一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法技术

本发明专利技术涉及羊栖菜产地、品系和养殖方式的快速检测领域，特别涉及一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法，具体包括以下步骤：（1）采集来自不同产地、品系和养殖方式的羊栖菜；（2）采集羊栖菜的近红外原始光谱；（3）对近红外原始光谱进行数据处理；（4）对预处理之后的光谱数据提取主成分；（5）随机划分校正集和验证集；（6）采用PSO

【技术实现步骤摘要】
一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法


[0001]本专利技术属于羊栖菜检测
，具体涉及一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法。

技术介绍

[0002]羊栖菜(Sargassum fusiforme)是一种药食同源海藻，隶属于褐藻门褐藻纲墨角藻目马尾藻科。羊栖菜富含褐藻多糖，并且含有人体生命活动必不可少的多种氨基酸、微量元素及矿物质，因而是中国、日本、朝鲜和韩国沿海居民的传统健康食品。此外，羊栖菜还具有较好的药用价值。现代药理研究表明，羊栖菜具备降血压、降血脂、抗血栓、抗病毒、抗抑郁、抑制肿瘤生长以及提高机体免疫力等功效，对肥胖症、糖尿病、动脉硬化症、骨质疏松症、老年痴呆症有较好的预防作用。由于品系、产地、养殖方式、采收时间等因素的影响，导致羊栖菜化学成分和含量差异较大，直接影响其营养、药效品质。传统的羊栖菜产地、品系和养殖方式的鉴别方法主要采用感官分析和理化鉴别方法。感官分析比较依赖人的经验，可靠性较低，难以保证标准性和规范性。理化鉴别一般采用高效液相色谱法、紫外分光光度法、气质联用色谱法等方法。然而这些方法耗时耗力、不可避免使用有机试剂且对样品造成损害，故需要建立一套快速的羊栖菜分析方法，以鉴别其产地、品系和养殖方式。
[0003]近红外光谱技术（Near infrared spectroscopy, NIRS）作为一种高新分析技术，由于具有分析速度快、测量重复性好、分析效率高、分析成本低、不破坏样本、样本无需预处理的特点而使得上述问题得以解决。但是近红外光谱存在谱带宽、谱峰重叠严重、吸收强度弱、信噪比低等问题，所以基于近红外光谱，无法直接得到目标信息。

技术实现思路

[0004]本专利技术的目的是为了克服现有技术存在的缺点和不足，而提供一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法。
[0005]本专利技术所采取的技术方案如下：一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，包括以下步骤：（1）采集来自不同产地、品系和养殖方式的羊栖菜，将收集得到的羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到羊栖菜粉末样品；（2）采用漫反射法采集羊栖菜粉末样品的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000
‑
10000 cm
‑1，扫描次数为32次，分辨率为8 cm
‑1；（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的得分值、主成分数及累积贡献率；（5）随机划分校正集和验证集；
（6）采用PSO
‑
SVM算法建立校正模型，以校正集样品光谱的主成分得分值作为输入变量，分别以不同的产地、品系和养殖方式作为输出变量，构建3种PSO
‑
SVM定性模型，分别用于鉴别来自不同产地、品系和养殖方式的羊栖菜；（7）利用预测集对校正模型进行验证。
[0006]步骤（1）中，共收集中国、日本和韩国的羊栖菜样品共32个，其中中国11个，日本10个，韩国11个； 分别收集4种品系的羊栖菜，各包含10个；分别收集20个养殖羊栖菜和20个野生羊栖菜样品。
[0007]所述化学计量学软件为TQ Analyst软件。
[0008]步骤（5）中，针对产地，校正集和预测集中样品数之比为 17:15；针对品系和养殖方式校正集和预测集中样品数之比为1:1。
[0009]步骤（6）中，采用粒子群算法（PSO）优化支持向量机（SVM）的惩罚参数C和核函数g，构建PSO
‑
SVM鉴别模型。
[0010]步骤（7）中，对所建校正模型的预测性能进行验证，其中评价指标包括校正集识别准确率和预测集识别准确率。
[0011]一种羊栖菜产地、品系和养殖方式的鉴定方法，包括以下步骤：（1）将被测羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到被测羊栖菜粉末样品；（2）采用漫反射法采集被测羊栖菜的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000
‑
10000 cm
‑1，扫描次数为32次，分辨率为8 cm
‑1；（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的主成分得分值；（5）基于如上所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法所建立的3种PSO
‑
SVM定性模型，获得被测羊栖菜的产地、品系和养殖方式的结论。
[0012]本专利技术的有益效果如下：本专利技术基于近红外光谱技术，结合主成分分析和化学计量学方法鉴别来自不同产地、品系和养殖方式的羊栖菜，实现了快速鉴别羊栖菜产地、品系和养殖方式的目的。该专利技术方法操作简单，预测精度较高，为羊栖菜产品溯源和质量控制提供了一种新思路。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。
[0014]图1是本专利技术的流程示意图；图2是羊栖菜近红外原始光谱图；图3为羊栖菜一阶导数
‑
SG平滑预处理光谱图。
具体实施方式
[0015]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。
[0016]实施例1（1）羊栖菜不同产地样品的收集与处理收集中国、日本和韩国的羊栖菜样品共32个，其中中国11个，日本10个，韩国11个。将羊栖菜样品置于清水中，去除其附带的杂藻以及水生物等杂物，清洗用水量约为1 L/kg，然后将清洗干净的羊栖菜控干水分，取3 kg羊栖菜置于托盘中，使用恒温鼓风干燥机在80 ℃下干燥4.5 h至恒重，可得到500 g干燥羊栖菜。将干燥羊栖菜置于粉碎机中粉碎打粉，过80目筛网，可得约200 g羊栖菜粉末样品。
[0017]（2）光谱采集参见图1，采用傅里叶近红外光谱仪，选择漫反射法采集近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000
‑
10000 cm
‑1，扫描次数为32次，分辨率为8 cm
‑1，每个样品采集3张光谱，计算平均光谱。
[0018]（3）光谱预处理应用TQ Analyst软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，如图2所示，导出得到光谱数据矩阵。
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于，包括以下步骤：（1）采集来自不同产地、品系和养殖方式的羊栖菜，将收集得到的羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到羊栖菜粉末样品；（2）采用漫反射法采集羊栖菜粉末样品的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000
‑
10000 cm
‑1，扫描次数为32次，分辨率为8 cm
‑1；（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的得分值、主成分数及累积贡献率；（5）随机划分校正集和验证集；（6）采用PSO
‑
SVM算法建立校正模型，以校正集样品光谱的主成分得分值作为输入变量，分别以不同的产地、品系和养殖方式作为输出变量，构建3种PSO
‑
SVM定性模型，分别用于鉴别来自不同产地、品系和养殖方式的羊栖菜；（7）利用预测集对校正模型进行验证。2. 根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于： 步骤（1）中，共收集中国、日本和韩国的羊栖菜样品共32个，其中中国11个，日本10个，韩国11个； 分别收集4种品系的羊栖菜，各包含10个；分别收集20个养殖羊栖菜和20个野生羊栖菜样品。3. 根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于：所述化学计量学软件为TQ Analyst软件。4. 根据权利要求1所述的羊...

【专利技术属性】
技术研发人员：杨越，吴明江，李易航，杨留长，佟海滨，张旭，曹小青，黄佳敏，
申请(专利权)人：温州大学，
类型：发明
国别省市：