Research on Non-destructive Detection of Protein and Fat Content in Torreya Based on Near-infrared Spectroscopy Technology
-
摘要: 为丰富香榧品质把控的技术手段，本研究利用近红外光谱分析技术建立了香榧存储时间及条件的定性分析模型，同时结合化学计量方法建立了香榧蛋白质和脂肪的定量分析模型。对光谱进行预处理后选取特征波长，基于遗传算法（Genetic Algorithm，GA）和多元散射校正（Multiplicative Scatter Correction，MSC）算法建立的卷积神经网络模型（Convolutional Neural Networks，CNN）模型鉴别准确率达到99.2%，能够较好区分不同存储时间条件的香榧；建立偏最小二乘法（Partial Least Squares，PLS）、径向基函数神经网络（Radial Basis Function Neural Network，RBF）和极限学习机（Extreme Learning Machine，ELM）模型，对比分析采用竞争性自适应重加权采样法（Competitive Adapative Reweighted Sampling，CARS）作为光谱特征筛选方法，蛋白质和脂肪的特征个数分别为41和56，大大提升了运算效率。实验结果显示，使用二阶导数（Second Derivative，D2）进行预处理、使用CARS方法建立的D2-CARS-PLS模型为最优模型，在香榧蛋白质和脂肪含量的预测中都取得较好效果，决定系数（Coefficient of Determination，R2）分别为0.977和0.984。研究结果表明，近红外光谱技术在香榧品质的快速无损检测方面具有潜力，提供了一种可靠的香榧品质分析方法。Abstract: To enrich the technical means of quality control of Torreya, the qualitative analysis model of storage time and conditions of Torreya grandis was established by near infrared spectroscopy. Additionally, a quantitative analysis model for protein and fat content of Torreya was established using chemometric methods. After preprocessing the spectra and selecting feature wavelengths, a convolutional neural network (CNN) model based on genetic algorithm (GA) and multiplicative scatter correction (MSC) algorithm was developed, achieving an identification accuracy of 99.2% in distinguishing Torreya with different storage times and conditions. Furthermore, partial least squares (PLS), radial basis function neural network (RBF), and extreme learning machine (ELM) models were established and compared. Competitive adaptive reweighted sampling (CARS) was used as a spectral feature selection method, resulting in 41 and 56 selected features for protein and fat content, respectively, significantly improving computational efficiency. The results showed that the D2-CARS-PLS model with second derivative (D2) preprocessing and CARS method was the optimal model, achieving good prediction performance for protein and fat content of Torreya with coefficients of determination (R2) of 0.977 and 0.984, respectively. The findings demonstrated the potential of near-infrared spectroscopy technology for rapid and non-destructive detection of Torreya nut quality, providing a reliable analytical method for Torreya nut quality assessment.
-
Keywords:
- Torreya /
- near-infrared spectroscopy /
- nondestructive testing /
- crude protein /
- crude fat
-
香榧是一种珍贵的落叶乔木，至今已经有两千多年的栽培历史。因其独特的食用价值、药用价值深受人们喜欢，它含有丰富的脂肪、蛋白质、维生素以及矿物质等营养成分[1]，被认为可以调节血脂、促进消化等，常被用于食疗[2]。近年来，香榧作为一种天然的营养食材受到更多人的关注[3]，其产业化开发与经营迅速推进，香榧的市场需求不断扩大，它的经济、生态、文化价值进一步显现[4]。随着香榧产品的增加，市面上香榧品质良莠不齐，香榧质量的快速评估对于其品质把控非常重要，这也对香榧品质的快速检测提出了新的要求[5]。目前常见的香榧检测方法主要为人工评定和化学抽样检测。然而，人工评定凭借检测员的经验，目测其表面色泽、颗粒大小等来判断，其结果主观性较强。香榧品质检测需要考虑色泽、松脆度、蛋白质含量、脂肪含量，破坏性抽样检测虽然可以准确的测得香榧化学成分，但实验步骤繁琐、费用较高、耗时耗力[6]。因此，寻找一种快速、无损的香榧品质评估方法变得尤为迫切。
近红外光谱（Near-Infrared Spectroscopy，NIRS）是一种在近红外波段内（780~2526 nm）进行分析的非破坏性光谱技术，利用了近红外光波段与物质相互作用的特性，通过测量样品在这一波段内的吸收、反射、散射等光谱信息，实现对样品成分、结构和性质的非破坏性分析[7−8]。近红外光谱分析技术以其独特的优势被广泛应用于工业生产[9]、农业[10]、医学检测等领域[11]。近年来，在坚果品质检测中的应用也愈加广泛。Loewe等[12]用近红外光谱技术对不同产地的地中海地区松子进行鉴别分析，建立的判别模型误差在9.2%~12.2%之间。Mohammadi-Moghaddam等[13]使用了近红外光谱分析建立烤开心果仁水分含量预测模型，最佳模型的R2为0.910，均方根误差（Root Mean Square Error，RMSE）为5.403。郝中诚等[14]采用偏最小二乘回归分析法建立了核桃水分的无损检测模型，在测试集上平均偏差（Mean Deviation，MD）为0.35%。李鸿博等[15]建立了支持向量机分类模型对红松籽新旧品行实现无损检测，准确率达到97.5%。仇逊超等[16−17]结合机器视觉和近红外光谱技术对红松籽脂肪进行了定量分析，分别用去壳红松籽和带壳红松籽建立的PLS模型校正集R2分别为0.9114和0.8892。Guan等[18]对储存时间为4~9个月的香榧仁采集近红外光谱数据，采用无监督和有监督两种分类方法进行建模分析，主成分分析-判别分析（Principal Components Analysis- Discriminant Analysis，PCA-DA）建模的分类正确率为99.33%。然而，目前有关近红外光谱技术建立香榧不同存储条件的定性分析模型，并建立定量分析模型蛋白质、脂肪含量尚未见研究。
本研究拟在850~2500 nm光谱范围内，利用近红外光谱技术鉴定不同储存时间以及储存条件的香榧，同时结合化学计量法对香榧蛋白质和脂肪进行理化检测，探究含量变化与光谱信息之间的关系，为实现香榧存储时间及条件的快速鉴别、香榧仁中蛋白质和脂肪含量的精确快速无损检测提供技术指导。
1. 材料与方法
1.1 材料与仪器
香榧果仁 浙江省丽水市松阳县枫坪乡根下村；硼酸、盐酸、浓硫酸、硫酸铵、硫酸铜、硫酸钾、甲基红、溴甲酚绿、氢氧化钠 分析纯，国药集团化学试剂有限公司；无水乙醚、石油醚 分析纯，上海安谱实验科技股份有限公司。
MF-105索式提取器 上海纤检仪器有限公司；DS2500F近红外光谱仪 丹麦福斯公司；K-370全自动凯氏定氮仪 瑞士步琦有限公司。
1.2 实验方法
1.2.1 香榧近红外光谱采集
122组香榧果仁样品总质量约为4270 g，每份样品为35±3 g，运输到实验室后统一保存在20 ℃、湿度基本不变的环境中，以排除样品因不同温湿度影响氧化程度的可能性。实验环境温度控制在20~25 ℃之间，湿度基本不变，相对湿度控制在93%以下。采用大样品杯装样，样本填满样品杯底部直至完全不透光，形成样品平面，分光系统和检测器均处于仪器下部，光路自下往上扫描样品平面，重新收集并进入检测器进行检测，形成密闭光路，不受外界影响，光谱采集条件为波长范围850~2500 nm，分辨率为0.5 nm，检测器为硅（850~1100 nm）和硫化铅（1100~2500 nm），光源为卤钨灯。试验采用漫反射方式，扫描次数为32次。样本分为新鲜采集、10 ℃保存6个月、12个月、18 ℃冷冻保存6个月、12个月一共五组，为减少实验误差每个样品进行重复测定3次，取平均值作为原始近红外光谱数据。
1.2.2 蛋白质含量测定
根据GB 5009.5-2016《食品安全国家标准食品中蛋白质的测定》中的凯氏定氮法对香榧中的蛋白质含量进行测定[19]。
对60组香榧果仁样品进行蛋白质含量测定，称取试样0.2 g左右，准确至0.001 g，置于100 mL消煮管中。加入5 mL浓硫酸，轻轻摇匀并静置数小时。加入适量双氧水，在管口放一弯颈小漏斗，在消煮炉上380 ℃消煮。1 h后取下稍冷，加双氧水1 mL，重复2~3次，消煮到溶液呈无色或清亮后，再加热约5~10 min，以除尽剩余的双氧水。将消煮管取下，冷却。并用少量水冲洗弯颈漏斗，洗液流入消煮管。将消煮液无损的洗入50 mL容量瓶中，混匀待测。另外做三个空白。蒸馏前配制好氢氧化钠、硫酸标准液、混合指示剂，对定氮仪进行充分预热，进行空蒸镏清洗管道，直至读数稳定。吸取上述待测液5.00 mL，注入凯氏定氮仪蒸馏管中，参数设置后，对待测液进行测定。
1.2.3 脂肪含量测定
根据GB 5009.6-2016《食品安全国家标准食品中脂肪的测定》中索氏提取法对香榧中脂肪含量进行测定[20]。
对60组香榧果仁样品进行脂肪含量测定，称取充分混匀后的试样2 g左右，准确至0.001 g，全部移入滤纸筒内。将滤纸筒放入索氏抽提器的抽提筒内，连接已干燥至恒重的接收瓶，由抽提器冷凝管上端加入无水乙醚或石油醚至瓶内容积的三分之二处，于水浴上加热，使无水乙醚或石油醚不断回流抽提（6~8 次/h），抽提6~10 h。提取结束时，用磨砂玻璃棒接取一滴提取液，磨砂玻璃棒上无油斑表明提取完毕。称量取下接收瓶，回收无水乙醚或石油醚，待接收瓶内溶剂剩余1~2 mL时在水浴上蒸干，再于100±5 ℃干燥1 h，放干燥器内冷却0.5 h后称量。重复以上操作直至恒重（直至两次称量的差不超过2 mg）。
1.3 数据处理
1.3.1 模型的建立
对122组香榧果仁样品去除两组近红外光谱数据异常样品，采用Kennard-Stone（KS）算法将样品按3:1的比例分为90组训练集和30组测试集，通过遗传算法（GA）筛选出光谱范围，采用多元散射校正（MSC）预处理，基于卷积神经网络模型（CNN）建立香榧不同存储时间和条件的定性分析模型。
对60组进行理化实验的样品采用KS算法将样品按3:1的比例分为45组训练集和15组测试集，采用竞争性自适应重加权采样法（CARS）作为光谱特征筛选方法，用二阶导数（Second Derivative，D2）进行预处理，基于偏最小二乘法模型（PLS）建立香榧蛋白质和脂肪的定量分析模型。判别香榧储存时间条件的定性分析和预测香榧蛋白质和脂肪含量的定量分析共同为香榧的无损检测研究提供支持。
1.3.2 定性分析模型评价指标
采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 Score（F1）作为评价指标。准确率是正确分类的样本数占总样本数的比例，即所有预测样本中预测准确的占比；精确率是以预测结果为判断依据，着重关注正样本的预测结果；召回率是基于实际样本的度量，衡量模型是否有效地识别了所有实际正例；F1是一种综合指标，综合考虑了模型的精确率和召回率，它更关注模型在同时提高精确率和召回率时的表现，有助于评价模型的整体分析效果。
1.3.3 定量分析模型评价指标
采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（Mean Absolute Error，MAE）和相对分析误差（Relative Percent Difference，RPD）评价定量分析模型。R2是一种用于评估回归模型拟合优度的指标；RMSE可以衡量预测结果与真实结果之间的误差大小；MAE是误差绝对值的平均值；RPD比较的是两个测量值之间的相对差异，用于评估分析模型的准确性和可靠性，RPD越大，模型稳定性能越好，通常RPD>3时，实际运用中可达到一个较好的效果。如果模型中存在预测离群值，RMSE值会远超MAE值，所以将RMSE值和MAE值综合比较可判断模型中是否存在预测离散值。
1.3.4 数据处理软件
应用WinISI III分析软件获取NIR谱图的原始数据；定性分析模型和定量分析模型运算及优化均在PyCharm 2021.2.2（Community Edition）进行，编程语言使用Python3.10。预处理、波长筛选、建模过程中调用sklearn库，定性分析建模采用Pytorch2.0开源深度学习框架。
2. 结果与分析
2.1 原始近红外光谱分析
采集122个香榧样本的平均原始近红外光谱，结果如图1所示，光谱区间在850~2500 nm，香榧平均光谱的主要吸收峰位置相同，在波长1200、1450、1728、1934、2300 nm处有强烈的吸收峰，从其他学者的研究可知1200 nm附近区域为甲基和亚甲基中C-H键二级倍频的特征吸收谱带[21]，1728 nm处的吸收峰，对应脂肪分子中CH基团1倍频振动产生的吸收谱；1450 nm处主要是蛋白质中NH键的2倍频振动产生的吸收谱[8]，1934 nm处是NH键伸缩振动产生的合频峰，可以反映香榧中蛋白质的含量信息[22]，2300 nm处的强烈吸收峰对应醇中的CH基团[23]。
2.2 光谱预处理
从原始光谱图可以看出不同储存时间条件的样品谱线整体走向基本相似，但在某些波长下吸收强度表现存在差异，分类模型的建立要求减小光谱数据波动，增大类间差异。通过均值中心化（Mean Centering，CT）、移动平均平滑（Moving Average，MA）、MSC[24]、趋势校正（Detrended Correction，DT）、一阶导数（First Derivative，D1）[25]、D2[26]和小波变换（Wavelet Transform，WT）七种方法对光谱进行预处理，提升建模效果。结果如图2所示，经CT处理后光谱明显重合度变高，一定程度上可消除不同变量在均值上的差异（图2（b））；经MA处理后噪声明显减弱，但对突变反应较慢，可能会使数据变化趋势看起来比实际更平滑（图2（c））；MSC通过保留数据中最小样本的方式来减少对缺失值的权重，但在样本数较小时可能不够准确，对于某些模型可能会引入偏差（图2（d））；DT通过减少或除以趋势项来实现消除趋势（图2（e））；图2（f）、图2（g）中D1表示变化率，D2表示梯度，用于识别数据中的转折点、机制和趋势的变化。WT预处理具有多维分析的能力，可以捕捉信号的局部和全局特征的光谱，消除背景噪声和基线漂移造成的干扰（图2（h））。后续定性分析和定量分析建模根据其不同数据特征进行预处理方法选择。
![]()
图 2 预处理后的光谱注：（a）无预处理光谱；（b）CT；（c）MA；（d）MSC；（e）DT；（f）D1；（g）D2；（h）WT。Figure 2. Spectra after pretreatment2.3 波长筛选
在建立近红外分析模型时，全波段无用信息过多，对建模效果也有很大影响[27]，为尝试取得更好的模型判别效果，基于随机森林（Random Forest，RF）[28]对比了CARS[29]、无信息变量去除算法（Uninformative Variable Elimination，UVE）[29]和遗传算法（Genetic Algorithm，GA）[30]三种波长筛选方法。结果如图3，通过准确率、精确率、召回率和F1指标可以看出GA是效果最优的波长筛选方法，如图4所示，筛选出的特征点对建模效果提升明显，阴影部分为聚集较为密集的波段，与平均光谱差异较大的波段能较好对应。GA的相关参数设置为：初始群体数目122，变异概率0.05，交叉概率0.5。
![]()
图 4 GA特征筛选波段与平均谱图对照图Figure 4. A comparison graph between the range selected by GA for features and the average spectrogram2.4 定性分析模型建立
基于GA算法对比了CNN、稀疏自编码器（Sparse Auto-Encoder，SAE）、RF[31]三个定性分析模型，结合光谱预处理，从四个指标可以看出，经MSC预处理建立的CNN模型表现最优，建立的模型Accuracy、Recall、Precision、F1分别为0.992、0.993、0.992、0.992。CNN模型包括一个输入层，三层卷积层获取光谱信息的高维特征，一个全连接层后添加一个Dropout层，Dropout的概率为0.2。模型结果对比图5可以比较直观地看出SAE模型效果最差，CNN模型在所有预处理方法上都有较好表现。SAE模型适合大样本量数据集，样本量较少时易出现过拟合，模型鲁棒性不如RF这种多模型[32]；RF模型属于集成学习方法，综合性能较好，但对于输入特征要求较高；CNN模型通过训练对数据做了自动化处理，可以更好地捕捉各个样本间的相对关系，结合MSC预处理，可以有效放大数据特征，在捕捉各类样本间的差异上效果较好。
![]()
图 5 不同定性分析模型结合多种预处理方法的对比Figure 5. Comparison of different qualitative analysis models combined with multiple pretreatment methods2.5 定量分析模型建立
2.5.1 样本划分
由表1可知，测得的蛋白质含量在13.01%~16.48%，脂肪含量在50.02%~56.96%。根据样本数据计算，蛋白质和脂肪含量的标准差分别为0.77和1.60，标准偏差较小，说明两项指标样本间分布范围较广，足够具有代表性。数据采用KS算法划分，该方法主要基于样本之间的相似性，其优势在于能够保持划分后各子集的均衡性，防止某个子集过度向偏特定类型的样本，保证每个子集都包含了整个数据集的关键信息，提高模型在不同子集上的泛化能力[33]，划分后的训练集样品范围均包含验证集样品范围，充分体现了训练集样品的代表性，满足近红外定量分析建模要求。
表 1 香榧样品中蛋白质和脂肪的测定结果Table 1. Determination results of protein and fat in Torreya sinensis samples数量 成分 平均值（%） 最小值（%） 最大值（%） 标准差 数据集 60 蛋白质 14.66 13.01 16.48 0.77 脂肪 53.43 50.03 56.96 1.6 训练集 45 蛋白质 14.66 13.01 16.48 0.79 脂肪 53.6 50.03 56.96 1.7 验证集 15 蛋白质 14.66 13.04 15.56 0.73 脂肪 52.94 50.4 54.84 1.12 2.5.2 模型的建立
为提高模型的预测能力，基于PLS、RBF和ELM三个模型对比分析了几种预处理方法。
预处理方法选择上主要考虑了噪声和尺度过大这两个对本研究影响较大的因素，选取了DT、CT和D2，并将它们组合对比。因近红外光谱仪对空气中的二氧化碳（CO2）和水蒸气（H2O）有较强的吸收，D2预处理可以帮助区分接近峰顶、峰宽相似但结构不同的吸收峰，改善原始光谱信号的分辨率，经D2处理后基本去除背景噪声以及基线漂移带来的影响，建模效果有显著提升。
基于PLS模型对比了CARS、UVE和GA三种波长筛选方法。定量分析的特征筛选方法需更关注对训练过程有重要影响的样本，提高训练效率和性能，通过比较最终确定CARS为最优波长筛选方法。CARS算法是以蒙特卡洛取样及PLS回归系数为基本原则的基于迭代统计信息的变量选择算法[34]，通过竞争机制动态地调整权重以帮助模型适应新的数据分布，提高模型的鲁棒性和泛化能力。算法相关参数设置为：交叉验证取10折，蒙特卡洛采样次数50，最大主成分数20。CARS在蛋白质和脂肪上筛选出来的变量个数为41和56。图6直观地表现出了CARS筛选出来的蛋白质、脂肪特征变量在全谱区的分布。由图6（a）可看出，CARS筛选出来的蛋白质特征波长集中在1350~1700 nm和1850~2000 nm，图6（b）可看出，筛选出来的脂肪特征波长集中在1350~1400 nm和1500~1850 nm，符合蛋白质的背景峰、胺I峰、胺II峰和脂肪分子中的CH基团1倍频的近红外吸收光谱特征峰。
![]()
图 6 CARS方法筛选出来的变量分布注：（a）蛋白质；（b）脂肪。Figure 6. Distribution selected by CARS for features蛋白质含量预测结果如表2所示，经过CARS特征筛选后的光谱数据采用D2预处理建立基于PLS的蛋白质和脂肪定量分析模型，蛋白质含量预测的验证集R2为0.977，验证集RMSE为0.030，验证集MAE为0.025。
表 2 蛋白质预测模型结果对比Table 2. Comparison of results of protein prediction models预测模型 预处理方法 评价指标 R2 RMSE MAE RPD ELM None 0.172 0.187 0.160 1.099 DT+D2 0.850 0.090 0.077 2.585 CT+D2 0.760 0.099 0.086 2.039 DT 0.489 0.143 0.113 1.399 CT 0.645 0.133 0.104 1.679 D2 0.668 0.119 0.100 1.737 RBF None 0.131 0.177 0.142 1.072 DT+D2 0.472 0.164 0.132 1.376 CT+D2 0.420 0.150 0.112 1.313 DT 0.513 0.158 0.135 1.432 CT 0.346 0.152 0.132 1.236 D2 0.175 0.218 0.183 1.101 PLS None 0.577 0.132 0.095 1.537 DT+D2 0.951 0.042 0.035 4.522 CT+D2 0.962 0.045 0.036 5.100 DT 0.389 0.190 0.164 1.279 CT 0.630 0.115 0.095 1.644 D2 0.977 0.030 0.025 6.586 脂肪含量预测结果如表3所示，脂肪含量预测的验证集R2为0.984，验证集RMSE为0.027，验证集MAE为0.024。蛋白质和脂肪预测结果可以看出，PLS明显优于其他模型，该方法适用于小样本研究，能集典型相关分析、回归建模以及主成分分析的优点。PLS的相关参数设置：保留主成分数量8，最大迭代次数500。由于光谱特征具有多重共线性，ELM和RBF模型无法很好地处理；PLS模型在处理共线性问题方面具有优势，因为它通过降低输入和输出的维度来减少共线性的影响，从而更好地建立模型；因数据集较小，RBF和ELM可能存在过拟合问题，PLS这种统计建模方法更适用于本任务。另外，预处理D2表现较好，这是因为光谱数据中的线形偏移或背景干扰可能影响峰值的准确性。应用二阶微分可以减少这些影响，使峰值更加准确。最终建立的模型无论是对蛋白质还是脂肪都有良好的预测能力，适用性强。
表 3 脂肪预测模型对比试验Table 3. Comparison tests of fat prediction models预测模型 预处理方法 评价指标 R2 RMSE MAE RPD ELM None 0.196 0.211 0.165 1.115 DT+D2 0.135 0.199 0.146 1.075 CT+D2 0.546 0.108 0.093 1.484 DT 0.360 0.199 0.128 1.250 CT 0.161 0.144 0.117 1.091 D2 0.848 0.086 0.068 2.567 RBF None 0.188 0.202 0.160 1.110 DT+D2 0.116 0.189 0.150 1.064 CT+D2 0.056 0.184 0.164 1.029 DT 0.217 0.178 0.143 1.130 CT 0.214 0.150 0.123 1.128 D2 0.855 0.064 0.058 2.626 PLS None 0.461 0.133 0.121 1.363 DT+D2 0.952 0.040 0.032 4.554 CT+D2 0.943 0.042 0.035 4.171 DT 0.360 0.149 0.121 1.250 CT 0.742 0.064 0.055 1.970 D2 0.984 0.027 0.024 7.905 3. 结论
本文通过近红外光谱技术对香榧的存储以及成分进行了检测。对于不同存储时间和条件下的香榧，建立的定性分析模型中，CNN表现出来的性能最优，准确率达到99.2%，能对不同储存时间条件的香榧样品进行有效区分；同时，通过近红外分析技术结合化学计量方法，建立了香榧蛋白质和脂肪的定量分析模型，运用CARS对香榧原始光谱进行特征筛选，基于PLS建立定量分析模型，所建立的模型在预测脂肪和蛋白质含量中R2分别达到0.984和0.977，模型预测准确性高。本研究表明近红外光谱法结合化学计量方法可有效鉴别香榧存储时间和条件，并快速预测香榧中蛋白质和脂肪含量，为香榧品质的快速分析方法提供技术借鉴。
-
![]()
图 2 预处理后的光谱
注：（a）无预处理光谱；（b）CT；（c）MA；（d）MSC；（e）DT；（f）D1；（g）D2；（h）WT。
Figure 2. Spectra after pretreatment
![]()
图 4 GA特征筛选波段与平均谱图对照图
Figure 4. A comparison graph between the range selected by GA for features and the average spectrogram
![]()
图 5 不同定性分析模型结合多种预处理方法的对比
Figure 5. Comparison of different qualitative analysis models combined with multiple pretreatment methods
![]()
图 6 CARS方法筛选出来的变量分布
注：（a）蛋白质；（b）脂肪。
Figure 6. Distribution selected by CARS for features
表 1 香榧样品中蛋白质和脂肪的测定结果
Table 1 Determination results of protein and fat in Torreya sinensis samples
数量 成分 平均值（%） 最小值（%） 最大值（%） 标准差 数据集 60 蛋白质 14.66 13.01 16.48 0.77 脂肪 53.43 50.03 56.96 1.6 训练集 45 蛋白质 14.66 13.01 16.48 0.79 脂肪 53.6 50.03 56.96 1.7 验证集 15 蛋白质 14.66 13.04 15.56 0.73 脂肪 52.94 50.4 54.84 1.12 
下载: 导出CSV
表 2 蛋白质预测模型结果对比
Table 2 Comparison of results of protein prediction models
预测模型 预处理方法 评价指标 R2 RMSE MAE RPD ELM None 0.172 0.187 0.160 1.099 DT+D2 0.850 0.090 0.077 2.585 CT+D2 0.760 0.099 0.086 2.039 DT 0.489 0.143 0.113 1.399 CT 0.645 0.133 0.104 1.679 D2 0.668 0.119 0.100 1.737 RBF None 0.131 0.177 0.142 1.072 DT+D2 0.472 0.164 0.132 1.376 CT+D2 0.420 0.150 0.112 1.313 DT 0.513 0.158 0.135 1.432 CT 0.346 0.152 0.132 1.236 D2 0.175 0.218 0.183 1.101 PLS None 0.577 0.132 0.095 1.537 DT+D2 0.951 0.042 0.035 4.522 CT+D2 0.962 0.045 0.036 5.100 DT 0.389 0.190 0.164 1.279 CT 0.630 0.115 0.095 1.644 D2 0.977 0.030 0.025 6.586
下载: 导出CSV
表 3 脂肪预测模型对比试验
Table 3 Comparison tests of fat prediction models
预测模型 预处理方法 评价指标 R2 RMSE MAE RPD ELM None 0.196 0.211 0.165 1.115 DT+D2 0.135 0.199 0.146 1.075 CT+D2 0.546 0.108 0.093 1.484 DT 0.360 0.199 0.128 1.250 CT 0.161 0.144 0.117 1.091 D2 0.848 0.086 0.068 2.567 RBF None 0.188 0.202 0.160 1.110 DT+D2 0.116 0.189 0.150 1.064 CT+D2 0.056 0.184 0.164 1.029 DT 0.217 0.178 0.143 1.130 CT 0.214 0.150 0.123 1.128 D2 0.855 0.064 0.058 2.626 PLS None 0.461 0.133 0.121 1.363 DT+D2 0.952 0.040 0.032 4.554 CT+D2 0.943 0.042 0.035 4.171 DT 0.360 0.149 0.121 1.250 CT 0.742 0.064 0.055 1.970 D2 0.984 0.027 0.024 7.905
下载: 导出CSV
-
[1] ENDO Y, OSADA Y, KIMURA F, et al. Effects of Japanese Torreya (Torreya nucifera) seed oil on lipid metabolism in rats[J]. Nutrition,2006,22(5):553−538. doi: 10.1016/j.nut.2005.08.012
[2] ENDO Y, TSUNOKAKE K, IKEDA I. Effects of non-methylene-interrupted polyunsaturated fatty acid, sciadonic (all-cis-5, 11, 14-eicosatrienoic acid) on lipid metabolism in rats[J]. Bioscience, Biotechnology, and Biochemistry,2014,73(3):577−581.
[3] 徐立伟, 马佳慧, 于淼. 香榧的营养和功能成分研究进展[J]. 食品工业,2020,41(8):210−214. [XU Liwei, MA Jiahui, YU Miao, et al. Advances in the nutritional and functional ingredients of Torreya grandis[J]. The Food Industry,2020,41(8):210−214.] XU Liwei, MA Jiahui, YU Miao, et al. Advances in the nutritional and functional ingredients of Torreya grandis[J]. The Food Industry, 2020, 41（8）: 210−214.
[4] 刘亚群, 刘荣昌, 程诗明, 等. 香榧林地土壤养分和重金属含量的时空变化研究[J]. 浙江林业科技,2022,42(4):9−16. [LIU Yaqun, LIU Rongchang, CHENG Shiming, et al. Temporal and spatial variation of soil nutrient and heavy metal contents in Torreya grandis 'Merrillii' stand[J]. Journal of Zhejiang Forestry Science and Technology,2022,42(4):9−16.] doi: 10.3969/j.issn.1001-3776.2022.04.002 LIU Yaqun, LIU Rongchang, CHENG Shiming, et al. Temporal and spatial variation of soil nutrient and heavy metal contents in Torreya grandis 'Merrillii' stand[J]. Journal of Zhejiang Forestry Science and Technology, 2022, 42（4）: 9−16. doi: 10.3969/j.issn.1001-3776.2022.04.002
[5] 曾松伟, 姬长英, 黎章矩, 等. 香榧品质检测技术与分级方法探讨[J]. 中国农机化学报,2015,36(5):151−156. [ZENG Songwei, JI Changying, LI Zhangju, et al. Quality detection technology and classification method of Torreya[J]. Journal of Chinese Agricultural Mechanization,2015,36(5):151−156.] ZENG Songwei, JI Changying, LI Zhangju, et al. Quality detection technology and classification method of Torreya[J]. Journal of Chinese Agricultural Mechanization, 2015, 36（5）: 151−156.
[6] 蒋起宏, 卢红伶, 姚诗炜, 等. 不同香榧品种果实特性比较及脂肪酸组成分析[J]. 浙江农业科学,2023,64(4):945−948. [JIANG Qihong, LU Hongling, YAO Shiwei, et al. Fruit characteristics and fatty acid composition analysis of different varieties of Torreya sinensis[J]. Journal of Zhejiang Agricultural Sciences,2023,64(4):945−948.] JIANG Qihong, LU Hongling, YAO Shiwei, et al. Fruit characteristics and fatty acid composition analysis of different varieties of Torreya sinensis[J]. Journal of Zhejiang Agricultural Sciences, 2023, 64（4）: 945−948.
[7] 步营, 何圣琪, 王飞, 等. 珍珠龙胆石斑鱼无水保活过程中肌肉品质变化及近红外光谱模型的构建[J]. 中国食品学报,2023,23(7):392−402. [BU Ying, HE Shengqi, WANG Fei, et al. Quality changes and near-infrared model construction of pearl gentian grouper during waterless preservation[J]. Journal of Chinese Institute of Food Science and Technology,2023,23(7):392−402.] BU Ying, HE Shengqi, WANG Fei, et al. Quality changes and near-infrared model construction of pearl gentian grouper during waterless preservation[J]. Journal of Chinese Institute of Food Science and Technology, 2023, 23（7）: 392−402.
[8] 张中卫, 温志渝, 曾甜玲, 等. 微型近红外光纤光谱仪用于奶粉中蛋白质脂肪的定量检测研究[J]. 光谱学与光谱分析,2013,33(7):1796−800. [ZHANG Zhongwei, WEN Zhiyu, ZENG Tianling, et al. Miniature near-infrared fibre optic spectrometer for the quantitative detection of protein and fat in milk powder[J]. Spectroscopy and Spectral Analysis,2013,33(7):1796−800.] doi: 10.3964/j.issn.1000-0593(2013)07-1796-05 ZHANG Zhongwei, WEN Zhiyu, ZENG Tianling, et al. Miniature near-infrared fibre optic spectrometer for the quantitative detection of protein and fat in milk powder[J]. Spectroscopy and Spectral Analysis, 2013, 33（7）: 1796−800. doi: 10.3964/j.issn.1000-0593(2013)07-1796-05
[9] BOBELYN E, SERBAN A S, NICU M, et al. Postharvest quality of apple predicted by NIR-spectroscopy:Study of the effect of biological variability on spectra and model performance[J]. Postharvest Biology and Technology,2010,55(3):133−143. doi: 10.1016/j.postharvbio.2009.09.006
[10] COZZOLINO D, ROUMELIOTIS S, EGLINTON J. Monitoring water uptake in whole barley (Hordeum vulgare L.) grain during steeping using near infrared reflectance spectroscopy[J]. Journal of Food Engineering,2013,114(4):545−549. doi: 10.1016/j.jfoodeng.2012.09.010
[11] LEVATE M L, DA SILVA A C, COSTA V W, et al. Evaluation of chemical properties of intact green coffee beans using near‐infrared spectroscopy[J]. Journal of the Science of Food and Agriculture,2020,101(8):3500−3507.
[12] LOEWE V, NAVARRO-CERRILLO R M, GARCÍA-OLMO J, et al. Discriminant analysis of Mediterranean pine nuts (Pinus pinea L.) from Chilean plantations by near infrared spectroscopy (NIRS)[J]. Food Control,2017,73:634−643. doi: 10.1016/j.foodcont.2016.09.012
[13] MOHAMMADI-MOGHADDAM T, RAZAVI S M A, SAZGARNIA A, et al. Predicting the moisture content and textural characteristics of roasted pistachio kernels using Vis/NIR reflectance spectroscopy and PLSR analysis[J]. Journal of Food Measurement and Characterization,2018,12(1):346−355. doi: 10.1007/s11694-017-9646-7
[14] 郝中诚, 彭云发, 张宏, 等. 基于近红外光谱的南疆温185核桃水分无损检测的研究[J]. 安徽农业科学,2014,42(21):7191−7193,233. [HAO Zhongcheng, PENG Yunfa, ZHANG Hongi, et al. Nondestructive testing research of wen 185 walnut water in south xinjiang by NIRS[J]. Journal of Anhui Agricultural Sciences,2014,42(21):7191−7193,233.] doi: 10.3969/j.issn.0517-6611.2014.21.104 HAO Zhongcheng, PENG Yunfa, ZHANG Hongi, et al. Nondestructive testing research of wen 185 walnut water in south xinjiang by NIRS[J]. Journal of Anhui Agricultural Sciences, 2014, 42（21）: 7191−7193,233. doi: 10.3969/j.issn.0517-6611.2014.21.104
[15] 李鸿博, 曹军, 蒋大鹏, 等. t-SNE降维的红松籽新旧品性近红外光谱鉴别[J]. 光谱学与光谱分析,2020,40(9):2918−2924. [LI Hongbo, CAO Jun, JIANG Dapeng, et al. Identification of new and old Pinus koraiensis seeds by near-infrared spectroscopy (NIRs) with t-SNE dimensionality reduction[J]. Spectroscopy and Spectral Analysis,2020,40(9):2918−2924.] LI Hongbo, CAO Jun, JIANG Dapeng, et al. Identification of new and old Pinus koraiensis seeds by near-infrared spectroscopy （NIRs） with t-SNE dimensionality reduction[J]. Spectroscopy and Spectral Analysis, 2020, 40（9）: 2918−2924.
[16] 仇逊超, 张麟. 红松籽中脂肪的近红外光谱快速检测研究[J]. 江苏农业科学,2019,47(3):159−163. [QIU Xunchao, ZHANG Lin. Rapid detection of fat in red pine seeds by near infrared spectroscopy[J]. Jiangsu Agricultural Sciences,2019,47(3):159−163.] QIU Xunchao, ZHANG Lin. Rapid detection of fat in red pine seeds by near infrared spectroscopy[J]. Jiangsu Agricultural Sciences, 2019, 47（3）: 159−163.
[17] 仇逊超. 红松仁脂肪的近红外光谱定量检测[J]. 江苏农业学报,2018,34(3):692−698. [QIU Xunchao. Quantitative detection of fat in peeled Korean pine seeds using near infrared spectroscopy[J]. Jiangsu Journal of Agricultural Sciences,2018,34(3):692−698.] doi: 10.3969/j.issn.1000-4440.2018.03.031 QIU Xunchao. Quantitative detection of fat in peeled Korean pine seeds using near infrared spectroscopy[J]. Jiangsu Journal of Agricultural Sciences, 2018, 34（3）: 692−698. doi: 10.3969/j.issn.1000-4440.2018.03.031
[18] GUAN S H, SHANG Y Q, ZHAO C. Storage time detection of Torreya grandis kernels using near infrared spectroscopy[J]. Sustainability, 2023, 15(10).
[19] 中华人民共和国国家卫生和计划生育委员会, 国家食品药品监督管理总局. GB 5009.5−2016食品安全国家标准食品中蛋白质的测定[S]. 北京:中国标准出版社, 2016. [State Family Planning Commission of the People's Republic of China, State Administration for Market Regulation. GB 5009.5−2016 National standard for food safety determination of protein in food[S]. Beijing:Standards Press of China, 2016.] State Family Planning Commission of the People's Republic of China, State Administration for Market Regulation. GB 5009.5−2016 National standard for food safety determination of protein in food[S]. Beijing: Standards Press of China, 2016.
[20] 中华人民共和国国家卫生和计划生育委员会, 国家食品药品监督管理总局. GB 5009.6−2016食品安全国家标准食品中脂肪的测定[S]. 北京:中国标准出版社, 2016. [State Family Planning Commission of the People's Republic of China, State Administration for Market Regulation. GB 5009.6−2016 National standard for food safety determination of fat in food[S]. Beijing:Standards Press of China, 2016.] State Family Planning Commission of the People's Republic of China, State Administration for Market Regulation. GB 5009.6−2016 National standard for food safety determination of fat in food[S]. Beijing: Standards Press of China, 2016.
[21] 黄宇, 项建凯, 汤文涛, 等. 基于近红外光谱的山核桃品种鉴别[J]. 农业工程,2022,12(12):56−60. [HUANG Yu, XIANG Jiankai, TANG Wentao, et al. Varieties identification of pecan (Carya cathayensis Sarg.) using near infrared spectroscopy[J]. Agricultural Engineering,2022,12(12):56−60.] HUANG Yu, XIANG Jiankai, TANG Wentao, et al. Varieties identification of pecan （Carya cathayensis Sarg.） using near infrared spectroscopy[J]. Agricultural Engineering, 2022, 12（12）: 56−60.
[22] 孙小红, 王国夫, 杜轶君, 等. 绍兴香榧坚果品质变异分析及综合评价[J]. 食品科学,2018,39(3):129−34. [SUN Xiaohong, WANG Guofu, DU Yijun, et al. Variation analysis and comprehensive evaluation of nut quality of Torreya grandis' Merrilli' from Shaoxing[J]. Food Science,2018,39(3):129−34.] doi: 10.7506/spkx1002-6630-201803020 SUN Xiaohong, WANG Guofu, DU Yijun, et al. Variation analysis and comprehensive evaluation of nut quality of Torreya grandis' Merrilli' from Shaoxing[J]. Food Science, 2018, 39（3）: 129−34. doi: 10.7506/spkx1002-6630-201803020
[23] COZZOLINO D. The ability of near infrared (NIR) spectroscopy to predict functional properties in foods:Challenges and opportunities[J]. Molecules,2021,26(22):6981. doi: 10.3390/molecules26226981
[24] 李鑫星, 张迎港, 马殿坤, 等. 食品检测中的光谱技术应用研究进展[J]. 光谱学与光谱分析,2023,43(8):2333−2338. [LI Xinxing, ZHANG Yinggang, MA Diankun, et al. Review on the application of spectroscopy technology in food detection[J]. Spectroscopy and Spectral Analysis,2023,43(8):2333−2338.] LI Xinxing, ZHANG Yinggang, MA Diankun, et al. Review on the application of spectroscopy technology in food detection[J]. Spectroscopy and Spectral Analysis, 2023, 43（8）: 2333−2338.
[25] 沈英, 占秀兴, 黄春红, 等. 可见/近红外快照式多光谱成像快速测定雨生红球藻虾青素含量[J]. 食品工业科技,2023,44(16):313−320. [SHEN Ying, ZHAN Xiuxing, HUANG Chunhong, et al. Rapid determination of visible/near-infrared snapshot multispectral imaging astaxanthin content of Haematococcus pluvialis[J]. Science and Technology of Food Industry,2023,44(16):313−320.] SHEN Ying, ZHAN Xiuxing, HUANG Chunhong, et al. Rapid determination of visible/near-infrared snapshot multispectral imaging astaxanthin content of Haematococcus pluvialis[J]. Science and Technology of Food Industry, 2023, 44（16）: 313−320.
[26] 张勋, 黄晓萱, 殷金可, 等. 基于近红外和化学计量学方法对金线莲快速鉴别及其多糖含量测定的研究[J]. 中国现代应用药学,2023,40(19):2702−2712. [ZHANG Xun, HUANG Xiaoxuan, YIN Jinke, et al. Rapid identificationand determination of polysaccharides contents in Anoectochilus roxburghii based on near infrared spectroscopy with chemometrics[J]. Chinese Journal of Modern Applied Pharmacy,2023,40(19):2702−2712.] ZHANG Xun, HUANG Xiaoxuan, YIN Jinke, et al. Rapid identificationand determination of polysaccharides contents in Anoectochilus roxburghii based on near infrared spectroscopy with chemometrics[J]. Chinese Journal of Modern Applied Pharmacy, 2023, 40（19）: 2702−2712.
[27] RABANERA J D, GUZMAN J D, YAPTENCO K F. Rapid and Non-destructive measurement of moisture content of peanut (Arachis hypogaea L.) kernel using a near-infrared hyperspectral imaging technique[J]. Journal of Food Measurement and Characterization,2021,15(4):3069−3078. doi: 10.1007/s11694-021-00894-x
[28] 陈玥瑶, 夏静静, 韦芸, 等. 近红外光谱法无损检测平谷产大桃品质方法研究[J]. 分析化学,2023,51(3):454−62. [CHEN Yueyao, XIA Jingjing, WEI Yun, et al. Research on nondestructive quality test of Pinggu peach by near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry,2023,51(3):454−62.] CHEN Yueyao, XIA Jingjing, WEI Yun, et al. Research on nondestructive quality test of Pinggu peach by near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2023, 51（3）: 454−62.
[29] CENTNER V, MASSART D, DE NOORD O E, et al. Elimination of uninformative variables for multivariate calibration[J]. Analytical Chemistry,1996,68(21):3851−3858. doi: 10.1021/ac960321m
[30] JOUAN-RIMBAUD D, MASSART D L, LEARDI R, et al. Genetic algorithms as a tool for wavelength selection in multivariate calibration[J]. Analytical Chemistry,1995,67(23):4295−4301. doi: 10.1021/ac00119a015
[31] 崔程, 刘翠玲, 孙晓荣, 等. 基于近红外高光谱成像技术的花生冻伤检测方法研究[J]. 食品工业科技,2024,45(6):226−233. [CUI Cheng, LIU Cuiling, SUN Xiaorong, et al. Peanut frostbite detection method based on near infrared hyperspectral imaging technology[J]. Science and Technology of Food Industry,2024,45(6):226−233.] CUI Cheng, LIU Cuiling, SUN Xiaorong, et al. Peanut frostbite detection method based on near infrared hyperspectral imaging technology[J]. Science and Technology of Food Industry, 2024, 45（6）: 226−233.
[32] MAGWAZA L S, OPARA U L, NIEUWOUDT H, et al. NIR Spectroscopy applications for internal and external quality analysis of citrus fruit-A review[J]. Food and Bioprocess Technology,2011,5(2):425−444.
[33] GALVAO R, ARAUJO M, JOSE G, et al. A method for calibration and validation subset partitioning[J]. Talanta,2005,67(4):736−740. doi: 10.1016/j.talanta.2005.03.025
[34] 程惠珠, 杨婉琪, 李福生, 等. 面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究[J]. 光谱学与光谱分析,2023,43(12):3742−3746. [CHENG Huizhu, YANG Wanqi, LI Fusheng, et al. Genetic algorithm optimized bp neural network for quantitative analysis of soil heavy metals in XRF[J]. Spectroscopy and Spectral Analysis,2023,43(12):3742−3746.] CHENG Huizhu, YANG Wanqi, LI Fusheng, et al. Genetic algorithm optimized bp neural network for quantitative analysis of soil heavy metals in XRF[J]. Spectroscopy and Spectral Analysis, 2023, 43（12）: 3742−3746.
-
期刊类型引用(2)
1. 曹诗佳，梁栋，朱瑶迪，赵莉君，李苗云，孙灵霞，赵改名，柳艳霞. 基于高光谱成像技术快速检测酸肉发酵过程中酸含量的动态变化. 食品安全质量检测学报. 2025(02): 187-195 . 
百度学术
2. 宋烨，郑晓冬，闫新焕，刘雪梅，周大森，范艺璇，吴茂玉. 数字化果蔬质量透明工程助力果蔬产业发展的思考与建议. 中国果菜. 2024(11): 1-6+28 . 百度学术
其他类型引用(2)
下载:
计量
- 文章访问数: 77
- HTML全文浏览量: 15
- PDF下载量: 15
- 被引次数: 4
