Определение содержания амилозы в свежем лотосе с помощью гиперспектральной томографии

С улучшением уровня жизни у людей все более высокие требования к вкусу и питательности семян лотоса.содержание амилозы напрямую влияет на качество и вкус семян лотосаСодержание амилозы в семенах лотоса сильно варьируется в зависимости от разновидности, поэтому определение содержания амилозы в семенах лотоса имеет большое значение для последующей обработки.Традиционное обнаружение амилозы обычно использует йодовую колориметрию, титрации йодоафинитета и метода перекрестной инфекции, эти методы требуют времени и труда, и легко подвергаются воздействию экспериментальных условий!

Технология гиперспектральной визуализации - это неразрушающая технология тестирования, которая может получить богатый спектр и информацию об изображении.У него есть преимущества экономии времени.В этой статье была использована гиперспектральная технология визуализации для обнаружения амилозы свежего лотоса.

一、 Материалы и методы

1.1 Испытательные материалы

Образцы были из провинции Фуцзянь, и были выбраны сорта Xuanlian, Guangchanglian, Jianxuan 36, Mantianxing, Space lotus и Xianglian.свежие семена лотоса хранились в жидком азоте и транспортировались в лабораторию;, где он хранился в холодильнике при 4 °C в течение 12 часов.

1.2 Гиперспектральное получение и коррекция изображения

Основные компоненты системы гиперспектральной визуализации включают гиперспектральный визуализатор, источник света, этап, черный ящик и программное обеспечение для гиперспектрального получения данных.Вся система может использовать цветовой спектр гиперспектральной камеры FS-13Гиперспектральная система визуализации показана на рисунке 1.Скорость движения платформы полезной нагрузки установлена на 3.5 мм/с и время экспозиции 30 мс. Объектив находится в 40 см от движущейся платформы и прямо вниз.Регулировать фокусное расстояние камеры спектрометра для черно-белой коррекции системы.

1.3 Обработка данных

Для извлечения среднего спектра интересующего региона (ROI) из спектрального изображения семян лотоса было использовано программное обеспечение для анализа.Для устранения влияния шума и внешнего блуждающего света, сравнивали эффект моделирования методов предварительной обработки, таких как первая производная, вторая производная, SG сглаживание, коррекция множественного рассеяния (MSC) стандартного нормального переменного преобразования,и был выбран лучший метод предварительной обработки.

二Результаты и анализ

2.1 Средний спектр интересующего региона

В данной работе для последующей обработки используется спектральная кривая каждого пикселя в интересующей области одного образца.Средняя спектральная диаграмма после удаления шума головы и хвоста (400nm ~ 971nm) показана на рисунке 2.На рисунке видно, что тенденция изменения спектральных значений различных образцов является последовательной.которые могут быть вызваны сдвигом водной полосыПолоса имеет относительно очевидную абсорбцию между 500 нм и 920 нм. Это может быть связано с удвоением четвертичной частоты,Удвоение вторичной частоты O-H и удвоение первичной частоты O-H группы C-H в молекуле амилозы.

2.2 Содержание амилозы в семенах лотоса

Результаты коррекционного набора и предсказательного набора содержания амилозы, разделенные методом SPXY, приведены в таблице 1.Из таблицы видно, что содержание амилозы в свежих семенах лотоса сильно варьируется.Максимальное значение содержания амилозы корректированных семян лотоса составляет 227,90 мг/г, минимальное значение - 100,82 мг/г, а стандартное отклонение - 44,73 мг/г.Содержание амилозы в прогнозируемом образце находится в пределах диапазона исправляемого образца., так что разделение выборки разумно.

三Заключение

В этой статье была использована гиперспектральная технология визуализации для быстрого обнаружения содержания амилозы.Результаты показывают, что эффект моделирования наилучший после использования первой производной и коррекции множественного рассеяния MSC)Затем SPA использовался для извлечения 9 диапазонов характеристик.835, корректированная средняя квадратная ошибка корня набора (RMSEC) была 1.802, прогнозируемый коэффициент корреляции (R) был 0.856, и предсказанная средняя квадратная погрешность корня множества (RMSEP) была 1.752Относительная ошибка анализа (RPD) была 1.944. Коэффициент корреляции предсказательного набора модели предсказания PLSR, установленный методом RC (R. Средняя квадратная погрешность корня предсказательного набора (RMSEP) составила 1.897Относительная ошибка анализа (RPD) была 1.761Это исследование предоставило мысль о дальнейшей разработке инструмента онлайн-наблюдения за содержанием амилозы и заложило хорошую основу.