CN112748085A - 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 - Google Patents
一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 Download PDFInfo
- Publication number
- CN112748085A CN112748085A CN202011525736.2A CN202011525736A CN112748085A CN 112748085 A CN112748085 A CN 112748085A CN 202011525736 A CN202011525736 A CN 202011525736A CN 112748085 A CN112748085 A CN 112748085A
- Authority
- CN
- China
- Prior art keywords
- rice
- cadmium
- infrared
- cadmium content
- infrared information
- 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
- 241000209094 Oryza Species 0.000 title claims abstract description 129
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 129
- 235000009566 rice Nutrition 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 102
- 229910052793 cadmium Inorganic materials 0.000 title claims abstract description 95
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 title claims abstract description 95
- 230000029087 digestion Effects 0.000 claims description 43
- VLTRZXGMWDSKGL-UHFFFAOYSA-N perchloric acid Chemical compound OCl(=O)(=O)=O VLTRZXGMWDSKGL-UHFFFAOYSA-N 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000010521 absorption reaction Methods 0.000 claims description 13
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 10
- 229910017604 nitric acid Inorganic materials 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 239000003153 chemical reaction reagent Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000004380 ashing Methods 0.000 claims description 2
- 238000000889 atomisation Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000000243 solution Substances 0.000 description 13
- 238000004497 NIR spectroscopy Methods 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 229910001385 heavy metal Inorganic materials 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 238000012569 chemometric method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229910021642 ultra pure water Inorganic materials 0.000 description 1
- 239000012498 ultrapure water Substances 0.000 description 1
- 238000010200 validation analysis Methods 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
- 239000011782 vitamin Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
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
本发明提供了一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法，涉及分析检测技术领域。本发明采用后向间隔最小二乘法筛选大米样品的镉相关特征近红外信息，采用筛选后的镉相关特征近红外信息与镉含量进行拟合，所得近红外模型精确度更好，预测能力大大提升。本发明还提供了一种利用上述技术方案所述的建立方法建立的近红外模型预测大米中镉含量的方法，本发明的方法只需要测定大米的近红外信息，就能实现对大米中镉含量的预测，准确率高、操作简单，且适用范围广。
Description
技术领域
本发明涉及分析检测技术领域，尤其涉及一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法。
背景技术
大米是世界上50％人口的主食，为人们提供主要的热量、维生素、矿物质和蛋白质。随着人们生活水平的提高，大米的安全问题引起了广泛的关注。由于受到环境中重金属的严重威胁，大米面临着越来越大的风险。研究表明，环境中重金属镉可以随着受污染的土壤转移到水稻中来。因此，寻找一种快速检测大米中重金属镉含量的方法较为迫切并且具有重要意义。
近红外光谱(NIR)技术具有快速、准确和无损的特点，近年来被用于替代传统的化学计量分析方法，广泛应用于食品、医药、木材行业。这是由于近红外光谱在不同波段的吸收光谱信息代表了不同的化学键信息。因此，近红外光谱可以与有监督的化学计量方法相结合，建立定量预测模型。目前，近红外光谱技术结合化学计量方法已经被成功的应用在多种食品品质质量检测。
偏最小二乘法(PLS)虽然是近红外定量分析中应用最广泛的经典建模方法。但是，现有技术利用偏最小二乘法建立的模型用于检测大米中重金属含量时，影响因素多、检测准确率低。
发明内容
有鉴于此，本发明的目的在于提供一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法。本发明建立的近红外模型能够实现对大米样品中镉含量的准确预测，且方法简单、适用范围广。
为了实现上述发明目的，本发明提供以下技术方案：
本发明提供了一种预测大米中镉含量的近红外模型的建立方法，包括以下步骤：
测定大米样品的镉含量；
获取大米样品的镉相关特征近红外信息；
利用后向间隔最小二乘法，将所述大米样品的镉含量和镉相关特征近红外信息进行拟合，得到近红外模型；
所述大米样品的镉相关特征近红外信息的获取方法包括以下步骤：
测定大米样品的近红外信息；
将所述大米样品的近红外信息进行光谱预处理，得到预处理后的近红外信息；
基于大米样品的镉含量和预处理后的近红外信息，利用后向间隔最小二乘法进行预建模，得到系列预模型；所述预建模时，后向间隔最小二乘法的参数包括：划分的区间个数n为15～25，主因子数LVs为1～10；
筛选所述系列预模型中交互验证均方根误差(RMESCV)最小的预模型；
提取RMESCV最小的预模型的光谱信息作为大米样品的镉相关特征近红外信息。
优选地，所述测定大米样品的镉含量包括以下步骤：
将大米样品和消解试剂混合，进行消解，得到消解液；
采用原子吸收光谱仪对所述消解液进行测定，得到所述大米样品的镉含量。
优选地，所述消解试剂为硝酸和高氯酸的混合酸；所述硝酸的质量浓度为65～68％；所述高氯酸的质量浓度为70～72％；所述硝酸和高氯酸的体积比为9：1；所述大米样品和消解试剂的料液比为(0.3～0.5)g：(8～10)mL。
优选地，所述消解的温度为180℃，时间为2～2.5h。
优选地，消解结束后，还包括将所得消解体系升温至220℃赶酸1～1.5h，直至消解体系澄清透明。
优选地，所述原子吸收光谱仪的参数包括：光源：空心阴极灯；灯电流：50％；波长：228.8nm；通带宽度：0.5nm；干燥温度：120℃/20s；灰化温度：800℃/20s；原子化温度：1300℃/3s；清除：2500℃/3s。
优选地，测定大米样品的近红外信息的参数包括：采样方式为积分球漫反射；扫描范围为4000～12000cm-1；分辨率为16cm-1；扫描次数为64次；采样点数为1154。
优选地，所述光谱预处理的方法为一阶导数法。
本发明还提供了一种预测大米中镉含量的方法，包括以下步骤：
测定待测大米的近红外信息；
将所述待测大米的近红外信息代入上述技术方案所述的建立方法得到的近红外模型中，得到待测大米的镉含量。
本发明提供了一种预测大米中镉含量的近红外模型的建立方法，包括以下步骤：测定大米样品的镉含量；获取大米样品的镉相关特征近红外信息；利用后向间隔最小二乘法，将所述大米样品的镉含量和镉相关特征近红外信息进行拟合，得到近红外模型；所述大米样品的镉相关特征近红外信息的获取方法包括以下步骤：测定大米样品的近红外信息；将所述大米样品的近红外信息进行光谱预处理，得到预处理后的近红外信息；基于大米样品的镉含量和预处理后的近红外信息，利用后向间隔最小二乘法进行预建模，得到系列预模型；所述预建模时，后向间隔最小二乘法的参数包括：划分的区间个数n为15～25，主因子数LVs为1～10；筛选所述系列预模型中RMESCV最小的预模型；提取RMESCV最小的预模型的光谱信息作为大米样品的镉相关特征近红外信息。本发明采用后向间隔最小二乘法筛选大米样品的镉相关特征近红外信息，采用筛选后的镉相关特征近红外信息与镉含量进行拟合，所得的近红外模型精确度更好，预测能力大大提升。
本发明还提供了一种利用上述技术方案所述的建立方法建立的近红外模型预测大米中镉含量的方法，本发明的方法只需要测定大米的近红外信息，就能实现对大米中镉含量的预测，准确率高、操作简单，且适用范围广。
附图说明
图1为825个样品的原始近红外信息；
图2为经一阶求导法预处理的近红外信息；
图3为BiPLS最优选的大米中镉的近红外特征谱区。
具体实施方式
本发明提供了一种预测大米中镉含量的近红外模型的建立方法，包括以下步骤：
测定大米样品的镉含量；
获取大米样品的镉相关特征近红外信息；
利用后向间隔最小二乘法，将所述大米样品的镉含量和镉相关特征近红外信息进行拟合，得到近红外模型；
所述大米样品的镉相关特征近红外信息的获取方法包括以下步骤：
测定大米样品的近红外信息；
将所述大米样品的近红外信息进行光谱预处理，得到预处理后的近红外信息；
基于大米样品的镉含量和预处理后的近红外信息，利用后向间隔最小二乘法进行预建模，得到系列预模型；所述预建模时，后向间隔最小二乘法的参数包括：划分的区间个数n为15～25，主因子数LVs为1～10；
筛选所述系列预模型中RMESCV最小的预模型；
提取RMESCV最小的预模型的光谱信息作为大米样品的镉相关特征近红外信息。
本发明测定大米样品的镉含量。在本发明中，所述测定大米样品的镉含量的方法优选为GB 5009.15-2014法；所述GB 5009.15-2014优选包括以下步骤：
将大米样品和消解试剂混合，进行消解，得到消解液；
采用原子吸收光谱仪对所述消解液进行测定，得到所述大米样品的镉含量。
本发明将大米样品和消解试剂混合，进行消解，得到消解液。
在本发明中，所述消解试剂优选为硝酸和高氯酸的混合酸；所述硝酸的质量浓度优选为65～68％；所述高氯酸的质量浓度优选为70～72％；所述硝酸和高氯酸的体积比优选为9：1；所述大米样品和消解试剂的料液比优选为(0.3～0.5)g：(8～10)mL，进一步优选为0.3g：8mL。在本发明中，所述消解的温度优选为180℃，时间优选为2～2.5h，进一步优选为2h。消解结束后，本发明优选还包括将所得消解体系升温至220℃赶酸1～1.5h，直至消解体系澄清透明。在本发明中，最终消解液的体积优选为1mL，所述消解液在上机检测前优选还包括进行适当的稀释，本发明对所述稀释的倍数不做具体限定，根据实际情况进行选择即可。
得到消解液后，本发明采用原子吸收光谱仪对所述消解液进行测定，得到所述大米样品的镉含量。在本发明中，所述原子吸收光谱仪的参数如表1所示。
表1原子吸收光谱仪的工作参数
本发明获取大米样品的镉相关特征近红外信息。在本发明中，所述大米样品的镉相关特征近红外信息的获取方法包括以下步骤：
测定大米样品的近红外信息；
将所述大米样品的近红外信息进行光谱预处理，得到预处理后的近红外信息；
基于大米样品的镉含量和预处理后的近红外信息，利用后向间隔最小二乘法进行预建模，得到系列预模型；所述预建模时，后向间隔最小二乘法的参数包括：划分的区间个数n为15～25，主因子数LVs为1～10；
筛选所述系列预模型中RMESCV最小的预模型；
提取RMESCV最小的预模型的光谱信息作为大米样品的镉相关特征近红外信息。
本发明测定大米样品的近红外信息。在本发明中，所述测定大米样品的近红外信息包括以下步骤：采用原子吸收分光光光度计直接对大米样品进行近红外检测；所述原子吸收分光光光度计的参数优选包括：采样方式为积分球漫反射；扫描范围为4000～12000cm-1；分辨率为16cm-1；扫描次数为64次；采样点数为1154。
得到大米样品的近红外信息后，本发明将所述大米样品的近红外信息进行光谱预处理，得到预处理后的近红外信息。在本发明中，所述光谱预处理的方法优选为一阶导数法。
得到大米样品的镉含量和预处理后的近红外信息后，本发明基于大米样品的镉含量和预处理后的近红外信息，利用后向间隔最小二乘法(Backward interwal Partialleast squares regression，BiPLS)进行预建模，得到系列预模型。在本发明中，所述预建模时，后向间隔最小二乘法的参数包括：划分的区间个数n为15～25，主因子数LVs为1～10。
得到系列预模型后，本发明筛选所述系列预模型中RMESCV最小的预模型。本发明对所述筛选的方式不做具体限定，采用本领域技术人员熟知的筛选手段即可。
得到RMESCV最小的预模型后，本发明提取RMESCV最小的预模型的光谱信息作为大米样品的镉特征近红外信息。本发明对所述提取的方式不做具体限定，采用本领域技术人员熟知的提取手段即可。
得到大米样品的镉含量和镉相关特征近红外信息后，本发明利用后向间隔最小二乘法，将所述大米样品的镉含量和镉相关特征近红外信息进行拟合，得到近红外模型。
本发明对所述拟合的方式不做具体限定，采用本领域技术人员熟知的拟合手段即可。
本发明采用后向间隔最小二乘法筛选大米样品的镉相关特征近红外信息，采用筛选后的镉相关特征近红外信息与镉含量进行拟合，所得的近红外模型精确度更好，预测能力大大提升。
本发明还提供了一种预测大米中镉含量的方法，包括以下步骤：
测定待测大米的近红外信息；
将所述待测大米的近红外信息代入上述技术方案所述的建立方法得到的近红外模型中，得到待测大米的镉含量。
本发明测定待测大米的近红外信息。在本发明中，所述测定待测大米的近红外信息的方法和参数优选与上述技术方案一致，在此不再赘述。
得到待测大米的近红外信息后，本发明将所述待测大米的近红外信息代入上述技术方案所述的建立方法得到的模型中，得到待测大米的镉含量。
本发明提供的预测方法只需要测定大米的近红外信息，就能实现对大米中镉含量的预测，准确率高、操作简单，且适用范围广。
下面结合实施例对本发明提供的预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法进行详细的说明，但是不能把它们理解为对本发明保护范围的限定。
实施例1
一、测定大米样品的镉含量
825份大米样本采用国标GB 5009.15-2014中方法测定大米中镉的含量，所述825份大米样本分别来自长沙县北山镇(198个样)，湘阴县新泉镇(210个样品)，株洲市雷打石镇(203个样品)，醴陵市均楚镇(214个样品)。
称取0.3g大米样品至消解瓶中，加入8mL硝酸(优级纯，质量浓度为65～68％)和高氯酸(优级纯，质量浓度为70～72％)按体积比9：1混合而成的混酸中，而后将消解瓶放置电热板上先180℃消解2h，然后升温至220℃消解1h，直至消解液澄清透明，消解液最终体积为1mL；用超纯水将消解液定容稀释至50mL，作为待测液；
采用原子吸收分光光光度计对待测液进行上机检测；
所述原子吸光光谱仪的工作参数如表1所示。
二、获取大米样品的近红外信息
将大米样品均匀装入样品杯中，置于原子吸收分光光光度计上扫描：采样方式为积分球漫反射，光谱扫描范围4000～12000cm-1，分辨率16cm-1，扫描次数64次，采样点数1154；每个样品均重复3次装样扫描，平均得到一条近红外光谱，以消除样品不均匀性带来的干扰。
三、近红外信息的预处理
使用matlab软件，采用一阶导数法对大米样品的原始近红外信息进行光谱预处理，得到预处理后的近红外信息。
图1为825个样品的近红外信息，图2为经一阶求导法预处理的近红外信息。
四、预建模
采用Hotelling t-square方法(霍特林T2)剔除异常样本18个，为了把样品均匀地划分成具有代表性的校正集和预测集，使用The Kennard Stone method(K-S算法)将剩余的807个样本，按照校正集：预测集＝2：1进行划分校正集538个，预测集269个，结果如表2所示。从表2可以看出：样本集的划分比较均匀合理。
表2样本集划分结果
基于大米样品的镉含量和预处理近红外信息，使用后向间隔最小二乘法进行预建模；向间隔最小二乘法将全光谱等分成n个子区间，依次剔除一个子区间，用剩下的n-1个区间联合建模，共计可以计算得到n个RMSECV值。最小RMSECV值所对应的区间就是第一个排除的区间，以此类推，计算直到剩下最后一个区间。
后向间隔最小二乘法将预处理后的光谱数据划分为n个子区间，n的取值范围为15～25。当n取不同值时，采用BiPLS选择的特征子区间如表3所示。
表3BiPLS子区间优化结果
其中，R2 c代表校正集的相关系数，R2 p代表预测集的相关系数，RMSEP为预测均方根误差。
从表3可以看出：当光谱划分为23(即n＝23)时，对应的RMESCV最小。
当光谱被分为23个区间，17个区间被选择时，预模型的效果最优(即RMESCV最小的预模型)，结果如表4所示。图3为BiPLS筛选的最优的大米中镉的近红外特征谱区。
表4BiPLS区间划分为23子区间的具体优化结果
基于最优预模型，提取所述大米样品的镉相关特征近红外信息。
五、模型的建立
利用后向间隔最小二乘法，将大米样品的镉含量和镉相关特征近红外信息进行拟合，得到近红外模型。
六、模型的评价
为了检验所建近红外模型的可靠性和有效性，在优化校正模型时，需要对该近红外模型进行分析检验。
首先用内部交互验证法检验模型的稳健性，通过校正集的相关系数(Rc)和RMSECV来判断模型的质量。为了检验模型的预测能力，即模型的精确性和可行性，需要用验证集的相关系数(Rp)和预测均方根误差(rootmean square error ofprediction，RMSEP)作为判断依据，相关系数越大，RMSEP越小，模型预测性能越好。采用验证集的RMSEP指标，对最终的模型进行评价和比较，结果如表5所示。
PLS法采用全光谱建模：主因子数(LVs)选为10；
iPLS法将全光谱分为5个子区间，选择第3个区间(所选波段为：8925.14-7150.91)进行建模；
BiPLS将全光谱划分为23个子区间，并选择17个子区间进行建模(所选波段为：4744.1-3980.4、5901.2-5137.6、7829.8-6680.4、12096-8223.2)。
将BiPLS、PLS和iPLS建模方法对比，结果如表5所示。从表5可以看出：BiPLS的相关系数Rc和Rp均显著提高，RMSECV和RMSEP均有所减少，说明BiPLS模型的性能包括准确度和预测能力都得到了显著的提高。
表5不同建模方法的比较
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种预测大米中镉含量的近红外模型的建立方法，其特征在于，包括以下步骤：
测定大米样品的镉含量；
获取大米样品的镉相关特征近红外信息；
利用后向间隔最小二乘法，将所述大米样品的镉含量和镉相关特征近红外信息进行拟合，得到近红外模型；
所述大米样品的镉相关特征近红外信息的获取方法包括以下步骤：
测定大米样品的近红外信息；
将所述大米样品的近红外信息进行光谱预处理，得到预处理后的近红外信息；
基于大米样品的镉含量和预处理后的近红外信息，利用后向间隔最小二乘法进行预建模，得到系列预模型；所述预建模时，后向间隔最小二乘法的参数包括：划分的区间个数n为15～25，主因子数LVs为1～10；
筛选所述系列预模型中交互验证均方根误差最小的预模型；
提取交互验证均方根误差最小的预模型的光谱信息作为大米样品的镉相关特征近红外信息。
2.根据权利要求1所述的建立方法，其特征在于，所述测定大米样品的镉含量包括以下步骤：
将大米样品和消解试剂混合，进行消解，得到消解液；
采用原子吸收光谱仪对所述消解液进行测定，得到所述大米样品的镉含量。
3.根据权利要求2所述的建立方法，其特征在于，所述消解试剂为硝酸和高氯酸的混合酸；所述硝酸的质量浓度为65～68％；所述高氯酸的质量浓度为70～72％；所述硝酸和高氯酸的体积比为9：1；所述大米样品和消解试剂的料液比为(0.3～0.5)g：(8～10)mL。
4.根据权利要求2或3所述的建立方法，其特征在于，所述消解的温度为180℃，时间为2～2.5h。
5.根据权利要求4所述的建立方法，其特征在于，消解结束后，还包括将所得消解体系升温至220℃赶酸1～1.5h，直至消解体系澄清透明。
6.根据权利要求2所述的建立方法，其特征在于，所述原子吸收光谱仪的参数包括：光源：空心阴极灯；灯电流：50％；波长：228.8nm；通带宽度：0.5nm；干燥温度：120℃/20s；灰化温度：800℃/20s；原子化温度：1300℃/3s；清除：2500℃/3s。
7.根据权利要求1所述的建立方法，其特征在于，测定大米样品的近红外信息的参数包括：采样方式为积分球漫反射；扫描范围为4000～12000cm-1；分辨率为16cm-1；扫描次数为64次；采样点数为1154。
8.根据权利要求1所述的建立方法，其特征在于，所述光谱预处理的方法为一阶导数法。
9.一种预测大米中镉含量的方法，其特征在于，包括以下步骤：
测定待测大米的近红外信息；
将所述待测大米的近红外信息代入权利要求1～8任一项所述的建立方法得到的近红外模型中，得到待测大米的镉含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011525736.2A CN112748085A (zh) | 2020-12-22 | 2020-12-22 | 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011525736.2A CN112748085A (zh) | 2020-12-22 | 2020-12-22 | 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112748085A true CN112748085A (zh) | 2021-05-04 |
Family
ID=75648649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011525736.2A Pending CN112748085A (zh) | 2020-12-22 | 2020-12-22 | 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112748085A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102830072A (zh) * | 2012-08-13 | 2012-12-19 | 中国计量学院 | 一种基于近红外光谱鉴别重金属污染水稻叶片的方法 |
| CN104089926A (zh) * | 2014-07-18 | 2014-10-08 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的nir光谱分析模型及鉴别方法 |
| CN104374731A (zh) * | 2014-11-18 | 2015-02-25 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的mir光谱分析模型及鉴别方法 |
| CN108519339A (zh) * | 2018-03-26 | 2018-09-11 | 江苏大学 | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 |
-
2020
- 2020-12-22 CN CN202011525736.2A patent/CN112748085A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102830072A (zh) * | 2012-08-13 | 2012-12-19 | 中国计量学院 | 一种基于近红外光谱鉴别重金属污染水稻叶片的方法 |
| CN104089926A (zh) * | 2014-07-18 | 2014-10-08 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的nir光谱分析模型及鉴别方法 |
| CN104374731A (zh) * | 2014-11-18 | 2015-02-25 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的mir光谱分析模型及鉴别方法 |
| CN108519339A (zh) * | 2018-03-26 | 2018-09-11 | 江苏大学 | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 |
Non-Patent Citations (4)
| Title |
|---|
| PENGCHENG NIE ET AL: "The Effects of Drying Temperature on Nitrogen Concentration Detection in Calcium Soil Studied by NIR Spectroscopy", 《APPL. SCI.》 * |
| 中华人民共和国国家卫生和计划生育委员会: "GB5009.15-2014食品安全国家标准食品中镉的测定", 《中华人民共和国国家标准》 * |
| 朱向荣等: "基于近红外光谱与组合间隔偏最小二乘法的稻米镉含量快速检测", 《食品与机械》 * |
| 肖朝耿等: "基于DR-FTIR技术结合BIPLS法", 《中国粮油学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Comparison of algorithms for wavelength variables selection from near-infrared (NIR) spectra for quantitative monitoring of yeast (Saccharomyces cerevisiae) cultivations | |
| Cuadrado et al. | Comparison and joint use of near infrared spectroscopy and Fourier transform mid infrared spectroscopy for the determination of wine parameters | |
| Olivieri et al. | MVC2: A MATLAB graphical interface toolbox for second-order multivariate calibration | |
| CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN106918567B (zh) | 一种测量痕量金属离子浓度的方法和装置 | |
| Pan et al. | In situ monitoring of total polyphenols content during tea extract oxidation using a portable spectroscopy system with variables selection algorithms | |
| Wang et al. | Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics | |
| Chen et al. | A novel variable selection method based on stability and variable permutation for multivariate calibration | |
| Pozza et al. | Integration of vis-NIR and pXRF spectroscopy for rapid measurement of soil lead concentrations | |
| Wang et al. | Multielement Principal Component Analysis and Origin Traceability of Rice Based on ICP‐MS/MS | |
| CN112179871A (zh) | 一种酱类食品中己内酰胺含量无损检测的方法 | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| Zhao et al. | Laser-induced breakdown spectroscopy (LIBS) for the detection of exogenous contamination of metal elements in lily bulbs | |
| CN103134770A (zh) | 消除水分对近红外光谱检测土壤全氮含量影响的方法 | |
| CN103760130A (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
| CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
| Liu et al. | Research on the online rapid sensing method of moisture content in famous green tea spreading | |
| Xie et al. | Prediction of acrylamide content in potato chips using near-infrared spectroscopy | |
| CN112748085A (zh) | 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 | |
| Fan et al. | Near-infrared spectroscopy and chemometric modelling for rapid diagnosis of kidney disease | |
| La et al. | Fusion of spectral and electrochemical sensor data for estimating soil macronutrients | |
| CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
| CN109520950A (zh) | 一种对光谱偏移不敏感的化学成分光谱检测方法 | |
| CN115615976A (zh) | 一种基于激光光谱技术的水质化学需氧量检测方法 |
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: 20210504 |