论文部分内容阅读
在小麦的储藏、运输和加工过程中,受到水分、温度和微生物等外界环境因素的影响,小麦容易产生发芽和霉变等现象。在霉变的过程中,由于微生物的生长代谢作用会将有机质分解产生大量的挥发性物质。本研究分别采集与不同霉变程度小麦挥发性气体反应后的色敏传感器图像和可见/近红外光谱信息,并结合多变量分析方法进行数据分析,实现对霉变小麦挥发性气体的定性与定量分析。论文的主要研究内容如下:（1）小麦霉变过程中挥发性气体成分变化的研究。利用GC-MS测定不同霉变程度小麦（新鲜小麦、储藏3d、7d、11d的霉变小麦）的挥发性气体成分,共检出53种气体成分,通过对这53种气体成分进行主成分分析后,从前三个主成分的载荷因子中可以发现1-辛烯-3-醇的贡献度最高,而且1-辛烯-3-醇的含量随着小麦霉变程度的加剧显著升高。研究结果表明,1-辛烯-3-醇可作为鉴别小麦霉变程度的特征挥发性气体。（2）小麦自然霉变的色敏传感器检测研究。实验利用可视化系统从30种色敏材料中筛选出对小麦霉变特征挥发性气体1-辛烯-3-醇敏感以及对不同霉变程度小麦挥发性气体交互敏感的色敏材料,并将其制备成色敏传感器实现对霉变小麦的判别。实验结果表明,通过可视化系统筛选出的NO2BDP、BrBDP和HBDP三种氟硼吡咯类化合物构建的传感器阵列能够实现对不同霉变程度小麦的准确鉴别;对新鲜小麦、储藏3d、7d、11d的霉变小麦样本进行主成分分析后,结合KNN与LDA进行模式识别。通过对比得出最佳检测模型,当KNN模型在K为2,主成分数为9时,训练集和预测集识别率都达到95.83%。（3）小麦自然霉变的色敏传感-光谱分析技术检测研究。实验利用可见/近红外光谱仪采集与不同霉变程度小麦挥发性气体反应后的色敏传感器的光谱信息,对光谱进行处理后结合相应的模式识别方法,实现了对不同霉变程度小麦的区分。研究结果表明,将获取的与不同霉变程度小麦反应后的NO2BDP、BrBDP和HBDP三个传感器的可见/近红外光谱进行SNV预处理后,进行Si-PLS变量筛选,利用筛选出的变量建立的PCA模型能够大致地区分开新鲜小麦、储藏3d、7d和11d的霉变小麦。为了再次优化变量,采用GA算法对Si-PLS筛选出的变量进行了10次筛选,并将10次变量筛选后的变量分别进行主成分分析后,将提取出的主成分因子作为输入分别建立相应的KNN与LDA模型。当KNN模型在K为2,主成分数为9时,模式的识别效果最好,训练集总体识别率达到100%,预测总体识别率也达到了96.25%。（4）基于色敏传感-光谱分析技术的霉变小麦菌落数定量分析研究。实验选定灰绿曲霉为研究对象,以灰绿曲霉在小麦霉变过程中霉菌菌落总数为指标,以色敏传感器为媒介,通过可见/近红外装置获取的传感器光谱图像来反应样本间的差异,建立菌落总数的定量分析模型。研究结果表明,将获取的与不同带菌量小麦样本反应后的NO2BDP、BrBDP和HBDP三个传感器的可见/近红外光谱进行SNV预处理后,分别采用PLS与Si-PLS建立相应的霉菌菌落总数检测模型。通过对比发现,由NO2BDP、BrBDP和HBDP三个传感器的光谱数据分别建立的Si-PLS的模型都要优于全波段的PLS模型。为了进一步提高霉菌菌落总数的检测精度,将Si-PLS筛选出的NO2BDP、BrBDP和HBDP三个传感器光谱的特征区间联合后,再使用GA算法对该联合区间进一步筛选,将运算10次后获取的变量分别建立PLS模型,得到最佳的Si-GA-PLS模型,其预测均方根误差（RMSEP）为0.709,霉菌菌落总数的预测值与实测值相关系数（Rp）为0.9387。研究成果表明通过可见/近红外光谱与色敏传感器技术结合的方法,能够实现对挥发性气体的定量检测研究,实现霉变小麦的品质监控。