Détermination de la teneur en amylose dans le lotus frais par imagerie hyperspectrale

Avec l'amélioration du niveau de vie, les gens ont des exigences de plus en plus élevées pour le goût et la nutrition des graines de lotus.sa teneur en amylose affecte directement la qualité et le goût des graines de lotusLa teneur en amylose des graines de lotus varie considérablement selon les variétés, de sorte que la détermination de la teneur en amylose des graines de lotus est de grande importance pour la transformation ultérieure.La détection traditionnelle de l'amylose utilise généralement la colorimétrie par iodeLa méthode de titration de l'affinité de l'iode et la méthode d'infection transversale, ces méthodes sont longues et laborieuses, et faciles à affecter par les conditions expérimentales!

La technologie d'imagerie hyperspectrale est une technologie d'essai non destructive qui peut obtenir un spectre et des informations d'image riches.Il a l'avantage de gagner du temps.Dans cet article, la technologie d'imagerie hyperspectrale a été utilisée pour détecter l'amylose du lotus frais.

一、Matériaux et méthodes

1.1 Matériaux d'essai

Les échantillons provenaient de la province du Fujian, et les variétés de Xuanlian, Guangchanglian, Jianxuan 36, Mantianxing, Space lotus et Xianglian ont été sélectionnées.les graines de lotus fraîches ont été stockées dans de l'azote liquide et transportées au laboratoire;, où il a été réfrigéré à 4 °C pendant 12 heures.

1.2 Acquisition et correction d'images hyperspectrales

Les principaux composants du système d'imagerie hyperspectrale comprennent l'imagerie hyperspectrale, la source lumineuse, la scène, la boîte noire et le logiciel d'acquisition de données hyperspectrales.Tout le système peut utiliser la caméra hyperspectrale FS-13Le système d'imagerie hyperspectrale est représenté sur la figure 1.La vitesse de déplacement de la plate-forme de charge utile est réglée à 3.5 mm/s et le temps d'exposition est de 30 ms. L'objectif est à 40 cm de la plateforme en mouvement et droit vers le bas.Ajustez la distance focale de la caméra du spectromètre pour la correction en noir et blanc du système.

1.3 Traitement des données

Un logiciel d'analyse a été utilisé pour extraire le spectre moyen de la région d'intérêt (ROI) de l'image spectrale des graines de lotus.Afin d'éliminer l'influence du bruit et de la lumière extérieure, l'effet de modélisation des méthodes de pré-traitement telles que la première dérivée, la deuxième dérivée, l'aplatissement SG, la conversion de la variable normale standard par correction de dispersion multiple (MSC) a été comparé,et la meilleure méthode de prétraitement a été choisie.

二、Résultats et analyse

2.1 Spéctrum moyen de la région d'intérêt

Dans ce document, la courbe spectrale de chaque pixel dans la région d'intérêt d'un seul échantillon est utilisée pour un traitement ultérieur.Le schéma spectral moyen après élimination du bruit de tête et de queue (400 nm~971 nm) est illustré à la figure 2.Il ressort de la figure que la tendance de variation des valeurs spectrales de différents échantillons est cohérente.qui peut être causée par le déplacement de la bande d'eauLa bande a une absorption relativement évidente entre 500 nm et 920 nm. Elle peut être liée au doublement de fréquence quaternaire,Doublement de fréquence secondaire et de fréquence primaire O-H du groupe C-H dans la molécule d'amylose.

2.2 teneur en amylose des graines de lotus

Les résultats de l'ensemble de correction et de l'ensemble de prédiction de la teneur en amylose divisés par la méthode SPXY sont présentés au tableau 1.Il ressort du tableau que la teneur en amylose des graines de lotus fraîches varie beaucoupLa teneur maximale en amylose des graines de lotus corrigées est de 227,90 mg/g, la valeur minimale est de 100,82 mg/g et l'écart type est de 44,73 mg/g.La teneur en amylose de l'échantillon prévu se situe dans la plage de l'échantillon du jeu de correction, donc la division de l'échantillon est raisonnable.

三、 Conclusion

Dans cet article, la technologie d'imagerie hyperspectrale a été utilisée pour détecter rapidement la teneur en amylose.Les résultats montrent que l'effet de modélisation est meilleur après l'utilisation de la première dérivée et de la correction de diffusion multiple (MSC).Le coefficient de corrélation de l'ensemble corrigé (R) du modèle de prédiction PLSR était de 0.835, l'erreur carrée moyenne de la racine de l'ensemble corrigée (RMSEC) était de 1.802, le coefficient de corrélation de l'ensemble prévu (R) était de 0.856, et l'erreur carrée moyenne de la racine d'ensemble prévue (RMSEP) était de 1.752L'erreur d'analyse relative (ERR) était de 1.944. Le coefficient de corrélation de l'ensemble de prédictions du modèle de prédiction PLSR établi par la méthode RC (R. L'erreur carrée moyenne de la racine de l'ensemble de prédictions (RMSEP) était de 1.897L'erreur d'analyse relative (ERR) était de 1.761Cette étude a permis de réfléchir à l'élaboration d'un instrument de détection en ligne de la teneur en amylose et a posé de bonnes bases.