基于拉曼光谱检测小米类胡萝卜素的方法与流程

1.本发明涉及类胡萝卜素无损检测技术领域，特别是涉及一种基于拉曼光谱检测小米类胡萝卜素的方法。


背景技术：

2.类胡萝素广泛存在于植物、真菌、藻类和细菌中，目前在自然界已经鉴定出来700多种。类胡萝卜素作为重要的天然色素，在人体健康中扮演了重要的角色，具有很多生理功能。如叶黄素、玉米黄质具有较强抗氧化性，能够清除自由基的影响，提高免疫功能，减少患慢性病、癌症等风险，可以预防和治疗糖尿病，有效减少蓝光对视网膜的伤害，预防年龄相关性黄斑变性等病症。类胡萝卜素是人体自身无法合成的健康必需的营养物质，只能依赖饮食供给，而粮食作物是每日必须大量摄入的食物，其类胡萝卜含量和组成对人体健康有重要的意义。
3.小米是粮食作物中富含类胡萝卜素的一种作物，测定小米中类胡萝卜素对于小米的品质、人体健康具有重要意义。传统的类胡萝卜素检测方法包括紫外
‑
可见分光光度法、高效液相色谱法、液相色谱质谱联用法、超临界流体色谱法及核磁共振法等。以上传统的检测方法具有破坏性、检测步骤繁琐的缺点，且无法实现在线检测。因此需要一种快速无损检测小米的类胡萝卜素含量的方法。


技术实现要素：

4.本发明的目的是提供一种基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。
5.为实现上述目的，本发明提供了一种基于拉曼光谱检测小米类胡萝卜素的方法，包括如下步骤：步骤一、称取原料：从同一批量的小米中称取两份相同数量的原料，一份为拉曼光谱组，另一份为测量组，对拉曼光谱组和测量组中的小米样品进行一一对应的编号标记，拉曼光谱组和测量组均包括168 个小米样品；
6.步骤二、确定类胡萝卜素的检测值：利用高效液相测定测量组中小米样品的叶黄素和玉米黄质的浓度含量，以叶黄素和玉米黄质的浓度含量之和作为类胡萝卜素的检测值；
7.步骤三、确定原始拉曼光谱：将拉曼光谱组中的每个样品置于光学检测平台上，每个样品选取10个不同的位置各采集一条光谱，用10个光谱的平均值做为每个样品的原始拉曼光谱；
8.步骤四、对拉曼光谱组中的168个小米样品以3:1的比例进行建模集和预测集划分：将拉曼光谱组中的小米样品按照与其同一编号的测量组中的小米样品的类胡萝卜素的检测值从小到大排列，每8个拉曼光谱组中的小米样品为一组，从每组中选择第2和7个小米样品作为预测集，剩下的小米样品作为建模集，得到126个建模集样品和42个预测集样品；
9.步骤五、采用小波变换法对原始拉曼光谱进行预处理；
10.步骤六、采用连续投影算法提取17个预处理后的拉曼光谱全波段中的特征波数，进而对应地提取出17个预处理后的拉曼光谱强度，以提取出的预处理后的拉曼光谱强度为自变量，以对应的类胡萝卜素的检测值为因变量，建立pls模型，pls模型公式为：
[0011][0012]
其中y为预测的小米类胡萝卜素含量(μg/g)，xi为在波数为i时预处理后的拉曼光谱强度。
[0013]
优选的，拉曼光谱采集过程中，扫描次数350次，扫描波段200
‑
3400 cm
‑1，激发波长532nm，暴露时间0.04s，物镜的放大倍数为10倍。
[0014]
优选的，以原始光谱和预处理后的拉曼光谱为自变量，以与每条光谱对应的类胡萝卜素的检测值为因变量，分别采取平滑去噪、归一化、多元散射校正、基线校正和小波变换五种预处理方法对原始拉曼光谱进行预处理，建立预处理模型，采用全交互验证方法对预处理模型建立pls建模定量预测结果，通过预测集的决定系数(r2 p)和均方根误差(rmsep)为主要的评判标准，建模集的决定系数(r2 c)和均方根误差(rmsec)为辅助评判标准，挑选出最优的拉曼光谱数据预处理方法。
[0015]
优选的，17个特征波数分别945，1000，1131，1160，1144，1171， 1184，1357，1500，1515，1520，1525，1821，2622，2314，2845，3062 cm
‑1。
[0016]
因此，本发明采用上述结构的基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。
[0017]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0018]
图1是步骤三中一个小米样品拉曼采集的原始拉曼光谱。
具体实施方式
[0019]
下面结合附图对本发明的实施方式做进一步的说明。
[0020]
一种基于拉曼光谱检测小米类胡萝卜素的方法，包括如下步骤：包括如下步骤：步骤一、称取原料：从同一批量的小米中称取两份相同数量的原料，一份为拉曼光谱组，另一份为测量组，对拉曼光谱组和测量组中的小米样品进行一一对应的编号标记，拉曼光谱组和测量组均包括168个小米样品；
[0021]
步骤二、确定类胡萝卜素的检测值：利用高效液相测定测量组中小米的叶黄素和玉米黄质的浓度含量，以叶黄素和玉米黄质的浓度含量之和作为类胡萝卜素的检测值；
[0022]
步骤三、确定原始拉曼光谱：将拉曼光谱组中的每个样品置于光学检测平台上，拉
曼光谱采集过程中，扫描次数350次，扫描波段200
‑
3400cm
‑1，激发波长532nm，暴露时间0.04s，物镜的放大倍数为10倍。每个样品选取10 个不同的位置各采集一条光谱，用10个光谱的平均值做为每个样品的原始拉曼光谱。一个小米样品拉曼采集的原始拉曼光谱见图1。
[0023]
步骤四、对拉曼光谱组中的168个小米样品以3:1的比例进行建模集和预测集划分：将拉曼光谱组中的小米样品按照与其同一编号的测量组中的小米样品的类胡萝卜素的检测值从小到大排列，每8个拉曼光谱组中的小米样品为一组，从每组中选择第2和7个小米样品作为预测集，剩下的小米样品作为建模集，得到126个建模集样品和42个预测集样品；
[0024]
步骤五、采用小波变换法对原始拉曼光谱进行预处理。小波变换法对原始拉曼光谱的预处理结果最为精确，具体选用过程为：以原始光谱和预处理后的拉曼光谱为自变量，以每条光谱对应的类胡萝卜素的检测值为因变量，分别采取平滑去噪、归一化、多元散射校正、基线校正和小波变换五种预处理方法对原始拉曼光谱进行预处理，建立预处理模型，采用全交互验证方法对预处理模型建立pls建模定量预测结果，见表1。通过预测集的决定系数 (r2 p)和均方根误差(rmsep)为主要的评判标准，建模集的决定系数(r2c)和均方根误差(rmsec)为辅助评判标准，决定系数越高，自变量对因变量的解释程度越高，均方根误差值越小，预测的精确度越高，根据表1的数据结果可知小波变换法为最优的拉曼光谱数据预处理方法。
[0025]
表1不同光谱预处理方法得到的pls建模定量预测结果
[0026][0027]
步骤六、采用连续投影算法提取17个预处理后的拉曼光谱全波段中的特征波数，17个特征波数分别945，1000，1131，1160，1144，1171，1184， 1357，1500，1515，1520，1525，1821，2622，2314，2845，3062cm
‑1。进而对应地提取出17个预处理后的拉曼光谱强度，以提取出的预处理后的拉曼光谱强度为自变量，以对应的类胡萝卜素的检测值为因变量，建立pls模型，pls模型公式为：
[0028][0029]
其中y为预测的小米类胡萝卜素含量(μg/g)，x
i
为在波数为i时预处理后的拉曼光谱强度。
[0030]
采用全交互验证方法对pls模型建立的pls建模定量预测结果见表2，通过预测集的决定系数(r2 p)和均方根误差(rmsep)为主要的评判标准，建模集的决定系数(r2 c)和均方根误差(rmsec)为辅助评判标准，根据表2的数据结果可知，本pls模型能够对小米类胡萝卜素含量进行精准的预测。
[0031]
表2 pls建模定量预测结果
[0032][0033]
因此，本发明采用上述结构的基于拉曼光谱检测小米类胡萝卜素的方法，检测步骤简单，并有效降低了检测过程中对类胡萝卜素的破坏性。
[0034]
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。