基于近红外光谱法建立核桃仁可溶性蛋白质含量检测模型.pdf
《基于近红外光谱法建立核桃仁可溶性蛋白质含量检测模型.pdf》由会员分享,可在线阅读,更多相关《基于近红外光谱法建立核桃仁可溶性蛋白质含量检测模型.pdf(12页珍藏版)》请在咨信网上搜索。
1、DOI:10.13925/ki.gsxb.20220684基于近红外光谱法建立核桃仁可溶性蛋白质含量检测模型罗浪琴1,2,3,王涛4,刘国庆5,赵文革6,张锐1,2,3*,于军1,2,3*,陆斌7,陈天财1,2,3(1塔里木大学园艺与林学学院,新疆阿拉尔 843300;2新疆生产建设兵团塔里木盆地生物资源保护利用重点实验室,新疆阿拉尔 843300;3南疆特色果树高效优质栽培与深加工技术国家地方联合工程实验室,新疆阿拉尔 843300;4塔里木大学信息学院,新疆阿拉尔 843300;5温宿县大木粮油林场,新疆阿克苏 843000;6阿克苏浙疆果业有限公司,新疆阿克苏 843000;7云南林业和
2、草原科学院,昆明 650000)摘要:【目的】核桃仁中的可溶性蛋白质含量是影响核桃品质的重要指标,比较核桃仁可溶性蛋白质含量不同模型之间的预测性能。【方法】以180份核桃仁样品作为研究对象,采集样品的近红外漫反射光谱。使用6种不同预处理方法对光谱信息进行处理,比较BP神经网络法和支持向量回归(SVR)建立核桃仁蛋白质的预测模型。【结果】2种方法对不同组合的预处理方法所建立模型的决定系数均大于0.81,相比于SVR模型的预测模型性能,MSC+FD+BP神经网络所建的预测模型性能更优,建模集的决定系数R2为0.871,均方根误差为0.089 5,RPD为2.875;验证集的R2为0.825,均方根
3、误差为0.105 9,RPD值为2.233。【结论】BP神经网络算法在特征波段的核桃仁可溶性蛋白质含量预测建模中,模型质量优于SVR算法。MSC+FD+CARS+BP神经网络建模方式更适用核桃仁可溶性蛋白质含量的预测,为使用近红外光谱分析核桃仁质量提供了参考依据。关键词:核桃仁;可溶性蛋白质含量;BP神经网络;支持向量回归(SVR)中图分类号:S664.1文献标志码:A文章编号:1009-9980(2023)08-1750-12收稿日期:2022-12-26接受日期:2023-03-23基金项目:国家重点研发计划(2020YFD1000703);塔大校长基金创新研究团队项目(TDZKCX202
4、101);塔里木大学科研条件项目(TDZ-KKY202204);温宿核桃科技小院(农技协发字2022 16号)作者简介:罗浪琴,女,在读硕士研究生,主要从事近红外果品含量检测研究。Tel:18744781795,E-mail:*通信作者Author for correspondence.Tel:15292502816,E-mail:;Tel:13179972686,E-mail:果树学报2023,40(8):1750-1761Journal of Fruit ScienceA model for soluble protein content detection of walnuts base
5、d on near in-frared spectroscopyLUO Langqin1,2,3,WANG Tao4,LIU Guoqing5,ZHAO Wenge6,ZHANG Rui1,2,3*,YU Jun1,2,3*,LU Bin7,CHEN Tiancai1,2,3(1School of Horticulture and Forestry,Tarim University,Alar 843300,Xinjiang,China;2Key Laboratory of Biological Resources Protec-tion and Utilization in Tarim Bas
6、in,Xinjiang Production and Construction Corps,Alar 843300,Xinjiang,China;3National and LocalJoint Engineering Laboratory for Efficient and High-Quality Cultivation and Deep Processing Technology of Characteristic Fruit Treesin Southern Xinjiang,Alar 843300,Xinjiang,China;4School of Information,Tarim
7、 University,Alar 843300,Xinjiang,China;5DamuGrain and Oil Forest Farm in Wensu County,Aksu 843000,Xinjiang,China;6Aksu Zhejiang Fruit Industry Co,Ltd,Aksu 843000,Xinjiang,China;7Yunnan Academy of Forestry and Grassland Sciences,Kunming 650000,Yunnan,China)Abstract:【Objective】The primary goal of this
8、 research was to compare the modeling methods of Sup-port Vector Regression(SVR)and Back-Propagation network and seak for the best pre-processing com-bination method with the modeling method.The protein content prediction model of walnut kernel wasestablished using near-infrared spectroscopy technol
9、ogy.The protein content of walnut kernels is one ofthe important indicators affecting the quality of walnuts.At present,the detection method for proteincontent mainly depends on the national standard method,the process is cumbersome,and multiple indi-cators can not be determined at the same time.【Me
10、thods】180 walnut samples from 9 different or-,等:蛋白质含量检测模型第8期核桃(Juglans regia L.)又名胡桃、羌桃,原产于中国、印度和欧洲东南部,属胡桃科,是世界上消费量最大的坚果之一。果仁富含矿质元素、蛋白质、脂肪等1,具有较高的营养价值和保健价值,对肺癌、乳腺癌等疾病有着防御的作用2-4。其中,蛋白质含量是评价核桃品质的重要指标,目前测定蛋白质含量的常用方法有考马斯亮蓝法、凯氏定氮法以及双缩脲法5-7。用这些传统方法测定的化学值精chards were collected as research materials,the row
11、 spacing of the walnut trees in each orchard is 4 m 6 m,and the tree age is 10 years.Firstly,the diffuse reflectance spectra of the samples were collected atroom temperature(around 25)using an Antaris Fourier transform NIR spectrometer made in theUnited States,the spectra were obtained in the wave n
12、umber range of 4000-10 000 cm-1(780-2500 nm)with a resolution of 8 cm-1and a gain of 2x.With the built-in background of the instrument as the refer-ence,each sample was scanned 3 times repeatedly as the original spectrum of the sample.The averagespectrum was obtained after 32 final scans.Secondly,th
13、e protein content of 180 walnuts was deter-mined by the Kaumas Brilliant Blue method.After the six outliers were removed by the Marginal dis-tance,the SPXY algorithm was used to divide 174 samples into 132 Correction sets and 42 Validationsets in a 3 1 ratio.The Competitive Adaptive Reweighted Sampl
14、ing(CARS)method was used to ex-tract the feature wavelengths.The spectral information was processed by six different pretreatment com-bination methods:Standard Normal Variables transformation(SNV),First-Derivative(FD),Multivari-ate,Scattering,Correction(MSC)+First-Derivative(FD),Second-Derivative(SD
15、),Savitzky Golay con-volution smoothing(SG)+Second-Derivative(SD),Standard Normal Variables transformation(SNV)+Second-Derivative(SD).The Root Mean Square Error(RMSE),coefficient of determination(R2),Re-sidual Prediction Deviation(RPD)were used to determine the optimal model and to compare the wal-n
16、ut protein prediction models established by different preprocessing combination methods with BP neu-ral network method and SVR.【Results】Comparing the SVR with the BP neural networks,the R2of theSD+BP neural network,MSC+BP neural network,SG+SD+BP neural network and SNV+SD+BP neu-ral network Correctio
17、n set and Validation set were below 0.8,only the R2of the MSC+FD+BP neuralnetwork Correction and Validation sets reach was above 0.8.Moreover,the maximum RPD was 2.856.Although R2of the Correction set for the FD+BP neural network was 0.845 7,it was quite discrepancyfrom the Validation set.The R2of C
18、orrection set and Validation set for SD+SVR,MSC+SVR,MSC+FD+SVR were all lower,Only SG+SD+SVR and SNV+SD+SVR Corrected and Validated sets had R2above 0.8,although the R2of the Correction set of the FD+BP neural network was 0.820 0,but the R2ofValidation set was only 0.770.Compared with SG+SD+SVR and
19、SNV+SVR,MSC+FD+BP neural net-work had smaller differences in R2of Correction set and Validation set,RMSE of Correction set and Val-idation set,the highest RPD.That is,the R2of the MSC+FD+BP neural network Correction set was0.871,RMSEC was 0.089 5,and the RPD was 2.875;the R2of the validation set was
20、 0.825,RMSEPwas 0.105 9,and the RPD value was 2.233.Therefore,MSC+FD+BP neural network built predictionmodel performs better than SG+SD+SVR and SNV+SVR.【Conclusion】The results showed that theBP neural network algorithm had better model quality than the SVR algorithm in walnut kernel solubleprotein c
21、ontent prediction modeling in characteristic bands.The MSC+FD+CARS+BP neural net-work modeling method would be more suitable for the prediction of the soluble protein content of wal-nut kernel,which would provide a reference for the analysis of walnut kernel quality using near-infra-red spectroscopy
22、.Key words:Walnut meat;Soluble protein content;Back-Propagation network;Support Vector Regres-sion(SVR)罗浪琴,等:基于近红外光谱法建立核桃仁可溶性蛋白质含量检测模型1751果树学报第40卷确度高,结果可靠8-9;但分析过程既费时又费力,并且使用的化学试剂会对测试人员身体有害10。因此,利用近红外光谱技术建立一种快速、通用、高效的方法来预测核桃蛋白质含量是迅速辨别核桃品质的关键。近红外光谱技术(NIRS)因具有客观、快速和经济的特性而受到越来越多的关注11,且具有操作简单、快速、环保等优点,可
23、用于检测同种物质中的多种成分。具有灵敏度和分辨率高、扫描速度快等显著优点,广泛应用于农业、医药、烟草、石油化工12-14等领域,可以胜任含量相对较低以及结构相似的化学组分的分析。例如,王纯阳等15利用偏最小二乘建模方法实现了水稻蛋白质含量的测定。王丽萍等16开展了大豆中蛋白质和脂肪含量的近红外反射光谱预测建模研究。在坚果检测方面,对蛋白质含量的近红外光谱模型预测研究已在松子、花生、板栗等17中报道,而对磨碎的核桃仁可溶性蛋白质含量的近红外光谱检测研究报道较少。本试验中在400010 000 cm-1范围内采集核桃碎仁的光谱信息,建立核桃仁蛋白质含量的预测模型,筛选适合于核桃仁中可溶性蛋白质含量
24、的预处理方法18,以期找出核桃仁可溶性蛋白质含量快速检测的最优模型组合方式。1材料和方法1.1材料与仪器设备为了得到比较准确的光谱信息,解决核桃有硬壳包裹以及核桃整仁的凹凸现象造成光谱反射不均一的问题,采用破损法对核桃仁进行处理。采用傅里叶近红外光谱仪(Antaris-型,美国)扫描光谱,分辨率为8 cm-1,增益为2x,以仪器内置背景为参比,扫描32次获得平均光谱。样品选自新疆阿克苏地区温宿县核桃林场的温185核桃,分别来自9个不同核桃园(高产管理果园、中产管理果园、低产管理果园各3个)的180份核桃样品,每个核桃园的核桃树株行距为4 m6 m,树龄10年生。在核桃成熟期(2021-09-0
25、1)开始采收,采收完成后去青皮置于通风处晾干,含水量在6%左右。晾干后对核桃进行破壳取仁,使用FW-80型高速万能粉碎机将核桃仁粉碎3 min混合均匀后装在塑料袋中,密封并储存在4,直到进行光谱扫描和蛋白质含量的测定。1.2核桃仁原始光谱的采集采集光谱前,将试验样本置于仪器所在的房间内,保证所有样品光谱采集条件的一致性19-20。采集光谱时,仪器需开机预热60 min,在400010 000 cm-1的范围内收集核桃仁光谱。将粉碎后的核桃仁填充于石英样品杯中(直径30 mm,高为5 mm,壁厚1 mm)与杯口平行,每次装满样品后将其表面压至水平后可进行光谱的采集。每个样品扫描3次之后得到540
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 红外 光谱 建立 核桃仁 可溶性 蛋白质 含量 检测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。