CN117288692B - 一种酿酒粮食中单宁含量的检测方法 - Google Patents
一种酿酒粮食中单宁含量的检测方法 Download PDFInfo
- Publication number
- CN117288692B CN117288692B CN202311571911.5A CN202311571911A CN117288692B CN 117288692 B CN117288692 B CN 117288692B CN 202311571911 A CN202311571911 A CN 202311571911A CN 117288692 B CN117288692 B CN 117288692B
- Authority
- CN
- China
- Prior art keywords
- sample
- tannin
- variable
- content
- model
- 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.)
- Active
Links
- 235000018553 tannin Nutrition 0.000 title claims abstract description 106
- 229920001864 tannin Polymers 0.000 title claims abstract description 106
- 239000001648 tannin Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000000701 chemical imaging Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 27
- 239000012086 standard solution Substances 0.000 claims description 24
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 239000011701 zinc Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003926 complexometric titration Methods 0.000 claims description 7
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 239000000243 solution Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004448 titration Methods 0.000 claims description 5
- 244000007853 Sarothamnus scoparius Species 0.000 claims description 4
- 239000000706 filtrate Substances 0.000 claims description 4
- ZOIORXHNWRGPMV-UHFFFAOYSA-N acetic acid;zinc Chemical compound [Zn].CC(O)=O.CC(O)=O ZOIORXHNWRGPMV-UHFFFAOYSA-N 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000006740 morphological transformation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000004246 zinc acetate Substances 0.000 claims description 3
- 238000010668 complexation reaction Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 10
- 239000012141 concentrate Substances 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 60
- 235000013339 cereals Nutrition 0.000 description 49
- 230000000875 corresponding effect Effects 0.000 description 15
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- 229940071106 ethylenediaminetetraacetate Drugs 0.000 description 12
- 240000008042 Zea mays Species 0.000 description 8
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 241000209140 Triticum Species 0.000 description 7
- 235000021307 Triticum Nutrition 0.000 description 7
- 240000006394 Sorghum bicolor Species 0.000 description 6
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 235000020097 white wine Nutrition 0.000 description 3
- 235000014101 wine Nutrition 0.000 description 3
- 238000001237 Raman spectrum Methods 0.000 description 2
- 239000004464 cereal grain Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012468 concentrated sample Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000003205 fragrance Substances 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- JMSVCTWVEWCHDZ-UHFFFAOYSA-N syringic acid Chemical compound COC1=CC(C(O)=O)=CC(OC)=C1O JMSVCTWVEWCHDZ-UHFFFAOYSA-N 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 239000003109 Disodium ethylene diamine tetraacetate Substances 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- FRHBOQMZUOWXQL-UHFFFAOYSA-L ammonium ferric citrate Chemical compound [NH4+].[Fe+3].[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O FRHBOQMZUOWXQL-UHFFFAOYSA-L 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000003064 anti-oxidating effect Effects 0.000 description 1
- ZRBROGSAUIUIJE-UHFFFAOYSA-N azanium;azane;chloride Chemical compound N.[NH4+].[Cl-] ZRBROGSAUIUIJE-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 239000007853 buffer solution Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000019301 disodium ethylene diamine tetraacetate Nutrition 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229960004642 ferric ammonium citrate Drugs 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000011868 grain product Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 150000002391 heterocyclic compounds Chemical class 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004313 iron ammonium citrate Substances 0.000 description 1
- 235000000011 iron ammonium citrate Nutrition 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- -1 polyphenol compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000006920 protein precipitation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- AMMWFYKTZVIRFN-UHFFFAOYSA-N sodium 3-hydroxy-4-[(1-hydroxynaphthalen-2-yl)diazenyl]-7-nitronaphthalene-1-sulfonic acid Chemical compound [Na+].C1=CC=CC2=C(O)C(N=NC3=C4C=CC(=CC4=C(C=C3O)S(O)(=O)=O)[N+]([O-])=O)=CC=C21 AMMWFYKTZVIRFN-UHFFFAOYSA-N 0.000 description 1
- ORFSSYGWXNGVFB-UHFFFAOYSA-N sodium 4-amino-6-[[4-[4-[(8-amino-1-hydroxy-5,7-disulfonaphthalen-2-yl)diazenyl]-3-methoxyphenyl]-2-methoxyphenyl]diazenyl]-5-hydroxynaphthalene-1,3-disulfonic acid Chemical compound COC1=C(C=CC(=C1)C2=CC(=C(C=C2)N=NC3=C(C4=C(C=C3)C(=CC(=C4N)S(=O)(=O)O)S(=O)(=O)O)O)OC)N=NC5=C(C6=C(C=C5)C(=CC(=C6N)S(=O)(=O)O)S(=O)(=O)O)O.[Na+] ORFSSYGWXNGVFB-UHFFFAOYSA-N 0.000 description 1
- 238000010563 solid-state fermentation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- KCDXJAYRVLXPFO-UHFFFAOYSA-N syringaldehyde Chemical compound COC1=CC(C=O)=CC(OC)=C1O KCDXJAYRVLXPFO-UHFFFAOYSA-N 0.000 description 1
- COBXDAOIDYGHGK-UHFFFAOYSA-N syringaldehyde Natural products COC1=CC=C(C=O)C(OC)=C1O COBXDAOIDYGHGK-UHFFFAOYSA-N 0.000 description 1
- YIBXWXOYFGZLRU-UHFFFAOYSA-N syringic aldehyde Natural products CC12CCC(C3(CCC(=O)C(C)(C)C3CC=3)C)C=3C1(C)CCC2C1COC(C)(C)C(O)C(O)C1 YIBXWXOYFGZLRU-UHFFFAOYSA-N 0.000 description 1
- 238000012800 visualization 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/16—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using titration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种酿酒粮食中单宁含量的检测方法。采用高光谱成像技术对酿酒粮食中单宁含量进行快速检测,将待测样本的光谱数据输入到最佳检测模型中,获得单宁含量预测值,并根据射流色度带原理生成相应指标含量的可视化云图,实现对粮食颗粒中单宁含量分布的可视化检测。本发明通过采用去趋势化对光谱进行预处理,可以有效去除传感器获取数据时产生的偏移,将数据分析集中在波动上;IVSO与VIP相结合的算法来提取特征波长,能有效减少重要变量丢失的风险,高效去除冗余信息,提高模型运算速度;采用多粒度级联森林模型来预测酿酒粮食中单宁的含量,该模型自适应能力强,预测准确度高。为固态智能酿造提供了一种新的技术途径。
Description
技术领域
本发明属于单宁检测技术领域,具体涉及一种酿酒粮食中单宁含量的检测方法。
背景技术
单宁是一种存在于谷物中的多酚化合物,它具有抗氧化、防御心血管疾病、营养健康等重要作用,从而引起了人们的广泛关注。谷物中单宁主要存在于其颗粒表皮,并对谷物制品质量有着重要影响。例如浓香型白酒是以高粱、大米、糯米、小麦、玉米五种粮食为原料,经固态发酵而成。单宁在白酒发酵过程中产生丁香酸、丁香醛等杂环类化合物,赋予白酒特有的芬芳,增加酒的馥郁度,发酵过程中适宜的单宁含量能抑制有害微生物生长,提高出酒率;含量过高则会导致酒味苦涩。因此,及时检测粮食中单宁含量有助于调整生产工艺参数、保证产品质量。
检测物质单宁含量的方法有很多,例如高效液相色谱法、柠檬酸铁铵法、蛋白质沉淀法、比色法等传统理化检测法。这些方法操作复杂,耗时长,易产生误差。除了传统检测方法外还有拉曼光谱检测法、机械穿刺法等新技术,拉曼光谱价格昂贵、成本高不适于实际生产检测。机械穿刺法是用万能试验机测机械参数,但是万能试验机在测定参数时会由于内摩擦力和环境湿度等变化而产生随机误差。为弥补传统检测方法的不足和现有新检测技术的缺点,本研究提出了利用高光谱成像技术对粮食颗粒中的单宁含量进行检测。高光谱成像技术可在不破坏样品本身的情况下对其单宁含量进行检测,且不会因为环境温度的变化而产生随机误差,耗时短,效率高。
高光谱成像技术是一种先进的技术,它结合了光谱学和成像来捕捉样品的光谱和空间特征。其最初发展为遥感,目前,高光谱成像技术已经发展成为一种非破坏性的工具,用于分析待测样品。但高光谱技术在定量分析中也还存在着以下等几个问题:1.高光谱成像数据通常包含大量噪声,这可能来自传感器、环境条件或采集过程中的其他因素。噪声的存在可以使数据的准确性和可重复性受到挑战,需要复杂的数据处理和滤波技术来减少噪声的影响;2.高光谱数据通常是高维度的,包含数百个甚至数千个光谱波段。处理和分析这种大量的数据需要大量的计算资源和复杂的算法,同时,高维度数据也增加了数据可视化和解释的难度;3.高光谱数据虽然提供了详细的光谱信息,但如果使用这些信息进行定量分析,需要建立复杂的模型,且若模型建立不恰当,则会早造成定量分析较大的误差;4.目前的高光谱定量分析,大都是对待测样本进行定量分析,没有对单个独立的样本的成分分布进行可视化分析。
发明内容
本发明的目的在于,针对现有技术的上述不足,提供了一种酿酒粮食中
单宁含量的检测方法。
为实现上述目的,本发明采用如下的技术方案:
本发明提供了一种酿酒粮食中单宁含量的检测方法,包括以下具体步
骤:
S1、利用高光谱成像***通过推扫帚线性扫描采集粮食样本可见光图像和短波近红外区域的高光谱图像,并进行黑白校正处理;所述短波近红外区域的波段为397~1004.5nm;
S2、采用络合滴定法测定粮食样本中单宁含量;
S3、对步骤S1中采集到的粮食样本图像划定感兴趣区域(ROI),提取ROI内粮食样本的光谱数据;
S4、对步骤S3中获得的光谱数据进行预处理提取特征波段,具体过程为:
S41、采用去趋势DT方法对步骤S3得到的平均光谱数据进行预处理;
S42、通过使用迭代变量子集优化算法(IVSO)与变量投影重要性分析算法(VIP)相结合的数据降维处理方法,从步骤S41得到的光谱数据中去除冗余信息,筛选出具有代表性的特征波段;
S5、建立基于全波段和特征波段的单宁含量检测模型;
利用特征波段与全波段的光谱数据值分别与络合滴定法的测定值建立单宁含量测定值检测模型,并评估模型检测结果,确定模型性能;所述的检测模型为多粒度扫描级联森林gcForest;
S6、将待检测样本光谱数据输入到所述的检测模型中,得到检测结果,生成单宁含量可视化云图。
进一步的,步骤S1中,所述的高光谱成像***包括FX10E光谱相机,所述FX10E光谱相机的空间分辨率为632×1024像素,光谱分辨率为5nm。
进一步的,对采集到的光谱数据进行黑白校正,黑白校正的公式如下式所示:
,
其中,R校正后的光谱图像;盖上镜头采集的暗参考图像;/>原始高光谱图像;/>采集的标准白板图像。
进一步的,步骤S2中,所述络合滴定法的具体过程为:在样品提取液中加入过量的醋酸锌Zn(Ac)2标准溶液,待充分反应后,用EDTA标准溶液滴定调配好的沉淀滤液,根据EDTA标准溶液的消耗量,计算出样品中单宁的含量,计算公式为:
,
其中,代表样品中单宁的质量分数,单位为%;/>表示Zn(Ac)2标准溶液的浓度,单位为mol/L;/>代表吸取Zn(Ac)2标准溶液的体积,单位为mL;/>是EDTA标准溶液的浓度,单位为mol/L;/>表示滴定时所用EDTA标准溶液的体积,单位为mL;/>为比例常数0.1556g/mmol;而10表示分取倍数,即样品在络合沉淀后定容至100mL,然后吸取其中的1/10进行滴定;/>代表样品的质量,单位为g。
进一步的,步骤S3中,在粮食样本图像中,以图像中心为中心点,以180像素为半径创建一个ROI区域,再通过大津法与分水岭算法相结合对样本图像进行分割,最后通过形态学变换、掩膜运算提取ROI中样本每个像素的光谱数据。
进一步的,步骤S3中,提取光谱计算公式为:
,
其中,为某样品颗粒ROI的平均光谱值;/>为样品颗粒ROI内部的像素点个数;为高光谱数据的波段数;/>为第j个像素点在第i个波段下的反射率。
进一步的,步骤S4中,所述特征波段包括507.7nm、680.8nm、682.1nm、683.5nm、684.8nm和686.2nm,这些特定波段的选择与单宁中的(C)-(O)-(H)基团相关。
进一步的,所述的去除冗余信息包括以下步骤:
S1、以偏最小二乘回归系数PLS的大小代表变量的重要性,再采用加权二进制矩阵采样和顺序加法两种方法以竞争的方式逐渐地消除无用信息变量;
S2、创建N个PLS子模型,计算回归系数矩阵B(B=[b1,b2,…bn]T),将矩阵B的每一行归一化,生成矩阵C,创建PLS模型计算公式如下式:
其中,为PLS回归系数的向量,/>为分数矩阵,/>为输入待测矩阵,/>为PLS模型通过待测矩阵建立的关系结果,/>是组合系数,/>为/>对/>的最小二乘回归系数,为模型无法解释的残差向量;
S3、将矩阵C的每一列求和,作为对应变量的判据,用S向量表示;
S4、通过对WBMS采样的变量数,即L1变量按判据顺序相加,构建L1子模型,然后将RMSECV值最低的L1子模型中的变量子集作为本轮迭代的目标变量子集L2,并记录RMSECV值R和变量子集L2的长度;
S5、将向量S归一化,计算权重,计算公式如下式所示:
其中,表示第j个子模型中第i个变量的回归系数,/>表示行向量/>的最大值,由所有/>组成的归一化回归系数矩阵用C表示,C中的元素取值范围为0~1;
S6、重复步骤1-5,直到L1等于L2,选取R值最小的变量子集作为算法的最终变量子集;
S7、利用VIP算法对IVSO算法提取的特征波长进行再次筛选,并以1为分数界限,提取VIP分数值大于1的变量,所述的VIP分数值计算公式如下式所示:
其中,是指每个自变量所获得的分数值,/>为自变量维数,/>为第/>成分,为模型中选取的成分数,/>为轴h对应自变量的分量,/>表示Y由成分ah所解释的变异,而/>则表示Y由a1~ai解释的累计变异精度。
进一步的,步骤S5中,采用联合X-Y距离SPXY算法将样本光谱数据按照4:1的比例划分为校正集和测试集。
进一步的,步骤S6中,所述的可视化云图的过程包括:
S61、提取可视化ROI内样本所有像素点在所有波段下的反射率值;
S62、将提取出的光谱数据输入到训练好的模型中,计算出每个像素点单宁含量预测值;
S63、将预测值和像素坐标值一一对应;
S64、然后将每个像素点单宁预测值映射到对应的幅值范围内,并代入单宁含量真实值,最终根据射流色度带原理生成相应单宁指标含量的可视化图像。
本发明中的英文缩写字符解释如下:
EDTA:乙二胺四乙酸二钠;
ROI:感兴趣区;
PLS:以偏最小二乘回归系数;
WBMS:加权二进制矩阵采样;
RMSECV:变量交叉验证均方根误差值;
VIP:变量投影重要性分析算法;
IVSO:迭代变量子集优化算法。
与现有技术比较,本发明提供的技术方案带来的有益效果是:
(1)本发明提供了一种酿酒粮食中单宁含量的检测方法,采用高光谱成像技术对酿酒粮食中单宁含量进行快速检测,将待测样本的光谱数据输入到最佳检测模型中,获得单宁含量预测值,并根据射流色度带原理生成相应指标含量的可视化云图,实现了对粮食颗粒中单宁含量分布的可视化检测。本发明通过采用去趋势化对光谱进行预处理,可以有效去除传感器获取数据时产生的偏移,将数据分析集中在波动上;IVSO与VIP相结合的IVSO-VIP算法来提取特征波长,能有效减少重要变量丢失的风险,高效去除冗余信息,提高模型运算速度;多粒度级联森林(gcForest)模型来预测酿酒粮食中单宁的含量,该模型自适应能力强,预测准确度高。
(2)本发明提供的方法弥补了现有酿酒粮食单宁含量检测技术的缺点,实现了高速、准确且对样品无破坏的情况下快速检测酿酒粮食中的单宁含量,为酿酒企业检测酿酒原料中单宁含量提供快速无损检测技术,为固态智能酿造提供了一种新的技术途径。
附图说明
图1为本发明的酿酒粮食中单宁含量的检测方法;
图2为本发明提取样本平均光谱流程图;
图3为本发明实施例基于不同预处理的gcForest模型结果;
图4a为本发明实施例IVSO算法多次迭代中得到的最小RMSECV值曲线;
图4b为本发明实施例IVSO筛选的特征波长;
图4c为本发明实施例VIP算法得分图;
图4d为本发明实施例通过IVSO-VIP筛选的特征波长结果图,竖线对应的波段为筛选的特征波长;
图5a为本发明提供的检测高粱样本中单宁含量的可视化云图;
图5b为本发明提供的检测大米样本中单宁含量的可视化云图;
图5c为本发明提供的检测糯米样本中单宁含量的可视化云图;
图5d为本发明提供的检测小麦样本中单宁含量的可视化云图;
图5e为本发明提供的检测玉米样本中单宁含量的可视化云图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合具体实施例和附图,对本发明的具体实施方式作进一步详细描述。实施例中未注明具体技术或条件的,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。
本发明中所用原料、设备、方法,若无特殊说明,均为本领域的常用原料、设备或方法。
如图1所示,为本发明的酿酒粮食中单宁含量的检测方法的流程图,其包括以下步骤:
(1)利用高光谱成像***通过推扫式线性扫描采集粮食样本可见光图像和短波近红外区域(397~1004.5nm)高光谱图像;
(2)采用络合滴定法测定每个粮食样本单宁含量;
(3)提取选定区域内粮食样本的光谱数据;
(4)利用合适的光谱数据预处理方法对提取的光谱数据进行预处理,提取出具有代表性的特征波段;
(5)利用特征波段与全波段分别建立单宁含量检测模型,并评估模型检测结果,确定模型性能。
(6)将待检测样本光谱数据输入到检测模型中,得到检测结果,生成单宁含量可视化云图。
本发明采用的高光谱成像***主要包括一台FX10E光谱相机(芬兰Specm公司)、一台带有专用软件的计算机、两组150w卤素灯、一个电控载物台和一个辅助支架;相机空间分辨率为632×1024像素,光谱分辨率为5nm,该***通过推扫帚线性扫描获得可见光和近红外波段(397~1004.5 nm)的高光谱图像。设置相关参数:移动速度为16.57mm/s,曝光时间为8ms,随后将培养皿放置在移动平台上进行数据采集,将样品颗粒平铺在高度为10 mm、直径为100mm的培养皿中,通过线性扫描获得三维高光谱图像数据。
实施例1
本发明提供了一种酿酒粮食单宁含量的检测方法,具体包括以下步骤:
1.常用酿酒粮食样本制备
本实施例选用了产自四川的五种粮食谷物颗粒(高粱、大米、糯米、小麦、玉米),剔除各品种外表不完整,有虫蚀颗粒。称取5g谷物颗粒作为一个样本,准备各品种样本30个,共150个样本。
2.高光谱图像的获取与校正
采用高光谱图像采集***获取粮食样本的高光谱图像。高光谱图像采集***主要由FX10E光谱相机(Specim,芬兰)、一台装有专用软件的计算机、两组卤素灯(150W)、一个电控载物台和辅助支架组成。产自芬兰的FX10E型号的相机空间分辨率为632 × 1024像素,光谱分辨率为5 nm。该***通过推扫帚线性扫描获得可见光和近红外波段(397~1004.5nm)的高光谱图像,共得到448个波段。数据采集前,对***设置相关参数: 平台移动速度为16.57mm/s,曝光时间为8ms。对采集到的光谱数据进行黑白校正,黑白校正的公式如下式所示:
,
式中,R校正后的光谱图像;盖上镜头采集的暗参考图像;/>原始高光谱图像;/>采集的标准白板图像。
3.粮食样本中单宁含量测定
采用0.0500 mo1/L乙二胺四乙酸二钠(EDTA)络合滴定法测定五种粮食颗粒中的单宁含量。此方法主要是根据单宁与重金属离子会形成络合物沉淀的特性,在样品提取液中加入过量的醋酸锌Zn(Ac)2标准溶液,待充分反应后,用EDTA标准溶液滴定调配好的沉淀滤液,根据EDTA标准溶液的消耗量,可计算出样品中单宁的含量。具体操作步骤如下:先将粮食颗粒打碎成细粉状,再称取各品种谷物粉末1~2g放置于150ml锥形瓶中,加水充分溶解后。另在100ml容量瓶中,加入Zn(Ac)2标准溶液5ml、浓氨水3.5ml,混合均匀后慢慢将提取液转入容量瓶中,在35℃水浴中保温20~30min后冷却,再加入纯水定容至100ml,充分融合,滤除杂质。将10ml滤液倒入150ml锥形瓶中,随后添加40ml水、12.5ml氨水-氯化铵(pH=10,NH3-NH4CI)缓冲溶液以及10滴铬黑T指示剂,确保彻底混合。溶液混合后呈现酒红色,然后使用EDTA标准溶液进行滴定。滴定过程中,当溶液由酒红色变为纯蓝色时,即达到终点,最后记录下EDTA标准溶液的消耗量。滴定完成后,样品中的单宁含量计算如下式所示:
,
其中,代表样品中单宁的质量分数,单位为%;/>表示Zn(Ac)2标准溶液的浓度,单位为mol/L;/>代表吸取Zn(Ac)2标准溶液的体积,单位为mL;/>是EDTA标准溶液的浓度,单位为mol/L;/>表示滴定时所用EDTA标准溶液的体积,单位为mL;/>为比例常数0.1556g/mmol;而10表示分取倍数,即样品在络合沉淀后定容至100mL,然后吸取其中的1/10进行滴定;/>代表样品的质量,单位为g。
4. 提取样本光谱数据
高光谱成像***采集到的图像信息中包含了样本图像和背景图像。为消除背景图像对提取光谱数据的影响,在粮食样本图像中,以图像中心为中心点,以180像素为半径创建一个ROI区域,再通过大津法与分水岭算法相结合对样本图像进行分割,最后通过形态学变换、掩膜运算提取ROI中样本每个像素的光谱数据。将每个粮食样本连通域的所有像素点的平均光谱值作为该样本的光谱数据,从150个样本中得到150×448(样本数*波长数)个原始光谱数据,具体过程如图2所示。提取光谱计算公式如下式所示:
,
其中,为某样品颗粒ROI的平均光谱值;/>为样品颗粒ROI内部的像素点个数;为高光谱数据的波段数;/>为第j个像素点在第i个波段下的反射率。
5. 构建检测模型
5.1实验样本划分
为评估和验证所构建模型的性能、泛化能力以及避免过拟合问题,一般会将数据集划分为校正集与测试集两部分,使用校正集来训练模型,使用测试集评估训练好的模型性能。这里采用联合X-Y距离(SPXY)算法将150个粮食光谱数据按照4:1的比例划分为校正集和测试集。如表1所示,划分后的校正集有120个,单宁含量分布范围为(0.02~3.1147)g/100g;测试集有30个,单宁含量分布范围为(0.0206~0.6290)g/100g。此外,校正集单宁含量平均值大于测试集单宁含量平均值。综上,测试集单宁含量值均在校正集单宁含量值分布范围内,所以数据集划分合理,满足建模要求。
表1 SPXY除法校准集和预测集后单宁含量数据的统计结果
5.2原始光谱预处理
高光谱数据预处理可以提高数据的质量和可用性,减少干扰和噪音,为后续分析、建模和应用提供更加可靠的数据基础。本发明采用多元散射校正(MSC)、SG卷积平滑(SG)、正交信号校正(OSC)、平均中心化(MC)、去趋势(DT)五种方法对数据进行预处理。再利用原始光谱数据与处理后的光谱数据建立多粒度扫描级联森林模型,构建的预测模型校正集均方根误差(RMSEC)、预测集的均方根误差(RMSEP)和绝对差值越小,校正集决定系数(R2 c)、预测集的决定系数(R2 p)和残差预测偏差(RPD)越高,预测模型越准确。进行对比分析,确定出最佳预处理方法。建模结果如图3所示,发现最佳预处理方法是DT(Rc 2= 0.9982, RMSEC =0.0423 g/100 g, Rp 2= 0.9776, RMSEP = 0.0258 g/100 g, RPD = 6.6795,AB_RMSE=0.0165 g/100 g),此方法可以有效去除传感器获取数据时产生的偏移,可以将数据分析集中在波动上。
5.3数据降维处理
高光谱***采集到的数据包含了大量冗余的信息,特别是相邻波段信息存在极大的相似性。为了节省模型运算时间,去除繁杂冗余信息,需挑选出具有代表性的特征波段。本发明首次采用迭代变量子集优化算法(ISVO)和变量投影重要性分析(VIP)相结合的新型特征波长提取方法来提取特征波长。具体步骤如下:
步骤S1,IVSO以偏最小二乘(PLS)回归系数的大小代表变量的重要性,再采用加权二进制矩阵采样(WBMS)和顺序加法这两种方法以竞争的方式逐渐地消除无用信息变量。首先创建一个二进制矩阵,将光谱数据输入加权二值矩阵(WBMS)抽样,得到N次采样结果,记录WBMS可以采样的变量数;
步骤S2,创建N个PLS子模型,计算回归系数矩阵B(B=[b1,b2,…bn]T),将矩阵B的每一行归一化,生成矩阵C,创建PLS模型计算公式如下式:
其中,为PLS回归系数的向量,/>为分数矩阵,X为输入待测矩阵,Y为PLS模型通过待测矩阵建立的关系结果,/>是组合系数,p为Y对T的最小二乘回归系数,/>为模型无法解释的残差向量;
步骤S3,将矩阵C的每一列求和,作为对应变量的判据,用S向量表示。根据它们的准则对变量进行排序;
步骤S4,通过对WBMS可以采样的变量数,即L1变量按判据顺序相加,构建L1子模型。将RMSECV值最低的子模型中的变量子集作为本轮迭代的目标变量子集L2。并记录RMSECV值R和这个变量子集L2的长度;
步骤S5,将向量S归一化,计算权重,计算公式如下式所示:
,
其中,表示第j个子模型中第i个变量的回归系数,/>表示行向量/>的最大值,由所有/>组成的归一化回归系数矩阵用C表示,C中的元素取值范围为0~1;
步骤S6,重复步骤1-5,直到L1等于L2,最终可得到多个变量子集。选取R值最小的变量子集作为算法的最终变量子集;
步骤S7,然后利用VIP算法对IVSO算法提取的特征波长进行再次筛选,并以1为分数界限,提取VIP分数值大于1的变量。VIP分数值计算方法如下式所示:
其中,是指每个自变量所获得的分数值,/>为自变量维数,/>为第/>成分,/>为模型中选取的成分数,/>为轴 h对应自变量的分量,/>表示Y由成分ah所解释的变异,而/>则表示Y由a1~ai解释的累计变异精度。
采用IVSO对特征波长进行初选。本实施例中,设定潜在变量数10,WBMS采样的数量5000,选用十折交叉验证,每次数据迭代运算时都会产生一个交叉验证均方根(RMSECV)。这个均方根的数值先下降再上升,产生一个最小值点。由图4a可知,本实施例数据在第18次迭代运算中获得了RMSECV最小值0.433,因此可确定此算法的最佳迭代次数为18。在第18次迭代运算中变量子集个数为29,所以通过IVSO初选了29个特征波段,波段对应位置如图4b所示。通过IVSO初选,有效消除了许多无关变量。为筛选出与检测指标相关性高的特征变量,采用VIP进行二次筛选。提取出VIP得分值大于1的变量,如图4c所示。最终提取出6个关键特征波长,波段对应位置如图4d所示。
6 建立检测模型
利用经过IVSO-VIP提取的特征波段与全波段分别与酿酒粮食样本的单宁含量测定值建立光谱检测模型。通过Pycharm软件将酿酒粮食样本特征波段以及全波段的光谱数据值分别与酿酒粮食样本的单宁含量实际测量值相对应并进行线性拟合。将校正集中的120个样本与测试集中的30个样本的光谱数据与单宁含量测定值带入,并采用反向传播神经网络模型(BPNN)、粒子群优化的偏最小二乘支持向量机(PSO-LSSVM)和多粒度扫描级联森林(gcForest)算法分别建立检测模型。再通过校正集、测试集输入模型,以校正集的决定系数(R2c),校正集均方根误差(RMSEC),预测集的决定系数(R2p),预测集的均方根误差(RMSEP),以及残差预测偏差(RPD)、RMSEC 和 RMSEP的绝对差值(AB_RMSE)对三种模型精度和稳定性进行评估,得到最优模型。评估参数计算公式如下:
其中是第a个粮食样本单宁含量的预测值;/>第a个粮食样本单宁含量的真实值,/>为校正集中样品单宁含量的平均值;/>预测集中样品单宁含量的平均值,nc为校正集样本个数;np为预测集的样本个数。
结果如表2所示,三个模型中,BPNN效果最差,全波长和特征波长模型的预测集决定系数均未达到0.95,绝对差值均在1.5以上。这主要是因为BPNN在反向计算误差时,误差会对各层的网络单元进行平均计算,进而修正参数,因此当网络层数比较多的时候,不能正确的修正前面各层的参数,从而影响整个网络的性能,这才导致它处理光谱信息与单宁含量之间对应关系能力较弱。gcForest总体效果最佳,无论是全波长还是特征波长建立的gcForest模型都取得了不错的效果。其中特征波长模型(R p 2=0.9922、RMSEP=0.0222 g/100g、RPD=11.2977、AB_RMSE=0.0255 g/100 g)相比全波长模型分别提高了0.0146、0.0036 g/100g、4.6、0.009 g/100 g,用较少的波段建立出效果更好的预测模型,由此说明,筛选出的特征波长与单宁高度相关。PSO-LSSVM模型总体效果适中,相比BPNN较好,相比gcForest次之。基于特征波长建立的PSO-LSSVM模型预测效果稍差于全波长建立的此模型,但降低了模型复杂的,提高了运算效率。结果发现,基于IVSO-VIP提取的特征波长建立的gcForest模型,各项指标较优,为最优模型。
表2.建模结果
7 检测结果可视化
经以上步骤可得,检测粮食中单宁含量的最佳模型是DT/IVSO-VIP/ gcForest。为直观反映出五种谷物颗粒中的单宁含量分布情况,对其进行可视化处理。具体步骤如下:
步骤S1,提取可视化ROI内样本所有像素点在所有波段下的反射率值;
步骤S2,将提取出的光谱数据输入到训练好的DT/IVSO-VIP/ gcForest模型中,计算出每个像素点单宁含量预测值;
步骤S3,将预测值和像素坐标值一一对应;
步骤S4,然后将每个像素点单宁预测值映射到对应的幅值范围内,并代入单宁含量真实值,最终根据射流色度带原理生成相应单宁指标含量的可视化图像。结果如图5a-5e所示。
图5a-5e分别呈现了不同粮食(高粱、大米、糯米、小麦、玉米)颗粒中单宁含量的分布情况,右边的灰度带用以表示不同灰度值对应的单宁含量值,单宁含量值越多,颜色越深。图中,高粱中单宁含量最高,大米和糯米最少。这是因为本实施例采用的大米和糯米样品均为去除外壳的,而单宁这种物质主要存在于粮食颗粒的外皮中,所以这两种颗粒样本可视化云图出来呈现含量值较高的灰度值。由如图5e可知,玉米颗粒中单宁主要分布于玉米胚中,其余部位含量较少,所以在玉米颗粒可视化图中,颜色呈现上黑下白。由图5d可知,小麦中的单宁含量较少且分布不均,通过可视化云图颜色变化可以直观的看出单宁在小麦颗粒中的分布概况。在实际应用中,通过将模型预测的单宁含量进行可视化可直观呈现了各品种粮食颗粒中单宁分布情况。
分别从每个粮食品种(高粱、大米、糯米、小麦、玉米)中随机选取五个样本,通过训练好的最优模型DT/IVSO-VIP/ gcForest预测样本中单宁含量值。由表3中数据可以看出各品种的单宁含量预测值与实际值之间的误差处于较小的区间,证明了该模型自适应能力强,预测准确度高。
表3.单宁含量预测值与实际值统计表
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种酿酒粮食中单宁含量的检测方法,其特征在于,包括以下具体步骤:
S1、利用高光谱成像***通过推扫帚线性扫描采集粮食样本可见光图像和短波近红外区域的高光谱图像,并进行黑白校正处理;所述短波近红外区域的波段为397~1004.5 nm;
S2、采用络合滴定法测定粮食样本中单宁含量;
S3、对步骤S1中采集到的粮食样本图像划定感兴趣区域,提取感兴趣区域内粮食样本的光谱数据;
S4、对步骤S3中获得的光谱数据进行预处理提取特征波段,具体过程为:
S41、采用去趋势DT方法对步骤S3得到的平均光谱数据进行预处理;
S42、通过使用迭代变量子集优化算法IVSO与变量投影重要性分析算法VIP相结合的数据降维处理方法,从步骤S41得到的光谱数据中去除冗余信息,筛选出具有代表性的特征波段;
所述的去除冗余信息包括以下步骤:
S421、以偏最小二乘回归系数PLS的大小代表变量的重要性,再采用加权二进制矩阵采样和顺序加法两种方法以竞争的方式逐渐地消除无用信息变量;
S422、创建N个PLS子模型,计算回归系数矩阵B,B=[b1,b2,…bn]T,将矩阵B的每一行归一化,生成矩阵C,创建PLS模型计算公式如下式:
其中,为PLS回归系数的向量,/>为分数矩阵,/>为输入待测矩阵,/>为PLS模型通过待测矩阵建立的关系结果,/>是组合系数,/>为/>对/>的最小二乘回归系数,/>为模型无法解释的残差向量;
S423、将矩阵C的每一列求和,作为对应变量的判据,用S向量表示;
S424、通过对加权二进制矩阵采样的变量数,即L1变量按判据顺序相加,构建L1子模型,然后将得到的L1变量交叉验证均方根误差值最低的L1子模型中的变量子集作为本轮迭代的目标变量子集L2,并记录RMSECV值R和变量子集L2的长度;
S425、将向量S归一化,计算权重,计算公式如下式所示:
其中,表示第j个子模型中第i个变量的回归系数,/>表示行向量/>的最大值,由所有/>组成的归一化回归系数矩阵用C表示,C中的元素取值范围为0~1;
S426、重复步骤S421-S425,直到L1等于L2,选取R值最小的变量子集作为算法的最终变量子集;
S427、利用变量投影重要性分析算法对迭代变量子集优化算法提取的特征波长进行再次筛选,并以1为分数界限,提取VIP分数值大于1的变量,所述的VIP分数值计算公式如下式所示:
其中,是指每个自变量所获得的分数值,/>为自变量维数,/>为第/>成分,/>为模型中选取的成分数,/>为轴 h对应自变量的分量,/>表示Y由成分ah所解释的变异,而/>则表示Y由a1~ai解释的累计变异精度;
S5、建立基于全波段和特征波段的单宁含量检测模型;
采用联合 X-Y 距离算法将波段数据划分为校正集与测试集,随后利用IVSO-VIP 提取的特征波段与全波段的光谱数据值分别与步骤S2 得到的单宁含量对应,将校正集波段数据与对应单宁含量输入gcForest 检测模型确定模型权重参数,并随后将测试集波段数据与对应单宁含量输入建立的 gcForest 检测模型,确定所述 gcForest 检测模型的性能;
S6、将待检测样本光谱数据输入到所述的检测模型中,得到检测结果,生成单宁含量可视化云图。
2. 如权利要求1所述的检测方法,其特征在于,步骤S1中,所述的高光谱成像***包括FX10E光谱相机,所述FX10E光谱相机的空间分辨率为632 ×1024像素,光谱分辨率为5nm。
3.如权利要求2所述的检测方法,其特征在于,对采集到的光谱数据进行黑白校正,黑白校正的公式如下式所示:
,
其中,校正后的光谱图像;/>盖上镜头采集的暗参考图像;/>原始高光谱图像;/>采集的标准白板图像。
4.如权利要求1所述的检测方法,其特征在于,步骤S2中,所述络合滴定法的具体过程为:在样品提取液中加入过量的醋酸锌Zn(Ac)2标准溶液,待充分反应后,用EDTA标准溶液滴定调配好的沉淀滤液,根据EDTA标准溶液的消耗量,计算出样品中单宁的含量,计算公式为:
,
其中,代表样品中单宁的质量分数,单位为%;/>表示Zn(Ac)2标准溶液的浓度,单位为mol/L;/>代表吸取Zn(Ac)2标准溶液的体积,单位为mL;/>是EDTA标准溶液的浓度,单位为mol/L;/>表示滴定时所用EDTA标准溶液的体积,单位为mL;/>为比例常数0.1556g/mmol;而10表示分取倍数,即样品在络合沉淀后定容至100mL,然后吸取其中的1/10进行滴定;/>代表样品的质量,单位为g。
5.如权利要求1所述的检测方法,其特征在于,步骤S3中,在粮食样本图像中,以图像中心为中心点,以180像素为半径创建一个感兴趣区域,再通过大津法与分水岭算法相结合对样本图像进行分割,最后通过形态学变换、掩膜运算提取感兴趣区域中样本每个像素的光谱数据。
6.如权利要求4所述的检测方法,其特征在于,步骤S3中,提取光谱计算公式为:
,
其中,为某样品颗粒感兴趣区域的平均光谱值;/>为样品颗粒感兴趣区域内部的像素点个数;/>为高光谱数据的波段数;/>为第j个像素点在第i个波段下的反射率。
7.如权利要求1所述的检测方法,其特征在于,步骤S4中,所述特征波段包括507.7nm、680.8nm、682.1nm、683.5nm、684.8nm和686.2nm。
8.如权利要求1所述的检测方法,其特征在于,步骤S5中,采用联合X-Y距离SPXY算法将样本光谱数据按照4:1的比例划分为校正集和测试集。
9.如权利要求1所述的检测方法,其特征在于,步骤S6中,所述的可视化云图的过程包括:
S61、提取可视化感兴趣区域内样本所有像素点在所有波段下的反射率值;
S62、将提取出的光谱数据输入到训练好的模型中,计算出每个像素点单宁含量预测值;
S63、将预测值和像素坐标值一一对应;
S64、然后将每个像素点单宁预测值映射到对应的幅值范围内,并代入单宁含量真实值,最终根据射流色度带原理生成相应单宁指标含量的可视化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571911.5A CN117288692B (zh) | 2023-11-23 | 2023-11-23 | 一种酿酒粮食中单宁含量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571911.5A CN117288692B (zh) | 2023-11-23 | 2023-11-23 | 一种酿酒粮食中单宁含量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117288692A CN117288692A (zh) | 2023-12-26 |
CN117288692B true CN117288692B (zh) | 2024-04-02 |
Family
ID=89252006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311571911.5A Active CN117288692B (zh) | 2023-11-23 | 2023-11-23 | 一种酿酒粮食中单宁含量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117288692B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007041755A1 (en) * | 2005-10-07 | 2007-04-19 | The Australian Wine Research Institute | Hyperspectral imaging of contaminants in products and processes of agriculture |
CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
CN103528967A (zh) * | 2013-09-25 | 2014-01-22 | 西北农林科技大学 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
WO2015195988A1 (en) * | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
CN110441248A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥水分预测模型建立的方法 |
CN110441249A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 |
CN111062412A (zh) * | 2019-11-06 | 2020-04-24 | 天津大学 | 一种新型智能鞋对室内行人运动速度的智能识别方法 |
CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
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 |
CN113655027A (zh) * | 2021-09-10 | 2021-11-16 | 贵阳倍隆生物科技有限公司 | 一种近红外快速检测植物中单宁含量的方法 |
CN113959961A (zh) * | 2021-12-22 | 2022-01-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及*** |
CN114373503A (zh) * | 2022-01-10 | 2022-04-19 | 江苏护理职业学院 | 一种微生物培养基优化方法及*** |
CN114813593A (zh) * | 2022-03-30 | 2022-07-29 | 四川轻化工大学 | 基于高光谱成像技术的糟醅总酸含量的检测方法 |
CN115661813A (zh) * | 2022-10-25 | 2023-01-31 | 四川轻化工大学 | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 |
WO2023123329A1 (zh) * | 2021-12-29 | 2023-07-06 | 安徽大学 | 近红外光谱的净信号提取方法及其*** |
CN116843036A (zh) * | 2023-06-20 | 2023-10-03 | 东华大学 | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4623412B2 (ja) * | 2004-06-29 | 2011-02-02 | 日本電気株式会社 | 端成分データベース構築方法、端成分データベース構築装置及び端成分データベース構築プログラム |
US20140041533A1 (en) * | 2012-04-16 | 2014-02-13 | Eugenio Minvielle | Logistic Transport System for Nutritional Substances |
CN110793632B (zh) * | 2019-10-30 | 2021-06-22 | 南京大学 | 一种用于火焰拍摄的高速高精度光谱视频***及方法 |
-
2023
- 2023-11-23 CN CN202311571911.5A patent/CN117288692B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007041755A1 (en) * | 2005-10-07 | 2007-04-19 | The Australian Wine Research Institute | Hyperspectral imaging of contaminants in products and processes of agriculture |
CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
CN103528967A (zh) * | 2013-09-25 | 2014-01-22 | 西北农林科技大学 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
WO2015195988A1 (en) * | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
CN110441248A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥水分预测模型建立的方法 |
CN110441249A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 |
CN111062412A (zh) * | 2019-11-06 | 2020-04-24 | 天津大学 | 一种新型智能鞋对室内行人运动速度的智能识别方法 |
CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
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 |
CN113655027A (zh) * | 2021-09-10 | 2021-11-16 | 贵阳倍隆生物科技有限公司 | 一种近红外快速检测植物中单宁含量的方法 |
CN113959961A (zh) * | 2021-12-22 | 2022-01-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及*** |
WO2023123329A1 (zh) * | 2021-12-29 | 2023-07-06 | 安徽大学 | 近红外光谱的净信号提取方法及其*** |
CN114373503A (zh) * | 2022-01-10 | 2022-04-19 | 江苏护理职业学院 | 一种微生物培养基优化方法及*** |
CN114813593A (zh) * | 2022-03-30 | 2022-07-29 | 四川轻化工大学 | 基于高光谱成像技术的糟醅总酸含量的检测方法 |
CN115661813A (zh) * | 2022-10-25 | 2023-01-31 | 四川轻化工大学 | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 |
CN116843036A (zh) * | 2023-06-20 | 2023-10-03 | 东华大学 | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 |
Non-Patent Citations (4)
Title |
---|
Available online23March2022 0308-8146/© 2022ElsevierLtd.Allrightsreserved. Using hyperspectral imaging technology for assessing internal quality parameters of persimmon fruits during the drying process;Xiaoxi Chen 等;《Food Chemistry》;第386卷;第132774-1-7页 * |
基于改进遗传算法的区间光谱特征波长变量选择方法;刘鑫;冒智康;张小鸣;李绍稳;金秀;;江苏大学学报(自然科学版)(第03期);第78-84页 * |
基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测;梁琨;刘全祥;潘磊庆;沈明霞;;南京农业大学学报(第04期);第190-196页 * |
高光谱成像技术对牛肉水分含量及分布的快速检测;禹文杰;王彩霞;乔芦;贺晓光;何智武;王松磊;;光电子・激光(第03期);第102-109页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117288692A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weng et al. | Hyperspectral imaging for accurate determination of rice variety using a deep learning network with multi-feature fusion | |
Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
Zheng et al. | AFFU-Net: Attention feature fusion U-Net with hybrid loss for winter jujube crack detection | |
Wang et al. | Identification of maize haploid kernels based on hyperspectral imaging technology | |
CN108444924B (zh) | 一种应用高光谱图像技术判别茶叶贮藏期的方法 | |
Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
Duan et al. | Sensitive variables extraction, non-destructive detection and visualization of total viable count (TVC) and pH in vacuum packaged lamb using hyperspectral imaging | |
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 | |
CN113008815A (zh) | 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 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
Lin et al. | Identification of rice storage time based on colorimetric sensor array combined hyperspectral imaging technology | |
Jiang et al. | Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning | |
CN115661813A (zh) | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 | |
Srivastava et al. | Machine-vision based handheld embedded system to extract quality parameters of citrus cultivars | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN111398211A (zh) | 一种苍术颗粒剂的信息区分处理方法 | |
Tian et al. | Early contamination warning of Aflatoxin B1 in stored maize based on the dynamic change of catalase activity and data fusion of hyperspectral images | |
Luo et al. | Prediction of soluble solid content in Nanfeng mandarin by combining hyperspectral imaging and effective wavelength selection | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
CN117288692B (zh) | 一种酿酒粮食中单宁含量的检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |