[发明专利]基于近红外光谱鉴别染色橙的方法

说明书

技术领域

本发明涉及食品染色鉴定领域，具体涉及一种基于近红外光谱鉴别染色橙的方法。

背景技术

近年来，食品染色给消费者带来安全隐患，也给监管部门带来压力。目前，部分市场出现“染色脐橙”，同时给脐橙产业带来较大的负面影响。而国内外在脐橙方面的研究多集中于内在品质指标检测(如总糖、总酸、糖酸比、可溶性固形物等)农药残留检测及重金属检测，对脐橙染色剂的检测方面相对较少，现有检测方法多采用高效液相色谱技术，该方法前处理步骤繁琐，检测成本高时间长。

发明内容

本发明的目的是提供一种基于近红外光谱鉴别染色橙的方法，本发明方法既快速简便，又无需进行复杂的样品前处理，可以满足市场监管部门快速检测的要求。

本发明的目的是通过如下方案实现的：

一种基于近红外光谱鉴别染色橙的方法，包括如下步骤：

(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；

(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；

(3)通过主成分分析鉴别染色橙。

进一步的，所述的采集点位于橙子的肩部和赤道部。

进一步的，采集点的数量不少于20个，每个采集点的采集数据条数不少于200，所述的预测集与校正集的数据条数比值为1∶9其中预测集数据条数不少于200。

进一步的，所述的光谱校正包括对高频随机噪音、基线漂移、样本不均匀、光散射的校正。

进一步的，所述的光谱校正方法包括噪声数学校正和散射校正。

进一步的，所述的噪声数学校正包括移动平均数、中值滤波和S-G平滑。

进一步的，所述的散射校正包括标准化和多元散射校正。

进一步的，主成分分析是将原来具有相关性的自变量，通过线性组合的方式重新组合成一组线性无关的综合变量来代替所述的自变量，实现数据降维。

与现有技术相比，本发明方法至少具有如下有益效果：

本发明基于近红外光谱技术，采用主成分分析法，将原来具有相关性的自变量，通过线性组合的方式重新组合成一组线性无关的综合变量来代替所述的自变量，实现数据降维，使得染色橙的鉴别既快速简便，又无需进行复杂的样品前处理，可以满足市场监管部门快速检测的要求。

附图说明

图1为本发明实施例1中五类脐橙样品的近红外光谱曲线；

图2为本发明实施例1中移动平均数处理方式对建模效果的影响；

图3为本发明实施例1中中值滤波处理方式对建模效果的影响；

图4为本发明实施例1中S-G平滑处理方式对建模效果的影响；

图5为本发明实施例1中标准化处理方式对建模效果的影响；

图6为本发明实施例1中多元散射校正处理方式对建模效果的影响；

图7为本发明实施例1中主成分解释程度图；

图8为本发明实施例2中600个校准集样品的主成分1和2的得分图。

具体实施方式

下面结合具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。

一种基于近红外光谱鉴别染色橙的方法，包括如下步骤：

(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；

(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；

(3)通过主成分分析鉴别染色橙。

以上方案已经可以实现染色橙的快速鉴别，下面在此基础上给出优选方案：

作为优选，所述的采集点位于橙子的肩部和赤道部。具体采集方法：从每个果实赤道部(脐橙最大横向直径处)选择3个相距约120度的点测定果面反射光谱，将平均值作为一个该果实的一个光谱数据，从果实肩部选取3个相距约120度的点测定果面反射光谱，将平均值作为一个该果实的一个光谱数据。采用多检测点平均光谱数据更具有代表性，所建预测模型的精度更高。

作为优选，采集点的数量不少于20个，每个采集点的采集数据条数不少于200，所述的预测集与校正集的数据条数比值为1∶9，其中预测集数据条数不少于200。

作为优选，所述的光谱校正包括对高频随机噪音、基线漂移、样本不均匀、光散射的校正。