一种甜菜品质的快速检测方法
【专利摘要】本发明公开了一种甜菜品质的快速检测方法，属于农产品质量检测【技术领域】。本发明利用近红外光谱仪采集经过锯糊预处理的甜菜样品的红外光谱图，对近红外光谱图进行光谱预处理后，采用偏最小二乘法经内部交互验证建立数学模型，根据数学模型预测待测样品的糖度、钠含量和氮含量。本发明所提供的方法具有操作简单、绿色环保、检测成本低、检测速度快、可实现对甜菜品质多指标同时检测、准确度较高等特点，适用于甜菜品质的快速检测。
【专利说明】一种甜菜品质的快速检测方法
【技术领域】
[0001]本发明涉及一种甜菜品质的快速检测方法，属于农产品质量检测【技术领域】。
【背景技术】
[0002]长期以来，由于传统分析技术的局限性，制糖企业实行按质论价的原料收购体系在我国制糖企业一直没有真正建立，原料收购也一直沿用按重量的计价方式。种植者一味追求高产量，轻质量，低质量原料大大增加了糖厂的消耗。因此，如何实现甜菜品质快速检测和按质论价有着重要意义。
[0003]甜菜品质对制糖出糖率有着重要影响，尤其是糖度指标。甜菜糖度能够明显影响制糖企业制糖的效率和经济效益，同时实现按质论价也将鼓励甜菜育种者和种植户提高甜菜品质。另外，制糖企业对甜菜品质的鉴定都是在收购之后，操作费时、繁琐且价格高昂。近红外光谱技术在甜菜品质分析中的应用，能为甜菜品种选育和大田生产管理带来了极大的方便，也为糖厂原料甜菜品质的管理、生产工艺调整、在线分析的实现和按质论价收购体系的建立提供重要的技术支持，然而现有技术中尚没有应用近红外光谱进行甜菜品质的检测方法。
【发明内容】
[0004]本发明针对甜菜种植和收购企业普遍关心的按质定价问题，采用近红外光谱分析技术，对甜菜及糖浆的糖度、钠、氮等指标进行快速检测技术研究。提供了一种基于近红外光谱分析技术的甜菜品质快速检测方法，所采取的技术方案如下:
[0005]本发明的一个目的在于提供一种甜菜品质的快速检测方法，是利用近红外光谱仪采集经过锯糊预处理的甜菜样品的近红外光谱图，对近红外光谱图进行光谱预处理后，采用偏最小二乘法经内部交互验证建立回归模型，根据数学模型预测待测样品的糖度、钠含量和氮含量。
[0006]所述方法的步骤如下:
[0007]I)甜菜样品的锯糊预处理；
[0008]2)采集甜菜样品近红外光谱图；
[0009]3)对步骤2)所得的甜菜样品红外光谱图进行光谱预处理；
[0010]4)根据步骤3)的预处理结果，采用偏最小二乘法分别建立甜菜甜度、钠含量和氮含量与近红外光谱的回归模型，通过内部交互验证回归模型，获得数学模型；
[0011]5)利用步骤4)所得的数学模型预测待测甜菜样品的糖度、钠含量和氮含量。
[0012]所述样品锯糊预处理，是将选取的甜菜样品放入可移动式甜菜样品处理机中，洗去杂物后切除叶冠，再放入锯糊机中进行锯糊，锯糊时随机选取甜菜各部位，锯下0.8mm*0.8mm*0.8mm大小颗粒呈糊状的甜菜样品。
[0013]所述红外光谱图的采集，是利用DA7200-型二极管阵列近红外光谱仪进行采集，近红外光谱扫描范围为900?1700nm，分辨率:5nm，扫描次数为60次，每个样品重复装样测定两次，取平均光谱。
[0014]所述近红外光谱图的光谱预处理，是通过一阶导数、卷积平滑法、标准正态变量变换组合后，再进行光谱降噪处理。
[0015]所述数学模型的建立过程如下:
[0016]I)根据甜菜样品的糖度范围选取至少50个特征样品作为校正集样品，再随机选取至少20个样品作为验证集样品，校正集样品用于建立校正模型，验证集样品用于检验模型；
[0017]2)测定所有样品的甜度、钠含量和氮含量；
[0018]3)采集所有样品的近红外光谱图，并通过一阶导数、卷积平滑法、标准正态变量变换后再对样品近红外光谱图进行光谱降噪处理；
[0019]4)根据校正集样品的预处理结果，采用偏最小二乘法经内部交互验证分别建立甜菜糖度、钠含量和氮含量的校正回归模型；
[0020]5)用步骤4)所得的优化校正模型预测验证集样品，比较预测结果和实测结果，根据预测均方根误差和预测平均偏差评价并确定模型。
[0021]所述快速检测方法的具体步骤如下:
[0022]I)选取完好无损的甜菜样品，除去杂物并清洗后切除叶冠，再放入锯糊机中进行锯糊，锯糊时随机选取甜菜各部位，锯下0.8mm*0.8mm*0.8mm大小颗粒呈糊状的甜菜样品，获得预处理甜菜样品；
[0023]2)利用DA7200-型二极管阵列近红外光谱仪采集步骤I)所得预处理样品的近红外光谱图，近红外光谱扫描范围为900?1700nm，分辨率:5nm，扫描次数为60次，每个样品重复装样测定两次，取平均光谱；
[0024]3)通过一阶导数、卷积平滑法、标准正态变量变换组合后共同对步骤2)所得的平均光谱进行光谱降噪处理；
[0025]4)根据步骤3)的处理结果，采用偏最小二乘法分别建立甜菜甜度、钠含量和氮含量与近红外光谱的回归模型，通过内部交互验证回归模型，建立数学模型；
[0026]5)利用步骤4)所得数学模型预测待测甜菜样品的糖度、钠含量和氮含量。
[0027]所述检测方法用于快速检测甜菜品质。
[0028]本发明有益效果:本发明所述的方法与传统常规方法相比，有以下几个优点:1)操作简单、检测速度快。与常规方法相比较，近红外分析只需I人，耗时2min左右，而如果用常规分析方法，则需3人，Ih左右才能完成。2)节省原料，无污染。近红外分析只需1g左右样品，样品光谱扫描后成分完全没有破坏，样品分析完收集后还可以重新回到制糖生产中。同时，近红外分析不需加入任何药剂，对于糖厂来说，不仅可以节约大量购买药剂的资金，而且还可以实现对环境零污染、零排放。3)实现对甜菜品质多成分同时检测、有良好的准确度，而常规检测方法检测指标单一。4)节约化验室成本，近红外分析主要采用一台近红外光谱仪，运行和维护成本大概每年0.2万元，该设备检测指标可以替代锤度计、旋光仪、阿贝折光仪、凯氏定氮仪、原子吸收分光光度计、PH计和灰分测定装置等昂贵设备约数十万元，节约人力成本和检测试剂耗材费用约每年数十万元。设备体积小、重量轻、操作简易，便于搬运和在线检测，节省了实验室的面积。耗电少、不产生废气、废水和废渣，节能环保。5)可实现在线检测，国外在石油化工、乳品、医药等行业已经实现了近红外仪器的在线监测，极大的提高了生产设备的自动化水平。
[0029]综上，本发明是一种快速简单、绿色环保、检测费用低廉的技术。近红外光谱检测技术以其高效、多成分分析、无损和低成本的特点，用于原料收购环节可以及时按质论价，用于生产过程监控可以及时出具过程产品的分析数据，为生产装置平稳运行和优化提供了准确数据信息，提高生产率；为生产提供决策依据。
【专利附图】
【附图说明】
[0030]图1为甜菜品质检测流程图。
[0031]图2甜菜样品预处理流程图。
[0032]图3甜菜样品光谱原始图。
[0033]图4甜菜糖度预测结果图。
[0034]图5甜菜中钠含量预测结果图。
[0035]图6甜菜中氮含量预测结果图。
[0036]图7甜菜颗粒中糖度预测结果图。
【具体实施方式】
[0037]本发明提供了 一种甜菜品质的快速检测方法，本发明提供的方法具有操作简单、检测速度快、准确性高、成本低、绿色环保的特点，下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。
[0038]实施例1回归模型的建立
[0039]甜菜品质检测指标与近红外特征波长光谱的偏最小二乘法回归模型的建立，步骤如下:
[0040]1、收集甜菜28个品种共380个样品，分别锯糊后装样品袋中统一编号后备用。
[0041]将经过样品预处理(处理流程见图2)的甜菜锯糊样品均匀平铺在直径为75mm的样品杯中，使用近红外分析仪以5nm的分辨率扫描60次，样品及环境温度均为20±2°C，光谱扫描范围为900?1700nm，得出近红外扫描光谱图，原始图见图3。重复装样测定两次，保持装样的均一性，求得平均光谱曲线。
[0042]2、对所采集的样品的光谱数据信息进行一阶导数(FD)、标准正态变量变换(SNV)、卷积平滑法(SG)后再对光谱图进行降噪预处理，把所有样品的光谱数据信息和其相应得标准值建立校正集和验证集；利用校准集的光谱数据信息分别寻找反应甜菜品质的各个指标值对应的特征波长并采用偏最小二乘法经建立预测回归模型，通过内部交互验证预测回归模型，获得数学模型。
[0043]3、验证集对各个指标的预测模型的预测评价结果如图4、图5、图6所示。对于糖度，其预测模型的模型决定系数R2 = 0.9039，RMSEC = 0.4165 ;对于钠含量，其预测模型的模型决定系数R2 = 0.5591，RMSEC = 0.4022 ;对于氮含量，其预测模型的模型决定系数R2=0.7031, RMSEC = 0.3094。
[0044]4、对于各个指标所建立的最佳回归模型的准确度评价:将所建立的预测模型安装到DA7200-型二极管阵列近红外光谱仪中。未知甜菜锯糊样品均匀平铺在直径为75_的样品杯中，扫描过程同样品光谱采集过程。所不同的是，扫描过后会出现甜菜中糖度、钠、氮等含量值，与其用化学方法检测出来的数值进行对比，用预测标准偏差(SEP)和预测值平均偏差(Bias)评价模型。
[0045]实施例2待测样品的品质检测
[0046]基于实施例1所建立的回归模型，对70个待测样品进行品质检测及定级，步骤如下:
[0047]1、待测样品的预处理(如图2)；
[0048]2、待测样品近红外分析仪光谱扫描；
[0049]3、待测样品糖度指标的检测结果如表1所示。
[0050]表1甜菜样品糖度预测值与传统方法实测值结果比较
【权利要求】
1.一种甜菜品质的快速检测方法，其特征在于，利用近红外光谱仪采集经过锯糊预处理的甜菜样品的近红外光谱图，对近红外光谱图进行光谱预处理后，采用偏最小二乘法经内部交互验证建立数学模型，根据数学模型预测待测样品的糖度、钠含量和氮含量。
2.权利要求1所述方法，其特征在于，步骤如下: 1)甜菜样品的锯糊预处理； 2)采集甜菜样品近红外光谱图； 3)对步骤2)所得的甜菜样品红外光谱图进行光谱预处理； 4)根据步骤3)的预处理结果，采用偏最小二乘法分别建立甜菜糖度、钠含量和氮含量与近红外光谱的回归模型，通过内部交互验证回归模型，获得数学模型； 5)利用步骤4)所得的数学模型预测待测甜菜样品的糖度、钠含量和氮含量。
3.权利要求1和2所述方法，其特征在于，所述样品锯糊预处理，是将选取的甜菜样品放入可移动式甜菜样品处理机中，洗去杂物后切除叶冠，再放入锯糊机中进行锯糊，锯糊时随机选取甜菜各部位，锯下0.8mm*0.8mm*0.8mm大小颗粒呈糊状的甜菜样品。
4.权利要求1和2所述方法，其特征在于，所述近红外光谱图的采集，是利用DA7200-型二极管阵列近红外光谱仪进行采集，近红外光谱扫描范围为900~1700nm，分辨率:5nm，扫描次数为60次，每个样品重复装样测定两次，取平均光谱。
5.权利要求1和 2所述方法，其特征在于，所述近红外光谱图的光谱预处理，是通过一阶导数、卷积平滑法、标准正态变量变换组合后，再进行光谱降噪处理。
6.权利要求1和2所述方法，其特征在于，所述数学模型的建立步骤如下: 1)根据甜菜样品的糖度范围选取至少50个特征样品作为校正集样品，再随机选取至少20个样品作为验证集样品，校正集样品用于建立校正模型，验证集样品用于检验模型； 2)测定所有样品的糖度、钠含量和氮含量； 3)采集所有样品的近红外光谱图，并通过一阶导数、卷积平滑法、标准正态变量变换后再对样品近红外光谱图进行光谱降噪处理； 4)根据校正集样品的预处理结果，采用偏最小二乘法经内部交互验证分别建立甜菜糖度、钠含量和氮含量的校正回归模型； 5)用步骤4)所得的优化校正模型预测验证集样品，比较预测结果和实测结果，根据预测均方根误差和预测平均偏差评价并确定模型。
7.权利要求1和2所述方法，其特征在于，具体步骤如下: 1)选取完好无损的甜菜样品，除去杂物并清洗后切除叶冠，再放入锯糊机中进行锯糊，锯糊时随机选取甜菜各部位，锯下0.8mm*0.8mm*0.8mm大小颗粒呈糊状的甜菜样品，获得预处理甜菜样品； 2)利用DA7200-型二极管阵列近红外光谱仪采集步骤I)所得预处理样品的近红外光谱图，近红外光谱扫描范围为900~1700nm，分辨率:5nm，扫描次数为60次，每个样品重复装样测定两次，取平均光谱； 3)通过一阶导数、卷积平滑法、标准正态变量变换组合后共同对步骤2)所得的平均光谱进行光谱降噪处理； 4)根据步骤3)的处理结果，采用偏最小二乘法分别建立甜菜糖度、钠含量和氮含量与近红外光谱的回归模型，通过内部交互验证回归模型，建立数学模型；5)利用步骤4)所得数学模型预测待测甜菜样品的糖度、钠含量和氮含量。
8.权利要求1-7所 述方法，其特征在于，用于快速检测甜菜品质。
【文档编号】G01N21/359GK104034691SQ201410200834
【公开日】2014年9月10日 申请日期:2014年5月13日 优先权日:2014年5月13日
【发明者】杨勇, 郑喜群, 任健, 赵丽影, 杨庆余 申请人:齐齐哈尔大学