本发明属于农产品质量检测
技术领域：
，具体涉及一种基于近红外光谱技术快速鉴别马铃薯发芽特性的方法。
背景技术：
：马铃薯，别称土豆、地蛋、洋芋等，茄科茄属，一年生草本植物，高15-80厘米，无毛或被疏柔毛。马铃薯富含多种营养物质，能够提供人类所需的碳水化合物、蛋白质、矿物质和维生素等营养成分，素有“地下苹果”和“第二面包”之称；马铃薯是块茎繁殖，可入药，其性平味甘，可以治胃痛、痄肋、痈肿等疾病。马铃薯营养价值高、适应力强、产量大，是中国五大主食之一，也是仅次于水稻、小麦和玉米的世界第四大粮食作物。马铃薯兼具粮菜、饲用、轻工业原料等多种用途，受到人们的广泛青睐。近年来，随着食品结构的调整，马铃薯产品逐渐多样化，而新兴的马铃薯产品开发更带动了马铃薯深加工技术的发展，推动了马铃薯农产品的大力发展。但随之而来的，马铃薯的品质保障问题也突显出来。众所周知，马铃薯属于季节型产品，其收获时间相对集中且周期较短，需要在很短的时间内对其进行深加工处理，否则会导致食用较为困难。因此，如何对马铃薯进行合理的贮藏保鲜就十分必要。通常情况下，在马铃薯贮藏期间，若温度较高、通风较差，则会促使马铃薯出现发芽现象，而发芽后的马铃薯含有的龙葵素含量会大量增加，龙葵素是一种有毒的糖苷生物碱，对人体神经系统有较大的危害，如果误食，轻者会出现中毒现象，重者则会死亡。因此，在合理贮藏马铃薯的同时，更需要在马铃薯进入市场之前尽早发现其发芽状况，以免带来食用危害。但现有技术中，尚且没有适宜的技术对马铃薯的发芽特性进行快速的检测及鉴定。近红外光谱分析技术是一种可利用有机化学物质在近红外光谱区的光学特性快速估测样本信息变化特征的方法，并具有快速、方便、准确的优点。因此，借助于近红外光谱分析技术对马铃薯的发芽特性进行检测及鉴别，不仅为马铃薯病害的早期鉴别提供一种新的方法和思路，进而为马铃薯产业高效、高质的发展奠定了基础，具有重要的理论意义和工程应用价值。技术实现要素：为此，本发明所要解决的技术问题在于提供一种基于近红外光谱技术快速鉴别马铃薯发芽特性的方法，以解决现有技术中马铃薯发芽特性难于检测的问题。为解决上述技术问题，本发明公开了近红外光谱技术在快速鉴别马铃薯发芽特性方法中的应用。本发明所述的一种基于近红外光谱技术快速鉴别马铃薯发芽特性的方法，包括如下步骤：(1)收集健康马铃薯及发芽马铃薯样本，分别将健康马铃薯及发芽马铃薯样本分为定标集和验证集，并分别采集各健康马铃薯及发芽马铃薯样本的近红外光谱信号，获得定标集光谱信号和验证集光谱信号；(2)对采集的健康马铃薯及发芽马铃薯样本的近红外光谱信号进行预处理；(3)以经过预处理的数据为基础，建立偏最小二乘法判别分析(pls-da)模型，并对所构建的判别分析模型进行评价；(4)在与步骤(1)相同的采集条件下，采集待测马铃薯样本的近红外光谱信息，并输入至步骤(3)中建立的所述判别分析模型中进行判别分析，以快速鉴定待测马铃薯样本的发芽特性。所述步骤(1)中，所述近红外光谱采集范围为12000-4000cm-1，其分辨率为4或8cm-1，扫描次数为32或64次。所述步骤(1)中，所述近红外光谱采集步骤中，马铃薯样本采用不透光金属盒遮蔽，并选择至少4个不同点进行采集，计算获得其平均光谱曲线。所述步骤(1)中，所述定标集和验证集的数量比例为3-4：1。所述步骤(2)中，所述预处理步骤的方式选自基线校正、加权最小二乘基线校正、去趋势、msc、snv、标准化、归一化方法中的至少一种。所述步骤(3)中，所述建立偏最小二乘判别分析模型的步骤采用留一交互验证法。所述步骤(3)中，对所述判别分析模型进行评价的步骤是对所述判别分析模型的精度进行评价。所述判别分析模型的精度采用识别率和拒绝率为评价指标，所述识别率和拒绝率为0.85-1.00时，所述判别分析模型有效，所述识别率和拒绝率越接近1.00，所述判别分析模型的精度越高。所述步骤(4)中，所述采集待测马铃薯样本的近红外光谱信息的步骤，是在与步骤(1)相同的采集条件下进行的。本发明还公开了所述的基于近红外光谱技术快速鉴别马铃薯发芽特性的方法在马铃薯质量检测领域中的应用。本发明所述快速鉴定马铃薯发芽特性的方法，由于马铃薯发芽后会发生一些生理变化，这些变化会在近红外区有显著的体现，因此，可采用近红外光谱技术对马铃薯发芽特性进行判定，实现了马铃薯发芽特性的快速鉴别，具有快速、高效、绿色环保等优点，同时，该方法可有效降低模型构建成本，提高模型检测效率。本发明所述快速鉴定马铃薯发芽特性的方法，基于近红外光谱技术进行检测，由于近红外分析只是取得样本的光谱信号，有时甚至可以在原容器中进行测定，不需要其它试剂，因此，整个测试过程中不会产生任何污染，具有绿色环保的特点，同时，该模型的构建，也有利于发芽马铃薯鉴别专用仪器开发，为马铃薯发芽特性的快速鉴定提供了新的途径，具有重要的意义。附图说明为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中，图1为健康马铃薯样品与发芽马铃薯样品的原始光谱图，健康薯样本为深色，发芽薯样本为浅色；图2为所述近红外光谱经snv法预处理的光谱图；图3为本发明验证马铃薯样品的发芽特性判定结果图。具体实施方式实施例1本实施例采用近红外光谱技术对马铃薯样品的发芽特征进行快速鉴定，由于马铃薯在发芽过程中，会伴随着一定的生理变化，这些变化会在近红外区有显著的体现，具体操作方法包括如下步骤：(1)样本收集本实施例选取的马铃薯研究样本共计204份，其中102份为健康马铃薯，102份为发芽的马铃薯。分别将所述健康马铃薯样本和发芽马铃薯样本随机的以隔三取一的方式分为定标集和验证集，即将健康马铃薯样品按随机排序中编号为1、2、3、5、6、7、9、10、11…的设定为定标集，而编号为4、8、12…的设定为验证集，同样的操作方法适用于发芽马铃薯。得到的定标集中健康马铃薯样品为77个，发芽马铃薯样品为77个，验证集中健康马铃薯样品为25个，发芽马铃薯样品为25个。然后分别将上述健康马铃薯样品和发芽马铃薯样品进行近红外光谱采集，获得的健康马铃薯样品与发芽马铃薯样品的原始光谱图见图1所示，以此分别获得定标集光谱和验证集光谱，所述定标集光谱和所述验证集光谱中分别包括相应数量的健康马铃薯光谱和发芽马铃薯光谱。对马铃薯样品进行近红外光谱检测采用德国布鲁克mpa傅里叶变换近红外光谱仪进行光谱采集，于25℃下开启近红外光谱仪预热30min，每次扫样前以空气光谱为背景光谱，近红外光谱仪采集方式为漫反射，光谱采集范围为12000-4000cm-1，分辨率为4cm-1，扫描次数为64次，样本采用不透光金属盒遮蔽，选择4个不同点进行采集，求其平均光谱曲线。(2)对所采集的光谱信号进行预处理采用matlab软件(r2012a，美国mathworks公司)，对步骤(1)中采集的健康马铃薯及发芽马铃薯样本的近红外光谱信号进行预处理。所述预处理方式为基线校正、加权最小二乘基线校正、去趋势、msc、snv、标准化、归一化方法中的至少一种方法。本实施例中采用snv方法进行预处理，具体预处理过程如图2所示。(3)偏最小二乘法判别模型的建立与评价以上述步骤(2)中经过预处理的数据为基础进行输入，并采用留一交互验证法建立偏最小二乘法判别分析(pls-da)模型，并获得的基于模型识别率和拒绝率对所得判别分析模型的精度进行评价，当所述识别率和拒绝率为0.85-1.00时，所述判别分析模型有效，所述识别率和拒绝率越接近1.00，所述判别分析模型的精度越高。样本识别率＝自身类样本识别个数/该类样本类总数×100％；拒绝率＝其它类样本拒绝总数/其它类样本总数×100％。本实施例获得判别分析(pls-da)模型的识别率和拒绝率数据见下表1。表1偏最小二乘法判别(pls-da)模型识别率与拒绝率(4)偏最小二乘法判别模型的验证和鉴定另外选择50个马铃薯样本对所构建的偏最小二乘判别分析模型进行验证。所述50个马铃薯样本中，其中健康马铃薯25个，发芽马铃薯25个。对上述50个马铃薯样本进行近红外光谱检测，采集其近红外光谱数据，采集过程同步骤(1)。将采集的近红外光谱数据输入所得的偏最小二乘判别分析模型进行验证，得到样本的识别率和拒绝率数据见表2所示，所述样本的识别率和拒绝率均为1.00，证明构建模型精度较高。表2验证集样本识别率与拒绝率样本类别识别率拒绝率发芽马铃薯1.001.00健康薯1.001.00而验证的马铃薯样品的发芽特性判定结果如图3所示，图中上半部分为健康马铃薯样本、图中下半部分为发芽马铃薯样本，图中，从左到右的样本(上、下部分)分别是定标集健康马铃薯、定标集发芽马铃薯、验证集健康马铃薯、验证集发芽马铃薯。图3中数据证明，本发明基于近红外光谱技术对马铃薯发芽特性进行检测，该方法的整体识别率较高，能满足马铃薯发芽的有效鉴别。显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。当前第1页12