CN113267458A - 甘薯可溶性蛋白质含量定量预测模型的建立方法 - Google Patents
甘薯可溶性蛋白质含量定量预测模型的建立方法 Download PDFInfo
- Publication number
- CN113267458A CN113267458A CN202110559257.0A CN202110559257A CN113267458A CN 113267458 A CN113267458 A CN 113267458A CN 202110559257 A CN202110559257 A CN 202110559257A CN 113267458 A CN113267458 A CN 113267458A
- Authority
- CN
- China
- Prior art keywords
- data
- spectrum
- protein content
- model
- sweet potatoes
- 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
- 244000017020 Ipomoea batatas Species 0.000 title claims abstract description 79
- 235000002678 Ipomoea batatas Nutrition 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims description 57
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000013307 optical fiber Substances 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 238000000985 reflectance spectrum Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 30
- 102000004169 proteins and genes Human genes 0.000 abstract description 8
- 108090000623 proteins and genes Proteins 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 23
- 238000012937 correction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- RWVGQQGBQSJDQV-UHFFFAOYSA-M sodium;3-[[4-[(e)-[4-(4-ethoxyanilino)phenyl]-[4-[ethyl-[(3-sulfonatophenyl)methyl]azaniumylidene]-2-methylcyclohexa-2,5-dien-1-ylidene]methyl]-n-ethyl-3-methylanilino]methyl]benzenesulfonate Chemical compound [Na+].C1=CC(OCC)=CC=C1NC1=CC=C(C(=C2C(=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C)C=2C(=CC(=CC=2)N(CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C)C=C1 RWVGQQGBQSJDQV-UHFFFAOYSA-M 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 241000207782 Convolvulaceae Species 0.000 description 1
- 238000007696 Kjeldahl method Methods 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- -1 protein Chemical class 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及甘薯可溶性蛋白质含量定量预测模型的建立方法，属于理化检测领域，所述建立方法是通过相关采集环境的***搭建获取部分可见光、近红外光区的光谱数据。再利用分数阶微分算法对所获数据进行分析运算，搭建定量模型。光谱数据采集方便，分析过程简单，通过所述方法建立的模型可以实现在对甘薯无损伤的情况下，实现对甘薯中蛋白质含量的定量检测，且检测准确率较高，能满足对蛋白质含量的准确检测的要求。
Description
技术领域
本发明属于理化检测技术领域，具体涉及一种检测甘薯可溶性蛋白质含量的方法。
背景技术
甘薯又名红薯、番薯、地瓜、红曹、山芋等,属旋花科一年或多年生植物。我国甘薯种植面积以及收获产量占世界总产的60％以上。甘薯作为一种重要的能源物质，其中的蛋白质、糖类、淀粉等化合物的含量直接决定着甘薯品质的好坏，尤其是甘薯中的蛋白质含量的是其营养价值和功能的重要表征指标。因此，实现对甘薯中蛋白质含量的快速无损检测对于甘薯的品质分级、进一步进行产业化加工具有重要意义。
目前，常用传统的化学检测方法来检测甘薯中的蛋白质含量，例如半微量凯氏定氮法、考马斯蓝G250法等。虽然传统的化学检测方法检测精高，且检测技术颇为成熟。但是其检测周期长、费用高等弊端也尤为明显，尤其是对甘薯本身造成不可逆的损伤。
作为近年来的新兴技术，光谱检测分析技术是利用化学物质在NIR光谱区内的光学特性，快速测定样品中一种或多种化学成分含量和特性的新物理测定技术。光谱分析检测技术可以有效的规避传统化学检测方法的弊端，检测时间短，污染小，且对所检测的对象几乎没有任何损伤。因此，光谱检测分析技术，在作物微量元素的检测方面得到了越来越多的应用。利用光谱技术对甘薯中相关品质含量检测也有相关的研究。
唐忠厚等公开发表的“甘薯蛋白质含量近红外反射光谱分析模型应用研究”对甘薯块根和甘薯叶分别进行建模，建立的模型预测程度高，但蛋白质含量的测定采用的是经风干、粉碎过筛等一系列处理后的磨粉样品，并未直接取用鲜薯来进行蛋白质含量的测量。高丽等公开发表的“甘薯水分和还原糖协同向量NIR快速检测方法对甘薯中的水分及还原糖进行了定量模型的构建，且模型精度较好，但未对甘薯中蛋白质含量进行建模预测。
因此，如何利用光谱检测分析技术，建立一种高效检测新鲜甘薯中可溶性蛋白质含量的方法，是亟需所解决的问题。
发明内容
针对上述问题，本发明提供一种基于可见近红外光谱的甘薯可溶性蛋白质含量定量预测模型的建立方法，通过相关采集环境的***搭建获取部分可见光、近红外光区的光谱数据。再利用相关算法对所获数据进行分析运算，搭建定量模型。光谱数据采集方便，分析过程简单，通过所述方法建立的模型可以实现在对甘薯无损伤的情况下，实现对甘薯中蛋白质含量的定量检测，且检测准确率较高，能满足对蛋白质含量的准确检测的要求。
为了实现上述目的，本发明采用的具体方案为：
甘薯可溶性蛋白质含量定量预测模型的建立方法，包括以下步骤：
步骤一、甘薯预处理：选取甘薯为实验对象，对甘薯进行清洗和干燥处理；对干净的甘薯样本进行编号，并用记号笔分别在甘薯赤道两侧划出一个区域为1.5cm的正方形，作为光谱数据采集点和化学值测定的取样点；
步骤二、光谱数据采集：采用Y型三接头光纤，分别接光源、光谱仪和甘薯样品；所述的光谱仪与计算机相连，计算机装有与光谱仪匹配的软件SpectraSuite，将光谱图形得以呈现，同时将光谱数据以文本文件的方式保存；
步骤三、蛋白质含量测定：将经步骤一预处理后的甘薯，在所划分的区域内挖取立方体甘薯样品，测量出各个位点的可溶性蛋白质含量；
步骤四、数据整理：经步骤二中得到的光谱反射强度数据，首先通过转换公式得到光谱反射率数据，即光谱数据；将所述光谱数据与步骤三得到的蛋白质含量数据整合到一起；
步骤五、数据预处理：在MATLB中首先进行蒙特卡洛交叉验证去除异常值样本；之后，将去除异常值后的数据运用分数阶微分算法对光谱数据进行0～2阶微分预处理，微分间隔为0.2；去除异常值后的数据分别进行SG(卷积平滑法)、MSC(多元散射校正法)、SNV(变量标准化法)光谱预处理。
步骤六、模型搭建：经过步骤五预处理后的光谱数据建立PLS回归定量模型；通过得到相关评价指标R2C(校正集决定系数)、RMSEPC(校正集均方根误差)、R2P(预测集决定系数)、RMSEP(预测集均方根误差)、RPD(预测相对偏差)得到最佳预处理方法的最优模型。
进一步的，步骤二中Y型三接头光纤紧贴所划分区域的正中心；光谱采集软件SpectraSuite的积分时间为4000微秒，平均次数为10，平滑度为5。
进一步的，步骤四中的转换公式：
R代表所测样本反射率，I代表样本的反射光谱强度，IC代表参考光谱，IA代表暗光谱(无单位)。
进一步的，步骤五中预处理的光谱数据在波长500—900nm之间。光谱波长既包含可见光谱的一部分，又包含近红外光谱的一部分。
进一步的，步骤五中分数阶微分算法表达式如下：
Γ为Gamma函数，λ为对应的波长点，n为微分上下限之差，α为任意阶数；若α＝0，1和2时，分别表示原函数(未经微分变换)、一阶微分变换和二阶微分变换；若α为小数时，则为分数阶微分变换。
进一步的，步骤六中的建模数据采用K—S算法将去除异常值后的样本按照3:1的比例划分为建模集和预测集。其中，建模集用于构建回归模型；预测集用于对所建回归模型的检测。
本发明的有益效果如下：
本研究应用光谱分析技术原理对甘薯中的蛋白质含量进行检测研究，通过采集获取近红外光谱数据，利用算法对所获数据进行分析运算，搭建模型，实现对甘薯中蛋白质含量的快速、准确、无损的检测。
为了得到最优化的甘薯预测模型，首先对所得到的数据进行蒙特卡洛交叉验证去除异常值，规避掉因外界干扰等因素造成的异常值对数据的影响。
本发明运用分数阶微分算法对光谱数据进行预处理，通过分数微分算法与原始光谱或整数阶微分(一阶、二阶)、SG(卷积平滑法)、MSC(多元散射校正法)、SNV(变量标准化法)等常规预处理方法所建立的模型进行对比，说明了微分预处理算法的优越性，可建立的最优的PLS定量预测模型。
附图说明
图1是本发明使用的检测装置结构示意图；其中，1、计算机2、USB线3、光谱仪4、甘薯5、Y型三头光纤6、光源；
图2是获取的原始光谱图；
图3是经0.4阶微分预处理后的光谱图；
图4是原始光谱相关系数曲线与0.4阶微分预处理后相关系数曲线对比图；
图5是基于PLS模型预测结果和实际结果对应关系散点图；
图6是实验方法流程图。
具体实施方式
基于可见近红外光谱的甘薯蛋白质含量定量预测模型的建立方法，包括以下步骤：
步骤一、甘薯预处理：选取市场常见的烟薯25和普薯32品种作为实验对象，对甘薯进行简单的清洗和干燥处理以去除甘薯表面附着水分；之后，对干净的甘薯样本进行编号，并用记号笔分别在甘薯赤道两侧划出一个区域为1.5cm的正方形，作为光谱数据采集点和化学值测定的取样点。
步骤二、光谱数据采集：如图1所示，采用Y型三接头光纤，分别接光源、光谱仪、甘薯样品。所述的光谱仪与计算机相连，计算机装有与光谱仪匹配的软件SpectraSuite。将光谱图形得以呈现，同时将光谱数据以文本文件的方式得以保存。
步骤三、蛋白质含量测定：将经步骤一预处理后的甘薯，在所划分的区域内挖取立方体甘薯样品0.5g的样品。参考植物中可溶性蛋白质含量的测定中常用的考马斯蓝G-250染色法，测量出各个位点的可溶性蛋白质含量。
步骤四、数据整理：经步骤二中得到的光谱反射强度数据，首先将其通过相关公式得到光谱反射率数据(以下简称为光谱数据)与步骤三得到的蛋白质含量数据整合到一起。
步骤五、数据预处理：在MATLB中首先进行蒙特卡洛交叉验证去除异常值样本，异常样本剔除后，共得到261个样本。之后，将去除异常值后的数据运用分数阶微分算法对光谱数据进行0～2阶微分预处理，微分间隔为0.2；将去除异常值后的数据分别进行SG(卷积平滑法)、MSC(多元散射校正法)、SNV(变量标准化法)光谱预处理。图2为原始光谱图，也是0阶微分预处理的光谱图。
步骤六、模型搭建：经过步骤五预处理后的光谱数据建立PLS回归定量模型。通过得到相关评价指标R2C(校正集决定系数)、RMSEPC(校正集均方根误差)、R2P(预测集决定系数)、RMSEP(预测集均方根误差)、RPD(预测相对偏差)得到最佳预处理方法的最优模型。
本发明所提供的是一种基于可见近红外光谱的甘薯蛋白质含量定量预测模型的建立方法，采用的建模方式为全波段建模。
下面结合检测装置对检测方法进一步说明。
检测装置主要包括光源、USB4000+光纤光谱仪、一根Y型三接头光纤和一台装有光谱仪配套光谱采集软件SpectraSuite的计算机。所述光谱采集软件是SpectraSuite光谱分析软件。采用的数据分析软件是MATLAB 2018b。
首先采购烟薯25和普薯32共140份样品，将所购买得到的样品清洗和干燥，以去除甘薯表面的泥土和水分。在甘薯赤道的对立侧进行边长1.5cm的正方形区域大小的划分。便于后续在所划分区域内进行光谱数据的采集及蛋白质含量测定的取样。
如图1所示，将光纤一端接光源，一端接光谱仪，光谱仪另一端通过USB线连接计算机端。将光谱采集软件SpectraSuite的积分时间设置为4000微秒、平均次数设置为10，平滑度设置为5，在采集样本数据前，需要将探头对准校准白板采集参考光谱，可以通过调整光源强度，使每次采集时的参考光谱保持在同一水平，保证每次采集到的数据都基于同一参考值。将预处理后的甘薯所划分的区域中心对准Y型光纤探头竖直放置，在不损坏甘薯的情况下将种蛋紧贴于探头。注意，每次采集前要将光谱仪预热30分钟。
在所划分的区域中心处、挖取0.5g的立方体样品，所取样本基本为立方体块，且不超出所划分范围。参考植物中可溶性蛋白质含量的测定中常用的考马斯蓝G-250染色法，测量出各个位点的蛋白质含量。
将所测得的光谱数据与蛋白质含量数据在Excel表格中进行整合，便于后续进行算法处理。值得注意的是，由于采集到的光谱数据为光谱反射强度，需通过相关转换公式进行换算得到样本反射率，所述转换公式为：
式中：R代表所测样本反射率；I代表样本的反射光谱强度；IC代表参考光谱；IA代表暗光谱(无单位)。在采集样本数据前，需要将Y型三接头光纤中采集甘薯光谱的探头对准校准白板采集参考光谱，可以通过调整光源强度，使每次采集时的参考光谱保持在同一水平，保证每次采集到的数据都基于同一参考值。暗光谱的采集则是需要将Y型三接头光纤中采集甘薯光谱探头的探头帽盖上，测得暗光谱。
将整理完成的数据导入Matlab中进行处理。实验主要采用500—900nm的波长数据，将数据首先进行蒙特卡洛交叉验证，寻找到合适的残差均值阈值和残差方差阈值，达到去除异常值的目的。异常样本剔除后，共得到261个样本。
将去除异常值的各组数据以0.2阶为间隔，从0—2阶进行微分预处理后保存；将去除异常值后的数据分别进行SG(卷积平滑法)、MSC(多元散射校正法)、SNV(变量标准化法)光谱预处理后保存。
将经预处理后的数据和按照K-S算法对建模集和预测集数据进行3：1的数据划分，得到建模集195组数据，预测集66组数据。建模集用于模型的构建，将建立好的模型对预测集数据进行预测，并记录模型准确率，用于对所建回归模型的检测。
将划分完建模集和预测集的数据用PLS(偏最小二乘法)对光谱数据的全波段进行定量建模，建模如表1。
表1：建模表。
其中：
Yi是第i个样品的实际测量值,Ypi是第i个样品的预测值，Y是实际测量值的平均值，m是校正集样本数,n是预测集样本数,p是建模过程中的最佳主成分数。
通常，R2 c(建模集决定系数)、R2 P(预测集决定系数)数值接近于1，RMSEC(建模集均方根误差)、RMSEP(预测集均方根误差)越小，表明模型精度越好。RPD(预测相对偏差)代表模型的预测能力，当RPD<1.5时，表明模型预测能力较差，不能用于预测分析；当RPD在[1.5,2.0]之间时，表明模型效果一般，可对样品进行粗略估计，仅能满足一般应用，当RPD>2.0时，表明所建立的模型具有较好的预测能力。由表1可知，经0.4阶微分阶数建立的甘薯可溶性蛋白含量预测模型精度最佳，其RMSEC和R2c分别为0.94和1.13，RMSEP和R2p分别为0.78和2.18，RPD为2.15，各项指标均满足模型优良条件，该模型对甘薯可溶性蛋白含量预测集的预测效果如图5所示，其预测值和实际测量值在1:1线附近，表明模型具有较好的预测能力，可用于甘薯可溶性含量的预测。图3为经0.4阶微分预处理后所得到的光谱图，由图可知，0.4阶微分处理后光谱曲线与原始光谱曲线差异较大，其光谱反射率最大值由原始光谱(735nm附近)的0.655减少至0.4阶微分光谱(730nm附近)的0.267。图4可以明显看出，0.4阶微分预处理后的光谱相关系数在590-720之间相较原始光谱相关系数有较大的提高，这也是模型精度提高的直接原因。1、2整数阶阶数模型与最优模型相比呈现出较大的精度差距，远远不能满足精确检测的需求。这是因为整数阶微分光谱曲线差异较大，会忽略光谱渐变信息，进而影响模型准确度。而分数阶微分能够细化光谱信息，且充分利用整数阶微分忽略的中间信息，消除背景噪声对光谱的干扰，增强光谱提高PLS预测模型的准确度。对比于SG(卷积平滑法)、MSC(多元散射校正法)、SNV(变量标准化法)等常规光谱预处理方法，其模型的精度也有较为显著的提升。
利用分数阶微分定位预处理方法，使得在背景噪声去除、有效信息提取等方面更加具有优势，所建立的模型精度更高。因此，我们可以采用分数阶微分预处理方法建立甘薯中可溶性蛋白质含量的最优预测模型，实现对甘薯中可溶性蛋白质实现快速无损检测。
本发明的目的是建立一种能够对甘薯中可溶性蛋白质含量建立预测模型，进一步进行快速无损检测的一种方法。如图6所示，通过采集光谱数据、检测蛋白质含量、对光谱数据预处理建模、观察对比模型评价相关系数得到最优预测模型，建立一种检测甘薯可溶性蛋白质含量的方法，便于进行甘薯的分级、进一步的产业化加工。
需要说明的是，以上所述的实施方案应理解为说明性的，而非限制本发明的保护范围，本发明的保护范围以权利要求书为准。对于本领域技术人员而言，在不背离本发明实质和范围的前提下，对本发明作出的一些非本质的改进和调整仍属于本发明的保护范围。
Claims (6)
1.甘薯可溶性蛋白质含量定量预测模型的建立方法，其特征在于：包括以下步骤：
步骤一、甘薯预处理：选取甘薯为实验对象，对甘薯进行清洗和干燥处理；对干净的甘薯样本进行编号，并用记号笔分别在甘薯赤道两侧划出一个区域为1.5cm的正方形，作为光谱数据采集点和化学值测定的取样点；
步骤二、光谱数据采集：采用Y型三接头光纤，分别接光源、光谱仪和甘薯样品；所述的光谱仪与计算机相连，计算机装有与光谱仪匹配的软件SpectraSuite，将光谱图形得以呈现，同时将光谱数据以文本文件的方式保存；
步骤三、蛋白质含量测定：将经步骤一预处理后的甘薯，在所划分的区域内挖取立方体甘薯样品，测量出各个位点的可溶性蛋白质含量；
步骤四、数据整理：经步骤二中得到的光谱反射强度数据，首先通过转换公式得到光谱反射率数据，即光谱数据；将所述光谱数据与步骤三得到的蛋白质含量数据整合到一起；
步骤五、数据预处理：在MATLB中首先进行蒙特卡洛交叉验证去除异常值样本；之后，将去除异常值后的数据运用分数阶微分算法对光谱数据进行0～2阶微分预处理，微分间隔为0.2；
步骤六、模型搭建：经过步骤五预处理后的光谱数据建立PLS回归定量模型；通过得到相关评价指标R2C、RMSEPC、R2P、RMSEP、RPD得到最佳预处理方法的最优模型。
2.根据权利要求1所述的建立方法，其特征在于：步骤二中Y型三接头光纤紧贴所划分区域的正中心；光谱采集软件SpectraSuite的积分时间为4000微秒，平均次数为10，平滑度为5。
3.根据权利要求1所述的建立方法，其特征在于：步骤四中的转换公式：
R代表所测样本反射率，I代表样本的反射光谱强度，IC代表参考光谱，IA代表暗光谱。
4.根据权利要求1所述的建立方法，其特征在于：步骤五中预处理的光谱数据在波长500—900nm之间。
5.根据权利要求1所述的建立方法，其特征在于：步骤五中分数阶微分算法表达式如下：
Γ为Gamma函数，λ为对应的波长点，n为微分上下限之差，α为任意阶数；若α＝0，1和2时，分别表示原函数、一阶微分变换和二阶微分变换；若α为小数时，则为分数阶微分变换。
6.根据权利要求1所述的建立方法，其特征在于：步骤六中的建模数据采用K—S算法将去除异常值后的样本按照3:1的比例划分为建模集和预测集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110559257.0A CN113267458A (zh) | 2021-05-21 | 2021-05-21 | 甘薯可溶性蛋白质含量定量预测模型的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110559257.0A CN113267458A (zh) | 2021-05-21 | 2021-05-21 | 甘薯可溶性蛋白质含量定量预测模型的建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113267458A true CN113267458A (zh) | 2021-08-17 |
Family
ID=77232266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110559257.0A Pending CN113267458A (zh) | 2021-05-21 | 2021-05-21 | 甘薯可溶性蛋白质含量定量预测模型的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113267458A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114324233A (zh) * | 2021-11-16 | 2022-04-12 | 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) | 农产品营养成分近红外无损在线品质检测方法和*** |
| CN116297318A (zh) * | 2023-03-24 | 2023-06-23 | 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酚的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104316492A (zh) * | 2014-11-12 | 2015-01-28 | 东北农业大学 | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 |
| CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 |
| JP2018109624A (ja) * | 2016-12-27 | 2018-07-12 | 株式会社前川製作所 | タンパク質量の測定方法及び測定装置 |
| EP3734254A1 (en) * | 2019-04-25 | 2020-11-04 | Institute of Crop Sciences, Chinese Academy of Agricultural Sciences | Method for determining water soluble protein content (wspc) in soybean by near infrared spectroscopy (nirs) |
-
2021
- 2021-05-21 CN CN202110559257.0A patent/CN113267458A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104316492A (zh) * | 2014-11-12 | 2015-01-28 | 东北农业大学 | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 |
| JP2018109624A (ja) * | 2016-12-27 | 2018-07-12 | 株式会社前川製作所 | タンパク質量の測定方法及び測定装置 |
| CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 |
| EP3734254A1 (en) * | 2019-04-25 | 2020-11-04 | Institute of Crop Sciences, Chinese Academy of Agricultural Sciences | Method for determining water soluble protein content (wspc) in soybean by near infrared spectroscopy (nirs) |
Non-Patent Citations (1)
| Title |
|---|
| 张亚坤: "基于多尺度高光谱成像的大豆养分检测方法研究", 《中国博士学位论文电子期刊》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114324233A (zh) * | 2021-11-16 | 2022-04-12 | 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) | 农产品营养成分近红外无损在线品质检测方法和*** |
| CN116297318A (zh) * | 2023-03-24 | 2023-06-23 | 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酚的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100590417C (zh) | 一种植物叶片生理指标无损检测方法 | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
| CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| CN103344597A (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
| CN113514410A (zh) | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 | |
| Sun et al. | Water content detection of potato leaves based on hyperspectral image | |
| Liu et al. | Diagnosis of citrus greening using raman spectroscopy-based pattern recognition | |
| CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
| Yang | Nondestructive prediction of optimal harvest time of cherry tomatoes using VIS-NIR spectroscopy and PLSR calibration | |
| CN114486786A (zh) | 土壤有机质测定方法及测定*** | |
| Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
| CN113065230A (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| CN114324215A (zh) | 一种柠檬叶片叶绿素含量及其二维分布检测方法 | |
| CN112924410B (zh) | 发芽葵花籽的太赫兹光谱快速识别方法 | |
| CN112858187A (zh) | 一种基于光谱技术的茄子花青素测量***及方法 | |
| CN112861413A (zh) | 基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法 | |
| CN111624192B (zh) | 一种多源光谱融合的滇龙胆种类识别方法及*** |
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: 20210817 |