CN106885782A - 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 - Google Patents
一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 Download PDFInfo
- Publication number
- CN106885782A CN106885782A CN201710100391.8A CN201710100391A CN106885782A CN 106885782 A CN106885782 A CN 106885782A CN 201710100391 A CN201710100391 A CN 201710100391A CN 106885782 A CN106885782 A CN 106885782A
- Authority
- CN
- China
- Prior art keywords
- sample
- red bayberry
- infrared
- spectrum
- flavones content
- 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
- 229930003944 flavone Natural products 0.000 title claims abstract description 64
- 235000011949 flavones Nutrition 0.000 title claims abstract description 64
- 150000002213 flavones Chemical class 0.000 title claims abstract description 63
- 244000132436 Myrica rubra Species 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009659 non-destructive testing Methods 0.000 title claims description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 229940126670 AB-836 Drugs 0.000 claims abstract description 7
- 235000007652 Arbutus Nutrition 0.000 claims abstract description 7
- 238000002798 spectrophotometry method Methods 0.000 claims abstract description 7
- 240000008327 Arbutus unedo Species 0.000 claims abstract 2
- 230000003595 spectral effect Effects 0.000 claims description 24
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 13
- LPXPTNMVRIOKMN-UHFFFAOYSA-M sodium nitrite Chemical compound [Na+].[O-]N=O LPXPTNMVRIOKMN-UHFFFAOYSA-M 0.000 claims description 12
- 238000004611 spectroscopical analysis Methods 0.000 claims description 12
- 238000003556 assay Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- BNGXYYYYKUGPPF-UHFFFAOYSA-M (3-methylphenyl)methyl-triphenylphosphanium;chloride Chemical compound [Cl-].CC1=CC=CC(C[P+](C=2C=CC=CC=2)(C=2C=CC=CC=2)C=2C=CC=CC=2)=C1 BNGXYYYYKUGPPF-UHFFFAOYSA-M 0.000 claims description 6
- JMGZEFIQIZZSBH-UHFFFAOYSA-N Bioquercetin Natural products CC1OC(OCC(O)C2OC(OC3=C(Oc4cc(O)cc(O)c4C3=O)c5ccc(O)c(O)c5)C(O)C2O)C(O)C(O)C1O JMGZEFIQIZZSBH-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- IVTMALDHFAHOGL-UHFFFAOYSA-N eriodictyol 7-O-rutinoside Natural products OC1C(O)C(O)C(C)OC1OCC1C(O)C(O)C(O)C(OC=2C=C3C(C(C(O)=C(O3)C=3C=C(O)C(O)=CC=3)=O)=C(O)C=2)O1 IVTMALDHFAHOGL-UHFFFAOYSA-N 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 6
- 239000012467 final product Substances 0.000 claims description 6
- 230000031700 light absorption Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- FDRQPMVGJOQVTL-UHFFFAOYSA-N quercetin rutinoside Natural products OC1C(O)C(O)C(CO)OC1OCC1C(O)C(O)C(O)C(OC=2C(C3=C(O)C=C(O)C=C3OC=2C=2C=C(O)C(O)=CC=2)=O)O1 FDRQPMVGJOQVTL-UHFFFAOYSA-N 0.000 claims description 6
- IKGXIBQEEMLURG-BKUODXTLSA-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-BKUODXTLSA-N 0.000 claims description 6
- ALABRVAAKCSLSC-UHFFFAOYSA-N rutin Natural products CC1OC(OCC2OC(O)C(O)C(O)C2O)C(O)C(O)C1OC3=C(Oc4cc(O)cc(O)c4C3=O)c5ccc(O)c(O)c5 ALABRVAAKCSLSC-UHFFFAOYSA-N 0.000 claims description 6
- 235000005493 rutin Nutrition 0.000 claims description 6
- 229960004555 rutoside Drugs 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 235000010288 sodium nitrite Nutrition 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 150000002576 ketones Chemical class 0.000 claims description 2
- 238000002481 ethanol extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 10
- 241000722814 Arbutus Species 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 229930003935 flavonoid Natural products 0.000 description 3
- 150000002215 flavonoids Chemical class 0.000 description 3
- 235000017173 flavonoids Nutrition 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- IKMDFBPHZNJCSN-UHFFFAOYSA-N Myricetin Chemical compound C=1C(O)=CC(O)=C(C(C=2O)=O)C=1OC=2C1=CC(O)=C(O)C(O)=C1 IKMDFBPHZNJCSN-UHFFFAOYSA-N 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- PCOBUQBNVYZTBU-UHFFFAOYSA-N myricetin Natural products OC1=C(O)C(O)=CC(C=2OC3=CC(O)=C(O)C(O)=C3C(=O)C=2)=C1 PCOBUQBNVYZTBU-UHFFFAOYSA-N 0.000 description 2
- 235000007743 myricetin Nutrition 0.000 description 2
- 229940116852 myricetin Drugs 0.000 description 2
- 230000000050 nutritive effect Effects 0.000 description 2
- -1 Flavone compound Chemical class 0.000 description 1
- GAMYVSCDDLXAQW-AOIWZFSPSA-N Thermopsosid Natural products O(C)c1c(O)ccc(C=2Oc3c(c(O)cc(O[C@H]4[C@H](O)[C@@H](O)[C@H](O)[C@H](CO)O4)c3)C(=O)C=2)c1 GAMYVSCDDLXAQW-AOIWZFSPSA-N 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 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
- 235000021028 berry Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229930003949 flavanone Natural products 0.000 description 1
- 150000002208 flavanones Chemical class 0.000 description 1
- 235000011981 flavanones Nutrition 0.000 description 1
- HVQAJTFOCKOKIN-UHFFFAOYSA-N flavonol Natural products O1C2=CC=CC=C2C(=O)C(O)=C1C1=CC=CC=C1 HVQAJTFOCKOKIN-UHFFFAOYSA-N 0.000 description 1
- 150000002216 flavonol derivatives Chemical class 0.000 description 1
- 235000011957 flavonols Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- CJWQYWQDLBZGPD-UHFFFAOYSA-N isoflavone Natural products C1=C(OC)C(OC)=CC(OC)=C1C1=COC2=C(C=CC(C)(C)O3)C3=C(OC)C=C2C1=O CJWQYWQDLBZGPD-UHFFFAOYSA-N 0.000 description 1
- 150000002515 isoflavone derivatives Chemical class 0.000 description 1
- 235000008696 isoflavones Nutrition 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- VHBFFQKBGNRLFZ-UHFFFAOYSA-N vitamin p Natural products O1C2=CC=CC=C2C(=O)C=C1C1=CC=CC=C1 VHBFFQKBGNRLFZ-UHFFFAOYSA-N 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
- G01N21/3563—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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外高光谱的杨梅中黄酮含量测定的方法，该方法包括以下步骤：准备不同品种的新鲜杨梅样本，使用近红外高光谱成像***扫描样本，收集900～1700nm近红外波段高光谱图像，获得样本集光谱；利用分光光度法测定杨梅样本中黄酮含量；结合光谱预处理方法和偏最小二乘法回归法(PLSR)建立校正模型，得到杨梅中黄酮含量的最优预测模型。本发明采用近红外高光谱成像技术，具有无损伤、快速检测、成本低等优点，有效的检测杨梅中黄酮的含量。
Description
技术领域
本发明涉及一种基于近红外高光谱无损测定黄酮含量的方法，尤其涉及一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法。
背景技术
杨梅是我国的特色水果，在浙江、江苏、福建、广东和湖南等省份有较大面积的种植。杨梅营养价值较高，富含的黄酮类物质，同时含有丰富的纤维素、矿质元素、维生素和一定量的蛋白质、脂肪、果胶等。黄酮类化合物是一类低分子天然植物成分，广泛存在于蔬菜、水果和药用植物中，是目前人们比较关注的一类化合物，有很多药用植物的主要活性成分都是黄酮类，包括黄酮、异黄酮、黄酮醇、黄烷酮等。杨梅中黄酮类物质具有较高的生物活性作用，具有抗氧化、抗炎症等功效。杨梅是中国特色浆果资源，且含有丰富的黄酮。因此，研究杨梅中的黄酮含量有助于评价杨梅的营养价值，对进一步开发杨梅资源具有十分重要的意义。
目前对杨梅中黄酮含量的测定主要通过高效液相色谱法或分光光度法，两种方法皆需对杨梅进行处理，提取后才能测定，会破坏检测样品的完整性，难以实现大样本量的快速无损检测。近年来，近红外高光谱成像技术作为一种无损检测方法引起了广泛的关注。其最大特点是结合光谱技术与计算机图像技术两者的优点，可获得大量包含连续波长光谱信息的图像块，由于其具有检测速度快、效率高、成本低等优点，越来越多地应用于农产品品质与安全的无损检测。因此可以利用近红外高光谱成像技术来快速无损检测杨梅中黄酮含量。
发明内容
本发明的目的在于提供一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法，旨在实现无损、快速、大样本量的检测。
本发明提供了一种杨梅中黄酮含量的测定方法，该基于近红外高光谱的杨梅中黄酮含量测定的方法包括以下步骤：
1)样本光谱的建立：
采集不同品种的新鲜杨梅样本，采用近红外高光谱成像***进行光谱扫描，其中镜头与样本距离为15～30cm，曝光时间为1～5s，样本移动速度为10～20mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；
2)样本黄酮含量的测定：
采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用50～90％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；
3)建立校正模型：
对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用平滑法(移动平均平滑法(Moving Average)、卷积平滑法(Savitzky-Golay)、高斯平滑滤波(Gaussian filter)和中值滤波平滑(Median filter smoothing)等处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法(Standard normalvariate transformation，SNV)或多元散射校正算法(Multiplicative scattercorrection，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取光谱特征值，特征光谱波长范围是910～940、950～990、1000～1100、1120～1180和1230～1290nm，以第一次建模得到的部分或全部校正特征光谱波长数据和黄酮含量再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；
上述最优建模特征光谱波长范围是960～980、1120～1180和1240～1280nm，模型预测值与实际值的R2为0.9114，均方根误差(Root-mean-square error，RMSE)值为0.1326。
4)样品的无损快速测定：
采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
本发明提供的基于近红外高光谱的杨梅中黄酮含量测定的方法，通过采用近红外高光谱图像提取杨梅光谱数据，结合光谱预处理方法和最小二乘回归法(PLSR)建模方法，建立杨梅中黄酮含量的预测模型。第一次建模采用的是900～1700nm波长的所有数据，第一次建模可以得出波长与含量之间的关系，可以通过第一次建模，得到特征光谱波长段，第二次建模利用第一次建模得到的特征波长段再次建模，选择特定波长段的数据，提高建模准确性，减少数据计算量。
本发明可以避免黄酮现有的化学检测法会破坏检测对象，可实现无损、快速和大量的检测杨梅中黄酮的含量。
附图说明
图1是本发明实施例一提供的基于近红外高光谱的杨梅中黄酮含量测定的方法流程图；
图2是本发明实施例二提供的近红外高光谱图像的平均光谱曲线图；
图3是本发明实施例二提供的PLSR建模方法下的X-载荷(X-loading weight)图；
图4是本发明实施例四提供的PLSR建模方法下杨梅中黄酮预测值与实际值的比较示意图；
具体实施方式
下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围并不仅限于此：
实施例一
一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
采集不同品种的新鲜杨梅样本，采用近红外高光谱成像***进行光谱扫描，其中镜头与样本距离为15cm，曝光时间为5s，样本移动速度为10mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；
2)样本黄酮含量的测定：
采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用70％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；
3)建立校正模型：
对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用卷积平滑法(Savitzky-Golay)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法(Standard normal variate transformation，SNV)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；
上述最优建模特征光谱波长范围是920～930、940～980、1120～1160和1240～1280nm，模型预测值与实际值的R2为0.9065，均方根误差(Root-mean-square error，RMSE)值为0.2631。
4)样品的无损快速测定：
采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。图1是本发明的基于近红外高光谱的杨梅中黄酮含量测定的方法流程图，主要步骤包括样品的采集，近红外高光谱扫描，读取光谱数据，光谱数据预处理，液相色谱检测杨梅黄酮含量，结合光谱数据和黄酮含量建立预测模型；
实施例二
一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
采集不同品种的新鲜杨梅样本，采用近红外高光谱成像***进行光谱扫描，其中镜头与样本距离为30cm，曝光时间为3s，样本移动速度为20mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；
2)样本黄酮含量的测定：
采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用60％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；
3)建立校正模型：
对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用移动平均平滑法(Moving Average)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法(Standard normal variate transformation，SNV)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；
上述最优建模特征光谱波长范围是1000～1100和1240～1280nm，模型预测值与实际值的R2为0.9003，均方根误差(Root-mean-square error，RMSE)值为0.2216。
4)样品的无损快速测定：
采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
图2是本发明的近红外高光谱图像的平均光谱曲线图。
实施例三
一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
采集不同品种的新鲜杨梅样本，采用近红外高光谱成像***进行光谱扫描，其中镜头与样本距离为20cm，曝光时间为2s，样本移动速度为16mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；
2)样本黄酮含量的测定：
采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用90％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；
3)建立校正模型：
对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用高斯平滑滤波(Gaussian filter)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用多元散射校正算法(Multiplicative scatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；
上述最优建模特征光谱波长范围是920～930、1120～1180和1230～1280nm，模型预测值与实际值的R2为0.9046，均方根误差(Root-mean-square error，RMSE)值为0.1845。
4)样品的无损快速测定：
采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
图3是本发明实施例二提供的PLSR建模方法下的X-载荷(X-loading weight)图，由图的波峰和波谷可以选择光谱特征波长。
实施例四
一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
采集不同品种的新鲜杨梅样本，采用近红外高光谱成像***进行光谱扫描，其中镜头与样本距离为15～30cm，曝光时间为1～5s，样本移动速度为10～20mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；
2)样本黄酮含量的测定：
采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用50～90％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；
3)建立校正模型：
对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用中值滤波平滑(Median filter smoothing)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用多元散射校正算法(Multiplicative scatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；
上述最优建模特征光谱波长范围是960～980、1120～1180和1240～1280nm，模型预测值与实际值的R2为0.9114，均方根误差(Root-mean-square error，RMSE)值为0.1763。
4)样品的无损快速测定：
采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。
光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。
图4本发明的杨梅黄酮预测模型，拟合度可达91.14％，说明该模型可以较好的预测杨梅中黄酮含量。
最后，本发明可用其他的不违背本发明的精神和主要特征的具体形式来概述。因此，无论从那一点来看，本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明，权利要求书指出了本发明的范围，而上述的说明并未指出本发明的范围，因此，在与本发明的权利要求书相当的含义和范围内的任何改变，都应认为是包括在权利要求书的范围内。
Claims (3)
1.一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法，其特征在于该方法的步骤如下：
1)样本光谱的建立：
采集不同品种的新鲜杨梅样本，采用近红外高光谱成像***进行光谱扫描，其中镜头与样本距离为15～30cm，曝光时间为1～5s，样本移动速度为10～20mm/s，采集900～1700nm近红外波段高光谱图像，得到样本集光谱；
2)样本黄酮含量的测定：
采用分光光度法测定杨梅样本中黄酮含量，测定方法包括步骤如下：首先样本采用体积百分比为50～90％的乙醇提取，取提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；
3)建立校正模型：
对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用平滑法处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法或多元散射校正算法处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响，结合处理后的校正样本光谱数据和黄酮含量，应用偏最小二乘法回归法建立校正模型，计算黄酮实际值与预测值的相关性系数R2，通过X-载荷图，提取光谱特征值，特征光谱波长范围是910～940、950～990、1000～1100、1120～1180和1230～1290nm，以第一次建模得到的部分或全部校正特征光谱波长数据和黄酮含量再次使用偏最小二乘法回归法建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R2大于0.9，选取R2最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；
4)样品的无损快速测定：
采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。
2.根据权利要求1所述的基于近红外高光谱技术无损检测杨梅中黄酮含量的方法，其特征在于所述的步骤3)采用的平滑法包括移动平均平滑法、卷积平滑法、高斯平滑滤波、中值滤波平滑中的一种或多种。
3.根据权利要求1所述的基于近红外高光谱技术无损检测杨梅中黄酮含量的方法，其特征在于所述的最优特征光谱波长范围是960～980、1120～1180和1240～1280nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710100391.8A CN106885782A (zh) | 2017-02-23 | 2017-02-23 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710100391.8A CN106885782A (zh) | 2017-02-23 | 2017-02-23 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106885782A true CN106885782A (zh) | 2017-06-23 |
Family
ID=59179070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710100391.8A Pending CN106885782A (zh) | 2017-02-23 | 2017-02-23 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106885782A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
| CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
| CN109406414A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中香草酸含量的方法 |
| CN111122579A (zh) * | 2020-01-17 | 2020-05-08 | 中国农业科学院都市农业研究所 | 一种生菜叶片黄酮总量测定方法 |
| CN112595693A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种预测水果抗氧化活性模型的建立方法及水果抗氧化活性的预测方法 |
| 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 |
| CN114235720A (zh) * | 2021-12-15 | 2022-03-25 | 杭州电子科技大学 | 一种杨梅果实糖酸度便携式无损检测装置 |
| CN116359173A (zh) * | 2023-04-12 | 2023-06-30 | 广东省农业科学院作物研究所 | 一种基于近红外光谱法测定甘薯茎尖总黄酮的方法及其应用 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011155888A1 (en) * | 2010-06-09 | 2011-12-15 | Umbio Ab | Procedure for hyperspectral image analysis in real time |
| CN102590149A (zh) * | 2012-03-01 | 2012-07-18 | 浙江大学 | 一种虫草菌粉天冬氨酸含量快速检测方法 |
| CN104048941A (zh) * | 2014-06-25 | 2014-09-17 | 常熟雷允上制药有限公司 | 采用近红外光谱快速测定麦冬中多指标性成分含量的方法 |
| CN104062257A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱测定溶液中总黄酮含量的方法 |
| CN105139022A (zh) * | 2015-07-21 | 2015-12-09 | 天津大学 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
-
2017
- 2017-02-23 CN CN201710100391.8A patent/CN106885782A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011155888A1 (en) * | 2010-06-09 | 2011-12-15 | Umbio Ab | Procedure for hyperspectral image analysis in real time |
| CN102590149A (zh) * | 2012-03-01 | 2012-07-18 | 浙江大学 | 一种虫草菌粉天冬氨酸含量快速检测方法 |
| CN104062257A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱测定溶液中总黄酮含量的方法 |
| CN104048941A (zh) * | 2014-06-25 | 2014-09-17 | 常熟雷允上制药有限公司 | 采用近红外光谱快速测定麦冬中多指标性成分含量的方法 |
| CN105139022A (zh) * | 2015-07-21 | 2015-12-09 | 天津大学 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘小路等: "近红外光谱技术快速无损检测蓝莓总黄酮、花青素的研究", 《食品工业科技》 * |
| 石吉勇等: "不同颜色银杏叶总黄酮含量分布高光谱图像检测", 《农业机械学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
| CN107300536B (zh) * | 2017-08-25 | 2020-02-14 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
| CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
| CN109406414A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中香草酸含量的方法 |
| CN111122579A (zh) * | 2020-01-17 | 2020-05-08 | 中国农业科学院都市农业研究所 | 一种生菜叶片黄酮总量测定方法 |
| CN112595693A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种预测水果抗氧化活性模型的建立方法及水果抗氧化活性的预测方法 |
| 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 |
| CN114235720A (zh) * | 2021-12-15 | 2022-03-25 | 杭州电子科技大学 | 一种杨梅果实糖酸度便携式无损检测装置 |
| CN114235720B (zh) * | 2021-12-15 | 2024-06-11 | 杭州电子科技大学 | 一种杨梅果实糖酸度便携式无损检测装置 |
| CN116359173A (zh) * | 2023-04-12 | 2023-06-30 | 广东省农业科学院作物研究所 | 一种基于近红外光谱法测定甘薯茎尖总黄酮的方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106885782A (zh) | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 | |
| CN107064053A (zh) | 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 | |
| Chen et al. | Discrimination of Ganoderma lucidum according to geographical origin with near infrared diffuse reflectance spectroscopy and pattern recognition techniques | |
| CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
| Li et al. | Classification and quantification analysis of Radix scutellariae from different origins with near infrared diffuse reflection spectroscopy | |
| dos Santos et al. | Predicting carbon and nitrogen by visible near-infrared (Vis-NIR) and mid-infrared (MIR) spectroscopy in soils of Northeast Brazil | |
| CN105203465B (zh) | 一种超光谱红外成像气体监测装置及其监测方法 | |
| CN107615046A (zh) | 在线测量油气管道中的黑色粉末 | |
| CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
| Zhuang et al. | Identification of green tea origins by near-infrared (NIR) spectroscopy and different regression tools | |
| Meng et al. | Discrimination and content analysis of fritillaria using near infrared spectroscopy | |
| CN106645288A (zh) | 桥梁混凝土结构缺陷无损检测***及其检测方法 | |
| CN102539566A (zh) | 运用近红外光谱技术快速测定盾叶薯蓣中薯蓣皂苷含量的方法 | |
| Shao et al. | Fast determination of two atractylenolides in Rhizoma Atractylodis Macrocephalae by Fourier transform near-infrared spectroscopy with partial least squares | |
| CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
| Zhao et al. | Utilising near-infrared hyperspectral imaging to detect low-level peanut powder contamination of whole wheat flour | |
| Stazi et al. | Hyperspectral visible–near infrared determination of arsenic concentration in soil | |
| Edwards et al. | Non-destructive spectroscopic and imaging techniques for the detection of processed meat fraud | |
| Zhang et al. | Multi critical quality attributes monitoring of Chinese oral liquid extraction process with a spectral sensor fusion strategy | |
| CN105115910A (zh) | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 | |
| CN206096011U (zh) | 桥梁混凝土结构缺陷无损检测*** | |
| CN104132909A (zh) | 诃子中没食子酸含量的近红外快速测定方法 | |
| CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
| CN206096010U (zh) | 用于无损检测桥梁混凝土结构缺陷的*** | |
| CN105241838B (zh) | 一种沙棘籽油掺伪的检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170623 |
|
| RJ01 | Rejection of invention patent application after publication |