CN109932336A - 一种全麦粉的快速鉴别方法 - Google Patents
一种全麦粉的快速鉴别方法 Download PDFInfo
- Publication number
- CN109932336A CN109932336A CN201910380380.9A CN201910380380A CN109932336A CN 109932336 A CN109932336 A CN 109932336A CN 201910380380 A CN201910380380 A CN 201910380380A CN 109932336 A CN109932336 A CN 109932336A
- Authority
- CN
- China
- Prior art keywords
- content
- wheat flour
- wholemeal
- sample
- dietary fiber
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 241000209140 Triticum Species 0.000 claims abstract description 57
- 235000021307 Triticum Nutrition 0.000 claims abstract description 57
- 235000013312 flour Nutrition 0.000 claims abstract description 56
- 235000013325 dietary fiber Nutrition 0.000 claims abstract description 35
- 229960001755 resorcinol Drugs 0.000 claims abstract description 25
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000002956 ash Substances 0.000 claims description 38
- 238000001228 spectrum Methods 0.000 claims description 29
- 235000002918 Fraxinus excelsior Nutrition 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 239000000843 powder Substances 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 125000000217 alkyl group Chemical group 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 claims description 3
- YCIMNLLNPGFGHC-UHFFFAOYSA-N catechol Chemical compound OC1=CC=CC=C1O YCIMNLLNPGFGHC-UHFFFAOYSA-N 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000003908 quality control method Methods 0.000 abstract description 4
- 238000002203 pretreatment Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 description 10
- 235000013339 cereals Nutrition 0.000 description 5
- 235000005911 diet Nutrition 0.000 description 5
- 230000037213 diet Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 235000015099 wheat brans Nutrition 0.000 description 4
- 235000020985 whole grains Nutrition 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002795 fluorescence method Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010012559 Developmental delay Diseases 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 240000002805 Triticum turgidum Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及近红外光谱快速检测领域,特别涉及一种全麦粉的快速鉴别方法。该方法采用近红外光谱技术结合不同光谱预处理方法,用偏最小二乘法拟合得到检测模型,从而对小麦粉的灰分、膳食纤维和烷基间苯二酚(ARs)进行快速预测,根据所得三个指标的值来判定小麦粉是否全麦粉或者其可能的加工程度。该方法除了对常规鉴别全麦粉的指标灰分和膳食纤维的含量做快速预测,更是增加了作为全麦粉判别标志物的烷基间苯二酚为检测指标,实现了三个指标的同时检测,大大增加了方法的准确度和可靠性。本方法操作简单,适用于质控、生产等领域。本发明方法不需要样品前处理、简单易行,分析成本低,准确度高,易于推广应用。
Description
技术领域
本发明涉及近红外光谱快速检测领域,特别涉及一种全麦粉的快速鉴别方法。
背景技术
人们对全谷物促进营养健康作用的认识已逐步深入。欧美等国家大量的流行病学和基础性研究证明,经常食用全谷物食品能有效降低患Ⅱ型糖尿病、心脑血管疾病、癌症等慢性疾病的风险。美国谷物化学家协会(AACC)在1999年最早提出全谷物定义:全谷物是指完整、碾碎、破碎或压片的颖果,基本组成包括淀粉质胚乳、胚芽与麸皮,各组成部分的相对比列与完整颖果一样。全麦粉是一种重要的全谷物食品。我国对全麦粉等全谷物食品的关注日益增强,市场上各种全麦粉产品数量不断增多,但由于缺乏产品标准,产品质量参差不齐,市场还处于无序发展的状态。灰分在我国小麦粉国家标准中是判定面粉等级的一个重要指标。美国FDA推荐把膳食纤维含量作为评判全谷物食品的重要指标。已有的研究表明,烷基间苯二酚(ARs)以高含量仅存于全麦的外层麸皮。利用这一特性,将ARs作为全麦粉的一种判别标记物成为可能。灰分的常规测定方法是灼烧法,测定膳食纤维通常用酶-重量法,ARs的检测方法现在比较常用的是分光光度法。这三个指标的化学检测程序复杂,涉及到样品的前处理,需要消耗能源、试剂,样品消化时会释放有毒气体等,测定样品需要的时间也比较长。因此,如何快速得到小麦样品的灰分、膳食纤维和ARs的值,从而根据指标的值来判定未知小麦粉是否全麦粉,对于推动我国制定全谷物相关标准、强化产品品质控制,市场监管等方面都有重要意义。
发明内容
为解决实现快速准确鉴别全麦粉的技术问题,本发明提供一种基于近红外光谱的全麦粉的快速鉴别方法,该方法采用近红外光谱技术结合不同光谱预处理方法,用偏最小二乘法拟合得到检测模型,从而对小麦粉的灰分、膳食纤维和烷基间苯二酚(ARs)进行快速预测,根据所得三个指标的值来判定小麦粉是否全麦粉或者其可能的加工程度。该方法除了对常规鉴别全麦粉的指标灰分和膳食纤维的含量做快速预测,更是增加了作为全麦粉判别标志物的烷基间苯二酚为检测指标,实现了三个指标的同时检测,大大增加了方法的准确度和可靠性。该方法操作简单,适用于质控、生产等领域。
具体而言,本发明提供一种基于近红外光谱技术建立全麦粉中灰分含量、膳食纤维含量和烷基间苯二酚含量预测模型的方法,包括:
收集一定数量有代表性的小麦粉样品,使用近红外光谱仪对小麦粉的近红外光谱进行采集;采用矢量归一化(SNV)法对所采集的光谱进行预处理;
采用常规方法检测获得所述小麦粉样品的灰分含量、膳食纤维含量和烷基间苯二酚含量;
通过偏最小二乘法(PLS)分别建立上述预处理所得光谱与灰分含量、膳食纤维含量和烷基间苯二酚含量关系的预测模型。
进一步地,所述小麦粉样品包括麦芯粉、特一粉和全麦粉。选取此三种不同加工方式的小麦粉,是基于样品多样性的考虑,如果所测未知样品不是全麦粉,那对其为何种加工程度的小麦粉可以做一个大概的估计。因此在建模样品中加入了按照标准制作方法得到的全麦粉(包括淀粉质胚乳、胚芽和麸皮),麦芯粉(只有淀粉质胚乳)和特一粉(加工程度介于上述两种粉之间)。通过大量的筛选实验发现,选用这三种小麦粉样品不仅不会影响所述模型的预测效果,而且增加了模型的实用性,使得该模型既可以用于预测灰分含量、膳食纤维含量和烷基间苯二酚含量,还可以预测小麦粉样品的加工程度。
进一步地,每种所述小麦粉样品(即麦芯粉、特一粉和全麦粉)的数量不少于20个。如果样品数量太少,则样品代表性就不佳,所建模型的预测准确度会受到很大的影响;如果样品数量太多,则样品化学值的检测任务会加大,费时费力。研究发现,每种所述小麦粉样品的数量为20-40个比较理想,既具有较好的代表性,又不会增加检测任务量,省时省力。
研究发现,光谱预处理方法和光谱范围的选择对于该模型的预测结果具有重要影响。本发明通过比较常用的光谱预处理方法,具体包括矢量归一化法(SNV)、平滑处理、多元散射校正(MSC),一阶导数(1st)、二阶导数(2nd)法以及多种方法联用,采用的光谱范围有近红外全谱(3960-12800cm-1)和4000-9000cm-1这两段光谱,结果发现,4000-9000cm-1对于各种预处理方法来说,结果都优于全谱;对于灰分,膳食纤维和烷基间苯二酚(ARs)的模型预测精度来说矢量归一化法(SNV)是最佳光谱预处理方法。
进一步地,所述近红外光谱扫描范围为扫描谱区3600-12800cm-1,分辨率16cm-1,样品扫描次数64次。仪器使用前需预热2h,扫描过程中保持室温25℃,并严格控制室内湿度,保持环境一致。
本发明中,灰分含量、膳食纤维含量和烷基间苯二酚的检测可按照国家标准方法。具体地,灰分含量的检测按国家食品安全标准GB 5009.4-2016《食品中灰分的测定》;膳食纤维含量的检测按国家食品安全标准GB 5009.88-2014《食品中膳食纤维的测定》;烷基间苯二酚(ARs)含量检测可按照王宇飞等所建立的HPLC-荧光法进行测定(《营养学报》2018.40(3)392-397)。本发明采用HPLC-荧光法可以实现对ARs不同分型的准确定量,大大提高了检测准确度。
研究发现,建模方法处理方法对于鉴别结果也具有重要影响。本发明通过比较常用的建模理方法,结果发现,对于实现快速准确鉴别全麦粉的目的来说,偏最小二乘法所建模型的预测准确度更高,因此是最佳方法。
为进一步验证所建定量模型的预测准确性,本发明上述建模方法还包括对所建立的模型进行验证的步骤。
具体地说,通常将所述小麦粉样品划分为校正集与验证集,其中校正集与验证集小麦粉样品的数量以7:3为佳。
优选地,本发明采用主成分分析法(PCA)将小麦粉样品划分为校正集与验证集,其优点在于与随机分组相比更能保证校正集与验证集的光谱分布相似,从而能够判断模型的预测准确性。另外,采用主成分分析法还可以检验异常值。
通过比较各模型的校正集R2,RMSECV值,以及验证集r2、RMSEP和RPD值可以判断所建立的模型的好坏,一般情况下RPD>3表明,模型定标效果良好,预测准确度高。
R2和r2值越大,RMSECV和RMSEP值越小,或者直接比较RPD值越大者即为最优模型,其对应的光谱范围和光谱预处理方法即为最佳。经筛选,对于灰分、膳食纤维和烷基间苯二酚(ARs)最佳光谱范围是4000-9000cm-1,最佳光谱预处理方法均为矢量归一化(SNV)法。
在本发明一个较佳的实施例中,对于灰分含量预测,光谱范围4000-9000cm-1,光谱预处理方法矢量归一化(SNV),模型校正集R2=0.9762,RMSECV=0.0695,验证集r2=0.9855,RMSEP=0.0531,RPD=8.31;
对于膳食纤维含量预测,光谱范围4000-9000cm-1,光谱预处理方法矢量归一化(SNV),模型校正集R2=0.9841,RMSECV=0.0609,验证集r2=0.9833,RMSEP=0.572,RPD=7.78;
对于烷基间苯二酚(ARs)含量预测,光谱范围4000-9000cm-1,光谱预处理方法矢量归一化(SNV),模型校正集R2=0.9860,RMSECV=3.26,验证集r2=0.9897,RMSEP=2.68,RPD=9.85。
本发明还包括上述模型或上述模型建立方法在快速鉴别全麦粉中的应用。
本发明还提供一种快速鉴别全麦粉的方法,包括:
采集待测小麦粉样品的近红外光谱,采用矢量归一化法对所采集的光谱进行预处理;
将预处理之后的光谱分别输入上述方法所建立的预测模型,分别得到待测小麦粉样品的灰分含量、膳食纤维含量和烷基间苯二酚含量;
判断待测小麦粉样品是否为全麦粉,或判断其加工程度。
在本发明一个具体实施例中,全麦粉中灰分的含量范围为1.3-1.6g/100g;膳食纤维的含量范围为11.40-15.10g/100g;烷基间苯二酚(ARs)的含量范围为47.60-66.30mg/100g。
当待测样品的灰分含量、膳食纤维含量和烷基间苯二酚含量中至少两项在上述含量范围内时,可判断待测样品为全麦粉;否则,待测样品不是全麦粉。
进一步地,上述快速鉴别全麦粉的方法中,采集待测小麦粉样品的近红外光谱的方法以及光谱预处理方法与所述预测模型的建立方法中所使用的光谱采集方法相同。
近红外光谱(Near-infrared spectroscopy,NIRS)以其分析速度快、效率高,样品不需要处理,分析成本低,无污染,操作简便等优点,成为食品安全与质量控制领域的研究热点。它利用有机物的含氢基团(C-H,N-H,O-H,S-H等)在近红外光谱区(780-2500nm)的倍频与合频谱带的特征振动信息,来测定化学成分的含量。
本发明首次利用近红外光谱技术结合偏最小二乘法(PLS)建立了关于灰分、膳食纤维和烷基间苯二酚(ARs)含量的定量预测模型,实现了对于全麦粉的快速鉴别,以及对于小麦粉加工程度的快速判定,能够简便快速准确地进行品质检验。
本发明为全麦粉品质鉴定提供了一种新方法,该方法操作简单,不需要样品前处理、简单易行,分析成本低,准确度高,易于推广应用。
附图说明
图1是偏最小二乘法预测模型的构建及未知样品预测流程图;
图2是样品灰分含量的预测值与参考值对比图;
图3是样品膳食纤维含量的预测值与参考值对比图;
图4是样品ARs含量的预测值与参考值对比图。
图5是实验例选取的近红外光谱范围。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件,或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者,均为可通过正规渠道商购买得到的常规产品。
以下灰分、膳食纤维含量分别按照我国食品安全国家标准GB 5009.4-2016和GB5009.88-2014进行测定;ARs的含量按照王宇飞等所建立的HPLC-荧光法测定(《营养学报》2018.40(3)392-397.)。
以下样品的近红外光谱采集用德国布鲁克(Bruker)公司的MPA型傅立叶近红外光谱分析仪,小麦粉样品在室温中平衡温度后,放入小的石英玻璃瓶中,采用样品瓶不旋转式扫描,扫描谱区3600-12800cm-1,分辨率16cm-1,扫描速度64,扫描次数64次。光谱使用OPUS7.0采集,仪器使用前需预热2h,扫描过程中保持室温25℃,并严格控制室内湿度,保持环境一致。
实施例1
基于近红外光谱技术建立全麦粉中灰分含量、膳食纤维含量和烷基间苯二酚含量预测模型的方法,包括:
在小麦主产区采集不同品种的小麦样品,其中一部分直接碾压制成全麦粉,另一部分按照标准分别加工为特一粉和麦芯粉;全麦粉、特一粉和麦芯粉各39份样品,共117份小麦粉样品。
利用主成分分析(PCA)剔除异常值并分组,结果并无异常值,选取70%(81份)小麦粉样品作为校正集,30%(36份)小麦粉样品作为验证集。
使用近红外光谱仪对小麦粉样品的近红外光谱进行采集;建模选取光谱范围为4000-9000cm-1,采用矢量归一化法对所采集的光谱进行预处理;
分别测定小麦粉样品的灰分含量、膳食纤维含量和烷基间苯二酚(ARs)含量。
对于校正集小麦粉样品,通过偏最小二乘法分别建立上述预处理所得光谱与灰分含量、膳食纤维含量和烷基间苯二酚含量关系的偏最小二乘法回归模型。具体如下:
对于灰分含量预测,光谱范围4000-9000cm-1,模型校正集R2=0.9762,RMSECV=0.0695,验证集r2=0.9855,RMSEP=0.0531,RPD=8.31;
对于膳食纤维含量预测,光谱范围4000-9000cm-1,模型校正集R2=0.9841,RMSECV=0.0609,验证集r2=0.9833,RMSEP=0.572,RPD=7.78;
对于烷基间苯二酚(ARs)含量预测,光谱范围4000-9000cm-1,模型校正集R2=0.9860,RMSECV=3.26,验证集r2=0.9897,RMSEP=2.68,RPD=9.85。
比较各模型的校正集R2,RMSECV值,以及验证集r2、RMSEP和RPD值可以判断所建立的模型的好坏,一般情况下RPD>3表明,模型定标效果良好,预测准确度高r2和RMSEP值,r2值最大,RMSEP值最小者或者直接比较RPD值最大者即为最优模型,其对应的光谱范围和光谱预处理方法就是最佳光谱范围和预处理方法。经筛选,对于灰分、膳食纤维和烷基间苯二酚(ARs)最佳光谱范围均是4000-9000cm-1,最佳预处理方法均为矢量归一化(SNV)。
模型验证
将经矢量归一化法预处理后的验证集样品的近红外光谱,代入所建立的预测模型,分别得到验证集样品的灰分、膳食纤维和ARs的含量预测值。模型预测效果预测均方根误差(Root mean square error of prediction,RMSEP)和预测相关系数(Correlationcoefficient,rp)或者直接由PRD(Ratio of prediction to deviation)来评价。模型预测准确度越高,RMSEP值越小,rp值越大,RPD值越大。
此近红外关于灰分的预测模型其RMSEP、rp和RPD值分别是0.0531和0.9927和8.31,关于膳食纤维的预测模型其RMSEP和rp分别是0.555和0.9916和7.78;关于ARs的预测模型其RMSEP和rp分别是2.68和0.9948和9.85。预测值和参考值之间的关系见图2-图4。
实施例2
基于实施例1,得到的全麦粉的三个指标的含量范围分别是:全麦粉中灰分的含量范围为1.3-1.6g/100g;膳食纤维的含量范围为11.40-15.10g/100g;烷基间苯二酚(ARs)的含量范围为47.60-66.30mg/100g。
用近红外光谱技术按与实施例1相同的方法采集6个未知样品小麦粉的近红外光谱,采用矢量归一化法对所采集的光谱进行预处理;将预处理之后的光谱输入实施例1所建立的模型,得到样品的各个指标的含量预测值。结果见下表1。其中灰分,膳食纤维的单位均是g/100g;ARs的单位是mg/100g。
表1
由表1上述6个未知样品的模型预测值和实验室检测值,在判定是否全麦粉上有很显著的优势,预测值与实验室检测值相差不大。如果不是全麦粉,判定是何种加工程度的小麦粉时,麦芯粉的判定准确度更高,将ARs作为主要的判定标准,较低的ARs值代表样品中含有的麸皮成分几乎没有,更有可能是麦芯粉。
实验例
取与实施例1相同的小麦粉样品,其中校正集、验证集样品也与实施例1相同。
本实验应用两种光谱范围:近红外全谱(12800-3960cm-1)和包含全部峰值信息的谱段(9000-4000cm-1),利用不同预处理方法建立模型进行对比。其中选取的近红外光谱范围,见图5。
不同光谱范围,不同光谱预处理方法所建模型的各参数比较总结如下表2-4:包括7种光谱预处理方法,无光谱预处理(Raw)、矢量归一化(SNV)、多元散射校正(MSC)、一阶导数(1st)、二阶导数(2nd)、矢量归一化+一阶导数(SNV+1st)和多元散射校正+一阶导数(MSC+1st)。
表2灰分建模效果比较
灰分最佳模型的选取,比较RPD值,最大的为8.31,光谱范围是9000-4000cm-1,最佳光谱预处理方法是矢量归一化(SNV)
表3膳食纤维建模效果比较
膳食纤维最佳模型的选取,比较RPD值最大的是7.78,光谱范围是9000-4000cm-1,最佳光谱预处理方法是矢量归一化(SNV)
表4烷基间苯二酚(ARs)建模效果比较
ARs最佳模型的选取,比较RPD值,在9000-4000范围内SNV+1st和MSC+1st的值是一样的,均为11.2,表明所建模型都能很好的预测未知样品,但是这两种方法建模的维数(factor)均是10,数值高,有过拟合的可能。因此还是选择矢量归一化(SNV)作为最佳处理方法,正好可以与灰分、膳食纤维保持相同处理方法以及光谱范围,方便建模。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于近红外光谱技术建立全麦粉中灰分含量、膳食纤维含量和烷基间苯二酚含量预测模型的方法,其特征在于,包括:
收集一定数量有代表性的小麦粉样品,使用近红外光谱仪对小麦粉的近红外光谱进行采集;采用矢量归一化法对所采集的光谱进行预处理;
采用常规方法检测获得所述小麦粉样品的灰分含量、膳食纤维含量和烷基间苯二酚含量;
通过偏最小二乘法分别建立上述预处理所得光谱与灰分含量、膳食纤维含量和烷基间苯二酚含量关系的预测模型。
2.根据权利要求1所述的方法,其特征在于,所述小麦粉样品包括麦芯粉、特一粉和全麦粉;优选每种所述小麦粉样品的数量为20-40个。
3.根据权利要求1或2所述的方法,其特征在于,采用的光谱范围为4000-9000cm-1。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述近红外光谱扫描范围为扫描谱区3600-12800cm-1,分辨率16cm-1,样品扫描次数64次。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括对所建立的模型进行验证的步骤;具体将所述小麦粉样品划分为校正集与验证集,其中校正集与验证集小麦粉样品的数量优选为7:3。
6.根据权利要求5所述的方法,其特征在于,采用主成分分析法将小麦粉样品划分为校正集与验证集。
7.权利要求1-6任一项所述方法所建立的预测模型在快速鉴别全麦粉中的应用。
8.权利要求1-6任一项所述方法在快速鉴别全麦粉中的应用。
9.一种快速鉴别全麦粉的方法,其特征在于,包括:
按权利要求1-6任一项所述方法分别建立小麦粉灰分含量、膳食纤维含量和烷基间苯二酚含量的预测模型;
采集待测小麦粉样品的近红外光谱,采用矢量归一化法对所采集的光谱进行预处理;
将预处理之后的光谱分别输入上述预测模型,分别得到待测小麦粉样品的灰分含量、膳食纤维含量和烷基间苯二酚含量;
判断待测小麦粉样品是否为全麦粉,或判断其加工程度。
10.根据权利要求9所述的方法,其特征在于,采集待测小麦粉样品的近红外光谱的方法与所述预测模型的建立方法中所使用的光谱采集方法相同。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019103444030 | 2019-04-26 | ||
CN201910344403 | 2019-04-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109932336A true CN109932336A (zh) | 2019-06-25 |
Family
ID=66991456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910380380.9A Pending CN109932336A (zh) | 2019-04-26 | 2019-05-08 | 一种全麦粉的快速鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109932336A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649408A (zh) * | 2020-12-22 | 2021-04-13 | 北京工商大学 | 烷基间苯二酚定量检测的分子印迹荧光传感器及制备方法 |
CN114354535A (zh) * | 2022-01-06 | 2022-04-15 | 中国科学院长春光学精密机械与物理研究所 | 基于近红外光谱技术的可溶性膳食纤维快速检测方法 |
CN115718082A (zh) * | 2022-12-21 | 2023-02-28 | 方达医药技术(苏州)有限公司 | 一种制剂中虫胶的鉴别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655454A (zh) * | 2009-09-15 | 2010-02-24 | 北京市农林科学院 | 一种粮食储存品质判定的快速测定方法 |
CN103149174A (zh) * | 2013-03-19 | 2013-06-12 | 周口市农业科学院 | 一种快速检测小麦籽粒中黄色素含量的方法 |
CN107741408A (zh) * | 2017-10-16 | 2018-02-27 | 南京财经大学 | 一种全麦粉品质的中红外光谱检测方法 |
CN108519348A (zh) * | 2018-04-17 | 2018-09-11 | 宁夏医科大学 | 甘草药材近红外定量分析模型及检测方法和标准 |
-
2019
- 2019-05-08 CN CN201910380380.9A patent/CN109932336A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655454A (zh) * | 2009-09-15 | 2010-02-24 | 北京市农林科学院 | 一种粮食储存品质判定的快速测定方法 |
CN103149174A (zh) * | 2013-03-19 | 2013-06-12 | 周口市农业科学院 | 一种快速检测小麦籽粒中黄色素含量的方法 |
CN107741408A (zh) * | 2017-10-16 | 2018-02-27 | 南京财经大学 | 一种全麦粉品质的中红外光谱检测方法 |
CN108519348A (zh) * | 2018-04-17 | 2018-09-11 | 宁夏医科大学 | 甘草药材近红外定量分析模型及检测方法和标准 |
Non-Patent Citations (2)
Title |
---|
徐一茹等: "基于近红外和中红外光谱技术的小麦粉品质检测及掺杂鉴别方法", 《食品科学》 * |
汪丽萍等: "国内外市场上全麦粉的品质分析研究", 《粮食科技与经济》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649408A (zh) * | 2020-12-22 | 2021-04-13 | 北京工商大学 | 烷基间苯二酚定量检测的分子印迹荧光传感器及制备方法 |
CN114354535A (zh) * | 2022-01-06 | 2022-04-15 | 中国科学院长春光学精密机械与物理研究所 | 基于近红外光谱技术的可溶性膳食纤维快速检测方法 |
CN115718082A (zh) * | 2022-12-21 | 2023-02-28 | 方达医药技术(苏州)有限公司 | 一种制剂中虫胶的鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
Femenias et al. | Standardisation of near infrared hyperspectral imaging for quantification and classification of DON contaminated wheat samples | |
CN105044022B (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
CN109932336A (zh) | 一种全麦粉的快速鉴别方法 | |
CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
Xu et al. | A calibration transfer optimized single kernel near-infrared spectroscopic method | |
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 | |
CN106092962A (zh) | 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN108548792A (zh) | 一种花生籽仁可溶性糖含量的快速无损检测方法 | |
CN109142263A (zh) | 一种固体推进剂制备过程的组分分散均匀性在线测试方法 | |
Chen et al. | Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks | |
Zhao et al. | Integration of spectra and image features of Vis/NIR hyperspectral imaging for prediction of deoxynivalenol contamination in whole wheat flour | |
Innamorato et al. | Tracing the geographical origin of lentils (Lens culinaris Medik.) by infrared spectroscopy and chemometrics | |
CN106226267B (zh) | 一种辣椒干色价的近红外测定方法 | |
CN105675538B (zh) | 一种胡麻饼养分的检测方法 | |
CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN109406447A (zh) | 一种高粱中单宁的近红外检测方法 | |
CN108318446A (zh) | 一种检测花生种子总维生素e含量的近红外光谱模型及应用 | |
CN112782116A (zh) | 利用近红外光谱检测中药大蜜丸水分含量的方法和应用 | |
CN106872398A (zh) | 一种hmx***水分含量快速测量方法 | |
KR101660482B1 (ko) | 근적외선분광광도계를 이용한 홍삼 농축액의 원산지 판별방법 | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |