• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于近紅外光譜結(jié)合波長(zhǎng)優(yōu)選檢測(cè)單顆葡萄的SSC含量

      2016-11-15 01:09:18梁夢(mèng)醒
      食品與機(jī)械 2016年9期
      關(guān)鍵詞:波長(zhǎng)預(yù)處理葡萄

      郭 成 馬 月 梁夢(mèng)醒 顏 輝

      (江蘇科技大學(xué)生物技術(shù)學(xué)院,江蘇 鎮(zhèn)江 212000)

      ?

      基于近紅外光譜結(jié)合波長(zhǎng)優(yōu)選檢測(cè)單顆葡萄的SSC含量

      郭 成 馬 月 梁夢(mèng)醒 顏 輝

      (江蘇科技大學(xué)生物技術(shù)學(xué)院,江蘇 鎮(zhèn)江 212000)

      葡萄;可溶性固形物;近紅外光譜;隨機(jī)蛙算法;無(wú)信息變量消除法

      據(jù)統(tǒng)計(jì)[1],2014年中國(guó)葡萄總產(chǎn)量達(dá)1 254.6 萬(wàn)t,如此多的產(chǎn)量,需要有效的田間與采后管理。葡萄為葡萄科葡萄屬木質(zhì)藤本植物,是世界性的水果。葡萄中的可溶性固形物含量(Soluble Solids Content,SSC)是衡量葡萄品質(zhì)的重要指標(biāo)之一。SSC傳統(tǒng)的檢測(cè)方法是從每穗摘取l~3粒葡萄,做成葡萄汁再進(jìn)行含量的測(cè)定,但該方法費(fèi)時(shí)、費(fèi)力,并且具有破壞性[2]。由于葡萄不同果穗以及相同果穗上不同個(gè)體的成熟度不一致,如能在果穗上不同位置無(wú)損檢測(cè)單粒葡萄的SSC,首先可以獲得葡萄個(gè)體和整體的情況,用以指導(dǎo)果農(nóng)采用合理的田間管理方法,提高葡萄的品質(zhì);其次,根據(jù)葡萄中SSC含量,選擇最佳的儲(chǔ)存條件,延長(zhǎng)儲(chǔ)存時(shí)間;對(duì)于客戶,通過(guò)無(wú)損檢測(cè)SSC,選擇購(gòu)買適合自己口感的葡萄。

      近紅外光譜 (Near Infrared,NIR)分析技術(shù)具有分析速度快、綠色、無(wú)損等優(yōu)點(diǎn)[3],正逐漸廣泛應(yīng)用于蘋(píng)果[4]、臍橙[5]、西瓜[6]、梨[7]等水果SSC的檢測(cè)。呂剛等[8]采用基于USB4000的自制手持式光譜儀,建立LV-SVM模型預(yù)測(cè)葡萄活體生長(zhǎng)期單個(gè)果粒的糖度,該系統(tǒng)功耗較大,不利于長(zhǎng)期現(xiàn)場(chǎng)分析。吳桂芳等[2]采用Handheld FieldSpec光譜儀建立的PLS-ANN模型預(yù)測(cè)葡萄漿果的糖度,該儀器價(jià)格昂貴。陳辰等[9]使用NIRS DS2500,采用可見(jiàn)/近紅外漫反射光譜技術(shù)建立MPLS模型預(yù)測(cè)單個(gè)葡萄SSC,但該光譜儀體積大,耗能高,價(jià)格昂貴。徐洪宇等[10]采用MPATM 型傅里葉變換近紅外光譜儀,使用積分球采譜,建立PLS模型預(yù)測(cè)釀酒葡萄的糖度,該方法所需樣品數(shù)多,無(wú)法分析單個(gè)樣品的品質(zhì),且光譜儀體積大,不便于實(shí)時(shí)現(xiàn)場(chǎng)檢測(cè)。因此,目前多數(shù)NIR分析儀器體積大(通常采用光纖光譜儀)、光源功耗高、價(jià)格高昂,難以適合現(xiàn)場(chǎng)檢測(cè)的需求[11]。

      由于便攜式NIR儀器的分辨率不如研究型儀器高,所以建立的模型預(yù)測(cè)精度也不如研究型儀器[12]。通過(guò)NIR與偏最小二乘回歸(Partial Least Squares,PLS)方法結(jié)合進(jìn)行建模,一般認(rèn)為PLS具有較強(qiáng)的全波長(zhǎng)建模能力。通過(guò)波長(zhǎng)優(yōu)選可以簡(jiǎn)化模型,更主要是可以剔除不相關(guān)或非線性變量,從而得到穩(wěn)健性好、預(yù)測(cè)能力強(qiáng)的校正模型[13-14]。目前,波長(zhǎng)優(yōu)選方法主要有隨機(jī)蛙(Random Frog,RF)[15]、移動(dòng)窗(Moving Window,MW)[16]、無(wú)信息變量消除法(Uninformative Variable Elimination,UVE)[17]、間隔偏最小二乘法(Interval PLS,iPLS)[18]、自適應(yīng)量加權(quán)采樣(Competitive Adaptive Reweighted Sampling,CARS)[19]和遺傳算法(Genetic Algorithms,GA)[20]等。

      本研究擬采用低功耗的便攜式近紅外光譜儀,探討UVE與RF兩種波長(zhǎng)優(yōu)選方法與PLS的結(jié)合,建立最適于實(shí)時(shí)現(xiàn)場(chǎng)預(yù)測(cè)單顆葡萄SSC含量的近紅外無(wú)損檢測(cè)模型,用以克服前人研究中分析儀器體積大、光源功耗高、價(jià)格高昂、不利于現(xiàn)場(chǎng)開(kāi)展工作等缺點(diǎn),以期應(yīng)用于葡萄田間管理與摘后儲(chǔ)藏。

      1 材料和方法

      1.1 材料與儀器

      1.1.1 材料

      葡萄:采自江蘇省鎮(zhèn)江市丹徒區(qū)公琴水果合作社,分別在目視成熟度不同的20個(gè)葡萄果穗上采摘,從每個(gè)果穗的穗節(jié)部、穗尖部各采摘一顆,穗中部采摘兩顆,共采摘80顆葡萄。

      1.1.2 儀器設(shè)備與軟件

      折光儀:WZ-103型,浙江托普云農(nóng)科技股份有限公司;

      便攜式近紅外光譜儀:MicroNIR1700型,美國(guó)捷迪訊通訊技術(shù)有限公司(JDSU);

      軟件:近紅外光譜預(yù)處理與PLS建模使用MATLAB R2009a在PLS Toolbox 6.2工具箱中實(shí)現(xiàn),UVE與RF波長(zhǎng)優(yōu)選分別使用ChemoAC和LibPLS工具箱實(shí)現(xiàn)。

      1.2 方法

      1.2.1 近紅外光譜采集 用MicroNIR1700采集葡萄的近紅外反射光譜,光譜范圍為950~1 650 nm。光譜采樣間隔為12.5 nm,積分時(shí)間15 ms,掃描次數(shù)50 次。每個(gè)樣品采集赤道一點(diǎn)作為一個(gè)樣本,共有80 個(gè)。每個(gè)點(diǎn)采集光譜3 次,以3 次平均值作為最終光譜。

      1.2.2 SSC測(cè)定 采集光譜后即刻采用折光儀測(cè)量葡萄SSC含量。

      1.2.3 校正集和預(yù)測(cè)集定義 所有樣本按照SSC升序排序,根據(jù)3∶1的比例分為校正集和預(yù)測(cè)集,校正集含60個(gè)樣本,預(yù)測(cè)集含20個(gè)樣本,其中SSC最大和最小樣品應(yīng)為校正集。預(yù)測(cè)集樣品SSC范圍應(yīng)被包含在校正集樣品SSC范圍。

      1.2.4 光譜預(yù)處理 通常采用的預(yù)處理方法包括均值中心化(mean centering)、標(biāo)準(zhǔn)化(autoscaling)、不同點(diǎn)移動(dòng)平滑(move smoothing)、一階導(dǎo)數(shù)(1stD)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variable transformation,SNV)、多元散射校正(multiplicative scatter correction,MSC)等。

      選擇多種方法對(duì)原始光譜進(jìn)行預(yù)處理,比較以下預(yù)處理方法的組合,1stD、1stD+SNV、1stD+SNV+Mean Center、1stD+MSC+Mean Center,分別使用上述4種預(yù)處理方法進(jìn)行PLS建模。

      1.2.5 偏最小二乘回歸法 PLS是一種多元回歸分析方法,模型建立在成分提取的方法之上。PLS在提取成分的過(guò)程中,同時(shí)考慮到預(yù)測(cè)變量數(shù)據(jù)和因變量數(shù)據(jù)中的信息,使從兩者中提取的信息之間的相關(guān)性達(dá)到最大,然后用所獲得的成分建立多元回歸分析模型[21]。

      將光譜數(shù)據(jù)與相應(yīng)的SSC數(shù)據(jù)導(dǎo)入PLS工具箱,選擇光譜最佳預(yù)處理方法,采用留一法(Leave one out,LOO)進(jìn)行交叉驗(yàn)證。

      1.2.6 波長(zhǎng)優(yōu)選 NIR分析一般采用線性方法建立模型,波長(zhǎng)優(yōu)選能夠剔除與分析目的性質(zhì)無(wú)關(guān)或呈非線性關(guān)系的波長(zhǎng)變量,從而達(dá)到簡(jiǎn)化模型、提高預(yù)測(cè)精度的目的。本研究中,擬采用無(wú)信息變量消除法(UVE)、隨機(jī)蛙算法(RF)進(jìn)行波長(zhǎng)優(yōu)選,以期達(dá)到提高模型精度的目的。

      (1) 無(wú)信息變量消除法:UVE是建立在分析PLS回歸系數(shù)基礎(chǔ)上的算法,目的是消除那些不提供有用信息的波長(zhǎng)變量。在NIR的PLS多元回歸模型中,UVE是把相同于自變量矩陣的變量數(shù)目的隨機(jī)變量矩陣加入光譜矩陣中,然后通過(guò)交叉驗(yàn)證,逐一剔除無(wú)信息的變量,建立PLS多元回歸模型,從而得到回歸系數(shù)的矩陣,通過(guò)分析回歸系數(shù)矩陣中回歸系數(shù)向量的均值和標(biāo)準(zhǔn)偏差的商的穩(wěn)定性,最后根據(jù)商值的絕對(duì)值大小決定是否把該變量用于最終的模型中[22]。

      (2) 隨機(jī)蛙算法:RF是一種新型的波長(zhǎng)優(yōu)選算法,特點(diǎn)是能夠利用少量的變量迭代進(jìn)行建模,是一種非常有效的高維數(shù)據(jù)變量選擇方法。該算法針對(duì)每個(gè)波長(zhǎng)變量選擇可能性進(jìn)行輸出,根據(jù)可能性的大小進(jìn)行波長(zhǎng)選擇[23]。

      2 結(jié)果與分析

      2.1 SSC測(cè)定結(jié)果

      由表1可知,校正集和預(yù)測(cè)集的SSC值范圍相近,分別為6.15~18.20 °Brix和6.80~17.85 °Brix,且校正集和預(yù)測(cè)集樣品的標(biāo)準(zhǔn)差相近,分別為3.24和3.26,因此校正集和預(yù)測(cè)劃分合理,為建立可靠的模型奠定了基礎(chǔ)。

      2.2 光譜特征

      圖1為80個(gè)葡萄樣品的原始近紅外光譜曲線。由圖1可知,各個(gè)樣品的光譜曲線類似,無(wú)明顯異常的樣品。光譜在970 nm和1 440 nm處出現(xiàn)O—H吸收峰,在1 190 nm出現(xiàn)了C—H鍵二級(jí)倍頻吸收峰[24-25]。原始光譜曲線呈現(xiàn)的吸收特征變化反映了葡萄內(nèi)部不同組分信息含量的差異。

      表1 樣本SSC 參考值統(tǒng)計(jì)結(jié)果

      2.3 模型的分析與比較

      2.3.1 PLS 由表2可知,選擇1stD+SNV+Mean Center進(jìn)行預(yù)處理的效果最好,其均方根誤差小,相關(guān)系數(shù)大。

      圖1 原始光譜

      表2 預(yù)處理方法對(duì)PLS的影響

      2.3.2 UVE-PLS 采用UVE進(jìn)行特征波長(zhǎng)的提取。圖2是UVE方法進(jìn)行波長(zhǎng)優(yōu)選的結(jié)果,橫坐標(biāo)方向上,垂直線左邊的部分為實(shí)際光譜變量,右邊的為光譜的系統(tǒng)噪聲變量,該部分由隨機(jī)噪聲模擬產(chǎn)生,縱坐標(biāo)方向上是每個(gè)變量的穩(wěn)定性數(shù)值,水平兩條虛線代表選擇實(shí)際變量的穩(wěn)定性數(shù)值的閾值,在閾值范圍內(nèi)的穩(wěn)定性數(shù)值對(duì)應(yīng)的變量是與葡萄SSC無(wú)關(guān)的信息量,在閾值范圍外的穩(wěn)定性數(shù)值對(duì)應(yīng)的變量則是與葡萄SSC有關(guān)的信息量,據(jù)此,保留有關(guān)的信息量對(duì)應(yīng)的波長(zhǎng)變量,去除無(wú)關(guān)的信息量對(duì)應(yīng)的波長(zhǎng)變量,最后根據(jù)保留的波長(zhǎng)變量建立PLS模型。

      圖2 無(wú)信息變量消除法選擇變量圖

      圖4是兩種波長(zhǎng)優(yōu)選的結(jié)果,優(yōu)選后的波長(zhǎng)主要集中在970,1 190,1 450 nm附近。優(yōu)選波長(zhǎng)是基于數(shù)學(xué)方法隨機(jī)選擇所得,部分波長(zhǎng)會(huì)被重復(fù)選中,說(shuō)明這些區(qū)域數(shù)據(jù)信息與被測(cè)對(duì)象含量有較高的相關(guān)性。優(yōu)選波長(zhǎng)包含了葡萄糖和蔗糖等可溶性固形物官能團(tuán)的合頻和倍頻吸收區(qū),如970 nm附近與糖相關(guān)的O—H鍵合頻吸收,1 190 nm附近是與糖相關(guān)的C—H鍵合頻吸收,1 450 nm附近是與糖相關(guān)的O—H鍵1倍頻吸收。上述分析說(shuō)明波長(zhǎng)優(yōu)選結(jié)果和化學(xué)結(jié)構(gòu)分析具有一致性。

      圖3 隨機(jī)蛙算法選擇變量圖

      圖4 兩種的特征波長(zhǎng)選擇

      方法LVsRMSECR2cRMSECVR2cvRESEPR2pPLS80.67470.95590.98000.90731.00370.9006UVE?PLS70.64150.96010.85340.92950.89980.9246RF?PLS70.63820.96050.82990.93340.86880.9304

      3 結(jié)論

      本研究結(jié)果表明了基于MicroNIR1700的近紅外光譜技術(shù)在葡萄SSC預(yù)測(cè)中的高度可行性。通過(guò)減少冗余的無(wú)信息變量,可增加模型的穩(wěn)定性和預(yù)測(cè)精度。其中RF-PLS算法對(duì)于葡萄SSC的預(yù)測(cè)效果優(yōu)于UVE-PLS算法。本工作的完成對(duì)水果種植的田間管理、采摘后貯藏以及消費(fèi)者的使用提供了非常有效的工具。

      [1] 國(guó)家統(tǒng)計(jì)局. 中國(guó)統(tǒng)計(jì)年鑒[Z]. 北京: 中國(guó)統(tǒng)計(jì)出版社, 2015: 267.

      [2] 吳桂芳, 黃凌霞, 何勇. 葡萄漿果糖度可見(jiàn)/近紅外光譜檢測(cè)的研究[J]. 光譜學(xué)與光譜分析, 2008, 28(9): 2 090-2 093.

      [3] 李敏. 近紅外光譜技術(shù)在水果無(wú)損檢測(cè)中的最新研究進(jìn)展[J]. 綠色科技, 2013(10): 215-218.

      [4] 屈亞堃, 宮元娟. 近紅外光譜技術(shù)在蘋(píng)果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)科技與裝備, 2014(6): 32-33.

      [5] 趙珂, 熊艷, 趙敏. 基于近紅外光譜技術(shù)的臍橙快速無(wú)損檢測(cè)[J]. 激光與紅外, 2011, 41(6): 649-652.

      [6] 介鄧飛, 謝麗娟, 饒秀勤, 等. 近紅外光譜變量篩選提高西瓜糖度預(yù)測(cè)模型精度[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013(12): 264-270.

      [7] 崔秀帥, 唐榮年, 楊舉華, 等. 芒果無(wú)損檢測(cè)方法的研究現(xiàn)狀及發(fā)展趨勢(shì)[J]. 貴州農(nóng)業(yè)科學(xué), 2013, 41(7): 167-170.

      [8] 呂剛, 楊海清. 基于光譜技術(shù)的葡萄活體可溶性固體含量在線檢測(cè)研究[J]. 紅外, 2012, 33(10): 43-48.

      [9] 陳辰, 魯曉翔, 張鵬, 等. 玫瑰香葡萄貯藏期間糖酸品質(zhì)的近紅外檢測(cè)[J]. 食品與發(fā)酵工業(yè), 2015(6): 175-180.

      [10] 徐洪宇, 張京芳, 侯力璇, 等. 基于FT-NIR光譜技術(shù)檢測(cè)釀酒葡萄中可溶性固形物含量[J]. 中國(guó)食品學(xué)報(bào), 2013, 13(11): 153-159.

      [11] 王亞紅. 葡萄中糖含量的近紅外檢測(cè)技術(shù)研究與儀器開(kāi)發(fā)[D]. 桂林: 桂林電子科技大學(xué), 2014: 121-125.

      [12] YAN Hui, LU Dao-li, CHEN Bin, et al. Development of a hand-held near infrared system based on an Android OS and MicroNIR, and its application in measuring soluble solids content in Fuji apples[J]. NIR news, 2014, 25(4): 16.

      [13] ZOU Xiao-bo, ZHAO Jie-wen, POVEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2): 14-32.

      [14] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預(yù)處理及波長(zhǎng)選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展, 2004, 16(4): 528-542.

      [15] LI Hong-dong, XU Qing-song, LIANG Yi-zeng. Random frog: an efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification[J]. Anal Chim Acta, 2012(740): 20-26.[16] KASEMSUMRAN S, DU Yi-ping, LI Bo-yan, et al. Moving window cross validation: a new cross validation method for the selection of a rational number of components in a partial least squares calibration model[J]. Analyst, 2006, 131(4): 529-537.

      [17] KOSHOUBU J, IWATA T, MINAMI S. Elimination of the uninformative calibration sample subset in the modified UVE(Uninformative Variable Elimination)-PLS (Partial Least Squares) method[J]. Anal Sci., 2001, 17(2): 319-22.

      [18] JIANG Hui, LIU Guo-hai, MEI Cong-li, et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm[J]. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 2012(97): 277-283.

      [19] LI Jiang-bo, GUO Zhi-ming, HUANG Wen-qiang, et al. Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry[J]. Guang Pu Xue Yu Guang Pu Fen Xi, 2015, 35(2): 372-8.

      [20] CAO Nan-ning, WANG Jia-hua, LI Peng-feng, et al. Study on Variable Selection of NIR Spectral Information Based on GA and SCMWPLS[J]. Spectroscopy and Spectral Analysis, 2010, 30(4): 915-919.

      [21] 丁光輝. PLS和GA應(yīng)用于部分有機(jī)污染物的QSAR研究[D]. 大連: 大連理工大學(xué), 2006: 97-99.

      [22] 吳迪, 吳洪喜, 蔡景波, 等. 基于無(wú)信息變量消除法和連續(xù)投影算法的可見(jiàn)—近紅外光譜技術(shù)白蝦種分類方法研究[J]. 紅外與毫米波學(xué)報(bào), 2009, 28(6): 423-427.

      [23] 陳立旦, 趙艷茹. 可見(jiàn)—近紅外光譜聯(lián)合隨機(jī)蛙跳算法檢測(cè)生物柴油含水量[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014(8): 168-173.

      [24] 唐建平. 近紅外光譜在水果品質(zhì)檢測(cè)中的應(yīng)用[J]. 北京農(nóng)業(yè), 2014(24): 232-232.

      [25] YAN Hui, HAN Bang-xing, WU Qiong-ying, et al. Rapid detection of Rosa laevigata polysaccharide content by near-infrared spectroscopy[J]. Spectrochim Acta A Mol Biomol Spectrosc, 2011, 79(1): 179-84.

      [26] 丁姣, 蔡建榮, 張海東, 等. 近紅外結(jié)合Si-ELM檢測(cè)食醋品質(zhì)指標(biāo)[J]. 食品與機(jī)械, 2012, 28(1): 93-96.

      [27] 安泉鑫, 陳莉, 龐林江, 等. 近紅外光譜技術(shù)在食品中的應(yīng)用進(jìn)展[J]. 食品與機(jī)械, 2012, 28(5): 239-242.

      Determination of SSC content in single grape based on NIR combined with wavelength selection

      GUO ChengMAYueLIANGMeng-xingYANHui

      (SchoolofBiotechnology,JiangsuUniversityofScienceandTechnology,Zhenjiang,Jiangsu212000,China)

      grapes; soluble solids content; NIRS; random frog; uninformative variable elimination

      鎮(zhèn)江市農(nóng)業(yè)科技支撐項(xiàng)目(編號(hào):NY2014032)

      郭成,男,江蘇科技大學(xué)碩士研究生。

      顏輝(1971—),男,江蘇科技大學(xué)副教授,博士。

      E-mail: yanh1006@163.com

      2016-07-02

      猜你喜歡
      波長(zhǎng)預(yù)處理葡萄
      HPLC-PDA雙波長(zhǎng)法同時(shí)測(cè)定四季草片中沒(méi)食子酸和槲皮苷的含量
      葡萄熟了
      當(dāng)葡萄成熟時(shí)
      女報(bào)(2020年10期)2020-11-23 01:42:42
      基于預(yù)處理MUSIC算法的分布式陣列DOA估計(jì)
      雙波長(zhǎng)激光治療慢性牙周炎的療效觀察
      日本研發(fā)出可完全覆蓋可見(jiàn)光波長(zhǎng)的LED光源
      淺談PLC在預(yù)處理生產(chǎn)線自動(dòng)化改造中的應(yīng)用
      絡(luò)合萃取法預(yù)處理H酸廢水
      便攜式多用途光波波長(zhǎng)測(cè)量?jī)x
      鲜城| 凯里市| 潼南县| 泽州县| 翼城县| 无为县| 临邑县| 郴州市| 兴义市| 阳春市| 托克逊县| 当雄县| 平远县| 吴川市| 宜昌市| 盐边县| 兴城市| 敖汉旗| 内乡县| 宁津县| 临武县| 承德县| 兰州市| 龙泉市| 岳普湖县| 祁门县| 莱西市| 伊通| 新安县| 朔州市| 城市| 县级市| 商丘市| 韩城市| 奎屯市| 达日县| 衡东县| 延寿县| 大同县| 桐庐县| 南澳县|