求3所述的方法，其特征在于，所述对提取的花青素进行高效液相色谱分析，确定茄子皮中的花青素含量，具体包括：
将甲酸和水按体积比为(0.5～1.5)：(8～10)进行混合得到移动相A；
将甲醇、乙腈、水和甲酸按照(21.5～23.5)：(21.5～23.5)：(38～42)：(8～12)的体积比进行混合得到移动相B；
利用所述移动相A和所述移动相B对提取的花青素进行洗脱，确定茄子皮中的花青素含量；
HPLC分析使用移动相A，其由甲酸和水按1:9的比例组成，而移动相B由甲醇、乙腈、水和甲酸按22.5:22.5:40:10的比例组成。梯度洗脱方法使用特定的时间间隔和移动相B。
5.根据权利要求1所述的方法，其特征在于，所述利用所述移动相A和所述移动相B对提取的花青素进行洗脱，具体包括：
在0-2分钟，使用7-40％移动相B；
在2-11分钟，使用40-67％移动相B；
在11-12分钟，使用67-100％移动相B；
在12-14分钟，使用100％移动相B；
在14-15分钟，使用100-7％移动相B；
在15-20分钟，使用7％移动相B。
6.根据权利要求1所述的方法，其特征在于，利用CARS方法提取所述预处理数据集中的光谱数据特征。
7.根据权利要求1所述的方法，其特征在于，对茄子的平均反射率进行预处理得到预处理数据集的方法包括标准化变量、自动缩放、归一化、Savitzky-Golay卷积平滑和均值中心化中的一种及其组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311494918.1A CN117607066A (zh) | 2023-12-27 | 2023-12-27 | 基于高光谱成像的茄子皮中花青素浓度确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311494918.1A CN117607066A (zh) | 2023-12-27 | 2023-12-27 | 基于高光谱成像的茄子皮中花青素浓度确定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607066A true CN117607066A (zh) | 2024-02-27 |
Family
ID=89948754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311494918.1A Pending CN117607066A (zh) | 2023-12-27 | 2023-12-27 | 基于高光谱成像的茄子皮中花青素浓度确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607066A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
| CN105062125A (zh) * | 2015-07-29 | 2015-11-18 | 胡伟民 | 桑葚红色素提取及纯化的方法 |
| KR20170017497A (ko) * | 2015-08-07 | 2017-02-15 | 강원대학교산학협력단 | 질량분석 스펙트럼을 이용한 안토시아닌의 정성 및 정량 분석 방법 |
| CN106841432A (zh) * | 2017-01-10 | 2017-06-13 | 威海百合生物技术股份有限公司 | 一种越橘提取物的鉴别及其中原花青素含量的测定方法 |
| CN106872370A (zh) * | 2017-02-23 | 2017-06-20 | 浙江大学 | 一种基于高光谱的杨梅中花色苷含量测定的方法 |
| CN110108830A (zh) * | 2019-05-06 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 一种同时对蓝靛果中9种花青素进行定性和定量检测的方法 |
| CN111562340A (zh) * | 2020-06-29 | 2020-08-21 | 中国农业科学院蔬菜花卉研究所 | 一种快速对番茄果实中花青素进行种类解析和含量测定的方法 |
| CN112611812A (zh) * | 2020-11-24 | 2021-04-06 | 嘉兴迈维代谢生物科技有限公司 | 植物中花青素类化合物的液质联用分析方法 |
| CN112858187A (zh) * | 2021-01-20 | 2021-05-28 | 河北农业大学 | 一种基于光谱技术的茄子花青素测量系统及方法 |
| CN116953142A (zh) * | 2023-07-24 | 2023-10-27 | 中国测试技术研究院 | 茶叶中花青素的液相色谱质谱联用检测方法 |
-
2023
- 2023-12-27 CN CN202311494918.1A patent/CN117607066A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
| CN105062125A (zh) * | 2015-07-29 | 2015-11-18 | 胡伟民 | 桑葚红色素提取及纯化的方法 |
| KR20170017497A (ko) * | 2015-08-07 | 2017-02-15 | 강원대학교산학협력단 | 질량분석 스펙트럼을 이용한 안토시아닌의 정성 및 정량 분석 방법 |
| CN106841432A (zh) * | 2017-01-10 | 2017-06-13 | 威海百合生物技术股份有限公司 | 一种越橘提取物的鉴别及其中原花青素含量的测定方法 |
| CN106872370A (zh) * | 2017-02-23 | 2017-06-20 | 浙江大学 | 一种基于高光谱的杨梅中花色苷含量测定的方法 |
| CN110108830A (zh) * | 2019-05-06 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 一种同时对蓝靛果中9种花青素进行定性和定量检测的方法 |
| CN111562340A (zh) * | 2020-06-29 | 2020-08-21 | 中国农业科学院蔬菜花卉研究所 | 一种快速对番茄果实中花青素进行种类解析和含量测定的方法 |
| CN112611812A (zh) * | 2020-11-24 | 2021-04-06 | 嘉兴迈维代谢生物科技有限公司 | 植物中花青素类化合物的液质联用分析方法 |
| CN112858187A (zh) * | 2021-01-20 | 2021-05-28 | 河北农业大学 | 一种基于光谱技术的茄子花青素测量系统及方法 |
| CN116953142A (zh) * | 2023-07-24 | 2023-10-27 | 中国测试技术研究院 | 茶叶中花青素的液相色谱质谱联用检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭丽 编: "《玉米品质分析与检验实验》", 31 July 2022, 哈尔滨工程大学出版社, pages: 73 - 74 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ferrari et al. | Adulteration of the anthocyanin content of red wines: Perspectives for authentication by Fourier Transform-Near InfraRed and 1H NMR spectroscopies | |
| Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
| Yi et al. | Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression | |
| Manley et al. | Near infrared hyperspectral imaging for the evaluation of endosperm texture in whole yellow maize (Zea maize L.) kernels | |
| Baca-Bocanegra et al. | Feasibility study on the use of a portable micro near infrared spectroscopy device for the “in vineyard” screening of extractable polyphenols in red grape skins | |
| Cabrera-Bañegil et al. | Front-face fluorescence spectroscopy combined with second-order multivariate algorithms for the quantification of polyphenols in red wine samples | |
| Li et al. | Detection of viability of soybean seed based on fluorescence hyperspectra and CARS‐SVM‐AdaBoost model | |
| JP4696223B2 (ja) | 画像解析を利用した植物体の色素含有量の定量方法 | |
| Luo et al. | Detecting aphid density of winter wheat leaf using hyperspectral measurements | |
| CN105675582B (zh) | 利用拉曼光谱检测水果中β-胡萝卜素含量的方法 | |
| Martín-Tornero et al. | Comparative quantification of chlorophyll and polyphenol levels in grapevine leaves sampled from different geographical locations | |
| Porep et al. | Implementation of an on‐line near infrared/visible (NIR/VIS) spectrometer for rapid quality assessment of grapes upon receival at wineries | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| Treder et al. | Possibilities of using image analysis to estimate the nitrogen nutrition status of apple trees. | |
| Sytar et al. | Nondestructive detection and biochemical quantification of buckwheat leaves using visible (VIS) and near-infrared (NIR) hyperspectral reflectance imaging | |
| Lu et al. | Hyperspectral imaging with chemometrics for non-destructive determination of cannabinoids in floral and leaf materials of industrial hemp (Cannabis sativa L.) | |
| Locquet et al. | 3D fluorescence spectroscopy and its applications | |
| Fatima et al. | Towards normalization selection of Raman data in the context of protein glycation: Application of validity indices to PCA processed spectra | |
| Zaki Dizaji et al. | Application of E-nose technique to predict sugarcane syrup quality based on purity and refined sugar percentage | |
| 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 | |
| CN117607066A (zh) | 基于高光谱成像的茄子皮中花青素浓度确定方法 | |
| Marín‐San Román et al. | Application of near‐infrared spectroscopy for the estimation of volatile compounds in Tempranillo Blanco grape berries during ripening | |
| CN105954226B (zh) | 对叶表结构不敏感的叶绿素含量的检测方法 | |
| Kong et al. | An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet | |
| Martín-Tornero et al. | Geographical discrimination of grapevine leaves using fibre optic fluorescence data and chemometrics. Determination of total polyphenols and chlorophylls along different vegetative stages |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ma Zhiling Inventor after: Xiao Xiou Inventor after: Xie Shixiu Inventor after: Ga Wenchuan Inventor after: Wei Changbin Inventor before: Ma Zhiling Inventor before: Xiao Xiou Inventor before: Xie Shixiu Inventor before: Ga Wenchuan Inventor before: Wei Changbin |