一种检测多粒花生种子中α-和γ-生育酚含量的方法技术

本发明专利技术公开了一种检测花生种子中α‑和γ‑生育酚含量的方法，属于花生加工品品质速测技术领域。本发明专利技术检测花生种子中α‑和γ‑生育酚含量的方法是对待测花生种子进行近红外扫描，将扫描后的光谱导入构建的花生种子α‑和γ‑生育酚含量的近红外光谱模型中，经分析获得花生种子α‑和γ‑生育酚含量。本发明专利技术提供的检测花生种子α‑和γ‑生育酚含量的方法，能够快速、准确、无损的检测花生中α‑和γ‑生育酚的含量，且操作简单、准确性高。且构建的检测α‑和γ‑生育酚含量的近红外光谱模型R2较高，RMSECV较小，预测效果较好，可实现花生种子中α‑和γ‑生育酚含量的准确定量。

A method for detecting alpha - and gamma tocopherol contents in seeds of multiple seeds

The invention discloses a method for detecting the contents of alpha and gamma tocopherol in peanut seeds, which belongs to the technical field of peanut processing product quality rapid measurement. The method for detecting the contents of alpha and gamma-tocopherol in peanut seeds is to scan the peanut seeds by near-infrared spectroscopy, and the spectra after scanning are introduced into the near-infrared spectroscopy model of the contents of alpha and gamma-tocopherol in peanut seeds, and the contents of alpha and gamma-tocopherol in peanut seeds are obtained by analysis. The method for detecting the contents of alpha and gamma tocopherols in peanut seeds provided by the invention can quickly, accurately and nondestructively detect the contents of alpha and gamma tocopherols in peanut seeds, and has the advantages of simple operation and high accuracy. The near infrared spectroscopic model R2 was higher, RMSECV was smaller, and the prediction effect was better. The accurate quantification of alpha and gamma tocopherol in peanut seeds could be realized.

【技术实现步骤摘要】
一种检测多粒花生种子中α-和γ-生育酚含量的方法
本专利技术属于花生加工品品质速测
，具体涉及一种检测花生种子中α-和γ-生育酚含量的方法。
技术介绍
花生是世界上主要的油料作物，也是优质植物油和高消化率蛋白质的重要来源。维生素E(VitaminE)是一种脂溶性维生素，具有增强免疫力、延缓衰老、降低心血管疾病和癌症发病率的功效。α-和γ-生育酚是维生素E的重要组分，在人体内α-生育酚的生理活性最高，但在体外尤其在高温条件下，γ-生育酚的抗氧化能力高于α-生育酚。维生素E的传统测定方法包括荧光光谱法、高效液相色谱法、蔽塞法、气相色谱法等，成本高、费时间、有一定破坏性，这在一定程度上阻碍了花生高维生素E育种的开展，而近红外技术具有成本低、无损、快速等优点。近红外技术已应用于多个作物的品质改良，在花生上已成功建立了能准确预测油酸、脂肪、蛋白含量的近红外模型，但类似的花生总维生素E含量或各种异构体含量近红外模型迄今未见报道。
技术实现思路
本专利技术目的是利用近红外光谱仪，对花生种子α-和γ-生育酚含量进行准确定量。为了达到上述目的，本专利技术的技术方案为：一种检测花生种子α-和γ-生育酚含量的方法，对待测花生种子进行近红外扫描，将扫描后的光谱导入构建的花生种子α-和γ-生育酚的近红外光谱模型中，经分析获得花生种子α-和γ-生育酚含量。在上述方案的基础上，所述花生种子α-和γ-生育酚的近红外光谱模型由以下方法构建而成：(1)收集不同品种的花生样品，日光干燥；(2)对上述花生样品进行近红外光谱测定，收集近红外光谱信息；(3)分别检测所有花生样品的α-和γ-生育酚含量，获得α-和γ-生育酚含量的化学值；(4)对α-和γ-生育酚含量的化学值和(2)中采集的近红外光谱数据进行拟合光谱处理，反复采用内部交叉验证剔除奇异值，通过比较模型的决定系数(R2)和标准差(RMSECV)衡量模型质量，筛选最佳模型；(5)验证模型的准确性。在上述方案的基础上，所述近红外光谱扫描参数为：扫描谱区范围4000～12000cm-1(厘米波数)，扫描次数64次，分辨率8cm-1。在上述方案的基础上，所述的花生样品为：在上述方案的基础上，所述花生样品α-生育酚含量的化学值与预测值为：所述花生样品γ-生育酚含量的化学值与预测值为：在上述方案的基础上，所述α-生育酚含量的近红外光谱模型的最佳光谱预处理方法为“一阶导数+矢量归一化”。谱区范围为7506～4242.8cm-1，维数为10，模型的R2为90.05，RMSECV为0.203；所述γ-生育酚含量的近红外光谱模型的最佳光谱预处理方法为“一阶导数+矢量归一化”，谱区范围为7506～4242.8cm-1，维数为8，模型的R2为83.27，RMSECV为0.458。在上述方案的基础上，所述近红外光谱扫描，每个样品30-50粒，重复扫描3次，并且第二次和第三次扫描时要将花生倒出重新装入样品杯中，以得到同一样品的多个近红外光谱。本专利技术提供的检测花生种子α-和γ-生育酚含量的方法，能够快速、准确、无损的检测花生中α-和γ-生育酚的含量，且操作简单、准确性高。本专利技术构建的检测α-和γ-生育酚含量的近红外光谱模型R2较高，RMSECV较小，预测效果较好，可实现花生种子中α-和γ-生育酚的准确定量。近红外光谱模型对样品的预测效果取决于建立模型时所用的数据。而且，建立近红外光谱模型并不是使用的样本数越多越好，随着建模样本数的增加，模型中所引入的干扰因素及异常误差就会增多，过多的干扰信息会掩盖有用信息，降低模型性能。本专利技术选择的花生样本数量适宜，不同品种间的契合度较好，所构建的模型预测花生种子α-和γ-生育酚含量误差小，准确度高。附图说明图1花生样品的近红外扫描光谱图，其中横坐标代表厘米波数(cm-1)，纵坐标代表吸光度；图2α-生育酚含量的近红外预测值与化学值散点图，其中横坐标代表真实值，纵坐标代表预测值；图3γ-生育酚含量的近红外预测值与化学值散点图，其中横坐标代表真实值，纵坐标代表预测值。具体实施方式在本专利技术中所使用的术语，除非有另外说明，一般具有本领域普通技术人员通常理解的含义。下面结合具体实施例，并参照数据进一步详细的描述本专利技术。以下实施例只是为了举例说明本专利技术，而非以任何方式限制本专利技术的范围。实施例以下以德国布鲁克公司生产的MATRIX-I型近红外仪为例说明，但该专利适用范围也包括其他厂商的类似产品。1.材料与方法1.1材料构建α-和γ-生育酚含量的近红外模型所用的试验材料，系来自国内外的花生品种(系)，共计42份，如表1所示。表1构建花生α-和γ-生育酚含量的近红外模型所用花生种子样品1.2方法1.2.1光谱采集建模所用的光谱数据在德国布鲁克光谱仪器公司生产的MATRIX-I型傅立叶变换近红外光谱仪上采集。扫描谱区范围为4000～12000cm-1，扫描次数64次，分辨率为8cm-1。开机预热30min后检测样品。采集光谱所用花生种子为自然日光干燥的样品，每份材料约30-50粒，重复扫描3次。花生样品的近红外光谱扫描结果如图1所示。1.2.2α-和γ-生育酚含量测定1.2.2.1α-生育酚含量测定采用HPLC法测定42份花生籽粒样品中的α-生育酚含量，样品化学值相关参数见表2。α-生育酚含量均值为5.48mg/100g，最大、最小值分别为7.38mg/100g、4.12mg/100g。表明建模花生样品α-生育酚含量变幅尚可，可用于近红外光谱模型构建。表2花生种子α-生育酚含量化学值相关统计参数1.2.2.2γ-生育酚含量测定采用HPLC法测定42份花生籽粒样品中的γ-生育酚含量，样品化学值相关参数见表3。γ-生育酚含量均值为4.85mg/100g，最大、最小值分别为9.37mg/100g、1.55mg/100g。表明建模花生样品γ-生育酚含量变幅尚可，可用于近红外光谱模型构建。表3花生种子γ-生育酚含量化学值相关统计参数1.2.3模型构建与优化光谱处理和模型构建采用德国布鲁克MATRIX-I型近红外光谱仪的OPUS5.5软件，用NIR选项进行优化。采用内部交叉验证剔除奇异值(outlier)。选择最佳光谱预处理办法、最佳谱区、维数，并作进一步验证。通过比较模型的决定系数(R2)和标准差(RMSECV)衡量模型质量。1.2.3.1花生样品α-生育酚含量的化学值与预测值各花生样品α-生育酚含量的化学值与预测值如表4所示。表4花生样品α-生育酚含量的化学值与预测值为：经优化，花生种子α-生育酚含量的最佳光谱预处理方法为“一阶导数+矢量归一化”。谱区范围为7506～4242.8cm-1，维数为10，模型的R2为90.05，RMSECV为0.203(图2)。1.2.3.2花生样品γ-生育酚含量的化学值与预测值各花生样品γ-生育酚含量的化学值与预测值如表5所示。表5花生样品γ-生育酚含量的化学值与预测值为：经自动优化，花生种子γ-生育酚含量的最佳光谱预处理方法为“一阶导数+矢量归一化”。谱区范围为7506～4242.8cm-1，维数为8，模型的R2为83.27，RMSECV为0.458(图3)。1.2.4模型的验证1.2.4.1α-生育酚含量的近红外光谱模型检验另取6份花生样品外部样品，检验模型预测效果，结本文档来自技高网...

【技术保护点】
1.一种检测花生种子α‑和γ‑生育酚含量的方法，其特征在于：对待测花生种子进行近红外扫描，将扫描后的光谱导入构建的花生种子α‑和γ‑生育酚含量的近红外光谱模型中，经分析获得花生种子α‑和γ‑生育酚含量。

【技术特征摘要】
1.一种检测花生种子α-和γ-生育酚含量的方法，其特征在于：对待测花生种子进行近红外扫描，将扫描后的光谱导入构建的花生种子α-和γ-生育酚含量的近红外光谱模型中，经分析获得花生种子α-和γ-生育酚含量。2.根据权利要求1所述检测花生种子α-和γ-生育酚含量的方法，其特征在于：所述花生种子α-和γ-生育酚含量的近红外光谱模型由以下方法构建而成：(1)收集不同品种的花生样品，日光干燥；(2)对上述花生样品进行近红外光谱测定，收集近红外光谱信息；(3)分别检测所有花生样品的α-和γ-生育酚含量，获得α-和γ-生育酚含量的化学值；(4)对α-和γ-生育酚含量的化学值和(2)中采集的近红外光谱数据进行拟合光谱处理，用偏最小二乘法优化建立模型，反复采用内部交叉验证剔除奇异值，通过比较模型的决定系数(R2)和标准差(RMSECV)衡量模型质量，筛选最佳模型；(5)验证模型的准确性。3.根据权利要求1或2所述检测花生种子α-和γ-生育酚含量的方法，其特征在于：所述近红外光谱扫描参数为：扫描谱区范围4000～12000cm-1(厘米波数)，扫描次数64...

【专利技术属性】
技术研发人员：王传堂，唐月异，胡东青，王秀贞，刘婷，吴琪，孙全喜，王志伟，张建成，杜祖波，李秋，宋国生，
申请(专利权)人：山东省花生研究所，
类型：发明
国别省市：山东,37