前言:一篇好文章的诞生,需要你不断地搜集资料、整理思路,本站小编为你收集了丰富的光谱学与光谱学分析主题范文,仅供参考,欢迎阅读并收藏。
关键词关键词:极限学习机;模式识别;高光谱遥感图像;判别信息
DOIDOI:10.11907/rjdk.162600
中图分类号:TP317.4文献标识码:A文章编号文章编号:16727800(2017)001016105
对于连续狭窄的光谱带,高光谱成像传感器能够捕获详细和丰富的光谱信息。近年来,随着图像处理技术的发展,高光谱图像得到广泛应用,在高光谱图像应用中最重要的任务是对图像进行分类。然而,在高光谱遥感图像分类问题中存在一些挑战。例如有限训练样本之间的不平衡和高维度,高光谱遥感图像几何形状复杂,高光谱遥感图像分类计算复杂度高。为使高光谱遥感图像分类取得良好效果,近年来,机器学习方法在高光谱图像分类中得到广泛应用,例如人工神经网络(Artificial neural networks,ANNs)[1]、支持向量机(Support vector machine,SVM)[2]、多项逻辑回归(Multinomial logistic regression,MLR)[3]、主动学习(Active learning,AL)[4]等,其它方法如利用稀疏表示[5]以及谱聚类[6]对高光谱进行分离也得到广泛应用。然而,由于高光谱遥感图像具有{维度以及复杂性,通过机器学习算法寻找最优的参数来进行分类通常非常困难,并且耗时,实现高光谱遥感图像高效快速分类已成为遥感图像领域的重要问题。
近年来,Huang等[7]基于单隐层前馈神经网络(Single-hidden layer feedforward networks,SLFNs)结构提出了极限学习机(Extreme learning machine,ELM)。ELM随机产生隐层节点的输入权值和偏置值,所有参数中仅有输出权值经过分析确定。ELM将传统神经网络的求解过程转化为一个线性模型,ELM随机选择输入权值和分析确定SLFNs的输出权值,避免了传统神经网络学习方法收敛速度慢及陷入局部极小解的可能,具有更好的泛化能力和更快的学习速度。文献[7]指出ELM通过随机产生隐层节点的输入权值和偏置值分析确定输出权值,保持了SLFNs的通用逼近能力,同时能够得到一个全局最优解。由于ELM良好的泛化能力,使得ELM应用在不同的领域中。在高光谱遥感图像领域,Pal等[8]将ELM应用到土地覆盖分类中,与BP[9]神经网络和支持向量机相比,ELM取得了更好的分类效果,并且ELM算法的计算复杂度远远小于BP和支持向量机。Bazi等[10]利用差分进化方法优化核ELM算法的参数,提高了高光谱遥感图像的分类效果。为了提高ELM算法在高光谱遥感图像分类中的稳定性,Samat等[11]基于Bagging 和 AdaBoost算法提出了集成的极限学习机算法(Ensemble extreme learning machine,E2LM)。
虽然针对高光谱遥感图像分类问题,研究人员在ELM算法的基础上提出了改进,然而 ELM及其改进算法并未充分考虑数据样本间的几何特征和数据蕴含的判别信息。知道样本之间具有某些相似的属性和分布特征,样本之间的相似属性和分布特征能够弥补ELM学习不够充分的问题,进而可以提高ELM的泛化能力,因而数据样本的几何特征和数据蕴含的判别信息对ELM的分类性能具有重要作用。
基于以上分析,本文提出一种基于判别信息极端学习机(Discriminative information regularized extreme learning machine,IELM),对于分类问题,IELM同时考虑到数据样本的几何特征和数据蕴含的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值,从而在一定程度上提高ELM的分类性能和泛化能力。IELM方法的优势在于:①继承了ELM的优点,在一定程度上避免了ELM学习不充分的问题;②将异类离散度和同类离散度引入到ELM中,充分利用数据样本的判别信息;③利用MMC[12]方法有效解决最大化异类离散度和最小化同类离散度矩阵奇异问题。
为评价和验证本文提出的基于判别信息极端学习机的高光谱遥感图像分类方法,实验使用Indian Pines,Salinas scene两个高光谱遥感图像数据,将本文所提出的方法与ELM、支持向量机(Support vector machine,SVM)、最近邻分类器协作表示(Collaborative representation nearest neighbor classifier,CRNN)[13]进行对比,实验结果表明本文提出的算法能够取得较好的分类效果。
实验环境为惠普工作站处理器:Intel(R)Xeon(R) CPU E5-1603 0 @2.80 GHz,安装内存:8.00GB ,系统类型:64位操作系统,版本:win7,语言开发环境采用 Matlab 2010b。
第一组实验数据为Indian Pines遥感图像数据,Indian Pines数据是AVIRIS传感器在萨利纳斯山谷收集的数据,该图像包含200个波段,图像大小为145×145,地表真实分类如图1所示,Indian Pines数据集属性设置如表1所示。
第二组实验数据为Salinas scene遥感图像数据,Salinas scene数据是AVIRIS传感器在萨利纳斯山谷收集的数据,该图像包含204个波段,图像大小为512×217,地表真实分类如图2所示, Salinas scene数据集属性设置如表2所示。
实验中,对于Indian Pines和Salinas scene图像数据,随机选取1%的数据样本作为训练集,剩下部分为测试集,使用总体精度(OA),Kappa系数,平均准确率(AA)衡量不同算法的性能。
(1)体精度。总体精度(overall accuracy,OA)是对分类结果质量的总体评价,等于被正确分类的像素总和除 以总的像素个数。被正确分类的像素沿着混淆矩阵的对角线分布,它显示了被正确分类到真实分类中的像元数。根据混淆矩阵可得OA的计算式为:p=∑ci=1miiN(21)其中,c表示类别数目,mii表示混淆矩阵对角线上的元素,N=∑ci=1∑cj=1mij表示测试样本的总数。
(2)Kappa系数。Kappa系数采用一种多元离散分析技术,反映分类结果与参考数据之间的吻合程度,它考虑了混淆矩阵的所有因子,是一种更为客观的评价指标,其定义为:k=N∑ci=1mii-∑ci=1(mi+m+i)N2-∑ci=1(mi+m+i)(22)其中,mi+,m+i分别表示混淆矩阵第i行的总和、第i列的总和,c表示类别数目,N为测试样本总数,mii表示混淆矩阵对角线上的元素,Kappa系数越大分类精度越高。
(3)平均精度。平均精度(average accuracy,AA)定义为每类分类准确率相加除以类别总数。AA=∑ci=1accic(23)其中,c表示类别数目,acci表示每类的分类准确率。
4.2实验结果及分析
将IELM与ELM,SVM,CRNN进行对比,SVM采用libsvm工具箱,核函数采用径向基核函数(Radial basis function,RBF),惩罚参数c=0.02,核函数参数g=0.02,IELM与ELM均采用Sigmoid函数作为激活函数,隐层节点个数设置为500,惩罚参数c=20。
5结语
本文提出了一种基于判别信息极端学习机的高光谱遥感图像分类方法,创新之外在于考虑到光谱遥感图像数据的联系和差异信息。IELM引入同类离散度和异类离散度的概念,体现了输入空间数据的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值。与NN,SVM, ELM算法的对比实验表明,本文所提出方法的分类效果优于NN,SVM,ELM算法。
参考文献:
[1]Q SAMI UL HAQ,L TAO.Neural network based adaboosting approach for hyperspectral data classication[J].International Conference on Computer Science and Network Technology(ICCSNT),2011:241245.
[2]J A GUALTI,R F CROMP.Support vector machines for hyperspectral remote sensing classification[J].in Proc.SPIE 27th AIPR Workshop:put.Assisted Recognit.Int.Soc.Opt.Photonics,Washington,DC,USA,1999:221232.
[3]J Li,J BIOUCASDIAS,A.PLAZA.Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression[J].IEEE Geosci.Remote Sens.Lett,2013,10(2):318322.
[4]W DI,MM CRAWFORD.Active learning via multiview and local proximity coregularization for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing,2011,5(3):618628.
[5]J BIOUCASDIAS,M A T.FIGUEIREDO.Alternating direction algorithms for constrained sparse regression:application to hyperspectral unmixing[J].Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS),2010:14.
[6]Y TARABALKA,J A BENEDIKTSSON,J CHANUSSOT.Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(8):29732987.
[7]GB HUANG,H ZHOU,X DING,et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.Syst Man Cybern B,2012,42(2):51329.
[8]M PAL,A E MAXWELL,T A WARNER.Kernelbased extreme learning machine for remotesensing image classification[J].Remote Sens.Lett,2013,4(9):853862.
[9]D RUMELHART,G HINTON,R WILLIAMS.Learning by backpropagating errors[J].Nature,1986,323(6088):533536.
[10]Y BAZI.Differential evolution extreme learning machine for the classification of hyperspectral images[J].IEEE Geosci.Remote Sens.Lett,2014,11(6):10661070.
[11]A SAMAT,P DU,S LIU,et al.E2LMs:ensemble extreme learning machines for hyperspectral image classification[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens,2014,7(4):10601069.
[12]H LI,T JIANG,K ZHANG.Efficient robust feature extraction by maximum margin criterion[J].IEEE Transactions on Neural Networks ,2006,17(1):157165.
本书是第二卷,由四部分组成,共25章:第一部分是“历史的综述”,含第1章:1. Aimé Cotton在1895年发现CD和ORD后的第一个十年;第二部分是“有机立体化学”,含2-12章:2. 一些天然的手性发色团――经验规则和量子化学计算;3. 用于测定苯和其它芳香族发色团绝对构型的电子CD;4. 电子CD激子手性方法:原理和应用;5. 手性扩展p-电子化合物的CD光谱:绝对立体化学和实验验证的理论确定;6. 利用固态电子圆二色性和量子力学计算来编配天然产物的绝对构型;7. 金属有机化合物的动态立体化学和旋光光谱学;8. 动态系统的圆二色性:开关分子及超分子的手性;9. 超分子系统的电子圆二色性;10. 利用有量子计算功能的HPLCECD进行手性化合物的在线立体化学分析;11. 用振动圆二色性进行手性天然产物的结构测定;12. 分子绝对构型的测定:选择适当旋光法的准则。第三部分是“无机立体化学”,含第13章:13. 电子圆二色性在无机立体化学中的应用。第四部分是“生物分子”,含第14-25章:14. 蛋白质的电子圆二色性;15. 肽的电子圆二色性;16. 拟肽的电子圆二色性;17. 核酸的电子圆二色性;18. 肽核酸及其类似物的电子圆二色性;19. 蛋白质与核酸相互作用的圆二色性;20. 用电子圆二色性来分析捆绑在核酸上的药物或天然产物;21. 用电子圆二色性来探索HSA和AGP药物捆绑位置;22. 生物高聚物、肽、蛋白质和核酸的构象研究――振动圆二色性的作用;23. 从拉曼光学活性来看生物分子的结构和行为;24. 糖类和复合糖的旋光、电子圆二色性以及振动圆二色性;25. 通过电子圆二色性来发现药物。本书以纪念已故的Carlo Rosini教授的短文开头。每章的结尾有参考书目,目录的前面有各章作者简介,结尾有主题索引。
本书第一编著贝罗娃博士是美国纽约哥伦比亚大学化学系的研究员。1998年以来,她一直是《手性》杂志的编委会成员。
本书可用做大学生或研究生的教科书,或学术和工业领域的研究工作者的参考书。
【关键词】近红外光谱分析技术;肉类产品;检测;鉴定;预测精度
一、检测肉类产品化学成分分析
传统的化学分析方法不适宜于再现即时检测,具有很大的破坏性,并且花费的时间长。但是肉的食用品质和营养品质受到肉品化学成分的影响很大,而为了评定肉品的品质,NER技术可以快速、无损测定原料肉和肉类制品中多种组分的含量。近些年看来,在肉品化学成分快速检测方面,近红外光谱技术取得很多进展,如:Cozzolino为了对51只羊身上不同部位的306块肌肉进行检测,运用了可见/近红外光谱,发现测定的结果与花足额分析测得的结果具有较好的相关性,得到水、蛋白质、肌内脂肪系数分别为0.76、0.83、0.73。而除了这三种主要组分外,肉的品质和营养价值受脂肪中脂肪酸的组成和含量的影响也挺大,如:Sierra为了预测牛肉中各种脂肪酸含量、饱和脂肪酸、支链脂肪酸、单一不饱和脂肪酸的系数,采用了NIR技术,得到相关系数分别为0.837、0.701、0.852。另外,在肉类微量元素含量的近红外光谱分析方面,Gonzalez-Martin为了检测Iberian鲜猪肉糜中的矿物质元素Fe、Zn、Ca、Na和K,利用近红外反射光谱得到了其相关系数分别为0.842、0.695、0.761、0.639、0.781。
另外,一些学者采用近红外反射仪构建了肉糜在线检测系统,表明了肉糜力度越小,其预测误差越小。由此可见近红外光谱技术对韩皮昂较少其他化学成分的检测精度不是特别理想,但是可以准确的测定肉中主要成分的含量,为了提高检测精度需要改善光谱参考方法,同时,对于完整肉片检测的时候,近红外光谱法能达到在线检测的要求,可增加扫描次数或扩大取样范围,并将肉切碎或绞碎均匀混合成肉糜状,检测精度要比整块肉样要高[1]。
二、应用于肉类产品感官评价的分析
肉色是肉品感官评定的重要指标。肉类的感官指标主要是肉品的颜色、文理、风味等,利用这些指标,近红外光谱技术与肉品其他物化性质的关联性可对其进行检测。如:Cozmlino采用修正的偏最小二乘分析法,利用可见光和NIR技术对肉的颜色、红度、黄度进行检测,得到了同品种猪肉L*和a*的验证相关系数较高。其次,肉类食用品质中重要的衡量指标还包括嫩度。如:Byrne等在750~1098nm的光谱范围内,采用成分分析法研究了牛肉背最长肌的嫩度、文理、风味与近红外光谱的相关性。而Shackelford等利用远红外光谱技术实现对牛肉畜体的质量评价和产量分级。再者,通过挥发性盐基氮这一指标来表示,利用近红外光谱可以快速评定肉品的新鲜度。如:Leroy为了评价猪肉的新鲜度,利用近红外光谱技术,在1200~1300nm波长建立了挥发性盐基氮预测模型。由此可见,由于肉类多不均匀,造成了研究肌肉部位受到限制,如果近红外光谱技术与机器视觉技术等方法进行融合的话,不但可以评定多种肉品指标,还可以提高肉品的感官评定精度。并且在一定程度上,可以提高在线检测效率和实际的经济效益。也就是说,近红外光谱技术快速检测肉类主要感官指标是可行性的[2]。
三、应用于肉类产品物理特性上的分析
肉品系水力式肌肉组织保持水分的能力。在对肉类物理特性的检测时,NIR技术主要包括pH系水力和剪切力等。在生产和运输的过程中,由于肉品系水力不良,会造成严重的质量损失。近些年来,在对生鲜肉系水力进行检测的时候,国内外利用金宏外光谱技术的结果并不理想。如:Hoving-Bolink在线检测时,利用近红外光谱发现对滴水损失的预测效果不佳。而Kapper在对132个猪肉样品进行红外光谱分析,得到滴水损失的相关系数为0.73。Prevolnik为了研究猪肉的滴水损失,利用近红外光谱技术,采用神经网络算法和偏最小二乘回归分别建模,预测的误差相近。另外,在对多种肉类pH进行检测时,廖义涛采集了猪肉肉块样本的可见/近红外光谱,研究了猪肉pH的可见/近红外光谱在线检测,同时测定pH,经一阶微分结合多元散射校正对光谱预处理后RMSEP为0.051,建模型的预测相关系数为0.905。由此可见,基于近红外光谱预测肉品滴水损失存在一定的局限性,但是近红外光谱分析技术更具有在线无损检测的实际应用价值,其他评价系水力的方法都存在破坏样品、样品准备复杂、耗时长等诸多原因。因此,近红外光谱技术对预测肉品滴水损失具有一定的显示意义。提高了近红外光谱法对肉品滴水损失的预测精度,防止了在因素对光谱获取的影响和改善参考方法。
四、对肉类品种的判断和安全鉴定
食品安全检测中,对原料肉明确来源是非常重要的。为了进一步实现肉类的品种判断和安全鉴定,近红外光谱技术可以对肉类的化学成分和含量的分析等为依据。如:McDevitt为了鉴别不同四样条件的鸡肉,采用近红外光谱技术结合经典化学分析方法,得到脂肪、蛋白质和灰分的相关系数为0.93、0.86、0.71,并且快速判别出养殖条件,发现养殖时间短的鸡肉含有更高的脂肪,还含有更低的蛋白质和灰分。Andres对232个羊羔肉样品分析获得NIR光谱曲线,并且进行了感官分析,得到的相关系数都小于0.40,但是近红外光谱技术具有快速辨别羊羔肉的感官特定,能够区分优良感官指标的肉品。一般情况下,化学方法鉴别真伪花费的时间较长,而近红外光谱技术可应用于原料肉品质的快速定性和鉴别分析,能快速对肉类掺假进行鉴别[3]。
五、总结
近红外光谱技术可以代替那些具有污染环境,危害健康的检测器工具或技术,是一种具有对大量肉样的化学组成进行检测的技术,并且还能对肉的物理性质和感官品质进行分析,对于更好地完善肉及肉制品行业的安全监控具有很大的现实意义。
参考文献
[1]赵松玮,彭彦昆,王伟,张海云,宋育霖,赵娟.基于近红外光谱的生鲜猪肉新鲜度实时评估[J].食品安全质量检测学报,2012(06).
[2]廖宜涛,樊玉霞,伍学千,成芳.猪肉pH值的可见近红外光谱在线检测研究[J].光谱学与光谱分析,2010(03).
[3]胡耀华,熊来怡,蒋国振,刘聪,郭康权,佐竹隆显.基于可见光和近红外光谱鲜猪肉蒸煮损失和嫩度检测的研究[J].光谱学与光谱分析,2010(11).
课题:兵团科技支疆项目(NO.2014AB037)。
作者简介:
【关键词】 叶绿素 SPAD Ardunio
植物是陆地生态系统的基本组成成分,约占地球陆地表面的70%,是人类及一切生命的摇篮。叶片作为植物机体的最重要组成部分,它不仅是光合作用的主要场所,而且在果实成熟过程中充当了重要的角色。绿色植物的各项生理活动中,光合作用是最主要的生理活动之一,它将光能变成电能—电能变成活跃的化学能——活跃的化学能变成稳定的化学能,光合作用过程中,叶绿素起着至关重要的作用[1]。叶绿素是人们研究的最早也是目前做的最多的叶片生化参数之一,作为叶片的主要吸收光能的物质,也是氮元素的主要体现物质之一。叶片叶绿素含量也反映了植物对营养元素的需要当植物受到环境胁迫或者是在衰老的过程中叶片中叶绿素含量会比其他色素更快的下降。可以说,其含量准确快速的检测对植物的光合效率、发育阶段、营养状态的判断具有重要的意义。叶片叶绿素含量的变化对理解植物生长状态,环境变化具有重要的指示作用,在指导农业生产、监测农作物长势和估产、分析农田水肥状况以及植物精细分类等诸多方面也具有重要意义[2,3]。
本文针对这种需要研制了一种基于Arduino的叶绿素含量光学检测仪器,实现了对植物叶片叶绿素含量的无损、快速检测。
1 测量机理
1.1 传统方法
传统方法获取叶片叶绿素含量大都采用外观诊断和化学分析法。外观诊断法的优点是直观、简单、方便,在农业生产中普遍应用。但是这种方法是事后性的,起不到主动预防的作用;且由于此种诊断仅凭经验判断,处于定性或半定量阶段;这种外观症状又易与物理损伤相混淆,所以在实际应用中有很大的局限性和延后性[4]。化学分析法是获得植物生化组分信息最准确、可靠的方法,在实验室里这种方法是非常有效的,也是其他研究植物生化组分方法的技术参数依据。但是这种分析方法是破坏性的,从样本的采集、烘干、称重、研磨直到使用都使有潜在危害性的药品进行测试,需要耗费大量的时间、人力、物力和财力,结果也不具有实时性。而且实验室化学分析需要有经验的专业分析人员和大量的分析试剂与设备,在很多情况下不具备这些条件,特别是发展中国家,因此在农业实际生产中这种方法是不可行的。
1.2 光学检测方法
叶绿素检测仪是根据叶绿体色素提取液对可见光谱的吸收,利用分光光度计在某一特定波长测定其吸光度,即可用公式计算出提取液中各色素的含量。根据朗伯——比尔定律,某有色溶液的吸光度A与其中溶质浓度C和液层厚度L成正比,即:
A=αCL (1)
式中:α比例常数。当溶液浓度以百分浓度为单位,液层厚度为1 cm时,α为该物质的吸光系数。各种有色物质溶液在不同波长下的吸光系数可通过测定已知浓度的纯物质在不同波长下的吸光度而求得。如果溶液中有数种吸光物质,则此混合液在某一波长下的总吸光度等于各组分在相应波长下吸光度的总和。这就是吸光度的加和性[5]。欲测定叶绿体色素混合提取液中叶绿素a、b和类胡萝卜素的含量,只需测定该提取液在三个特定波长下的吸光度A,并根据叶绿素a、b及类胡萝卜素在该波长下的吸光系数即可求出其浓度。在测定叶绿素a、b时为了排除类胡萝卜素的干扰,所用单色光的波长选择叶绿素在红光区的最大吸收峰。
1.3 叶绿素仪
叶绿素检测仪简称为叶绿素含量仪或者叶绿素测量仪,是通过测定spad值来显示植物绿色程度的仪器。SPAD502叶绿素含量仪是叶绿素测量仪中最高端的仪器,它通过测定SPAD值,相关的实验证明SPAD值与叶绿素含量成正比关系,因而SPAD值代表叶绿素含量。但该仪器主要依赖进口,加个偏高。
2 测量系统搭建
2.1 Arduino开发板
Arduino是一款便捷灵活、方便上手的开源电子原型平台,包含硬件(各种型号的Ardunio板)和软件(Arduino IDE)。Arduino,是一个基于开放原始码的软硬体平台,构建于开放原始码simple I/O介面版,并且具有使用类似Java,C语言的Processing/Wiring开发环境。
2.2 系统实现
该仪器主要由单色光源、光电探测器、光源驱动电路、信号调理电路和微控制系统等部分组成,仪器框图如(图1)所示。
单色光源发光照射叶片,光电探测器检测到带有叶绿素信息的光强信息,并转换成电信号,经信号调理电路后满足转换器的要求,微控制系统完成对数据的采集、计算、存储和显示等功能。微控制系统主要包括单片机、A/D转换器、数据存储模块、监控电路、串口通信、时钟电路、和按键等。
由于Arduino编程的便捷性,仅需要极少代码即可实现。部分代码如下,led1pin与led2pin分别为敏感波长与参比波长的LED二极管所连接到板上端口(表1)。
3 仪器标定
3.1 仪器标定实验
采用SPAD-502叶绿素仪测定叶片叶绿素SPAD值作为标准值,该仪器测量精度优于0.1 SPAD。采用本文研制的仪器实现对叶片吸光度值的测量。测量对象为同一种植物的30个叶片,并且摘于不同植株,这些叶片的厚度相差不大,主要位于一个植株的中间部位。植物叶片摘于实验前的30分钟,以清水冲洗,保证不同叶片样本测量位置的一致。同一叶片样本重复测量3次,取平均值作为该叶片的SPAD值。
3.2 标定模型和性能评价
将上面采集到的每个叶片的吸光度和叶绿素浓度标准值对应的3次测量数据分别进行平均,作为最终的测量值,共得到30组数据,同时采用本文所研发仪器进行同样测量,30组叶片样本两种测量数据如(图2)所示。以SPAD-502叶绿素仪测定叶片叶绿素SPAD值作为标准值,则本文仪器的测量均方根误差为2.7 SPAD。
4 结论
本文开发了一种基于Arduino的植物叶片叶绿素含量光学检测仪器,该仪器操作简单、体积小、携带方便、精度高。由于采用Ardunio开发板,从而在一定程度上简化了装置结构、降低了成本。采用该仪器对叶片进行测量,将得到的测量结果与SPAD-502叶绿素仪测得的结果进行对比,误差为2.7 SPAD。实验结果表明,该仪器测量精度高,稳定性好,能够满足对叶绿素浓度测量的应用要求,可以实现叶绿素浓度的快速、无损检测。
参考文献:
[1]李庆波,徐玉坡,张超航,张广军,吴瑾光.基于光谱技术的植物叶绿素浓度无损检测仪器的研制.光谱学与光谱分析,2009(10):875-2878.
[2]Cen Haiyan, Shao Yongni, Song Haiyan, et al. The 8th International Conference of Signal Processing, Gruilin China, IEEE Press,2006.215.
[3]张东彦,刘镕源,等.应用近地成像高光谱估算玉米叶绿素含量[J].光谱学与光谱分析.2011(3):771-775.
[关键词]近红外光谱分析技术 牛奶 化学分析 应用
中图分类号:TS207.3 文献标识码:A 文章编号:1009-914X(2016)11-0258-01
近红外光具体指波长在780-2526nm范围内的电磁波,近红外光谱分析技术则是光谱测量技术同化学计量学的有机结合。近红外光分析技术应用范围不断拓展,在食品行业中应用于调味品、酒制品、肉类等成分鉴别以及真伪鉴别,近年来其在牛奶制品化学分析中也得到了较为广泛的应用。分析近红外光谱技术在牛奶及其制品分析检测中的应用,实施对牛奶及其制品的质量安全控制,有着重要的现实意义。
一、近红外光谱分析技术原理
近红外光谱分析技术是近几十年来发展最为迅速的高新分析技术之一。我国从上世纪80年代开始应用近红外光谱分析技术,并逐渐拓展到食品、农业、石化等多个领域,近红外光谱是分子振动光谱倍频与合频吸收光谱,主要为X-H键吸收。由于不同基团(例如苯环,甲基等)所生成的光谱在吸收峰的强度以及位置上有差异性,结合朗伯-比耳吸收定律,光谱特征将锁着样品成分含量的变化而变化。近红外光谱分析技术具体有以下几个优点:传输性能良好,近红外光在光导纤维中传输性能较好,能够实现对生产工艺流程的在线检测;检测手段无损。近红外光谱分析技术检测不对样品产生损伤,特别是在活体检测上有着非常大的优势;分析速度快捷。近红外光谱分析技术不用对样品进行预处理,对于样品的测量通常在1分钟之内可以完成,其分析速度较快,效率较高;绿色环保。近红外光谱分析技术在检测中不对环境产生污染,因而其也被称作绿色检测技术。
二、近红外光谱分析技术在牛奶化学分析中的应用
牛奶是由多种物质所组成的混合物,其具体包括真溶液、胶体悬乳液、高分子溶液以及乳浊液等。而牛奶成分中蛋白质分子、脂肪等对于近红外光有着吸收作用,因而近红外光谱分析技术在牛奶化学分析测定中能够得到良好应用。近红外光谱分析技术在牛奶制品上的应用主要体现在在线检测与离线检测两个方面。在线检测是指借助光纤探头直接在生产线中对样品进行检测;离线检测指用红外反射仪对样品杯或者试管中的样品实施全反射检测。其具体应用包括定性分析牛奶及其制品的产地来源与品种,以及定量分析牛奶及其制品的微生物与理化指标等。
1.在线检测
牛奶生产过程中,因出厂产品一致化的要求,通常需要保证原料成分含量的一致性,而现实生产当中不能使生产停止来满足在线检测。近红外光谱分析技术的应用则实现了对生产过程的实时监控。在线检测中,利用近红外光谱分析技术对牛奶成分中的蛋白、乳糖、脂肪、蔗糖以及水分进行测量,能够取得良好的效果,可广泛应用与鲜奶成品生产以及奶粉生产过程中的质量监控。并且如今近红外光谱技术应用也已经拓展到了牛奶中病菌数以及牛奶体细胞数测定方面。吴静珠等提出了建立包括不同种类奶粉样品集中的脂肪、乳糖、蛋白等的红外模型,并采取全谱分析结合模型优化的方法,简化了近红外技术在奶粉定量分析的步骤。刘蓉(2005)通过最小半球体积法以及半数重采样法来对牛奶成分近红外光谱实施奇异点剔除实验,这两种算法的有效结合有着快速简单的特征,能够适应牛奶成分等的在线检测,可大大提升分析模型的精度与稳定性。朱俊平(2003)通过多元线性回归法构建用近红外光谱分析技术检测儿童高钙奶粉蛋白、乳糖、脂肪的测定模型。其近红外法测定结果与标准法测定结果相一致。但总体来看,目前近红外光谱分析技术在牛奶及其制品在线检测中的应用尚停留在实验室的阶段,要真正实现牛奶及其制品生产的在线检测还需要做更多的工作。
2.离线检测
营养成分检测。牛奶制品营养成分检测主要是指利用近红外光谱分析技术对牛奶中的蛋白质、乳糖、脂肪等营养成分进行快速定量的分析。联邦德国的R.T.Carl早在1991年就利用近红外光谱分析技术以及偏最小二乘法分析牛奶中的脂肪含量,结果也表明利用近红外光谱分析技术分析牛奶中脂肪含量是非常可行的。
掺假物质鉴别。牛奶制品中有许多掺假物质,例如植物蛋白、植脂末、乳清粉乃至三聚氰胺等。奶制品掺假成分检测主要依赖传统方法,而近红外光谱分析技术的应用也能够起到有效作用。韩东海(2006)具体应用近红外光谱分析技术来鉴别纯牛奶中的还原奶,结合判别分析方法构建起还原奶鉴别模型,并利用偏最小二乘法构建起原料奶的ph值以及酸度预测模型,具体误差
致病菌分析。李守军(2007)对利用近红外光谱技术检测牛奶中致病菌方法进行了分析。具体采用最小二乘法、余弦相似度聚类等方法建立利用近红外光谱检测原料乳大肠杆菌、总菌落数的模型,结果表明能够在50分钟内完成,可有效预测原料乳大肠杆菌以及总菌数。
三、近红外光谱分析技术应用展望
我国的奶制品质量水准在食品市场中一直备受关注,牛奶产品的质量也一直是弱项,例如我国奶粉产品质量与西方国家有着巨大差距。究其原因,在于生产监控以及原材料质量控制上的差距。近红外光谱分析技术有着准确、快速、便捷等特性,得到了越来越广泛的应用。而这项技术在牛奶及其制品中的应用,则能够更有效地实施对牛奶制品的质量监控。其对于提升生产质量控制,降低生产成本等发挥着重要的作用。但同时,目前近红外光谱技术在牛奶分析检测中的应用仍存在着诸多问题有待解决:牛奶为多分散体系,由于测量条件以及测量方法等诸多因素影响,测定结果的准确率有待提升,因而需要开发专用的数学模型以及相关配件来提升检测精确度;近红外光谱分析技术定性与定量分析的关键因素在构建准确的校正模型,因而需要进行多种建模方法的对比来获取最优化的模型;此外,近红外光谱分析技术虽然分析成本较低,但其仪器本身较为昂贵,对于我国一些牛奶加工企业、牛奶养殖场所以及牛奶收购站而言,缺乏经济实力与生产规模。因而需要开发出更简便,价格更低的近红外仪器,拓展其在牛奶检测中的应用范围。
结束语
总而言之,近红外光谱分析技术有着简便、快速、绿色等特征,随着我国乳制品工业的快速发展以及社会对于乳制品质量的关注,近红外光谱分析技术有着广阔的应用前景。目前我国乳品市场质量安全方面仍然存在着诸多问题,新形势下,我们应当进一步加快对近红外光谱分析技术在牛奶化学分析应用的研究,促进其在乳品生产检测中的高效应用,从而提升我国乳制品的质量安全水平。
参考文献
[1] 邹强.近红外光谱技术在奶酪品质评价中的应用[J].光谱学与光谱分析,2011,10.
[关键词] 近红外光谱;续断;发汗;主成分分析;马氏距离;判别分析
[收稿日期] 2014-07-16
[基金项目] 国家自然科学基金青年基金项目(81303224)
[通信作者] *杜伟锋,硕士,助理研究员,研究方向为中药炮制及质量控制,Tel:(0571)87195895,E-mail:
产地加工是中药材加工成中药饮片的一个重要环节。长期的中药生产实践和产地加工经验积累形成了独具特色、较为系统的中药材产地加工方法和技术体系[1]。“发汗”是中药材常用的传统产地加工方法之一,主要使其内部水分往外溢,变软、变色,增加香味或减少刺激性,有利于干燥,如厚朴、杜仲、玄参、续断、丹参等药材。现代研究表明,“发汗”除了利于药材干燥外,也常常伴随着化学成分的改变[2]。近年来,随着干燥设备的兴起,再加上产地“发汗”比较繁琐耗时,药农大都摒弃了传统的“发汗”加工方法,直接烘干来代替“发汗”。必然会影响传统的中医临床疗效。目前,市场上尚无很好地发汗药材的鉴定方法,只是根据经验进行鉴别。鉴别药材“发汗”与否,有人采用色差仪和电子鼻测量其颜色特征参数和气味特征参数,建立了判别模型[3]。然而,电子鼻仅对气味较大的药材敏感,对气味淡的药材不适合。近些年来,通过与化学计量学相结合,近红外光谱已逐步发展成为一门能反映样品的整体信息、快速简便、低成本、无损失,便于在线分析的分析检测技术[4],在中药定性和定量分析方面的应用也越来越广泛[5],主要用于中药材的真伪鉴别、产地鉴别、种类分析、成分的快速含量测定[6-16]等。笔者以续断为例,采用近红外光谱结合化学计量学,利用主成分分析-马氏距离法进行判别分析,建立续断“发汗”的鉴别模型,以快速鉴别续断是否经过产地加工“发汗”,为控制续断药材质量提供新的手段。
1 材料
Antaris 傅立叶变换近红外光谱仪,配有漫反射积分球,样品旋转台,样品杯,Result 3.0光谱采集软件,TQ8.3.125光谱分析软件(美国Thermo Fisher公司)。
257批续断样品是从贵州、四川、云南、湖北、浙江、安徽等产地收集,其中发汗样品106批,未发汗样品151批,经浙江中医药大学中药饮片有限公司郑建宝主管中药师鉴定为川续断科植物川续断Dipsacus asper Wall.ex Henry的干燥根。
2 方法与结果
2.1 近红外光谱的采集
将续断样品研碎过60目筛,每份样品取约10 g,混合均匀后放入石英样品杯中,摊平,然后以空气为参比,扣除背景,采集光谱图。采样方式:积分球漫反射;采集区间10 000~4 000 cm-1;分辨率8.0 cm-1;扫描次数64次;empty门衰减;增益为1;温度(25±2) ℃,相对湿度45%~50%。每份样品扫描3次,求平均值作为样品的NIR光谱,见图1,2。续断未发汗和发汗样品的近红外光谱图都极为相似,无法直接找出特定的吸收峰加以区分。必须运用化学计量学方法,采用光谱分析软件对原始光谱进行预处理和特征信息提取后才能作出鉴别。
图1 续断未发汗样品近红外光谱图
Fig.1 The near-infrared spectrum of the crude Dipsaci Radix
图2 续断发汗样品近红外光谱图
Fig.2 The near-infrared spectrum of the sweated Dipsaci Radix
2.2 建立模型的方法
2.2.1 样品选择 通过优化筛选,剔除偏离较大的样品,使其误判率为0。最终选取了83批续断未发汗样品作校正集,46批作验证集;选取64批续断发汗样品作为校正集,22批样品作为验证集,其余样品作为预测集。
2.2.2 波段选择 优化光谱范围,净化谱图信息,对反映样品信息突出的光谱区域进行挑选,筛选出最有效的光谱区域,提高运算效率。以所建模型的性能指数(performance index, PI)为指标,不断优化谱段范围,最终选择谱段为9 881.46~4 119.20 cm-1。
2.2.3 光谱预处理方法 采用近红外光谱仪自带的TQ Analys 软件,选择常用的主成分分析-马氏距离法进行判别分析(discriminant analysis)。由于存在样品不均匀、光散射等干扰,以及近红外仪器自身的随机噪音,故应采用合理的光谱预处理方法以消除噪音、降低样品表面不均匀和色差等因素影响, 提高模型的预测精准度和稳定性。本文比较了 ①光程类型(pathlength type):多元散射校正(MSC)、标准正则变换(SNV);②数据格式(data format):原始光谱(spectrum)、一阶求导(first derivative,1st D)、二阶求导(second derivative, 2nd D),见图3~5;③平滑(smoothiing)类型:不光滑(no smoothing, Ns)卷积平滑滤波( savitzky-golay filter, S-G),Norris导数平滑滤波(Norris derivative filter, Nd)等光谱预处理方法,以判别分析的准确度为判据,不同光谱预处理方法所建模型的性能指数见表1,经过比较,选用 “SNV+spectrum+ S-G” 组合对原始光谱进行预处理。
A.发汗; B.不发汗; C.两者间的标准差(图4,5同)。
图3 续断发汗和未发汗样品的原始光谱的光谱图
Fig.3 The crude spectrum of the crude and sweated Dipsaci Radix
图4 续断发汗和未发汗样品的一阶求导的光谱图
Fig.4 The first derivative spectrum of the crude and sweated Dipsaci Radix
2.2.4 主成分数选择 选取主成分(principal components, PCs)的个数取决于主成分的累计方差贡献
图5 续断发汗和未发汗样品的二阶求导的光谱图
Fig.5 The second derivative spectrum of the crude and sweated Dipsaci Radix
表1 不同光谱预处理方法对性能指数的影响
Table 1 The effects of different spectrum pretreated methods on the performance index
光谱预处理方法性能指数
MSC+spectrum+Ns94.457
MSC+spectrum+S-G94.466
MSC+1st D+Ns91.926
MSC+1st D+S-G91.986
MSC+1st D+Nd92.308
MSC+2nd D+Ns85.417
MSC+2nd D+S-G85.654
MSC+2nd D+Nd91.710
SNV+spectrum+Ns94.572
SNV+spectrum+S-G94.575
SNV+1st D+Ns91.776
SNV+1st D+S-G91.821
SNV+1st D+Nd92.097
SNV+2nd D+Ns85.270
SNV+2nd D+S-G85.504
SNV+2nd D+Nd91.626
率(cumulative),它标志着前几个主成分概括信息之多寡;性能指数是评价模型优劣的指标。因此,以性能指数和累计贡献率来筛选模型的最佳主成分数。可知,选择主成分数为14 时,模型的性能指数最大且累计贡献率较大,建立的续断未发汗和发汗样品的识别模型效果最佳见表2,图6。
2.3 鉴别模型的建立
采用主成分分析-马氏距离法,选择 “SNV+spectrum+S-G” 组合对原始光谱进行预处理,主成分数为14,建立续断发汗和未发汗样品的近红外光谱鉴别模型。用本方法分析样品时,软件对标准光谱进行主成分分析,用其结果来确定未知样品的得分值,得分图用来计算样品到每个类别的马氏距离,
表2 鉴别模型中主成分数的优化
Table 2 The optimization of the number of principal components in the identification model
主成分数累计贡献率/%性能指数
1099.928 393.944
1199.949 793.991
1299.963 394.002
1399.972 993.739
1499.979 694.575
1599.984 294.555
1699.988 294.456
1799.990 994.387
图6 鉴别模型中主成分数优化三维图
Fig. 6 The 3D graphic of the number of principal components optimization in the identification model
距离哪一类的值越小,就归属为哪一类。建立的近红外光谱鉴别模型见图7。
.未发汗;.发汗;.其他。
图7 续断发汗和未发汗样品的近红外光谱鉴别模型
Fig.7 The near-infrared spectroscopy identification model of the crude and sweated Dipsaci Radix
2.4 模型的预测能力
选取了续断未发汗样品22批和发汗样品20批作为预测集,对优化后的校正集模型进行验证,检验模型的预测能力,结果见表3。从表中可看出, 模型的预测结果与实际结果一致,模型的预测准确率为100%,说明所建模型用于快速鉴别续断发汗和未发汗样品是可行的。
表3 鉴别模型的预测结果
Table 3 The prediction results of identification model
No.
马氏距离
未发汗发汗
10.691.34
20.721.34
30.701.45
41.090.87
51.190.89
60.920.90
71.351.12
81.541.12
91.021.63
101.201.57
111.231.04
121.461.30
130.891.38
141.151.02
150.691.54
160.571.52
170.540.82
180.911.08
191.221.17
200.841.14
210.81
220.79
3 讨论
近红外光谱主要是反映C-H,O-H,N-H,S-H等化学键的信息,因此分析范围几乎可覆盖所有的有机化合物和混合物。主要原理是将近红外光谱所反映的样品基团、组成信息与测得的数据采用化学计量学技术建立校正模型,然后通过对未知样品光谱的测定和建立的校正模型来快速预测其组成。因此可以说它能应用于所有中药材的真伪鉴别、产地鉴别、种类分析。但是建模需要大量有代表性的样品,采用标准的方法采集近红外光谱图并获得基础数据,在进行光谱预处理和模式识别的基础上建立模型并加以验证,才能付诸实用。就定量分析而言,由于近红外光谱采集的信号较弱,被测组分的质量分数一般要大于0.1%才能适用。
现代近红外光谱分析技术是一种快速无损的检测方法,样品不需要进行前处理,使样品之间的微小差异能够最大限度地保留下来,不会人为干扰、甚至破坏。续断经产地加工“发汗”后,在化学成分上有一定的变化,使用一般的化学分析方法,对待测样品需要一定的预处理, 而且只能测定部分成分含量,不能从整体对其进行表征,近红外光谱技术弥补了这一不足,可以从整体表征续断“发汗”前后的差异。
采用近红外光谱漫反射分析技术,结合主成分分析-马氏距离法进行判别分析,建立了续断发汗和未发汗样品的快速鉴别模型。结果表明,运用近红外光谱法对续断发汗和未发汗样品能正确分类,结果判断准确,此鉴别方法可行。
近红外光谱技术鉴别续断“发汗”与否的方法操作简便、快速,结果准确且无污染,可应用于中药饮片企业的饮片质量的快速检测。
[参考文献]
[1] 段金廒,宿树兰,吕洁丽,等. 药材产地加工传统经验与现代科学认识[J]. 中国中药杂志,2009, 34(24):3151.
[2] 段金廒,宿树兰,严辉,等. 药材初加工“ 发汗” 过程及其酶促反应与化学转化机理探讨[C]. 兰州:2012海峡两岸CSNR全国第10届中药及天然药物资源学术研讨会,2012.
[3] 刘红亮,晏仁义,郭健,等. 厚朴“发汗”前后药材颜色及气味差异的数值化研究[J].中国中药杂志,2013, 38(1):45.
[4] 徐广通,袁洪福,陆婉珍. 现代近红外光谱技术及应用进展[J]. 光谱学与光谱分析,2000,20(2):134.
[5] Lu J, Xiang B, Liu H, et al. Application of two-dimensional near-infrared correlation spectroscopy to the discrimination of Chinese herbal medicine of different geographic regions[J]. Spectrochim Acta A Mol Biomol, 2008, 69(2): 580.
[6] 王良金,李松宾,胡昌勤. 近红外图谱直观分析法鉴别假药[J].中国药事,2008, 22(8):668.
[7] 韩吴琦,黄永丽,郭兴辉. 近红外光谱鉴别法在中成药领域应用之初探[J]. 中国实验方剂学杂志,2012,18(22):166.
[8] Lau C C, Chan C O, Chau F T, et al. Rapid analysis of Radix Puerariae by near-infrared spectroscopy[J]. J Chromatogr A, 2009, 1216 (11):2130.
[9] 范茹军,秦晓晔,宋岩,等. 基于近红外光谱的羊藿定性鉴别及定量检测[J]. 中国实验方剂学杂志,2012,16(13):85.
[10] Li Xiaomeng, Fang Dansi, Cong Xiaodong, et al. Application of fourier transform near-infrared spectroscopy combined with high-performance liquid chromatography in Rapid and simultaneous determination of essential components in crude Radix Scrophulariae[J]. AAPS Pharm Sci Tech, 2012, 13(4): 1428.
[11] 卜海博,聂黎行,,等. 近红外光谱法无损识别林下山参及其生长年限[J].光谱学与光谱分析,2012, 32 (7):1801.
[12] 程亮,杜伟锋,丛晓东,等. 近红外光谱法快速测定杭白菊中3种成分的含量[J].中国实验方剂学杂志,2013, 19 (7):90.
[13] 赵耀东,杜伟锋,王胜波,等. 基于近红外光谱的浙贝母中贝母素甲和贝母素乙含量快速检测方法的建立[J]. 中华中医药学刊,2013, 31(4):348.
[14] 郭昊,杜伟锋,蔡宝昌,等. 温郁金和桂郁金红外光谱的SIMCA 聚类鉴别方法研究[J].中药新药与临床药理,2013, 24(3):300.
[15] 徐姗姗,杜伟锋,葛卫红,等. 近红外光谱法快速分析玄参药材中毛蕊花糖苷含量[J].安徽中医学院学报,2013, 32(3):81.
[16] 杜伟锋,王胜波,赵耀东,等. 近红外光谱法测定白芍中芍药苷含量[J].中华中医药学刊,2013, 31(3):483.
Rapid identification of crude and sweated Dipsaci Radix based on
near-infrared spectroscopy combined with principal component
analysis-Mahalanobis distance
DU Wei-feng1*, JIA Yong-qiang2, JIANG Dong-jing1, ZHANG Hao1
(1.Research Center of Traditional Chinese Medicine Processing Technology, Zhejiang Chinese Medical University,
Hangzhou 311401, China;
2. Beijing Union Pharmaceutical Factory, Institute of Materia Medica, Chinese Academy of
Medical Sciences&Peking Union Medical College, Beijing 102600, China)
[Abstract] In order to discriminate the crude and sweated Dipsaci Radix correctly and rapidly, the crude and sweated Dipsaci Radix were scanned by the NIR spectrometer, and an identifying model was developed by near infrared spectroscopy combined with principal component-Mahalanobis distance pattern recognition method. The pretreated spectra data of 129 crude samples and 86 sweated ones were analyzed through principal component analysis (PCA). The identifying model was developed by choosing the spectrum for 9 881.46-4 119.20 cm-1 and ″SNV+spectrum+S-G″ to the original spectral preprocessing with 14 principal components, and then was verified by prediction set, identifying with 100% accuracy. The rapid identification model of the crude and sweated Dipsaci Radix by NIR is feasible and efficient, and could be used as an assistant means for identifying the crude and sweated Dipsaci Radix.
研究了应用流动注射-氢化物发生-原子荧光光谱法测定地矿样品中痕量汞,讨论了了仪器工作条件,氢化物发生条件,基体干扰和消除,汞的痕量分析对地质找矿和地质环境工作有重要意义。
关键词:原子荧光光谱法;汞;地矿样品;痕量汞
【分类号】O657.31
一 实验部分
1 仪器: XGY-1011A型原子荧光光谱仪
2 仪器工作条件
负高压 -240V
灯电流 80mA
原子化器温度 200℃
载气流量 800ml/min
加液时间 4s
积分时间 8s
3 样品分析方法
称取0.5000g样品于25ml比色管中,用少量去离子水润湿后,加入新配制的1+1王水10ml,摇匀后置于沸水浴中加热1小时,期间取出摇动一次。取下冷却至室温,加入1% KMnO4溶液1ml,摇匀,放置20min,用1% H2C2O4溶液稀释至刻度,摇匀,放置沉清。以下操作同标准曲线的绘制。采用标准曲线校正法,根据称样量和稀释倍数,计算出样品中汞的含量。
4 灯电流的选择
表1 灯电流对荧光强度和精密度影响
灯电流 荧光强度平均值 RSD%(n=6)
10mA 8 5.96
20 mA 32 1.28
30 mA 64 1.32
40 mA 92 1.08
50 mA 128 2.05
60 mA 157 0.82
70 mA 186 1.62
80 mA 205 1.01
90 mA 231 2.44
随灯电流的增加荧光强度值增加,而在10mA是荧光强度值较低,相应的测定精密度也较差,但是只要大于20mA就能得到灵敏度高和精密度好的测定结果。所以灯电流的选择原则是只要灵敏度满足要求,即选择较低的灯电流值,这样可以延长灯的使用寿命。常规分析中40mA灯电流。
5 原子化器预加热温度的影响
表2 原子化器温度影响参数
原子化器温度(℃) Hg(ng/mL) 相关系数
0.5 1 2 3 6 8
室温 131 269 455 657 1457 1946 0.99878
100 105 204 422 664 1181 1542 0.99857
200 90 178 344 513 1026 1375 0.99998
400 75 149 309 465 875 1234 0.99912
600 68 142 286 423 848 1134 0.99999
800 67 136 271 393 783 1038 0.99996
温度低时虽然灵敏度较高,但是线性范围较窄,只适用于超痕量Hg的测定。
当温度增加时灵敏度降低,但是线性范围变宽,线性关系变好,灵敏度降低的原因是温度增加时产生热激发,使Hg的基态原子数减少所致。
当温度高于600℃,系统会产生较强的记忆效应,这是由于石英管原子化器在温度高时产生Hg的热吸附现象,在下一次测定时不定量的释放出来,从而对测定产生影响,这将严重影响方法的测定下限和测定准确度及精密度。常规测定选择原子化器预加热温度为200℃。200℃的温度与氩氢火焰约1000℃温度相比要低得多,且在测定中不形成火焰,所以应用冷蒸气法测定。
6 干扰及消除
Au、Ag、As、Sb、Bi、Se、Te、Pt、Pd严重干扰汞的测定,干扰允许量极小。采用SnCl2作为还原剂比KBH4作为还原剂干扰允许量要大得多。尤其是Au、Pt、Pd和Se4+及Te4+的允许量还不能满足无干扰测定的允许值。研究发现,在KMnO4的作用下,Se4+及Te4+被氧化成Se6+及Te6+而对汞的干扰可以大大降低,同时Au、Ag、As、Sb、Bi、Pt、Pd干扰允许量也得到了大大提高。
但是,过量的KMnO4及中间产物MnO2对测定有影响,加入草酸可以消除其影响,从而实现汞的无干扰直接测定。
7 方法检出限
平行进行12份样品空白溶液的测定,计算测定值的标准偏差s,以6s计算,同时考虑称样量和稀释倍数得到方法检出限为0.51ng/g-1。
8 方法准确度,精密度
选择国家一级标准物质(GSD-8 、GSD-9、 GSD-10、GSD-11、GSD-12、GSD-13、GSD-14)各12份,按照本文拟定的分析步骤,测定Hg的含量,计算相应的精密度相对标准偏差(RSD%)和准确度(对数差LOGC)。
表3 准确度、精密度实验
测定次数 GSD-8 GSD-9 GSD-10 GSD-11 GSD-12 GSD-13 GSD-14
μg・g-1 μg・g-1 μg・g-1 μg・g-1 μg・g-1 μg・g-1 μg・g-1
1 0.049 0.073 0.267 0.085 0.056 0.009 0.045
2 0.050 0.095 0.341 0.080 0.053 0.011 0.046
3 0.049 0.091 0.341 0.069 0.057 0.010 0.043
4 0.046 0.101 0.329 0.077 0.053 0.010 0.041
5 0.048 0.096 0.334 0.075 0.056 0.010 0.043
6 0.049 0.096 0.310 0.075 0.059 0.011 0.041
7 0.048 0.097 0.322 0.085 0.059 0.012 0.039
8 0.045 0.096 0.331 0.083 0.057 0.012 0.040
9 0.040 0.094 0.336 0.088 0.058 0.012 0.040
10 0.043 0.090 0.328 0.083 0.059 0.012 0.036
11 0.046 0.093 0.334 0.088 0.061 0.012 0.039
12 0.042 0.107 0.328 0.083 0.062 0.012 0.039
平均值 0.05 0.09 0.33 0.08 0.06 0.01 0.04
标准值 0.042 0.083 0.280 0.072 0.056 0.011 0.037
LOGC 0.04 0.05 0.06 0.05 0.01 0.00 0.04
RSD% 7.07 8.54 6.19 7.35 4.92 8.61 6.76
由此表可以看出标样的准确度精密度数值,其标准符合的要求(DZ0130.1~DZ0130.13)。
二 结论
通过对影响测定的各种因素实验,确定了使用流动注射氢化物发生―原子荧光光谱法测定地质矿产样品中汞的实验条件。实验表明,该方法有较高的准确度和精密度以及较低的检出限,操作简便,分析速度快,随着地质对实验测试能力要求的不断提高,此种分析方法的实际当中的应用将进一步扩大。
参考文献:
[1]段秀琴.KBH4还原―无色散原子荧光法测定大气中粒子态汞.中国环境监测,1991.7(2).
[2]索有瑞 ,隋一良 ,王丽梅.无火焰非色散原子荧光光谱法测定化探样品中痕量汞:光谱学与光谱分析,1985.5(2).
[3]DZ/T0130-2006,地质矿产实验室测试质量管理规范[S].
关键词:近红外光谱;冰温贮藏;牛肉;品质;校正模型
Abstract: In this experiment, a rapid quantitative detection method was proposed by near infrared spectroscopy (NIR) for beef quality during ice temperature storage. The calibration models of beef pH, water loss, TVB-N and color value (L*/a*) were established by NIR technique allowing the simultaneous predication of several beef quality indicators. The correlation coefficient (R2) of the calibration models were all above 0.70 and the R2 values for the predicted and actual values were all above 0.90. The calibration models had high prediction accuracy. Furthermore, cluster analysis was used to categorize the near infrared spectral data of beef stored for different durations. The results showed that based on the near infrared spectral data meat freshness was categorized well. NIR is suitable for rapid and non-invasive estimation beef quality and freshness as an alternative to the traditional detection method.
Key words: near infrared spectroscopy (NIR); controlled freezing point storage; beef; quality; calibration model
中图分类号:TS251.1 文献标志码:A 文章编号:1001-8123(2015)03-0023-04
doi: 10.7506/rlyj1001-8123-201503006
目前,对牛肉品质指标的检测仍较常采用感官检验、理化检验与微生物学检验相结合的综合检验方法,得出的感官检验结论会因感觉器官的局限性、人的主观性造成出入[1-6],而理化检验操作复杂,测定过程耗时、耗力,不易进行大批量的快速检测[3-6],食品行业与检验部门迫切需求一种快速、非破坏性和客观的检测技术。其中,近红外光谱技术(near infrared spectroscopy,NIR)的应用,很好地解决了传统检测方法带来的弊端[3]。
近红外光谱分析技术是利用物质含氢基团振动的合频和倍频吸收信息进行物质的定性和定量分析的一种快速检测方法[4,6]。由于食品中的大多数有机化合物如蛋白质、脂肪、有机酸、碳水化合物等都含有不同的含氢基团,不同的基团在近红外区域具有不同的吸收位置,据此可对物质进行定性分析,根据吸收强度和物质含量的线性关系,又能对物质进行定量分析。具有分析速度快、信息量大、多组分同时测定、无损样品、无污染等优点,符合当前工业生产的需求,目前在食品领域已应用于鲜肉及肉制品中营养成分和品质的检测[4,6-11]。
本研究通过采集冰温条件下牛霖肉在贮藏期内的近红外光谱数据,同时采用传统方法测定常规肉品质指标如pH值、失水率、挥发性碱基总氮(total volatile basic nitrogen,TVB-N)、色差值,以偏最小二乘法建立这些指标的校正模型。并且利用聚类分析的方法对不同贮藏阶段肉品近红外光谱的数据进行分类处理。旨在为利用近红外光谱分析技术快速评价冷鲜牛肉品质和鲜度提供相关实验依据。
1 材料与方法
1.1 材料与试剂
屠宰12 h内的鲜牛霖肉(冷链贮藏) 市购。
稀硫酸、碳酸钾、硼酸、甘油、阿拉伯胶、甲基红、次甲基蓝、乙醇均为分析纯。
1.2 仪器与设备
数显温度计 天津市科辉仪表厂;JY3001型电子天平、JA-1104N型电子天平(感应量为0.000 1 g)、HJ-6A型多头磁力搅拌器 江苏省金坛市文华仪器有限公司;PH100型笔式pH计 上海三信仪表厂;双夹板压力计 实验室自制;WSC-S测差计 上海精密科学仪器有限公司;NIT-38近红外光谱分析仪 澳大利亚NIR Techno1ogy公司。
1.3 方法
1.3.1 肉样处理
将鲜牛霖肉(冷链贮藏,样品采至同一头牛同一部位),采用内装冰袋的泡沫保温箱4 ℃运回,去除附着的脂肪和结缔组织,平均分割成小份总共11份,每份100 g(6.5 cm×4 cm×4 cm),不进行包装处理,置于温度为D1 ℃(冰温)冰箱变温区贮藏(冰箱内相对湿度70%)。各项指标每2 d测定1 次,每次测定时从每组中各取1份测定肉的各项指标,每项指标重复测定3 次,结果取平均值,共连续测量21 d。
1.3.2 肉样品质指标测定
pH值测定[12-13]:采用电表pH计测定法,将pH计直接插入被检肉新鲜切面上读取pH值,依次取3 个测试点。
失水率测定[13]:将肉样切为1.0 mm厚度,用直径2.523 cm圆形取样器切取肉样,用感量为0.000 1 g天平称质量,然后将肉样上下各垫6 层滤纸,置于35 kg压力计上压制5 min,撤除压力后立即称质量,计算失水率。
TVB-N测定:按照GB/T 5009.44―2003《肉与肉制品卫生标准的分析方法》中微量扩散法测定样品的TVB-N测定。
色差值测定[12]:将肉样切成厚薄均匀的薄片,放入WSC-S测差计样品池中,铺平,测定其L*值、a*值。
1.3.3 样品近红外光谱采集
将肉样切成厚薄均匀的薄片,放入厚度为15 mm的样品池内,保持样品均匀铺平,在720~l 100 nm近红外光谱区范围内进行透射扫描,每次测定对每份样品连续扫描3次,取平均值[4],以获得样品每个检测日的近红外光谱数据,共连续测量21 d。
1.3.4 近红外光谱数学模型的建立
将样品集分成校正集和验证集,采用一阶导数(first derivative,FD)、二阶导数(second derivative,SD)、标准正态变换(standard normal variate,SNV)和多元散射校正(multipl scatter correction,MSC)等方法对所获得的近红外光谱数据进行预处理,利用分析建模软件NTAS(NIR Technology Australia Software)通过偏最小二乘法(partialleast squares regression,PLS)对校正集样品的pH值、失水率、TVB-N、色差值等肉质指标建立近红外光谱校正模型[4]。
1.3.5 模型的验证
选用未参与校正模型建立的样品组成验证集,将验证集样品的近红外光谱数据代入到校正模型中,通过校正模型计算获得样品样品肉质指标的预测值,最后根据预测值与样品肉质指标的真实值(实验值)的接近程度,来衡量校正模型预测值的准确度[14]。
1.3.6 聚类分析
聚类分析是通过找出指标之间能代表其相近程度的统计量,以这些统计量为划分类别的依据,找出指标间的共性和变化规律。分类过程中,首先将差异较小的聚合为一类,然后根据指标间的亲疏程度,将差异最小的两类进行合并。然后考虑合并后的类与其他类之间的亲疏程度,再进行合并。如此不断重复比较直至将所有指标聚合分类完毕[6,15-17]。采用可用聚类分析的方法研究不同贮藏阶段肉的近红外光谱的变化规律和分类结果。
1.4 数据处理
使用SPSS 19.0进行数据分析。对pH值、失水率、TVB-N、色差值等数据进行求平均值和标准偏差处理,并且对每个测定参数进行ANOVA分析。
2 结果与分析
2.1 牛肉样品的近红外光谱分析
图1为贮藏期间牛肉样品集不同贮藏时间下的近红外原始光谱图,样品的图谱形状大致相同,峰值都出现在920 nm附近。在短波近红外区(780~1 100 nm),其主要的吸收物质是水分、脂肪和蛋白质,其吸收峰分别在964、928、908 nm波长处[14]。牛肉在不同贮藏时间下的近红外光谱吸光度有差异,可以间接证明随着贮藏时间的延长牛肉中水分、脂肪和蛋白质含量在变化,而三大组分的含量变化直接关系到牛肉的pH值、失水率、TVB-N、肉色等指标,因此利用近红外光谱技术对这几项指标进行预测是可行的。
2.2 近红外光谱模型的建立
近红外光谱谱线包含复杂的化学信息,存在样品不同组分之间相互干扰、谱峰相互掩盖等问题。另外,还包含一些与待测样品性质无关的因素带来的干扰,如样品装样均匀度、装样状态或仪器状态等,都会导致光谱产生基线漂移或偏移、背景干扰等现象。因此在建立校正模型之前对近红外原始光谱进行预处理是很有必要的,常用的预处理方法有光程校正,如MSC和SNV;微分处理,如FD和SD[18]。
由表1可知,在建立的模型中,对pH值采用SNV处理后的光谱数据进行建模,对失水率、TVB-N、L*值和a*值采用二阶导数处理后的光谱数据进行建模,建立的模型标准误差SEC最小或相关系数R2最大,各模型的结果均达到最理想。采用SNV处理后的光谱数据,pH值校正模型的相关系数是0.932,是所建立的模型中效果最理想的一个。采用二阶导数处理后的光谱数据,失水率校正模型相关系数为0.848;TVB-N的校正模型相关系数为0.926;L*值的校正模型相关系数为0.810;a*值的校正模型相关系数为0.749。
对各指标校正模型的准确性产生影响的因素较多,包括样品代表性、检测环境条件、仪器灵敏度、响应特性等,而此次建立的校正模型相关系数都在0.70以上,具有较好的相关性,可满足牛肉常规品质的检测。
2.3 近红外光谱模型的验证
目前研究多采用相关图的方法来分析考察校正模型对样品预测的预测值(y)和样品真实值(x)的接近程度[14,19-20]。选用未参与校正模型建立的样品组成验证集(验证集样品数为19),将验证集样品的近红外光谱数据代入到校正模型中,通过校正模型计算获得样品肉质指标的预测值,用最小二乘法对预测值和真实值进行一元线性拟合,根据预测值与真实值的线性相关性,来衡量校正模型的预测值的准确度[14]。通常用相关系数R2来度量拟合程度,(R2)越接近于1,则说明预测值和真实值越接近,校正模型的预测准确度越高[21]。
由图2可知,各个预测模型的真实值与预测值的R2均在0.90以上,说明预测值与真实值比较接近,可对未知样品进行预测。相关性分析结果说明校正模型的预测值与真实值接近程度较高,利用近红外光谱分析法对牛肉品质及鲜度进行检测和品质快速评价检测可信度高。
2.4 聚类分析
为了确定肉样光谱数据随贮藏时间的变化规律,对样品集连续21 d每2 d的原始光谱数据做了系统聚类分析。对贮藏期间样品的原始光谱数据采用“欧氏距离”,聚类方法选“最远邻元素法”进行分析,结果如图3所示。
由图3可知,样品集21 d的光谱可明显的分为2 类,第1类是样品集前15 d的光谱值;第2类为17~21 d的光谱值。从第1类分类结果看,第1~5天的数据与第7~15天的数据分成两个小类。由聚类分析的结果可推测出,前5 d样品处于新鲜程度变化的初期,7~15 d为腐败变化的过渡期,最后17~21 d样品加速腐败,故光谱明显区别于前15 d的情况。
牛肉变质是一个渐进的过程,牛肉从新鲜到次鲜再到变质的变化,就是肉中成分在逐渐腐败变性的原因。比如汁液流失导致的水分及水中可溶性物质被带出、碳水化合物的消耗、蛋白质的分解、脂肪的氧化,这些物质成分发生的变化,都能导致肉的近红外光谱吸收系数、散射系数发生改变。在不同的贮藏阶段对肉进行光谱扫描,光谱信息中将携带吸收系数、散射系数的变化特征,从而可以实现对肉新鲜度的分类。由实验结果可知,利用近红外漫反射光谱对牛肉的新鲜程度有着较好的分类结果。
3 结 论
牛肉在贮藏过程中的腐败变质是一个非常复杂的物理化学过程,采用常规理化方法结合感官检测可以对肉品质进行检测,但步骤繁琐且耗时。本实验采用近红外光谱技术建立了牛肉近红外光谱pH值、失水率、TVB-N、色差值(L*/a*)的校正模型,能同时预测出牛肉样品的多项品质指标。建立的校正模型相关系数都在0.70以上,具有较好的相关性。校正模型的预测值与真实值接近程度较高,决定系数均在0.90以上,具有较高的预测准确度。可满足牛肉常规品质的检测。
利用聚类分析的方法对不同贮藏阶段肉品近红外光谱的数据进行了分类处理,聚类分析的结果表明近红外反射光谱对牛肉的新鲜程度有着较好的分类结果,为近红外光谱快速非破坏性的检测肉品新鲜度提供了进一步的依据。与传统的化学分析方法相比,该技术可快速、非破坏评价牛霖肉的肉品质及新鲜程度。
参考文献:
[1] 鲜于建川. 冷却牛肉质量评定系统研究与开发[D]. 长春: 吉林大学, 2002.
[2] 庄玉亭, 赵月兰. 肉品新鲜度检测方法[J]. 河北科技大学学报, 1999, 20(2): 63-65.
[3] 徐广通, 袁洪福, 陆婉珍. 现代近红外光谱技术及应用进展[J]. 光谱学与光谱分析, 2000, 20(2): 134-142.
[4] 陈育涛, 朱秋劲, 卢开红, 等. 近红外光谱对特征部位牛肉的分析[J]. 肉类研究, 2012, 26(3): 34-38.
[5] 侯瑞锋, 黄岚, 王忠义, 等. 肉品新鲜度检测方法[J]. 现代科学仪器, 2006(5): 76-80.
[6] 侯瑞锋, 黄岚, 王忠义, 等. 用近红外漫反射光谱检测肉品新鲜度的初步研究[J]. 光谱学与光谱分析, 2007, 26(12): 2193-2196.
[7] WANG Wenbo, PALIWAL J. Near-infrared spectroscopy and imaging in food quality and safety[J]. Sensing and Instrumentation for Food Quality and Safety, 2007, 1(4): 193-207.
[8] PRIETO N, ANDRES S, GIRALDEZ F, et al. Potential use of near infrared reflectance spectroscopy(NIRS)for the estimation of chemical composition of oxen meat samples[J]. Meat Science, 2006, 74: 478-496.
[9] LEROY B, LAMBOTTE S, DOTREPP O, et al. Prediction of technological and organoleptic properties of beef longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science, 2004, 66: 45-54.
[10] TOGERSEN G, ARNESEN J F, NILSEN B N, et al. On-line prediction of chemical composition of semi-frozen ground beef by non-invasive NIR spectroscopy[J]. Meat Science, 2003, 63: 515-523.
[11] SHACKELFORD S D, WHEELER T L, KOOHMARAIE M. Development of optimal protocol for visible and near-infrared reflectance spectroscopic evaluation of meat quality[J]. Meat Science, 2004, 68(3): 371-381.
[12] 许倩, 朱秋劲, 叶春, 等. 低场核磁共振分析冰温牛肉中不同状态水分变化[J]. 肉类研究, 2013, 27(5): 17-21.
[13] 周永昌, 王文升, 等. 畜产品加工实验指导[M]. 北京: 中国农业出版社, 1999: 55-56.
[14] ALOMAR D, GALLO C, CASTANTEDA M, et a1. Chemical and discriminant analysis of bovine meat by near infrared reflectance spectros-copy(NIRS)[J]. Meat Science, 2003, 63(4): 441-450.
[15] 肖宜滨. 聚类分析的理论及其应用[J]. 江苏统计, 2001(11): 13-15.
[16] 王骏, 王士同, 邓赵红. 聚类分析研究中的若干问题[J]. 控制与决策, 2012, 27(3): 321-328.
[17] 郭培源, 林岩, 付妍, 等. 基于近红外光谱技术的猪肉新鲜度等级研究[J]. 激光与光电子学进展, 2013, 50(3): 180-186.
[18] 刘炜, 吴昊F, 孙东东, 等. 近红外光谱分析技术在鲜鸡肉快速检测分析中的应用研究[J]. 中国家禽, 2009, 31(2): 8-11.
[19] LOMIWES D, REIS M M, WIKLUND E, et a1. Nearinfrared spectros-copy as an on-line to quantitatively determine glycogen and predict ultimate pH in pre rigor bovine M.1ongissimus dorsi[J]. Meat Science, 2010, 86(4): 999-1004.
关键词:全自动定氮仪 食品 蛋白质 检测 分析
中图分类号:TS212.2 文献标识码:A 文章编号:1674-098X(2014)03(b)-0045-01
蛋白质是食品当中的主要营养成分之一,属于分子结构复杂的含氮有机化合物。主要的构成要素包括氨基酸以及肽键。在当前的技术条件支持下,食品当中蛋白质含量的测定方法有以下几种类型:其一为甲醛滴定法、其二为电流法、其三为紫外分光光度法、其四为双缩脲法。但以上检测方法在实际应用中均存在不同程度上的缺陷,或操作步骤过于繁琐,可行性不高,或相关设备仪器的投入资金过大,或操作反应时间较长,或数据缺乏精确性优势。故而需要对食品中的蛋白质分析方法进行合理的改进。文章即在对食品当中蛋白质成分进行检测的过程当中应用全自动凯氏定氮仪。现针对相关操作方法进行如下概括。
1 材料与方法
1.1 仪器与试剂
在应用全自动凯氏定氮仪对食品中蛋白质含量进行测量与分析的过程当中,所涉及到的仪器设备包括以下几个方面:1)全自动凯氏定氮仪;2)样品消化器。同时,所涉及到的操作试剂包括以下几个方面:1)盐酸标准溶液。该试剂的制备方法为:0.10 mmol/L剂量盐酸标准储备液,混合100.0 ml剂量水分,定容形成1000.0 ml剂量实验试剂;2)氢氧化钠溶液。该试剂的制备方法为:4000.0 g剂量氢氧化钠,混合10.0 L剂量水分,定容形成实验试剂;3)浓硫酸分析纯试剂;4)硼酸吸收溶液。该试剂的制备方法为:100.0 g剂量硼酸,混合10.0 L剂量水分,添加100.0 ml剂量0.1%甲基红溶液以及70.0 ml剂量0.1%溴甲酚绿溶液制备形成;5)铜催化剂。
1.2 方法
在应用全自动凯氏定氮仪对食品中蛋白质成分进行分析的过程当中,具体的操作方法为:1)准备分析对象。本次使用全自动凯氏定氮仪对蛋白质进行分析中,所对应的分析对象包括:乳酸菌饮料、纯牛奶、鲜豆浆、全脂奶粉。2)具体分析。精密称取以上乳酸菌饮料、纯牛奶、鲜豆浆、全脂奶粉样品放入消化管当中。加入两片铜催化片。混合10.0 ml剂量浓硫酸试剂,充分摇动均匀,确保样品处于完全湿润状态。消化管放置于消化器当中(消化器预先经过预热处理,预热温度达到420.0 ℃),反应时间持续0.5~1.0 h,待观察反应仪器当中样品消化呈蓝绿色液体状态后取出冷却,冷却时间控制为15.0~20.0 min。消化管放置入全自动凯氏定氮仪当中,关闭安全门,由仪器自动进行蒸馏、滴定工作,完成反应后对检测结果进行输出处理。
2 结果
2.1 仪器精密度测定结果
全自动凯氏定氮仪测定食品中蛋白质期间的仪器精密度测定结果如下表所示(见表1)。检测过程当中针对每一样品分别进行5次检验,平行检测结果平均值所对应相对标准片偏差均
2.2 仪器准确度测定结果
全自动凯氏定氮仪测定食品中蛋白质期间的仪器准确度测定结果如下表所示(见表2)。检测过程当中,通过加标硫酸亚铁铵回收试验的方式证实硫酸亚铁铵所对应回收率取值均>99%标准,证实应用全自动凯氏定氮仪进行食品中蛋白质含量检测准确度高。
2.3 对比测定结果
在应用全自动凯氏定氮仪对样品蛋白质进行测定期间,同时使用经典凯氏定氮法对样品进行检测,两种方法下的测定结果如下表所示(见表3)。证实应用全自动凯氏定氮仪检测与常规操作方法检测数据无明显差异,数据真实可靠。
3 结语
研究显示,在对食品中蛋白质含量进行测定与分析的过程当中,全自动定凯氏氮仪是在化学分析基础之上的改进,测定原理与化学分析方法基本一致。相对于对玻璃仪器的整合,且兼顾对机电一体化控制技术的实现。通过对全自动凯氏定氮仪的应用,能够使整个测定流程更加的简单、快速、高效。同时,由于整个检测流程全自动,故而可以避免因人为误差而对数据精确性产生不良的影响。本次检测实验中证实:应用全自动凯氏定氮仪进行食品中蛋白质含量检测精确度高、准确度高、与常规操作方法检测数据无明显差异,数据真实可靠。
参考文献
[1] 王敏,张秀芹,杨振宇,等.HPLC-MS/MS检测含蛋白质辐照食品中的邻酪氨酸[J].分析测试学报,2011,30(10):1187-1190.
[2] 李红艳,汪凤云,刘肖,等.离子色谱法检测含蛋白质食品中三聚氰胺[J].福建分析测试,2009,18(4):7-12.