一種甜菜品質的快速檢測方法
2023-12-02 15:42:01 1
一種甜菜品質的快速檢測方法
【專利摘要】本發明公開了一種甜菜品質的快速檢測方法，屬於農產品質量檢測【技術領域】。本發明利用近紅外光譜儀採集經過鋸糊預處理的甜菜樣品的紅外光譜圖，對近紅外光譜圖進行光譜預處理後，採用偏最小二乘法經內部交互驗證建立數學模型，根據數學模型預測待測樣品的糖度、鈉含量和氮含量。本發明所提供的方法具有操作簡單、綠色環保、檢測成本低、檢測速度快、可實現對甜菜品質多指標同時檢測、準確度較高等特點，適用於甜菜品質的快速檢測。
【專利說明】一種甜菜品質的快速檢測方法
【技術領域】
[0001]本發明涉及一種甜菜品質的快速檢測方法，屬於農產品質量檢測【技術領域】。
【背景技術】
[0002]長期以來，由於傳統分析技術的局限性，製糖企業實行按質論價的原料收購體系在我國製糖企業一直沒有真正建立，原料收購也一直沿用按重量的計價方式。種植者一味追求高產量，輕質量，低質量原料大大增加了糖廠的消耗。因此，如何實現甜菜品質快速檢測和按質論價有著重要意義。
[0003]甜菜品質對製糖出糖率有著重要影響，尤其是糖度指標。甜菜糖度能夠明顯影響製糖企業製糖的效率和經濟效益，同時實現按質論價也將鼓勵甜菜育種者和種植戶提高甜菜品質。另外，製糖企業對甜菜品質的鑑定都是在收購之後，操作費時、繁瑣且價格高昂。近紅外光譜技術在甜菜品質分析中的應用，能為甜菜品種選育和大田生產管理帶來了極大的方便，也為糖廠原料甜菜品質的管理、生產工藝調整、在線分析的實現和按質論價收購體系的建立提供重要的技術支持，然而現有技術中尚沒有應用近紅外光譜進行甜菜品質的檢測方法。
【發明內容】
[0004]本發明針對甜菜種植和收購企業普遍關心的按質定價問題，採用近紅外光譜分析技術，對甜菜及糖漿的糖度、鈉、氮等指標進行快速檢測技術研究。提供了一種基於近紅外光譜分析技術的甜菜品質快速檢測方法，所採取的技術方案如下:
[0005]本發明的一個目的在於提供一種甜菜品質的快速檢測方法，是利用近紅外光譜儀採集經過鋸糊預處理的甜菜樣品的近紅外光譜圖，對近紅外光譜圖進行光譜預處理後，採用偏最小二乘法經內部交互驗證建立回歸模型，根據數學模型預測待測樣品的糖度、鈉含量和氮含量。
[0006]所述方法的步驟如下:
[0007]I)甜菜樣品的鋸糊預處理；
[0008]2)採集甜菜樣品近紅外光譜圖；
[0009]3)對步驟2)所得的甜菜樣品紅外光譜圖進行光譜預處理；
[0010]4)根據步驟3)的預處理結果，採用偏最小二乘法分別建立甜菜甜度、鈉含量和氮含量與近紅外光譜的回歸模型，通過內部交互驗證回歸模型，獲得數學模型；
[0011]5)利用步驟4)所得的數學模型預測待測甜菜樣品的糖度、鈉含量和氮含量。
[0012]所述樣品鋸糊預處理，是將選取的甜菜樣品放入可移動式甜菜樣品處理機中，洗去雜物後切除葉冠，再放入鋸糊機中進行鋸糊，鋸糊時隨機選取甜菜各部位，鋸下0.8mm*0.8mm*0.8mm大小顆粒呈糊狀的甜菜樣品。
[0013]所述紅外光譜圖的採集，是利用DA7200-型二極體陣列近紅外光譜儀進行採集，近紅外光譜掃描範圍為900?1700nm，解析度:5nm，掃描次數為60次，每個樣品重複裝樣測定兩次，取平均光譜。
[0014]所述近紅外光譜圖的光譜預處理，是通過一階導數、卷積平滑法、標準正態變量變換組合後，再進行光譜降噪處理。
[0015]所述數學模型的建立過程如下:
[0016]I)根據甜菜樣品的糖度範圍選取至少50個特徵樣品作為校正集樣品，再隨機選取至少20個樣品作為驗證集樣品，校正集樣品用於建立校正模型，驗證集樣品用於檢驗模型；
[0017]2)測定所有樣品的甜度、鈉含量和氮含量；
[0018]3)採集所有樣品的近紅外光譜圖，並通過一階導數、卷積平滑法、標準正態變量變換後再對樣品近紅外光譜圖進行光譜降噪處理；
[0019]4)根據校正集樣品的預處理結果，採用偏最小二乘法經內部交互驗證分別建立甜菜糖度、鈉含量和氮含量的校正回歸模型；
[0020]5)用步驟4)所得的優化校正模型預測驗證集樣品，比較預測結果和實測結果，根據預測均方根誤差和預測平均偏差評價並確定模型。
[0021]所述快速檢測方法的具體步驟如下:
[0022]I)選取完好無損的甜菜樣品，除去雜物並清洗後切除葉冠，再放入鋸糊機中進行鋸糊，鋸糊時隨機選取甜菜各部位，鋸下0.8mm*0.8mm*0.8mm大小顆粒呈糊狀的甜菜樣品，獲得預處理甜菜樣品；
[0023]2)利用DA7200-型二極體陣列近紅外光譜儀採集步驟I)所得預處理樣品的近紅外光譜圖，近紅外光譜掃描範圍為900?1700nm，解析度:5nm，掃描次數為60次，每個樣品重複裝樣測定兩次，取平均光譜；
[0024]3)通過一階導數、卷積平滑法、標準正態變量變換組合後共同對步驟2)所得的平均光譜進行光譜降噪處理；
[0025]4)根據步驟3)的處理結果，採用偏最小二乘法分別建立甜菜甜度、鈉含量和氮含量與近紅外光譜的回歸模型，通過內部交互驗證回歸模型，建立數學模型；
[0026]5)利用步驟4)所得數學模型預測待測甜菜樣品的糖度、鈉含量和氮含量。
[0027]所述檢測方法用於快速檢測甜菜品質。
[0028]本發明有益效果:本發明所述的方法與傳統常規方法相比，有以下幾個優點:1)操作簡單、檢測速度快。與常規方法相比較，近紅外分析只需I人，耗時2min左右，而如果用常規分析方法，則需3人，Ih左右才能完成。2)節省原料，無汙染。近紅外分析只需1g左右樣品，樣品光譜掃描後成分完全沒有破壞，樣品分析完收集後還可以重新回到製糖生產中。同時，近紅外分析不需加入任何藥劑，對於糖廠來說，不僅可以節約大量購買藥劑的資金，而且還可以實現對環境零汙染、零排放。3)實現對甜菜品質多成分同時檢測、有良好的準確度，而常規檢測方法檢測指標單一。4)節約化驗室成本，近紅外分析主要採用一臺近紅外光譜儀，運行和維護成本大概每年0.2萬元，該設備檢測指標可以替代錘度計、旋光儀、阿貝折光儀、凱氏定氮儀、原子吸收分光光度計、PH計和灰分測定裝置等昂貴設備約數十萬元，節約人力成本和檢測試劑耗材費用約每年數十萬元。設備體積小、重量輕、操作簡易，便於搬運和在線檢測，節省了實驗室的面積。耗電少、不產生廢氣、廢水和廢渣，節能環保。5)可實現在線檢測，國外在石油化工、乳品、醫藥等行業已經實現了近紅外儀器的在線監測，極大的提高了生產設備的自動化水平。
[0029]綜上，本發明是一種快速簡單、綠色環保、檢測費用低廉的技術。近紅外光譜檢測技術以其高效、多成分分析、無損和低成本的特點，用於原料收購環節可以及時按質論價，用於生產過程監控可以及時出具過程產品的分析數據，為生產裝置平穩運行和優化提供了準確數據信息，提高生產率；為生產提供決策依據。
【專利附圖】
【附圖說明】
[0030]圖1為甜菜品質檢測流程圖。
[0031]圖2甜菜樣品預處理流程圖。
[0032]圖3甜菜樣品光譜原始圖。
[0033]圖4甜菜糖度預測結果圖。
[0034]圖5甜菜中鈉含量預測結果圖。
[0035]圖6甜菜中氮含量預測結果圖。
[0036]圖7甜菜顆粒中糖度預測結果圖。
【具體實施方式】
[0037]本發明提供了 一種甜菜品質的快速檢測方法，本發明提供的方法具有操作簡單、檢測速度快、準確性高、成本低、綠色環保的特點，下面結合具體實施例對本發明做進一步說明，但本發明不受實施例的限制。
[0038]實施例1回歸模型的建立
[0039]甜菜品質檢測指標與近紅外特徵波長光譜的偏最小二乘法回歸模型的建立，步驟如下:
[0040]1、收集甜菜28個品種共380個樣品，分別鋸糊後裝樣品袋中統一編號後備用。
[0041]將經過樣品預處理(處理流程見圖2)的甜菜鋸糊樣品均勻平鋪在直徑為75mm的樣品杯中，使用近紅外分析儀以5nm的解析度掃描60次，樣品及環境溫度均為20±2°C，光譜掃描範圍為900?1700nm，得出近紅外掃描光譜圖，原始圖見圖3。重複裝樣測定兩次，保持裝樣的均一性，求得平均光譜曲線。
[0042]2、對所採集的樣品的光譜數據信息進行一階導數(FD)、標準正態變量變換(SNV)、卷積平滑法(SG)後再對光譜圖進行降噪預處理，把所有樣品的光譜數據信息和其相應得標準值建立校正集和驗證集；利用校準集的光譜數據信息分別尋找反應甜菜品質的各個指標值對應的特徵波長並採用偏最小二乘法經建立預測回歸模型，通過內部交互驗證預測回歸模型，獲得數學模型。
[0043]3、驗證集對各個指標的預測模型的預測評價結果如圖4、圖5、圖6所示。對於糖度，其預測模型的模型決定係數R2 = 0.9039，RMSEC = 0.4165 ;對於鈉含量，其預測模型的模型決定係數R2 = 0.5591，RMSEC = 0.4022 ;對於氮含量，其預測模型的模型決定係數R2=0.7031, RMSEC = 0.3094。
[0044]4、對於各個指標所建立的最佳回歸模型的準確度評價:將所建立的預測模型安裝到DA7200-型二極體陣列近紅外光譜儀中。未知甜菜鋸糊樣品均勻平鋪在直徑為75_的樣品杯中，掃描過程同樣品光譜採集過程。所不同的是，掃描過後會出現甜菜中糖度、鈉、氮等含量值，與其用化學方法檢測出來的數值進行對比，用預測標準偏差(SEP)和預測值平均偏差(Bias)評價模型。
[0045]實施例2待測樣品的品質檢測
[0046]基於實施例1所建立的回歸模型，對70個待測樣品進行品質檢測及定級，步驟如下:
[0047]1、待測樣品的預處理(如圖2)；
[0048]2、待測樣品近紅外分析儀光譜掃描；
[0049]3、待測樣品糖度指標的檢測結果如表1所示。
[0050]表1甜菜樣品糖度預測值與傳統方法實測值結果比較
【權利要求】
1.一種甜菜品質的快速檢測方法，其特徵在於，利用近紅外光譜儀採集經過鋸糊預處理的甜菜樣品的近紅外光譜圖，對近紅外光譜圖進行光譜預處理後，採用偏最小二乘法經內部交互驗證建立數學模型，根據數學模型預測待測樣品的糖度、鈉含量和氮含量。
2.權利要求1所述方法，其特徵在於，步驟如下: 1)甜菜樣品的鋸糊預處理； 2)採集甜菜樣品近紅外光譜圖； 3)對步驟2)所得的甜菜樣品紅外光譜圖進行光譜預處理； 4)根據步驟3)的預處理結果，採用偏最小二乘法分別建立甜菜糖度、鈉含量和氮含量與近紅外光譜的回歸模型，通過內部交互驗證回歸模型，獲得數學模型； 5)利用步驟4)所得的數學模型預測待測甜菜樣品的糖度、鈉含量和氮含量。
3.權利要求1和2所述方法，其特徵在於，所述樣品鋸糊預處理，是將選取的甜菜樣品放入可移動式甜菜樣品處理機中，洗去雜物後切除葉冠，再放入鋸糊機中進行鋸糊，鋸糊時隨機選取甜菜各部位，鋸下0.8mm*0.8mm*0.8mm大小顆粒呈糊狀的甜菜樣品。
4.權利要求1和2所述方法，其特徵在於，所述近紅外光譜圖的採集，是利用DA7200-型二極體陣列近紅外光譜儀進行採集，近紅外光譜掃描範圍為900~1700nm，解析度:5nm，掃描次數為60次，每個樣品重複裝樣測定兩次，取平均光譜。
5.權利要求1和 2所述方法，其特徵在於，所述近紅外光譜圖的光譜預處理，是通過一階導數、卷積平滑法、標準正態變量變換組合後，再進行光譜降噪處理。
6.權利要求1和2所述方法，其特徵在於，所述數學模型的建立步驟如下: 1)根據甜菜樣品的糖度範圍選取至少50個特徵樣品作為校正集樣品，再隨機選取至少20個樣品作為驗證集樣品，校正集樣品用於建立校正模型，驗證集樣品用於檢驗模型； 2)測定所有樣品的糖度、鈉含量和氮含量； 3)採集所有樣品的近紅外光譜圖，並通過一階導數、卷積平滑法、標準正態變量變換後再對樣品近紅外光譜圖進行光譜降噪處理； 4)根據校正集樣品的預處理結果，採用偏最小二乘法經內部交互驗證分別建立甜菜糖度、鈉含量和氮含量的校正回歸模型； 5)用步驟4)所得的優化校正模型預測驗證集樣品，比較預測結果和實測結果，根據預測均方根誤差和預測平均偏差評價並確定模型。
7.權利要求1和2所述方法，其特徵在於，具體步驟如下: 1)選取完好無損的甜菜樣品，除去雜物並清洗後切除葉冠，再放入鋸糊機中進行鋸糊，鋸糊時隨機選取甜菜各部位，鋸下0.8mm*0.8mm*0.8mm大小顆粒呈糊狀的甜菜樣品，獲得預處理甜菜樣品； 2)利用DA7200-型二極體陣列近紅外光譜儀採集步驟I)所得預處理樣品的近紅外光譜圖，近紅外光譜掃描範圍為900~1700nm，解析度:5nm，掃描次數為60次，每個樣品重複裝樣測定兩次，取平均光譜； 3)通過一階導數、卷積平滑法、標準正態變量變換組合後共同對步驟2)所得的平均光譜進行光譜降噪處理； 4)根據步驟3)的處理結果，採用偏最小二乘法分別建立甜菜糖度、鈉含量和氮含量與近紅外光譜的回歸模型，通過內部交互驗證回歸模型，建立數學模型；5)利用步驟4)所得數學模型預測待測甜菜樣品的糖度、鈉含量和氮含量。
8.權利要求1-7所 述方法，其特徵在於，用於快速檢測甜菜品質。
【文檔編號】G01N21/359GK104034691SQ201410200834
【公開日】2014年9月10日 申請日期:2014年5月13日 優先權日:2014年5月13日
【發明者】楊勇, 鄭喜群, 任健, 趙麗影, 楊慶餘 申請人:齊齊哈爾大學