10.3964/j.issn.1000-0593(2020)12-3865-06
可见-近红外光谱结合机器视觉动态检测花生黄曲霉毒素B1污染
花生是一种重要的油料作物,易受曲霉菌感染从而产生黄曲霉毒素,其中黄曲霉毒素B1(AFB1)对人畜具有较高威胁.传统A FB1检测方法操作繁琐、破坏物料以及耗时长等问题较为突出,因此发展一种快速、无损且适合在线的检测方法对花生生产及加工具有重要意义.将从市场购买的市购花生,于28℃和85％ 相对湿度环境中储藏至霉变.在0,4,6,7和8d时间段,再分别以0.15m·s-1的速度动态采集其光谱和图像信息,采集信息后利用酶联免疫吸附法(ELISA)测定花生中AFB1含量.对光谱采用多元散射校正、基线校正、标准正态变量校正以及Savitzky-Golay平滑等方法预处理,并对600～1600 nm范围内的光谱数据进行主成分分析,根据主成分权重系数确定8个特征波长(630,1067,1150,1227,1390和1415 nm);对图像采取灰度化和阈值分割等方法处理,并提取12种图像颜色特征参数.最后利用线性判别分析(LDA)以及支持向量机(SVM)建立花生样品的定性判别分析模型(以国家标准20μg·kg-1为界限).ELISA结果表明,花生AFB1超标率为58％;可见-近红外图谱分析表明,在1180 nm等波峰处随着毒素侵染程度的加深,吸光度逐渐降低;机器视觉分析表明,随着储藏时间的增加,花生表面逐渐暗淡并有菌丝覆盖,毒素侵染水平逐渐提高,花生图像的RGB值总体下降.通过主成分分析发现,光谱呈现较明显的聚类趋势,而图像及数据融合聚类趋势不明显.根据全谱段、特征波长构建的LDA和SVM模型均能够对超标和未超标样品进行快速识别,其中基于全谱段的模型最佳识别率达92％,基于特征波长的模型最佳识别率达88％;相对于基于光谱信息建模,非线性SVM模型在根据图像颜色特征参数建模分析上表现较优,最佳识别率为90％;结合花生样品内外部信息,基于光谱和图像信息融合的SVM模型最佳识别率达到92％.利用可见-近红外光谱以及机器视觉技术结合化学计量法,实现花生AFB1含量超标与否的动态判别具有一定可行性,为花生在线质量安全检测提供了理论基础.
花生、可见-近红外光谱、图像、信息融合、黄曲霉毒素B1、动态筛选
40
O657.3(分析化学)
国家自然科学基金项目;国家重点研发计划;江苏省农业科技自主创新资金项目;浙江省重点研发计划项目;杭州市农业与社会发展科研主动设计项目
2020-12-15（万方平台首次上网日期，不代表论文的发表时间）
共6页
3865-3870
