一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法技术

本发明专利技术涉及葵花籽新鲜度评价技术领域，具体涉及一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法，建立了一种利用葵花籽黑色表皮的高光谱数据评价其新鲜度的方法，利用此方法判别不同年份的葵花籽原料的准确度可达93.42％以上，且能够准确区分出常温储存和冷库储存的葵花籽原料，可以作为一种快速无损鉴别葵花籽原料储存年份的方法。采集经过4种不同处理的葵花籽的反射光谱，确定造成光谱差异的主要原因是葵花籽的黑色表皮发生了变化，利用葵花籽黑色表皮的高光谱数据评价其新鲜度具有操作简单、快速无损、绿色无污染等特点，未来可应用于鉴别及筛选新鲜葵花籽原料，对把控葵花籽相关产品的质量安全有着重要意义，具有较好的应用前景。较好的应用前景。较好的应用前景。

【技术实现步骤摘要】
一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法


[0001]本专利技术涉及葵花籽新鲜度评价
，具体涉及一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法。

技术介绍

[0002]向日葵归于菊科向日葵属，为一年生草本植物，素有“葵花”、“太阳花”等美名。葵花籽是向日葵的果实，既可作为休闲零食，也可用于制作糕点的辅料，同时也是重要的榨油原料和高档油脂的来源。葵花籽有着“阳光之籽”的美称，在众多零食中可谓佳品。据介绍，葵花籽味淡性平，有滋阴、止咳的作用。有研究表明，葵花籽在预防心脏病、癌症等慢性疾病方面有突出功效。葵花籽的这些防病功能，主要在于它富含人体必需的脂肪酸、抗氧化剂和微量元素、富含亚油酸，其中亚油酸含量(46.3～74.0％)，油酸含量(14.0～39.4％)，棕榈酸含量(5.0～7.6％)，葵花籽油中90％均是不饱和脂肪酸等。
[0003]葵花籽作为全球第四大油料作物，因其食用和油脂价值而成为人们关注的焦点，葵花籽油常作为发达国家首选的食用油。中国的向日葵产量近年来总体上呈增加趋势，从1978年的27.8万吨增加到2016年的289.97万吨。然而，原料的好坏将直接影响到成品瓜子与食用油脂的品质，新鲜葵花籽原料在储存过程中会随时间变化发生一定程度的劣变，甚至会因为不良储存条件而发生哈败、霉变等，且项目组前期的研究结果表明，陈年葵花籽在制成成品瓜子后货架期会变短，葵花籽内部的成分发生显著变化，保存时间过长会出现瓜子氧化酸败，品种产生劣变，影响瓜子的口感和食品安全。加工企业收购原料时存在以陈年葵花籽冒充新鲜葵花籽等以次充好的现象，降低了成品葵花籽以及葵花籽相关产品的品质，因此建立一套评价葵花籽原料新鲜度的方法是目前亟待解决的问题。
[0004]近年来，光谱等无损检测方法逐渐被人们重视，高光谱成像(HSI)作为一种快速高效的成像技术，被誉为光谱技术与成像技术的融合。它可以同时检测样品的内部和外部质量，有效地提高了质量评估结果的可靠性和稳定性。因其具有操作简单，无需复杂前处理，快速无损，环境友好等优点，现已应用于水稻、茶叶、油豆种子等农作物的品质智能检测，如水稻种子活力检测和茶叶中总多酚的空间分布等，然而，未见HSI应用于葵花籽原料质量评估中。
[0005]鉴于上述缺陷，本专利技术创作者经过长时间的研究和实践终于获得了本专利技术。

技术实现思路

[0006]本专利技术的目的在于解决如何将高光谱成像技术应用于葵花籽原料质量评估中的问题，提供了一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法。
[0007]为了实现上述目的，本专利技术公开了一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法，包括以下步骤：
[0008]S1，采集葵花籽的高光谱数据；
[0009]S2，对步骤S1中采集到的高光谱数据进行校正，以培养皿边缘为界选择图像中葵
花籽样品所在全部区域，提取区域内所有像素点的平均光谱；
[0010]S3，使用IBM SPSS Statistics 25统计软件对葵花籽样品在950nm波长处的反射率进行显著性差异分析并绘制柱形图；
[0011]S4，使用SIMCA14.1软件对葵花籽样品反射光谱的原始数据进行主成分分析(PCA)和正交偏最小二乘法判别分析(OPLS
‑
DA)，获取其得分图，主成分分析作为一种非监督算法将潜在相关的高维原始数据通过正交变换变换成新的不相关变量(称为主成分，PC)，利用主成分分析对光谱信息进行降维和探索性分析，以可视化不同年份和不同处理的样本的聚类和离散化，但PCA对相关性较小的变量不敏感，OPLS
‑
DA作为一种有监督算法结合了正交信号和PLS
‑
DA来筛选差异变量，以获得的光谱数据矩阵为自变量X，将样本的不同类别信息赋值为1、2、3和4
…
依此类推，作为因变量Y。用不同颜色来表征不同组别，分析比较主成分分析当中前两个主成分的方差贡献度，以及正交偏最小二乘法判别分析中的总方差贡献度以及预测性，比较各组样本的聚类和离散化；葵花籽的黑色表皮是造成不同组别葵花籽反射光谱差异的主要原因，组内的聚集性好说明样品的组内差异小，组间的离散性好说明样品的组间差异大，即可通过机器学习建立不同年份葵花籽样品的指纹图谱库，对数据集进行训练，提高不同组别间的判别率。
[0012]还包括以下步骤：
[0013]S5，使用MATLAB R2018b Win64 Crack分析软件对葵花籽样品反射光谱的原始数据进行机器学习，将数据集按照7:3的比例随机划分为训练集和测试集，使用BP
‑
神经网络判别模型对赤峰、新疆地区两年份大批量样品的光谱数据分别进行机器学习，设置训练参数：最大迭代次数为1000、目标训练误差为1e
‑
6、学习率为0.01，获得训练集和测试集的混淆矩阵图以及判别率，通过机器学习建立不同年份葵花籽样品的指纹图谱库，对数据集进行训练，提高不同组别间的判别率。
[0014]所述步骤S1葵花籽的高光谱数据采集具体过程如下：将样品放入玻璃培养皿中，采用可见光
‑
近红外高光谱系统在波长范围内对葵花籽样品进行检测。
[0015]所述可见光
‑
近红外高光谱系统检测波长范围为370～1036nm，传送带速度为1.71mm/s，摄像机曝光时间为8.5ms，相机镜头与移动平台之间的垂直距离设置为17.5cm，葵花籽样品被放置在移动平台上，以行扫描的形式进行扫描。
[0016]所述步骤S2中将葵花籽样品的校正后的高光谱图像加载到ENVI软件中提取光谱数据，在该软件中，以培养皿边缘为界选择图像中葵花籽样品所在全部区域，提取区域内所有像素点的平均光谱。
[0017]与现有技术比较本专利技术的有益效果在于：本专利技术通过采集加速氧化(45℃、90％湿度和60℃、90％湿度)的葵花籽的光谱，加速氧化的样品均呈现出与自然存放的3组样品相同的规律，即随着葵花籽加速氧化程度的加深，其在950nm波长处的反射率逐渐增加，分别对尺寸、水分含量以及黑色表皮做了验证，采集5种不同尺寸以及经过4种不同处理的葵花籽的反射光谱，确定造成光谱差异的主要原因是葵花籽的黑色表皮发生了变化，从而利用葵花籽黑色表皮的高光谱数据评价其新鲜度，这种方法操作简单、快速无损、绿色无污染等特点，未来可应用于鉴别及筛选新鲜葵花籽原料，对把控葵花籽相关产品的质量安全有着重要意义，具有较好的应用前景。
附图说明
[0018]图1(a)为不同年份带壳葵花籽的暗箱照，图1(b)为不同年份籽仁的暗箱照片，图1(c)为不同年份带壳葵花籽的反射光谱，图1(d)为不同年份籽仁的反射光谱，图1(e)为不同年份带壳葵花籽反射光谱原始数据的主成分分析得分图，图1(f)为不同年份带壳葵花籽反射光谱原始数据的正交偏最小二乘法判别分析得分图；
[0019]图2(a)为加速氧化条件是45℃、90％湿度下的葵花籽暗箱照片，图2(b)为加速氧化条件是60℃、90％湿度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法，其特征在于，包括以下步骤：S1，采集葵花籽的高光谱数据；S2，对步骤S1中采集到的高光谱数据进行校正，以培养皿边缘为界选择图像中葵花籽样品所在全部区域，提取区域内所有像素点的平均光谱；S3，使用IBM SPSS Statistics 25统计软件对葵花籽样品在950nm波长处的反射率进行显著性差异分析并绘制柱形图；S4，使用SIMCA 14.1软件对葵花籽样品反射光谱的原始数据进行主成分分析和正交偏最小二乘法判别分析，获取其得分图，利用主成分分析对光谱信息进行降维和探索性分析，以获得的光谱数据矩阵为自变量X，将样本的不同类别信息赋值为1、2、3和4
…
依此类推，作为因变量Y，用不同颜色来表征不同组别，分析比较主成分分析当中前两个主成分的方差贡献度，以及正交偏最小二乘法判别分析中的总方差贡献度以及预测性，比较各组样本的聚类和离散化，通过样品的组间差异来判别不同年份、不同储存条件下的葵花籽。2.如权利要求1所述的一种利用葵花籽黑色表皮的高光谱评价其新鲜度的方法，其特征在于，所述方法还包括以下步骤：S5，使用MATLAB R2018b Win64 Crack分析软件对葵花籽样品反射光谱的原始数据进行机器学习，将数据集按照7:3的比例随机划分为训练集和测试集，使用BP
‑

【专利技术属性】
技术研发人员：侯如燕，马静静，金龙，李家伟，
申请(专利权)人：洽洽食品股份有限公司，
类型：发明
国别省市：