基于近红外光谱技术的稻谷中霉菌和毒素检测研究

发布时间：2020-07-12 07:50

【摘要】：贮藏稻谷常受到微生物侵染,尤其典型霉菌和毒素的侵染会引起稻谷品质下降,严重危害稻谷贮藏安全。常规的生化检测方法如平板培养法、薄层层析法、高效液相色谱法以及酶联免疫法在检测周期、操作技术难度或检测成本等方面存在一定的局限和不足。近红外光谱技术具备非破坏性、分析速度快、成本低、稳定性好、污染小等优点,适合于现场检测,是一种潜在的解决手段。本课题利用近红外光谱技术实现了稻谷典型贮藏霉菌和毒素的快速、无损检测。研究近红外光谱分析仪扫描条件、光谱曲线预处理算法、稻谷典型霉菌和毒素近红外特征光谱挖掘、异常样品剔除算法、光谱数据预处理方式。在此基础上构建并优化稻谷典型贮藏霉菌和毒素近红外检测数学模型,建立稻谷典型贮藏霉菌定性和定量识别方法,并基于最优检测数学模型设计便携式贮藏稻谷霉菌和毒素指标分析仪,同时为稻谷贮藏霉菌和毒素实时准确检测提供一种新的方法依据。本文主要研究内容和结论如下:(1)探讨了近红外稳定性检测影响因素。采用近红外光谱分析仪采集贮藏稻谷光谱数据,通过对近红外透射光谱响应的研究,发现稻谷样品在扫描温度为25℃时12个波长点处的相对标准偏差最小,最小为3.026%。确定样品扫描6次时相对标准偏差最小,为9.436%;运用傅立叶变换近红外光谱分析仪采集贮藏稻谷光谱数据,考察了在不同扫描温度、不同分辨率以及不同扫描次数下的近红外透射光谱吸光度的变化,稻谷样品在扫描温度为25℃时,存在5个光谱信息丰富的区域,其波峰处的相对标准偏差最小,最小可为3.180%。通过对每个波数下的吸光度平均值和标准偏差的对比,以及综合考虑光谱的分辨能力和光谱采集时间等因素,确定最佳分辨率为8 cm-1。依据每个波数下的吸光度平均值和标准偏差以及综合考虑光谱信噪比和光谱采集时间等因素,确定最佳扫描次数为64次。结果表明:适宜的近红外光谱扫描条件可以提高透射光谱检测性能,确定的扫描条件可满足后续光谱采集试验要求。(2)探索了基于光谱曲线预处理算法的稻谷霉菌和毒素官能团特征吸收光谱数据挖掘。采用一阶导数、二阶导数、多元散射校正、标准正态变量变换和标准正态变量变换+去趋势五种算法对稻谷霉菌和毒素原始光谱进行了预处理,并结合有机物官能团在近红外区域基频、倍频吸收谱带确定了稻谷霉菌和毒素特征吸收光谱谱带;根据光谱曲线预处理后光谱重叠峰分辨效果,分析比较了不同预处理算法对稻谷霉菌和毒素光谱的影响,一阶导数算法对光谱重叠峰分辨效果最好;根据稻谷样本基团在各吸收峰位和强度上的差异,确定了稻谷霉菌菌落、黄曲霉毒素B1、黑曲霉菌、白曲霉菌、青霉菌、灰绿曲霉菌、黄曲霉菌和上述五种混合霉菌特征近红外光谱谱带。结果表明:确定的最优预处理算法可满足本试验挖掘特征光谱数据的特定要求。稻谷典型霉菌和毒素在近红外谱区的吸收主要是含氢基团的各级倍频与合频的吸收,将为建立、优化近红外检测数学模型提供理论依据。(3)构建了基于近红外光谱的稻谷霉菌和毒素检测数学模型。通过模拟稻谷贮藏试验,建立了贮藏环境温度和含水率对稻谷表面霉菌菌落总数影响规律的数学模型,该模型可以描述和预测稻谷表面霉菌菌落总数在贮藏仓内的变化规律,指导稻谷安全贮藏;采用竞争型酶联免疫法对贮藏稻谷黄曲霉毒素B1含量进行了测定,研究发现稻谷样品黄曲霉毒素B1参考值数据服从正态分布;分析比较了不同异常样品剔除算法即样品浓度残差判别法、样品马氏距离判别法、样品杠杆值和学生化残差判别法算法对模型预测性能的影响,发现所选择的4种算法实现了对霉菌菌落和黄曲霉毒素B1光谱数据异常样本的判别和剔除;采用常规光谱预处理方式和小波分析方式处理稻谷黄曲霉毒素B1光谱数据,确定小波分析为最优预处理方式。分解小波基函数为Daubechies5小波,分解尺度水平为3。优化小波消噪后建模校正集决定系数和预测集决定系数分别为0.872和0.863,校正标准偏差和预测标准偏差分别为2.376和2.352,优化小波消噪模型预测精度高于常规光谱预处理建立的模型预测精度;利用支持向量机算法建立了稻谷黄曲霉毒素B1支持向量机回归模型,确定了基于RBF核函数模型最优参数为c=106,?=0.0015,该模型预测精度明显高于小波消噪后PLSR建模预测精度;选择数量少、有代表性的波长点,应用多元线性回归算法,建立稻谷霉菌菌落和黄曲霉毒素B1近红外预测数学模型。发现多元线性回归算法明显优于BP神经网络算法,多元线性回归可解决全光谱建模计算量大、过拟合等不足;在纯种接种条件下,当霉菌浓度高于3101?个/ml,可将五种贮藏霉菌区分开来;而对于混合接种情况,当霉菌浓度高于5101?个/ml时,才可将五种贮藏霉菌区分开来;稻谷霉菌浓度在5101?cfu/g以下处于正常的储藏状态,纯种水平接种方式下,可利用聚类分析算法实现开始霉变前的稻谷霉菌种类有效鉴别,聚类分析是一种理想的定性识别算法;当霉菌浓度在1101?个/ml-3101?个/ml范围内,利用特征光谱吸收和霉菌浓度建立数学模型线性关系显著,而霉菌浓度在1101?个/ml-6101?个/ml范围内,所建数学模型线性关系较差。结果表明:应用近红外光谱技术结合小波分析、聚类分析等手段可以有效预测稻谷霉菌菌落总数和黄曲霉毒素B1含量,可实现低浓度条件下霉菌种类鉴别和霉菌含量定量分析。优化后的近红外检测数学模型可以减少运算量,提高检测精度,更适合于现场检测,为设计应用于现场检测的便携式光谱分析仪提供依据。(4)设计了适用于现场检测的便携式贮藏稻谷霉菌和毒素指标分析仪。根据优化后的近红外预测数学模型,提出光纤探头、便携式光源结构,并设计了与分析仪相配套的软件系统,该系统可解决模型无法通用的问题。通过试验验证了仪器检测结果与化学值结果高度接近,可以达到现场检测的应用要求。结果表明:所优化的近红外预测数学模型实用性较好,基于嵌入数学模型的便携式分析仪在现场检测方面更有优势。提出近红外光谱方法结合光谱曲线预处理、小波分析、多元线性回归、支持向量机回归、聚类分析等分析方法可以实现实时、准确检测稻谷霉菌菌落总数和黄曲霉毒素B1含量,可实现低浓度条件下霉菌种类鉴别和霉菌含量定量分析,该方法较常规的检测方式更加便捷、客观;提出的近红外检测数学模型可以克服全光谱建模计算量大、过拟合等不足,提高检测精度,更适合于现场检测,为稻谷霉菌和毒素快速、无损、现场检测提供理论和技术依据,也为稻谷贮藏过程中品质控制提供一种新的思路。
【学位授予单位】：东北农业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：S379.5
【图文】：

图 1-1 常见贮藏霉菌Fig.1-1 Common storage moulds研究仅对从粮食中分离出来的微生物种类和数量进行研究，研究发现稻谷霉菌、黑曲霉菌和灰绿曲霉菌检出率较高[22]。随着研究的深入，菌系交替点。周建新等[23,24]发现稻谷储藏初期细菌为优势菌，随着贮藏时间的延长霉菌逐渐成为优势真菌，细菌数量减少，且霉变严重时，白曲霉和黄曲霉处于正常储藏状态下霉菌含量。霉菌指标影响稻谷的贮藏稳定性。稻谷霉即初期霉变阶段、生霉阶段和霉烂阶段。霉变是一个连续变化的过程，但与发展的阶段性。到霉变中期已经肉眼可见。霉变后期出现严重的酸腐臭成团。当霉菌数量超过41 10cfu/g，稻谷储藏状态正常。当霉菌数量超过开始发生霉变。Adriana Laca 等[25]进行了更为深入的研究，发现霉菌主要面及表层。霉菌生长繁殖速度、种类演替与稻谷水分含量有关[26-28]。中有毒代谢产物毒素的污染可以发生在植物的生长、收获和加工、贮藏、运输等过程中。黄曲霉毒素 B1（如图 1-2 所示），黄曲霉毒素 B1致癌性也最强[29]，国际癌

图 1-2 黄曲霉毒素 B1Fig.1-2 Aflatoxin B1稳定，一般加工条件下极难降解，一般超过 26 图 1-3 黄曲霉毒素 B1化学结构式Fig.1-3 The chemistry structure of aflatoxin B1稻谷霉菌、毒素研究进展方法对于对稻谷中霉菌和毒素进行准确检测和家标准中，细菌和霉菌的测定还是沿用传统的霉毒素 B1是小分子物质且稳定性好，通常不霉毒素 B1方法一般为薄层层析法[39,40]、高效

1-3 黄曲霉毒素 B1化学结构式he chemistry structure of aflato霉菌、毒素研究进展于对稻谷中霉菌和毒素进行准中，细菌和霉菌的测定还是沿 B1是小分子物质且稳定性好 B1方法一般为薄层层析法[39,4046]等。在欧美等经济发达国家定主要采用微生物快速检测方液相色谱、液质联用和酶联免用平板培养的方法，该检测方首先对待测样品稀释处理，将

【参考文献】

相关博士学位论文 前1条

1 金长江;基于近红外光谱与机器视觉技术的浆果品质检测研究[D];东北农业大学;2011年

本文编号：2751650