CN108760647A - 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 - Google Patents
一种基于可见/近红外光谱技术的小麦带菌量线检测方法 Download PDFInfo
- Publication number
- CN108760647A CN108760647A CN201810227797.7A CN201810227797A CN108760647A CN 108760647 A CN108760647 A CN 108760647A CN 201810227797 A CN201810227797 A CN 201810227797A CN 108760647 A CN108760647 A CN 108760647A
- Authority
- CN
- China
- Prior art keywords
- sample
- wheat
- plate count
- total plate
- molds
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 57
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000002835 absorbance Methods 0.000 claims abstract description 6
- 239000013307 optical fiber Substances 0.000 claims abstract description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 6
- 230000001373 regressive effect Effects 0.000 claims abstract description 5
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract description 3
- 239000000523 sample Substances 0.000 claims description 77
- 238000012795 verification Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 241000894006 Bacteria Species 0.000 claims description 3
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000010453 quartz Substances 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- ZZIZZTHXZRDOFM-XFULWGLBSA-N tamsulosin hydrochloride Chemical compound [H+].[Cl-].CCOC1=CC=CC=C1OCCN[C@H](C)CC1=CC=C(OC)C(S(N)(=O)=O)=C1 ZZIZZTHXZRDOFM-XFULWGLBSA-N 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 3
- 235000013339 cereals Nutrition 0.000 description 10
- 238000013461 design Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000021329 brown rice Nutrition 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012067 mathematical method Methods 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
- 238000007747 plating Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000010891 toxic waste Substances 0.000 description 1
- 230000005945 translocation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000009941 weaving Methods 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
-
- 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
本发明提供一种基于可见/近红外光谱技术的小麦带菌量线检测方法，涉及小麦菌落总数检测技术领域，包括以下步骤：收集不同带菌量小麦样品；光谱检测，采用可见/近红外光纤光谱仪扫描运动状态下样品的漫反射光谱信息，并取部分样品，测定其菌落总数；光谱数据预处理：对样品的原始光谱信息进行预处理，消除干扰因素；定量预测分析，利用偏最小二乘回归分析方法(PLSR)，依据小麦菌落总数水平与其相应光谱吸收值的对应关系，建立真实带菌量与预测水平的相关关系模型；快速测定，利用前述建立的模型，基于待测小麦的光谱信息而输出其实际带菌量。本发明检测方便，检测成本低，检测效率高，可在线对大批量样品进行实时分析。
Description
技术领域
本发明涉及小麦菌落总数检测技术领域，具体涉及一种基于可见/近红外光谱技术实现小麦带菌量的快速在线检测方法。
背景技术
小麦是中国半数以上人口的主粮，小麦及其制品的质量安全直接关系到我国过半人口的食品安全。小麦是我国最重要的长期储备粮食，在良好的储藏条件下，小麦品质不会发生很大的变化。然而，在适宜的水分和温度条件下，由于小麦皮层的吸湿特性和粮堆温度变化引起的水分迁移等因素的影响可使局部小麦籽粒水分含量升高，从而引起霉菌在粮堆中的生长并导致小麦品质的劣变。据报道，我国每年因霉变造成的粮食产后损失高达2100万吨，占全国粮食总产量的4.2％，是每年新增粮食产量的4倍多。
发展高灵敏度且快速简便的检测方法对于判定小麦霉菌侵染情况并进行有效控制显得尤为重要。然而，在我国目前的粮食及食品国家标准中，小麦菌落总数的测定还是沿用传统的平板接种、培养、稀释、计数的方法。其检测过程繁琐，效率低，耗时长。在很多情况下，粮食收储、贸易和加工部门待测的样品往往是大批量的，检测结果需要实时反馈以做出决策，而以上传统的检测手段已经越来越无法适应实际需求。
可见/近红外光谱技术是近年来发展起来的一种新型、快速、无损检测技术，具有绿色环保、低成本等诸多优势，实现样品品质实时在线检测，越来越受到食品、烟草、医药、纺织等行业的重视，并在上述行业中得到广泛应用。因此，利用可见/近红外光谱分析技术，建立小麦菌落总数在线快速检测方法体系，对于确保粮食质量安全具有重要的意义。
发明内容
本发明的目的在于提供一种可见/近红外光谱在线检测小麦带菌量的方法，来解决上述技术问题。
本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的，本发明提出一种可见/近红外光谱在线检测小麦带菌量的方法，按照下述步骤进行：
步骤(1)样品准备，收集不同带菌量小麦样品，置于4℃冷藏备用；
步骤(2)光谱检测，采用可见/近红外光纤光谱仪扫描运动状态下样品的光谱信息，并取样品，采用GB/T 4789.2-2010平板计数法测定其菌落总数；
步骤(3)数据预处理，对前述步骤(2)得到的样品的原始光谱信息进行预处理，消除干扰；
步骤(4)定量预测分析，基于偏最小二乘回归分析方法(PLSR)，依据小麦样品菌落总数水平与其相应光谱吸收值的对应关系，建立样品中菌落总数真实水平与预测水平的相关关系模型；
步骤(5)快速测定，利用前述步骤(4)建立的模型，基于待测小麦的光谱信息而输出其实际菌落总数。
其中步骤(2)中，利用蔡司MCS 600型近红外光纤光谱仪和OMK500-H/NIR漫反射探头采集运动状态下样品的光谱信息，按照下述步骤进行：
光谱仪预热20min。将小麦样品放置于直径8cm圆柱形石英比色皿中并压实平整，样品厚度为1.5cm。将比色皿放置于可调速皮带传送带中线位置处，调节传送带速度为0.15m/s。当样品传送至与光谱仪连接的OMK500-H/NIR漫反射探头正下方时采集样品光谱，探头距样品表面垂直距离为4cm，光斑直径约为1cm2。采集波长范围为600nm～1600nm，积分时间20ms。每个样品重复扫描三次，采用红外光谱处理软件OMNIC软件对3次扫描所得光谱进行平均处理，取平均光谱进行分析。
其中步骤(3)中的数据预处理，按照下述步骤进行：
采用多元散射校正(multiplicative scatter correction,MSC)和Savitzky-Golay平滑预处理方法对样品的原始平均光谱进行预处理，即将光谱中的散射光信号与化学吸收信息进行分离。
其中步骤(4)定量预测分析，将小麦样品中菌落总数真实水平与预测水平的相关关系模型的建立过程，按照下述步骤进行：
步骤(4-1)：选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，选取2/3样品的光谱信息用于模型构建，剩余1/3样品作为预测集样本，用于验证模型精度和稳健性；
步骤(4-2)：对小麦菌落总数水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中菌落总数的浓度值：
y＝tB
上式中：y为某个待测样本菌落总数预测浓度值，t为某个待测样本光谱分解的得分，B为回归系数矩阵；
步骤(4-3)：依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥3.0，表明此模型可用于定量分析目的；否则，进行多次重复试验，以降低偶然或***误差对试验的影响，直到满足RPD≥3.0。
步骤(4-4)：将样品中菌落总数的实际检测水平作为自变量x，将经PLSR方法得到的菌落总数的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
由以上技术方案可知，本发明的方案利用可见/近红外光谱技术实现小麦带菌量的快速在线检测，与传统检测方法相比，具有以下显著优点：
(1)检测方便，无需对小麦中的霉菌进行传统计数，仅需应用近红外光谱技术采集小麦霉菌污染的特征光谱信息。
(2)不损伤样品，节能环保，不需配制化学试剂，不产生有毒废液，降低了对人体和环境的危害。
(3)检测成本低，无需购买昂贵的化学试剂及各种分析仪器。
(4)检测效率高，可在线对大批量样品进行实时分析。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是说明根据本发明某些实施例的基于可见/近红外光谱技术的小麦带菌量在线检测方法实现流程图。
图2为小麦菌落总数真实值与光谱信号预测值的相关关系。
具体实施方式
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示的本发明某些实施例的基于可见/近红外光谱的小麦带菌量在线检测方法的流程，根据本发明的实施例，一种基于可见/近红外光谱技术的小麦带菌量在线检测方法，包括以下步骤：步骤1、收集不同带菌量小麦样品；步骤2、光谱检测，采用可见/近红外光纤光谱仪扫描运动状态下样品的漫反射光谱信息，并取部分样品，测定其菌落总数；步骤3、光谱数据预处理：对样品的原始光谱信息进行预处理，消除干扰因素；步骤4、定量预测分析，利用偏最小二乘回归分析方法(PLSR)，依据小麦菌落总数水平与其相应光谱吸收值的对应关系，建立真实带菌量与预测水平的相关关系模型；步骤5、快速测定，利用前述建立的模型，基于待测小麦的光谱信息而输出其实际带菌量。
下面结合一些示例性的例子，以及图1和图2，对前述方法加以更具体的说明。
一、样品准备。收集150份不同带菌量小麦样品，除杂放置于4℃冷藏备用。
二、样品光谱测定。室温(25℃)下开启计算机和蔡司MCS 600型近红外光纤光谱仪，预热20min。将小麦样品放置于直径8cm圆柱形石英比色皿中并压实平整，样品厚度为1.5cm。将比色皿放置于可调速皮带传送带中线位置处，调节传送带速度为0.15m/s。当样品传送至与光谱仪连接的OMK500-H/NIR漫反射探头正下方时采集样品光谱，探头距样品表面垂直距离为4cm，光斑直径约为1cm2。样品检测前先测定背景(空气)光谱；采用吸收模式，采集波长范围为600nm～1600nm，积分时间20ms。每个样品重复扫描三次，采用OMNIC软件对3次扫描所得光谱进行平均处理，取平均光谱进行分析。从每份小麦样品中取出25g，采用平板计数法对小麦菌落总数含量水平进行测定。
三、数据预处理。基于TQ analyst 6.0软件，首先，采用MSC和Savitzky-Golay平滑对糙米样品原始平均光谱进行预处理，即通过数学方法将光谱中的散射光信号与化学吸收信息进行分离。
四、定量预测分析。采用TQ Analyst 6.0软件进行PLSR回归计算，具体步骤如下：
1.首先，选取建模集和预测集样本。在光谱分析中，模型构建前，需对样本的建模集与验证集进行挑选，KS算法常用于划分建模集及验证集样本数，可用于偏最小二乘、主成分回归等建模集和验证集的划分，即通过计算自变量x，即光谱之间的欧式距离，将光谱差异大的样本选入建模集，剩余距离较小样本归为验证集，减少了相似样本被选入建模集。KS算法中样本差异性是通过比较两个样本p,q之间光谱(X向量)的欧氏距离来确定的，即
xp(j)和xq(j)是样本p和q在第j个波数的吸光度值，J代表光谱波数数目。
采用KS算法，选取100个样品的光谱信息用于模型构建，剩余50个样品作为预测集样本，验证模型可靠性。
2.其次，基于偏最小二乘回归分析方法(PLSR)，依据小麦样品中菌落总数水平与其相应光谱吸收值的对应关系，建立小麦菌落总数真实水平与预测水平的相关关系模型。
PLSR作为化学计量学中比较经典的分析方法，具有可以实现回归模型、数据结构化及两组变量之间的相关性分析的作用，能用少量的PLSR因子数来预测未知样品的含量，可以解决许多普通多元回归方法无法解决的问题。
具体步骤如下：
对小麦菌落总数水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中菌落总数水平。
y＝tB
上式中：y为某个待测样本菌落总数水平，t为某个待测样本光谱分解的得分，B为回归系数矩阵。
其次，依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥3.0，表明此模型可用于定量分析目的；否则，需进行多次重复试验，以降低偶然或***误差对试验的影响。
最后，将样品中菌落总数实际检测水平作为自变量x，将经PLSR方法得到的菌落总数预测水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
小麦菌落总数实际检测值与光谱预测值的关系如图2所示，其模型验证结果见表1和表2。表1为全部样品PLSR模型建模和预测分析统计结果，预测决定系数Rp2高于0.90，RPD大于3.0，表明模型预测能力较强，模型稳健性好。表2为50个验证集的带菌量分析结果，测量值与真实值间的残差较小，表明预测结果较好，误差小。
表1基于可见/近红外光谱的小麦菌落总数PLSR模型分析结果
表2小麦带菌量的在线定量分析验证集结果(单位：Log CFU/g)
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (4)
1.一种可见/近红外光谱在线检测小麦带菌量的方法，其特征在于按照下述步骤进行：
步骤(1)样品准备，收集不同带菌量小麦样品，置于4℃冷藏备用；
步骤(2)光谱检测，采用可见/近红外光纤光谱仪扫描运动状态下样品的光谱信息，并取样品，采用GB/T 4789.2-2010平板计数法测定其菌落总数；
步骤(3)数据预处理，对前述步骤(2)得到的样品的原始光谱信息进行预处理，消除干扰；
步骤(4)定量预测分析，基于偏最小二乘回归分析方法(PLSR)，依据小麦样品菌落总数水平与其相应光谱吸收值的对应关系，建立样品中菌落总数真实水平与预测水平的相关关系模型；
步骤(5)快速测定，利用前述步骤(4)建立的模型，基于待测小麦的光谱信息而输出其实际菌落总数。
2.根据权利要求1所述的一种可见/近红外光谱在线检测小麦带菌量的方法，其特征在于其中步骤(2)中，利用蔡司MCS 600型近红外光纤光谱仪和OMK500-H/NIR漫反射探头采集运动状态下样品的光谱信息，按照下述步骤进行：
光谱仪预热20min；将小麦样品放置于直径8cm圆柱形石英比色皿中并压实平整，样品厚度为1.5cm；将比色皿放置于可调速皮带传送带中线位置处，调节传送带速度为0.15m/s；当样品传送至与光谱仪连接的OMK500-H/NIR漫反射探头正下方时采集样品光谱，探头距样品表面垂直距离为4cm，光斑直径约为1cm2；采集波长范围为600nm～1600nm，积分时间20ms；每个样品重复扫描三次，采用红外光谱处理软件OMNIC对3次扫描所得光谱进行平均处理，取平均光谱进行分析。
3.根据权利要求1所述的一种可见/近红外光谱在线检测小麦带菌量的方法，其特征在于其中步骤(3)中的数据预处理，按照下述步骤进行：
采用多元散射校正方法MSC和移动窗口拟和多项式Savitzky-Golay平滑对样品的原始平均光谱进行预处理，即将光谱中的散射光信号与化学吸收信息进行分离。
4.根据权利要求1所述的一种可见/近红外光谱在线检测小麦带菌量的方法，其特征在于其中步骤(4)定量预测分析，将小麦样品中菌落总数真实水平与预测水平的相关关系模型的建立过程，按照下述步骤进行：
步骤(4-1)：选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，选取2/3样品的光谱信息用于模型构建，剩余1/3样品作为预测集样本，用于验证模型精度和稳健性；
步骤(4-2)：对小麦菌落总数水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中菌落总数的浓度值：
y＝tB
上式中：y为某个待测样本菌落总数预测浓度值，t为某个待测样本光谱分解的得分，B为回归系数矩阵；
步骤(4-3)：依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥3.0，表明此模型可用于定量分析目的；否则，进行多次重复试验，以降低偶然或***误差对试验的影响，直到满足RPD≥3.0；
步骤(4-4)：将样品中菌落总数的实际检测水平作为自变量x，将经PLSR方法得到的菌落总数的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810227797.7A CN108760647A (zh) | 2018-03-20 | 2018-03-20 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810227797.7A CN108760647A (zh) | 2018-03-20 | 2018-03-20 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108760647A true CN108760647A (zh) | 2018-11-06 |
Family
ID=63980512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810227797.7A Pending CN108760647A (zh) | 2018-03-20 | 2018-03-20 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108760647A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163276A (zh) * | 2019-05-15 | 2019-08-23 | 浙江中烟工业有限责任公司 | 一种近红外光谱建模样本的筛选方法 |
| CN110208201A (zh) * | 2019-06-11 | 2019-09-06 | 华东交通大学 | 水果在线检测装置及在线检测模型的维护方法 |
| CN110411975A (zh) * | 2019-08-09 | 2019-11-05 | 南京财经大学 | 一种冻干双孢菇霉变程度检测方法及*** |
| CN111665216A (zh) * | 2020-06-02 | 2020-09-15 | 中南民族大学 | 一种判定速冻面米制品中大肠杆菌和金黄色葡萄球菌污染程度的方法 |
| CN113418889A (zh) * | 2021-05-17 | 2021-09-21 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
| CN114002166A (zh) * | 2021-10-29 | 2022-02-01 | 南京财经大学 | 一种基于高光谱成像技术的稻谷三种曲霉霉变定量检测方法 |
| CN114813631A (zh) * | 2022-06-23 | 2022-07-29 | 中化现代农业有限公司 | 小麦品种纯度检测方法、装置和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1129615A (zh) * | 1995-02-24 | 1996-08-28 | 株式会社佐竹制作所 | 谷物颗粒颜色分拣机 |
| CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
| CN104730027A (zh) * | 2015-02-03 | 2015-06-24 | 中国农业大学 | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 |
| CN105445217A (zh) * | 2015-07-27 | 2016-03-30 | 南京财经大学 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
-
2018
- 2018-03-20 CN CN201810227797.7A patent/CN108760647A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1129615A (zh) * | 1995-02-24 | 1996-08-28 | 株式会社佐竹制作所 | 谷物颗粒颜色分拣机 |
| CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
| CN104730027A (zh) * | 2015-02-03 | 2015-06-24 | 中国农业大学 | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 |
| CN105445217A (zh) * | 2015-07-27 | 2016-03-30 | 南京财经大学 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
Non-Patent Citations (9)
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163276A (zh) * | 2019-05-15 | 2019-08-23 | 浙江中烟工业有限责任公司 | 一种近红外光谱建模样本的筛选方法 |
| CN110208201A (zh) * | 2019-06-11 | 2019-09-06 | 华东交通大学 | 水果在线检测装置及在线检测模型的维护方法 |
| CN110411975A (zh) * | 2019-08-09 | 2019-11-05 | 南京财经大学 | 一种冻干双孢菇霉变程度检测方法及*** |
| CN111665216A (zh) * | 2020-06-02 | 2020-09-15 | 中南民族大学 | 一种判定速冻面米制品中大肠杆菌和金黄色葡萄球菌污染程度的方法 |
| CN113418889A (zh) * | 2021-05-17 | 2021-09-21 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
| CN114002166A (zh) * | 2021-10-29 | 2022-02-01 | 南京财经大学 | 一种基于高光谱成像技术的稻谷三种曲霉霉变定量检测方法 |
| CN114813631A (zh) * | 2022-06-23 | 2022-07-29 | 中化现代农业有限公司 | 小麦品种纯度检测方法、装置和电子设备 |
| CN114813631B (zh) * | 2022-06-23 | 2022-09-06 | 中化现代农业有限公司 | 小麦品种纯度检测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
| CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
| CN103018195B (zh) | 近红外光谱测定pbx***中pctfe含量的方法 | |
| CN105486658B (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
| CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
| Botelho et al. | Development and analytical validation of robust near-infrared multivariate calibration models for the quality inspection control of mozzarella cheese | |
| CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
| CN105445217A (zh) | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 | |
| Qing et al. | Wavelength selection for predicting physicochemical properties of apple fruit based on near‐infrared spectroscopy | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| Nturambirwe et al. | Detecting bruise damage and level of severity in apples using a contactless nir spectrometer | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析***及方法 | |
| KR100934410B1 (ko) | 근적외 분광분석법을 이용한 곡물 종실의 무게 측정방법 | |
| CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
| CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
| Xu et al. | Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy | |
| CN110376154A (zh) | 基于光谱校正的水果在线检测方法及*** | |
| CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
| CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
| CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
| Hadiwijaya et al. | Water content prediction of ‘crystal’guava using visible-near infrared spectroscopy and chemometrics approach | |
| CN106872398A (zh) | 一种hmx***水分含量快速测量方法 | |
| CN104596982A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶果胶的方法 | |
| CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
| CN113418889A (zh) | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |