一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法
专利汇可以提供一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 近红外 光谱 分析技术的 植物 蛋白饮料 蛋白质 、脂肪及可溶性固形物含量快速检测方法，本方法是通过在设定的建模条件下，采用 近红外光谱 分析技术并选择合适的化学计量学方法，分别建立具有代表性的植物蛋白饮料中蛋白质、脂肪及可溶性固形物含量的近红外定量 预测模型 ；采用验证样品集对模型进行验证优化，最终以该近红外预测模型实现对未知待测植物蛋白饮料样品蛋白质、脂肪及可溶性固形物含量的测定。相比于现有蛋白质、脂肪及可溶性固形物测定的常规方法，本发明方法操作简单、快速、准确，本发明方法获得的预测模型实用性较强，能解决企业对植物蛋白饮料 质量 及 稳定性 及时掌控的迫切需求。，下面是一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法专利的具体信息内容。
1.一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法，包括下述步骤：
1）收集不同种类、不同品牌的植物蛋白饮料样品，随机选取若干作为样品集，利用近红外光谱仪采集样品集的近红外光谱图；
2）使用常规方法检测得到样品集植物蛋白饮料样品中蛋白质、脂肪及可溶性固形物含量的实测值；
3）选取建模样品，按照2:1的比例，采取Kennard-Stone（K-S）法进行样本集划分，分为校正集和验证集，并将步骤1）中得到的校正集中植物蛋白饮料样品的近红外光谱数据分别与步骤2）中得到的蛋白质、脂肪及可溶性固形物含量的实测值相对应，通过变量压缩方法挑选最佳建模变量，并通过化学计量学建模方法建立植物蛋白饮料样品中蛋白质、脂肪及可溶性固形物含量的定量校正模型，并用验证集样品对所建定量校正模型进行外部验证，最终得到植物蛋白饮料中主要成分含量近红外校正预测模型；
4）取待测样品，按步骤1）中的光谱测量条件采集待测样品的近红外光谱数据，导入校正预测模型中，经模型运算，即可得到未知植物蛋白饮料样品中的蛋白质、脂肪及可溶性固形物含量。
2.根据权利要求1所述的检测方法，其特征在于：步骤1）中，所述采集样品集中植物蛋白饮料样品的近红外光谱图的方法如下：测量前将样品放置于室温下统一静置30min，采用透反射方式进行样品的光谱采集，每一份样品体积为25ml，样品测量温度为40摄氏度，样品倒入样品杯，放入透反射盖，并用透反射盖赶走气泡，近红外光透过样品后在透反射盖上发生漫反射，漫反射光又透过样品进入检测器中，扫描次数为32次，波长范围为4000-
10000cm-1；透反射盖下样品厚度固定为0.3mm，每个样品重复装样采集2次光谱，光谱以吸光度log(1/R)形式存储；
所述植物蛋白饮料样品涵盖不同产地、不同生产日期、不同型号规格的样品。
3.根据权利要求1-2所述的检测方法，其特征在于：步骤2）中，所述检测的方法分别为GB/T 5009.5-2010《食品中蛋白质的测定》的凯氏定氮法、GB/T 5009.6-2003《食品中脂肪的测定》的酸水解法以及GB/T 12143-2008《饮料通用分析方法》的折光计法。
4.根据权利要求1-3中任一项所述的检测方法，其特征在于：步骤3）中，所述定量校正模型依次采用如下步骤而建立得到：
a、光谱预处理方法：所述光谱预处理方法选自如下至少一种：多元散射校正、
Savitzky-Golay卷积平滑、Savitzky-Golay一阶导数、小波变换（WT）和NCL；
b、样品集划分方法：所述样品集划分方法选自如下任意一种：随机法、 Kennard-Stone（K-S）法、SPXY法；
c、变量压缩方法：所述变量压缩方法选自如下任意一或两种：CARS法、无信息变量消除法、组合区间偏最小二乘法、遗传算法；
d、化学计量学建模方法：所述化学计量学建模方法选自如下任意一种：偏最小二乘法、主成份回归、最小二乘支持向量机或人工神经网络法。
5.根据权利要求4所述的检测方法，其特征在于：步骤3）中，所述定量校正模型依次采用如下步骤而建立得到：
a、光谱预处理方法：NCL；
b、样品集划分方法：Kennard-Stone（K-S）法；
c、变量压缩方法：组合区间偏最小二乘法、遗传算法；
d、化学计量学建模方法：偏最小二乘法。
6.根据权利要求5所述的检测方法，其特征在于：步骤3）中，所述变量压缩方法通过如下步骤实现：将植物蛋白饮料4000-10000cm-1全光谱分为k个子区间（k=10 40，间隔5），在不~
同子区间数下，分别就不同组合数（1 4）进行组合区间偏最小二乘（SiPLS）计算，再以交互~
验证标准差RMSECV最小为标准将SiPLS筛选出的建模波段使用遗传算法进行计算，分别筛选出植物蛋白饮料的蛋白质、脂肪及可溶性固形物的最佳建模变量。
7.根据权利要求6所述的检测方法，其特征在于：步骤3）中，所述变量压缩方法，遗传算法运行参数设置为：初始种群大小80，变异概率Pm=0.01，交叉概率Pc=0.5，最大因子数10，遗传迭代次数120次，以RMSECV值确定出最佳的建模变量。
8.根据权利要求6-7所述的检测方法，其特征在于：步骤3）中，所述最佳建模变量为：
1）经SiPLS筛选出的植物蛋白饮料各指标建模波段分别为：蛋白质（4404 4800、5604~ ~
6000、6804 7200、9204 9600cm-1）；脂肪（4244 4480、4724 4960、5684 5920、8804 9040cm~ ~ ~ ~ ~ ~
-1）；可溶性固形物（4000 4480、4964 5200、7604 7840cm-1）；
~ ~ ~
2）经遗传算法筛选出的植物蛋白饮料各指标最佳建模变量分别为：蛋白质（4404、
4460、4500、4528、4552、4580、4596、4612、4624、4628、4672、4680、4700、4716、5608、5616、
5620、5624、5640、5644、5676、5680、5688、5700、5708、5720、5732、5752、5768、5772、5780、
5788、5792、5796、5800、5804、5808、5816、5820、5824、5828、5840、5844、5852、5864、5936、
5964、6816、6964、7112、7148 cm-1）；脂肪（4272、4292、4312、4316、4320、4324、4328、4332、
4344、4348、4352、4356、4380、4384、4404、4408、4432、4436、4464、4800、4832、4928、4936、
5692、5716、5724、5728、5732、5736、5740、5744、5748、5756、5788、5800、5804、5808、5812、
5816、5828、5832、5836、5844、5852、5856、5864、5868、5872、5876、5892、5920、8868、8936 cm-1）；可溶性固形物（4096、4228、4232、4244、4248、4288、4292、4300、4340、4368、4372、
4376、4380、4384、4388、4392、4396、4400、4404、4408、4412、4416、4420、4428、4432、4436、
4440、4444、4452、4456、4460、4464、4468、4472、4476、4480、4980、4988、5036、5080、7620、
7672 cm-1）。
9.根据权利要求1-8中任一项所述的检测方法，其特征在于：步骤3）中，所述对所建立的近红外定量校正模型进行外部验证的步骤：将步骤1）得到的验证集植物蛋白饮料样品的近红外光谱导入所建立的定量校正模型中，得到验证集中样品蛋白质、脂肪及可溶性固形物含量的预测值，将其与步骤2）中所述验证集中植物蛋白饮料样品的蛋白质、脂肪及可溶性固形物含量的实测值相比，进行模型准确度的检验，若预测值（%）与实测值（%）差值的绝对值与实测值（%）之比在设定的范围内，则所述定量校正模型可用；反之，则需重复步骤3），优化建模条件直至所述定量校正模型可用。
10.根据权利要求1-9中任一项所述的检测方法，其特征在于：所述近红外光谱仪为NIRMasterM54P傅里叶变换近红外光谱仪（瑞士步琪有限公司）。
一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含
量快速检测的方法
技术领域
背景技术
发明内容
2）检测得到样品集植物蛋白饮料样品中蛋白质、脂肪及可溶性固形物含量的实测值；
3）选取建模样品，按照2:1的比例，采取Kennard-Stone（K-S）法进行样本集划分，分为校正集和验证集，并将步骤1）中得到的校正集中植物蛋白饮料样品的近红外光谱数据分别与步骤2）中得到的蛋白质、脂肪及可溶性固形物含量的实测值相对应，通过化学计量学软件建立酿酒葡萄样品中酒石酸及苹果酸含量的定量校正模型，并用验证集样品对所建定量校正模型进行外部验证，最终得到植物蛋白饮料中主要成分含量近红外校正预测模型；
4）取待测样品，按步骤1）中的光谱测量条件采集待测样品的近红外光谱数据，导入校正预测模型中，经模型运算，即可得到未知植物蛋白饮料样品中的蛋白质、脂肪及可溶性固形物含量。
品放置于室温下统一静置30min，采用透反射方式进行样品的光谱采集，每一份样品体积为
25ml，样品测量温度为40摄氏度，样品倒入样品杯，放入透反射盖，并用透反射盖赶走气泡，近红外光透过样品后在透反射盖上发生漫反射，漫反射光又透过样品进入检测器中，扫描次数为32次，波长范围为4000-10000cm-1，透反射盖下样品厚度固定为0.3mm，每个样品重复装样采集2次光谱，光谱以吸光度log(1/R)形式存储。
b、样品集划分方法：所述样品集划分方法选自如下任意一种：随机法、 Kennard-Stone（K-S）法、SPXY法；
c、变量压缩方法：所述变量压缩方法选自如下任意一种：CARS法、无信息变量消除法、组合区间偏最小二乘法、遗传算法；
d、化学计量学建模方法：所述化学计量学建模方法选自如下任意一种：偏最小二乘法（PLS）、主成份回归（PCR）、最小二乘支持向量机（LS-SVM）或人工神经网络法（ANN）。
b、样品集划分方法：Kennard-Stone（K-S）法；
c、变量压缩方法：组合区间偏最小二乘法、遗传算法；
d、化学计量学建模方法：偏最小二乘法（PLS）。
组合数（1 4）进行组合区间偏最小二乘（SiPLS）计算，再以交互验证标准差RMSECV最小为标~
准将SiPLS筛选出的建模波段使用遗传算法进行计算，分别筛选出植物蛋白饮料的蛋白质、脂肪及可溶性固形物的最佳建模变量。
6000、6804 7200、9204 9600cm-1）；脂肪（4244 4480、4724 4960、5684 5920、8804 9040cm~ ~ ~ ~ ~ ~
-1 -1
）；可溶性固形物（4000 4480、4964 5200、7604 7840cm ）；
~ ~ ~
2）经遗传算法筛选出的植物蛋白饮料各指标最佳建模变量分别为：蛋白质（4404、
4460、4500、4528、4552、4580、4596、4612、4624、4628、4672、4680、4700、4716、5608、5616、
5620、5624、5640、5644、5676、5680、5688、5700、5708、5720、5732、5752、5768、5772、5780、
5788、5792、5796、5800、5804、5808、5816、5820、5824、5828、5840、5844、5852、5864、5936、
5964、6816、6964、7112、7148 cm-1）；脂肪（4272、4292、4312、4316、4320、4324、4328、4332、
4344、4348、4352、4356、4380、4384、4404、4408、4432、4436、4464、4800、4832、4928、4936、
5692、5716、5724、5728、5732、5736、5740、5744、5748、5756、5788、5800、5804、5808、5812、
5816、5828、5832、5836、5844、5852、5856、5864、5868、5872、5876、5892、5920、8868、8936 cm-1）；可溶性固形物（4096、4228、4232、4244、4248、4288、4292、4300、4340、4368、4372、
4376、4380、4384、4388、4392、4396、4400、4404、4408、4412、4416、4420、4428、4432、4436、
4440、4444、4452、4456、4460、4464、4468、4472、4476、4480、4980、4988、5036、5080、7620、
7672 cm-1）。
具体实施方式
采用透反射方式进行样品的光谱采集，样品倒入样品杯，放入透反射盖，并用透反射盖赶走气泡，近红外光透过样品后在透反射盖上发生漫反射，漫反射光又透过样品进入检测-1
器中，扫描次数为32次，波长范围为4000-10000cm 。透反射盖下样品厚度固定为0.3mm，每个样品重复装样采集2次光谱。收集所得2条光谱以吸光度log(1/R)形式均加入植物蛋白饮料样品的近红外光谱图库，最终所获校正样品集的光谱如图1所示。
b、样品集划分方法：Kennard-Stone（K-S）法；
c、变量压缩方法：组合区间偏最小二乘法、遗传算法；
d、化学计量学建模方法：偏最小二乘法。
5604 6000、6804 7200、9204 9600cm ）；脂肪（4244 4480、4724 4960、5684 5920、8804~ ~ ~ ~ ~ ~ ~
9040cm-1）；可溶性固形物（4000 4480、4964 5200、7604 7840cm-1）。
~ ~ ~
5620、5624、5640、5644、5676、5680、5688、5700、5708、5720、5732、5752、5768、5772、5780、
5788、5792、5796、5800、5804、5808、5816、5820、5824、5828、5840、5844、5852、5864、5936、
5964、6816、6964、7112、7148 cm-1）；脂肪（4272、4292、4312、4316、4320、4324、4328、4332、
4344、4348、4352、4356、4380、4384、4404、4408、4432、4436、4464、4800、4832、4928、4936、
5692、5716、5724、5728、5732、5736、5740、5744、5748、5756、5788、5800、5804、5808、5812、
5816、5828、5832、5836、5844、5852、5856、5864、5868、5872、5876、5892、5920、8868、8936 -1
cm ）；可溶性固形物（4096、4228、4232、4244、4248、4288、4292、4300、4340、4368、4372、
4376、4380、4384、4388、4392、4396、4400、4404、4408、4412、4416、4420、4428、4432、4436、
4440、4444、4452、4456、4460、4464、4468、4472、4476、4480、4980、4988、5036、5080、7620、
7672 cm-1）。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于求取车辆的车灯的状态的方法和设备 | 2020-05-08 | 485 |
| 基于通信受限的神经网络系统远程状态估计方法及装置 | 2020-05-12 | 704 |
| 一种基于前车与自车互动的短期车速工况实时预测方法 | 2020-05-14 | 311 |
| 用于执行LSTM运算的装置和方法 | 2020-05-14 | 598 |
| 一种快速建模的方法 | 2020-05-08 | 753 |
| 一种基于人工神经网络的高速公路智能预养护方法及系统 | 2020-05-08 | 1363 |
| 基于人工神经网络的视觉测试系统 | 2020-05-14 | 504 |
| 一种非线性动态质量系统预测方法 | 2020-05-12 | 668 |
| 数据流重构方法及可重构数据流处理器 | 2020-05-08 | 88 |
| 一种基于大数据技术的市场评估分析方法 | 2020-05-12 | 126 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
