花椒挥发油含量近红外光谱无损检测研究

挥发油是花椒的主要香气成分,挥发油含量是判定花椒等级的主要理化指标,若采用常规分析方法测定挥发油的含量,需对每个样品进行破坏性处理,并且检测时间较长。近红外光谱分析（Near Infrared Spectroscopy,简称NIR）是一种快速、无损检测技术,已经广泛应用于农业及食品行业中。为了快速、无损检测挥发油含量,本研究尝试用近红外光谱分析技术对完整花椒颗粒中挥发油进行定量分析。 采集产于我国陕西、四川等地的花椒样品共138份。设置9种不同扫描参数组合,分别采集其光谱,光谱范围为3600～12800 cm-1。使用蒸馏法测定其挥发油含量,应用偏最小二乘法建立花椒挥发油定量预测模型。结果表明,分辨率为16cm-1,扫描次数为128时,所建立的校正模型较好,预测集外部验证R2为0.973,RMSEP为0.272,RPD为6.28。 比较了微分、平滑、MSC、SNV、DOSC等几种常见的数据预处理方法对挥发油近红外光谱预测模型的影响。结果表明,一阶微分+移动平滑（9点平滑）提高了模型预测能力,RPD达到了8.61,适当的数据预处理方法,可以消除花椒整粒在光谱扫描时产生的光谱平移和噪声影响。直接正交信号校正不仅对模型的预测能力有一定的提高,还起到了简化模型效果。 使用遗传算法对近红外光谱建模谱区进行选择,结果表明,花椒近红外谱区经过遗传算法优化后,不仅减少了建模波长点,减小建模时间,并且剔除了噪声过大的谱区,提高模型的预测能力,RMSEP减少到0.195。使用遗传算法对支持向量机的参数进行选择,采取首先对参数进行大范围搜索,然后在局部小范围使用遗传算法进行搜索的方法,一定程度上弥补了凭借经验或者穷举法的缺陷,取得了较好的效果。 最后比较了偏最小二乘法,BP网络和支持向量机三种方法建立的挥发油含量预测模型。结果表明,偏最小二乘法整体性能较优,线性模型普遍优于非线性模型。近红外光谱分析技术建立的校正模型能够较准确地检测完整花椒颗粒中挥发油的含量,可以达到对花椒挥发油含量进行无损检测的目的。