一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法与流程

本发明涉及一种基于近红外高光谱无损测定黄酮含量的方法，尤其涉及一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法。

背景技术：

杨梅是我国的特色水果，在浙江、江苏、福建、广东和湖南等省份有较大面积的种植。杨梅营养价值较高，富含的黄酮类物质，同时含有丰富的纤维素、矿质元素、维生素和一定量的蛋白质、脂肪、果胶等。黄酮类化合物是一类低分子天然植物成分，广泛存在于蔬菜、水果和药用植物中，是目前人们比较关注的一类化合物，有很多药用植物的主要活性成分都是黄酮类，包括黄酮、异黄酮、黄酮醇、黄烷酮等。杨梅中黄酮类物质具有较高的生物活性作用，具有抗氧化、抗炎症等功效。杨梅是中国特色浆果资源，且含有丰富的黄酮。因此，研究杨梅中的黄酮含量有助于评价杨梅的营养价值，对进一步开发杨梅资源具有十分重要的意义。

目前对杨梅中黄酮含量的测定主要通过高效液相色谱法或分光光度法，两种方法皆需对杨梅进行处理，提取后才能测定，会破坏检测样品的完整性，难以实现大样本量的快速无损检测。近年来，近红外高光谱成像技术作为一种无损检测方法引起了广泛的关注。其最大特点是结合光谱技术与计算机图像技术两者的优点，可获得大量包含连续波长光谱信息的图像块，由于其具有检测速度快、效率高、成本低等优点，越来越多地应用于农产品品质与安全的无损检测。因此可以利用近红外高光谱成像技术来快速无损检测杨梅中黄酮含量。

技术实现要素：

本发明的目的在于提供一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法，旨在实现无损、快速、大样本量的检测。

本发明提供了一种杨梅中黄酮含量的测定方法，该基于近红外高光谱的杨梅中黄酮含量测定的方法包括以下步骤：

1)样本光谱的建立：

采集不同品种的新鲜杨梅样本，采用近红外高光谱成像系统进行光谱扫描，其中镜头与样本距离为15～30cm，曝光时间为1～5s，样本移动速度为10～20mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；

2)样本黄酮含量的测定：

采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用50～90％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；

3)建立校正模型：

对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用平滑法(移动平均平滑法(Moving Average)、卷积平滑法(Savitzky-Golay)、高斯平滑滤波(Gaussian filter)和中值滤波平滑(Median filter smoothing)等处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法(Standard normal variate transformation，SNV)或多元散射校正算法(Multiplicative scatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取光谱特征值，特征光谱波长范围是910～940、950～990、1000～1100、1120～1180和1230～1290nm，以第一次建模得到的部分或全部校正特征光谱波长数据和黄酮含量再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R²大于0.9，选取R²最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；

上述最优建模特征光谱波长范围是960～980、1120～1180和1240～1280nm，模型预测值与实际值的R²为0.9114，均方根误差(Root-mean-square error，RMSE)值为0.1326。

4)样品的无损快速测定：

采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。

光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。

本发明提供的基于近红外高光谱的杨梅中黄酮含量测定的方法，通过采用近红外高光谱图像提取杨梅光谱数据，结合光谱预处理方法和最小二乘回归法(PLSR)建模方法，建立杨梅中黄酮含量的预测模型。第一次建模采用的是900～1700nm波长的所有数据，第一次建模可以得出波长与含量之间的关系，可以通过第一次建模，得到特征光谱波长段，第二次建模利用第一次建模得到的特征波长段再次建模，选择特定波长段的数据，提高建模准确性，减少数据计算量。

本发明可以避免黄酮现有的化学检测法会破坏检测对象，可实现无损、快速和大量的检测杨梅中黄酮的含量。

附图说明

图1是本发明实施例一提供的基于近红外高光谱的杨梅中黄酮含量测定的方法流程图；

图2是本发明实施例二提供的近红外高光谱图像的平均光谱曲线图；

图3是本发明实施例二提供的PLSR建模方法下的X-载荷(X-loading weight)图；

图4是本发明实施例四提供的PLSR建模方法下杨梅中黄酮预测值与实际值的比较示意图；

具体实施方式

下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围并不仅限于此：

实施例一

一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：

1)样本光谱的建立：

采集不同品种的新鲜杨梅样本，采用近红外高光谱成像系统进行光谱扫描，其中镜头与样本距离为15cm，曝光时间为5s，样本移动速度为10mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；

2)样本黄酮含量的测定：

采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用70％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；

3)建立校正模型：

对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用卷积平滑法(Savitzky-Golay)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法(Standard normal variate transformation，SNV)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R²大于0.9，选取R²最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；

上述最优建模特征光谱波长范围是920～930、940～980、1120～1160和1240～1280nm，模型预测值与实际值的R²为0.9065，均方根误差(Root-mean-square error，RMSE)值为0.2631。

4)样品的无损快速测定：

采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。

光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。图1是本发明的基于近红外高光谱的杨梅中黄酮含量测定的方法流程图，主要步骤包括样品的采集，近红外高光谱扫描，读取光谱数据，光谱数据预处理，液相色谱检测杨梅黄酮含量，结合光谱数据和黄酮含量建立预测模型；

实施例二

一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：

1)样本光谱的建立：

采集不同品种的新鲜杨梅样本，采用近红外高光谱成像系统进行光谱扫描，其中镜头与样本距离为30cm，曝光时间为3s，样本移动速度为20mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；

2)样本黄酮含量的测定：

采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用60％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；

3)建立校正模型：

对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用移动平均平滑法(Moving Average)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用标准正态变量变换算法(Standard normal variate transformation，SNV)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R²大于0.9，选取R²最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；

上述最优建模特征光谱波长范围是1000～1100和1240～1280nm，模型预测值与实际值的R²为0.9003，均方根误差(Root-mean-square error，RMSE)值为0.2216。

4)样品的无损快速测定：

采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。

光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。

图2是本发明的近红外高光谱图像的平均光谱曲线图。

实施例三

一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：

1)样本光谱的建立：

采集不同品种的新鲜杨梅样本，采用近红外高光谱成像系统进行光谱扫描，其中镜头与样本距离为20cm，曝光时间为2s，样本移动速度为16mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；

2)样本黄酮含量的测定：

采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用90％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；

3)建立校正模型：

对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用高斯平滑滤波(Gaussian filter)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用多元散射校正算法(Multiplicative scatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R²大于0.9，选取R²最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；

上述最优建模特征光谱波长范围是920～930、1120～1180和1230～1280nm，模型预测值与实际值的R²为0.9046，均方根误差(Root-mean-square error，RMSE)值为0.1845。

4)样品的无损快速测定：

采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。

光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。

图3是本发明实施例二提供的PLSR建模方法下的X-载荷(X-loading weight)图，由图的波峰和波谷可以选择光谱特征波长。

实施例四

一种基于近红外高光谱的杨梅中黄酮含量测定的方法，其特征在于该方法的步骤如下：

1)样本光谱的建立：

采集不同品种的新鲜杨梅样本，采用近红外高光谱成像系统进行光谱扫描，其中镜头与样本距离为15～30cm，曝光时间为1～5s，样本移动速度为10～20mm/s,采集900～1700nm近红外波段高光谱图像，得到样本集光谱；

2)样本黄酮含量的测定：

采用分光光度法测定杨梅样本中黄酮含量，测定方法包括以下几个步骤，首先样本采用50～90％乙醇提取，取适量提取液与亚硝酸钠溶液反应，再加入硝酸铝溶液反应，最后加入氢氧化钠溶液，在510nm波长下检测吸光值，以芦丁为标准品进行定量；

3)建立校正模型：

对样本进行随机分配建立校正样本集和检验样本集，对样本集900～1700nm的红外光谱采用中值滤波平滑(Median filter smoothing)处理，消除光谱噪声，提高分辨率和灵敏度；继续使用多元散射校正算法(Multiplicative scatter correction，MSC)处理，消除固体颗粒大小、表面散射以及光程变化对光谱的影响。对于上述处理后的校正样本集光谱数据，结合样本黄酮含量，应用偏最小二乘法回归法(PLSR)建立校正模型，通过X-载荷(X-loading weight)图，提取的光谱特征值为910～940、950～990、1000～1100、1120～1180和1230～1290nm，再次使用PLSR建模，采用检测样本集，评估建立模型的效果，优化上述特征光谱范围至R²大于0.9，选取R²最大值时对应的特征光谱波长范围，确定杨梅中黄酮含量的最优预测模型；

上述最优建模特征光谱波长范围是960～980、1120～1180和1240～1280nm，模型预测值与实际值的R²为0.9114，均方根误差(Root-mean-square error，RMSE)值为0.1763。

4)样品的无损快速测定：

采集待测布杨梅样品的近红外高光谱数据，将特征光谱输入校正模型，进行无损快速测定，即得杨梅样本中的黄酮含量。

光谱数据预处理、建模及预测均在The Unscrambler X软件上操作。

图4本发明的杨梅黄酮预测模型，拟合度可达91.14％，说明该模型可以较好的预测杨梅中黄酮含量。

最后，本发明可用其他的不违背本发明的精神和主要特征的具体形式来概述。因此，无论从那一点来看，本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明，权利要求书指出了本发明的范围，而上述的说明并未指出本发明的范围，因此，在与本发明的权利要求书相当的含义和范围内的任何改变，都应认为是包括在权利要求书的范围内。