粮食的霉变严重影响其品质与食品安全,而常规检测手段存在速度慢以及需要大量专业实验室设备和操作人员等缺陷,近红外光谱分析技术具有分析速度快、非破坏性、测试重现性好、易于实现在线分析和操作简单等诸多优点,是一种很有潜力的快...粮食的霉变严重影响其品质与食品安全,而常规检测手段存在速度慢以及需要大量专业实验室设备和操作人员等缺陷,近红外光谱分析技术具有分析速度快、非破坏性、测试重现性好、易于实现在线分析和操作简单等诸多优点,是一种很有潜力的快速检测方法。该研究基于近红外光谱分析技术建立了霉情检测模型,对不同霉变程度稻谷进行近红外光谱的快速识别预测研究,旨在开发一种可以快速鉴别霉变稻谷定性、定量模型。研究对4种(2018年牡丹江27号、2019年牡丹江27号、龙粳长粒香和牡响1号)不同霉变程度共960组霉变稻谷样品进行定性判别模型研究,其中一阶导数+9点平滑+因子化法建立的定性判别模型准确度较高,样品之间的距离S均值大于1,分辨效果好,通过留一交互验证验证模型的平均准确率为93.00%;基于近红外光谱对4种不同霉变程度共300组霉变稻谷样品进行霉菌菌落总数的定量模型研究,通过矢量归一化法+偏最小二乘法(partial least squares,PLS)定量分析建立定量判别模型,其交叉验证的均方根误差(root mean square error of cross-validation,RMSECV)、决定系数(corrlation coefficient of determination,R^(2))、性能与偏差之比(ratio of performance to deviation,RPD)和预测均方根误差(root mean squared error of predicition,RMSEP)分别为0.470、0.904 5、3.24和0.45,模型精确度较好的。经过分析方法优选后而建立的霉变判别模型显示,霉变是影响近红外光谱变化的主导因素,而稻谷的品种与年际对其影响较小。研究结果可为基于近红外光谱分析技术对不同运输过程中的稻谷实现快速预测其霉变程度或其霉菌数量以及用于集装箱内粮食霉变情况监控在线实时监测装备的研究提供参考。展开更多
文摘粮食的霉变严重影响其品质与食品安全,而常规检测手段存在速度慢以及需要大量专业实验室设备和操作人员等缺陷,近红外光谱分析技术具有分析速度快、非破坏性、测试重现性好、易于实现在线分析和操作简单等诸多优点,是一种很有潜力的快速检测方法。该研究基于近红外光谱分析技术建立了霉情检测模型,对不同霉变程度稻谷进行近红外光谱的快速识别预测研究,旨在开发一种可以快速鉴别霉变稻谷定性、定量模型。研究对4种(2018年牡丹江27号、2019年牡丹江27号、龙粳长粒香和牡响1号)不同霉变程度共960组霉变稻谷样品进行定性判别模型研究,其中一阶导数+9点平滑+因子化法建立的定性判别模型准确度较高,样品之间的距离S均值大于1,分辨效果好,通过留一交互验证验证模型的平均准确率为93.00%;基于近红外光谱对4种不同霉变程度共300组霉变稻谷样品进行霉菌菌落总数的定量模型研究,通过矢量归一化法+偏最小二乘法(partial least squares,PLS)定量分析建立定量判别模型,其交叉验证的均方根误差(root mean square error of cross-validation,RMSECV)、决定系数(corrlation coefficient of determination,R^(2))、性能与偏差之比(ratio of performance to deviation,RPD)和预测均方根误差(root mean squared error of predicition,RMSEP)分别为0.470、0.904 5、3.24和0.45,模型精确度较好的。经过分析方法优选后而建立的霉变判别模型显示,霉变是影响近红外光谱变化的主导因素,而稻谷的品种与年际对其影响较小。研究结果可为基于近红外光谱分析技术对不同运输过程中的稻谷实现快速预测其霉变程度或其霉菌数量以及用于集装箱内粮食霉变情况监控在线实时监测装备的研究提供参考。
