一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法技术

本发明专利技术公开了一种基于云端

【技术实现步骤摘要】
一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法


[0001]本专利技术涉及地质勘探领域，具体涉及一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法。

技术介绍

[0002]西红花为鸢尾科植物番红花Crocus sativus L.的干燥柱头，具活血化瘀、凉血解毒、解郁安神的功效。现代药理研究表明，西红花具有治疗心脑血管疾病、精神类疾病、糖尿病、抗肿瘤等多种药理作用。西红花产量极低，据报道10万株西红花才能收获1kg西红花
[3]，价格昂贵，又被称为“植物黄金”。市场上西红花掺假使假现象屡见不鲜，国内常见的西红花伪品主要有红花、菊花、莲须、玉米须、线状纸浆。其真伪鉴别方法主要包括显色反应、薄层色谱法、紫外分光光度法、高效液相色谱法、质谱法和分子标记技术。现有的真伪鉴别方法存在前处理繁杂、使用有机溶剂、破坏样品、不能现场快速检测、检测费用高等弊端。因此，急需开发一种简便、无损伤且能现场快速测定的检测方法。
[0003]利用近红外光谱数技术对西红花及其伪品和掺伪品进行鉴别的报道少见，目前仅见Eman Shawky等利用台式近红外仪建立西红花及其国外常见伪品的定性定量分析的报道，尚未见利用近红外技术对国内常见西红花伪品菊花、玉米须、莲须、线状纸浆鉴别的报道。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种基于云端-互联便携式近红外技术的西红花真伪鉴别模型，它是采用如下步骤构建而成：
[0005](1)取已知西红花及其伪品和/或掺伪品样本，采集近红外光谱数据，并对光谱数据进行预处理；
[0006](2)根据步骤1)所得预处理数据，用Kennard
–
Stone算法将样本分为训练样本和预测样本；
[0007](3)以训练样本建立基于偏最小二乘判别分析法(PLS-DA)的西红花真伪鉴别模型；
[0008](4)以预测样本验证西红花真伪鉴别模型，即得。
[0009]进一步地，步骤(1)所述采集近红外光谱数据的仪器为移动手机控制的PV500R-I便携式近红外仪。
[0010]进一步地，所述近红外光谱的波长范围为1350-1850nm。
[0011]进一步地，步骤(1)所述光谱采集次数为6次。
[0012]进一步地，步骤(1)所述预处理的方法为一阶导、二阶导、三阶导、标准正态变量转换(SNV)、光散射校正(MSC)或原始数据求平均光谱，优选，原始数据求平均光谱。
[0013]进一步地，所述伪品为红花、玉米须、莲须、菊花和/或纸浆，
[0014]进一步地，所述西红花真伪鉴别模型为一个或两个，当鉴别西红花伪品时，优选一个判别模型；当鉴别西红花掺伪品时，优选两个判别模型。
[0015]更进一步地，所述西红花真伪鉴别模型为一个时，取已知西红花及其伪品样本建立模型；所述西红花真伪鉴别模型为两个时，第一个是取已知西红花及其掺伪品样本建立模型，第二个是取掺伪品样本建立模型，优选，第二个是取西红花掺菊花、西红花掺红花和西红花掺莲须样本建立模型。
[0016]本专利技术还提供了一种西红花及其伪品和/或掺伪品的判别方法，它包括如下步骤：
[0017]a、取待测样本，按照步骤(1)获取经预处理的光谱数据；
[0018]b、将步骤a所得光谱数据输入前述西红花真伪鉴别模型，根据西红花真伪鉴别模型输出的分类表读出待测样本属于正品、伪品或掺伪品。
[0019]本专利技术还提供了一种西红花掺伪品的掺伪量的测定模型，它是采用如下步骤构建而成：
[0020]①
取已知西红花掺伪品，按步骤(1)～(2)采集，预处理光谱数据，选择训练样本和预测样本；
[0021]②
以训练样本建立基于偏最小二乘回归法(PLSR)的西红花掺伪量预测模型；
[0022]③
、以预测样本验证西红花掺伪量预测模型，即得。
[0023]进一步地，所述掺伪品为掺红花、掺菊花、掺莲须、掺玉米须和/或掺纸浆。
[0024]本专利技术最后提供了一种西红花掺伪品的掺伪量的测定方法，它包括如下步骤：
[0025]取待测样本，按照步骤(1)获取经预处理的光谱数据，将数据输入前述西红花掺伪量预测模型，西红花掺伪量预测模型输出数据即为西红花掺伪品的掺伪量。
[0026]本专利技术首次应用云端-互联PV500R-I便携式近红外光谱技术结合化学计量学为西红花及其伪品和掺伪品建立了PLS-DA模型，一个最优PLS-DA模型即可将西红花及其伪品完全识别，两个最优PLS-DA模型即可分步对西红花及其掺伪品进行较好的识别，识别准确率大于93％，掺伪量识别水平低至0.5％-4％。为红花、玉米须、莲须、菊花、纸浆掺伪品掺伪量建立了五个PLSR定量预测模型，其外部预测相关系数范围为0.920～0.999，RMSEP范围为0.005～0.044，当掺伪量大于8％时，定量预测模型能较好或很好地预测掺伪品掺伪量。
[0027]本专利技术基于云端-互联便携式近红外光谱技术的西红花真伪鉴别方法和伪品掺伪量检测方法具有较好的准确性和可靠性。与常规台式近红外仪相比，云端-互联便携式近红外仪操作简单，可用于西红花现场快速检测，同时为其它名贵中药材的快速检测提供方法参考。
[0028]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0029]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0030]图1西红花和染色伪品照片
[0031]图2云端-互联PV500R-I便携式近红外仪主要工作示意图
[0032]图3西红花与其伪品(A)，西红花与其掺伪品(B)的原始光谱图.a(绿色)，b(深蓝色)，c(红色)，d(黄色)，e(蓝色)，f(紫色)分别为西红花，红花，玉米须，纸浆，莲须，菊花
[0033]图4西红花与其伪品的真伪鉴别PLS-DA模型结果。(A),(B)，(C)，(D)分别为主成分1和2，主成分2和4，主成分1和7，主成分2和6所绘制的二维得分图，(E)为置换检验结果；a(绿色)，b(深蓝色)，c(红色)，d(黄色)，e(蓝色)，f(紫色)分别为西红花，红花，玉米须，纸浆，莲须，菊花
[0034]图5、西红花与其掺伪品的真伪鉴别PLS-DA模型结果。(A)，(B)，(C)分别为主成分1和2，主成分1和15，主成分2和6所绘制的二维得分图，(D)为置换检验结果；a(绿色)，b(深蓝色)，c(红色)，d(黄色)，e(蓝色)，f(紫色)分别为西红花，红花，玉米须，纸浆，莲须，菊花
[0035]图6菊花、红花、莲须的三类西红花掺伪品之间的PLS-DA鉴别模型结果。(A)，(B)分别为主成分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云端-互联便携式近红外技术的西红花真伪鉴别模型，其特征在于：它是采用如下步骤构建而成：(1)取已知西红花及其伪品和/或掺伪品样本，采集近红外光谱数据，并对光谱数据进行预处理；(2)根据步骤1)所得预处理数据，用Kennard
–
Stone算法将样本分为训练样本和预测样本；(3)以训练样本建立基于偏最小二乘判别分析法(PLS-DA)的西红花真伪鉴别模型；(4)以预测样本验证西红花真伪鉴别模型，即得。2.根据权利要求1所述的判别模型，其特征在于：步骤(1)所述采集近红外光谱数据的仪器为移动手机控制的PV500R-I便携式近红外仪。3.根据权利要求1或2所述的判别模型，其特征在于：所述近红外光谱的波长范围为1350-1850nm。4.根据权利要求1所述的判别模型，其特征在于：步骤(1)所述光谱采集次数为6次。5.根据权利要求1所述的判别模型，其特征在于：步骤(1)所述预处理的方法为一阶导、二阶导、三阶导、标准正态变量转换(SNV)、光散射校正(MSC)或原始数据求平均光谱，优选，原始数据求平均光谱。6.根据权利要求1所述的判别模型，其特征在于：所述伪品为红花、玉米须、莲须、菊花和/或纸浆。7.根据权利要求1所述的判别模型，其特征在于：所述西红花真伪鉴别模型为一个或两个，当鉴别西红花伪品时，优选一个判别模型；当鉴别西红花掺伪品时，优选两个判别模型。8.根据权利要求7所述的判别模...

【专利技术属性】
技术研发人员：李庆，文永盛，闫晓剑，罗霄，彭善贵，许丽，赵小琴，严铸云，
申请(专利权)人：成都市食品药品检验研究院，
类型：发明
国别省市：