文献类型：期刊文章

作　　者：王立琦[1] 姚静[1] 王睿莹[1] 陈颖淑[1] 罗淑年[2] 王伟宁[2] 张艳荣[1]

WANG Li-qi;YAO Jing;WANG Rui-ying;CHEN Ying-shu;LUO Shu-nian;WANG Wei-ning;ZHANG Yan-rong(School of Computer and Information Engineering,Harbin University of Commerce,Heilongjiang Provincial Key Laboratory of E-commerce and Information Processing,Harbin 150028,China;School of Food Engineering,Harbin University of Commerce,Harbin 150028,China)

机构地区：[1]哈尔滨商业大学计算机与信息工程学院,黑龙江省电子商务与信息处理重点实验室,黑龙江哈尔滨150028 [2]哈尔滨商业大学食品工程学院,黑龙江哈尔滨150028

出　　处：《光谱学与光谱分析》

基　　金：国家自然科学基金面上项目(32072259);黑龙江省自然科学基金项目(LH2020C061)资助。

年　　份：2022

卷　　号：42

期　　号：5

起止页码：1433-1438

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、PUBMED、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：豆粕是大豆浸提取豆油后经适当干燥和热处理所得副产品,是制作禽畜类饲料的主要原料,其品质决定营养价值。针对现有豆粕品质检测方法存在着有毒化学试剂使用多、操作复杂、分析时间长、无法满足实际生产线快速检测及调控需求等问题,提出一种基于近红外光谱分析的豆粕品质多组分检测方法,以期用于产品质量在线检测及调控。从大豆油脂加工生产线上采集豆粕样品449个,利用105℃烘箱法、凯氏定氮法和索氏提取法分别测定样品的水分、蛋白质和脂肪化学值,采用瑞士BuchiNIRMaster傅里叶变换近红外光谱仪采集样品漫反射光谱。首先利用马氏距离法剔除异常样本,然后用多种方法对光谱数据进行降噪处理,对比分析发现小波去噪效果最优。分别采用KS和SPXY两种算法确定豆粕不同组分的最佳样本分集。为了探讨豆粕组分的近红外吸收特性,剔除光谱冗余信息,降低模型计算复杂度,采用区间偏最小二乘法(iPLS)对4000~10000 cm^(-1)全谱进行特征提取,优选出水分、蛋白质和脂肪的特征吸收波段分别为4904~5200,4304~4600和4304~4600 cm^(-1)。最后建立豆粕组分含量的广义回归神经网络(GRNN)预测模型。为了减少网络的输入变量,缩小网络规模,提高运行速度,采用PLS对光谱数据降维,提取主因子得分作为GRNN输入变量。通过交叉验证循环法优选网络参数光滑因子spread值,建立豆粕多组分含量PLS-GRNN预测模型,并与经典的PLS和BP模型对比,发现PLS-GRNN模型效果更优,其水分、蛋白质和脂肪的预测集R^(2)分别为0.9769,0.9402和0.9111,RMSEP分别为0.0912,0.3834和0.1134,RSD分别为0.79%,0.83%和8.53%。虽然脂肪的预测误差相对较大,但也在模型评定标准可用范围之内。实验表明基于PLS-GRNN的近红外光谱分析用于豆粕品质检测是可行的,能够用于实际生产过程中的品质监控。

关 键 词：豆粕品质  近红外光谱 区间偏最小二乘  广义回归神经网络

分 类 号：O657.3]