作者单位
摘要
1 吉林农业大学食药用菌教育部工程研究中心, 吉林 长春 130118
2 吉林农业大学植物保护学院, 吉林 长春 130118
平菇是我国大宗食用菌品种之一, 产量位居我国食用菌的第三位。 平菇不仅味道鲜美, 而且含有丰富优质的蛋白质及具有多种生物活性的平菇多糖, 深受消费者喜爱。 市场上的平菇产品众多, 质量参差不齐, 并且现有营养成分分析方法耗时长、 成本高, 难以满足平菇等大宗食用菌的营养成分检测需求。 傅里叶变换红外光谱(FTIR)技术具有检测速度快、 操作方便、 可同时分析多种化合物、 安全环保等特点, 将其与化学计量学结合, 构建数学模型, 能满足对平菇等大宗农产品营养成分的快速检测、 分析及评价。 以平菇为研究对象, 在全国范围内收集主栽平菇样品85份, 分别进行红外光谱扫描, 并运用多元散射校正(MSC)、 标准正态变换(SNV)、 正交信号校正(OSC)、 光滑加一阶导数(F-G D)、 光滑加二阶导数(S-G D)等5种光谱数据预处理方法, 通过比较模型验证集回归系数, 确定平菇蛋白质模型最佳预处理方式为OSC结合S-G D, 平菇多糖模型最佳预处理方式为OSC结合F-G D。 在最佳光谱预处理下, 采用LASSO算法对7458个光谱波段进行特征波段提取, 获得平菇蛋白质特征波数93个, 平菇多糖特征波数92个, 压缩率达到98%。 将特征波数与化学方法检测得到的平菇蛋白质、 多糖含量值进行拟合, 建立PLS模型。 结果显示, 蛋白质模型校正集回归系数R2为0.999 8, RMSECV为0.047 7, 验证集回归系数R2为0.987 2, RMSEP为0.506 8, RPD为8.840 6大于3; 多糖模型校正集回归系数R2为0.999 9, RMSECV为0.020 1, 验证集回归系数R2为0.980 3, RMSEP为0.292 9, RPD为7.119 8大于3, 模型拟合效果均较好, 预测能力及稳健性良好。 该研究为傅里叶变换红外光谱技术在食用菌营养成分含量快速预测方法的建立提供参考, 为平菇产品的营养品质评价的建立提供基础, 促进平菇乃至其他食用菌产品的优质化发展。
平菇 傅里叶变换红外光谱 化学计量学 含量预测 Pleurotus ostreatus Fourier transform infrared spectroscopy Stoichiometry Content prediction 
光谱学与光谱分析
2023, 43(4): 1262
作者单位
摘要
1 吉林农业大学工程技术学院, 吉林 长春 130118
2 吉林农业大学食药用菌教育部工程研究中心, 吉林 长春 130118
平菇味道鲜美、 营养丰富, 深受消费者喜爱。 平菇在我国的栽培范围较广, 产地分散, 每个产地的气候条件、 栽培基质、 栽培方式的差异, 使不同产地生产的平菇在口感、 营养价值方面会有不同。 为规范平菇产品的市场管理, 更为打造区域内特色平菇品牌, 借助中红外光谱技术无污染、 高效、 低成本等特点, 突破目前化学分析、 生物学鉴别方法的限制, 提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。 对10个不同产地的平菇子实体进行红外光谱数据采集, 每个地区各60份共600份样本。 光谱数据经分析表明, 在波段530~1 660 cm-1范围内红外光谱的相关性表现出较明显的差异。 同时, 基于K-S法按照训练集和测试集比例为7∶3对样品划分, 得训练集为420份, 测试集为180份。 采用多元散射校正(MSC), 标准正态变量变换(SNV), 平滑(SG), 一阶导数(FD), 二阶导数(SD)等预处理方法进行光谱优化, 去除噪声, 并结合支持向量机(SVM)进行初步建模对比, 得出MSC预处理后光谱数据差异性最大, 预测集识别效果最好为84.44%。 将MSC光谱数据进行0~1区间的归一化处理, 并采用主成分分析(PCA)对其进行降维, 选择满足训练集中主成分个数累积贡献率≥85%, 且主成分方差百分比≥1%的前7个主成分作为输入变量与支持向量机(SVM)、 随机森林(RF)、 极限学习机(ELM)进行建模识别比较。 实验结果表明, 在识别不同产地平菇模型中, SVM模型识别效果最佳, 训练集和测试集识别率均为100%; RF模型训练集识别率为100%, 测试集识别率略低, 为98.89%; ELM模型对比其他模型识别率较差, 训练集识别率为99.28%, 测试集识别率为98.33%。 3种模型的识别率均高于98%, 说明采用红外光谱结合机器学习的方法可以简单、 快速、 低成本的实现对不同产地平菇的鉴别, 不仅为平菇产品产地识别提供方法依据, 也为其他种类食用菌产品的产地鉴别提供参考。
平菇 中红外光谱 机器学习 支持向量机 随机森林 极限学习机 Pleurotus ostreatus Mid-infrared spectrum Machine learning Support vector machine Random forest Extreme learning machine 
光谱学与光谱分析
2023, 43(2): 577

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!