CN107831135B

CN107831135B - 一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法

Info

Publication number: CN107831135B
Application number: CN201710992807.1A
Authority: CN
Inventors: 蔡蕊; 赵伟杰; 郭修晗; 王世盛; 李悦青; 唐博; 曹雷; 王柳
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2017-10-23
Filing date: 2017-10-23
Publication date: 2021-01-15
Anticipated expiration: 2037-10-23
Also published as: CN107831135A

Abstract

本发明公开了一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法，包括：对不同产地的鲜海参样本进行采样获得相应的鲜海参采样样本；对所述鲜海参采样样本进行光谱采集以获得原始近红外光谱数据；选取目标总脂类含量；通过OPS算法选取各所述鲜海参采样样本所对应的波长区域，并基于选定的波长区域创建PLS定量模型；建立二维串联定性分析模型即Step I串联Step II模型，对待分析的海参样本进行产地鉴别。本发明实现了通过应用近红外光谱技术结合化学计量学方法建立二维串联定性分析模型，进而对鲜海刺参(Apostichopus japonicus)进行快速无损产地鉴别的目的。

Description

一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法

技术领域

本发明属于识别技术，具体的说是涉及一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法。

背景技术

海刺身(Apostichopus japonicus)是一类名贵的海产品，主要分布于西太平洋北部海域，因其具有的多种保健作用和药用价值在亚洲国家有着悠久的食用、药用历史。在中国海域，共有20余种可食用海参品种，其中黄、渤海海域出产的海刺参(Apostichopusjaponicus)因保健效果卓越而具有最高的市场价值。但是海参的质量受产地影响巨大，即使是同种的海参，在不同的水域生产，质量也会有较大的差别，因此可见，的海参产地是评价海参质量和价值的重要指标之一。

如今，市场上频繁出现伪造海参产地，以次充好牟取暴利的不法行为，侵害消费者利益，扰乱市场秩序。因此，迫切需要建立快速、可靠的海参产地鉴别、追溯方法以解决此类食品安全问题。就目前而言，近红外光谱技术结合化学计量学方法因方便、快捷、准确、经济、无需繁琐样品预处理、无损等特点，被广泛的应用于食品、药品等领域的在线监控、定性及定量检测，近年来，应用近红外光谱技术对海产品的检测也有很多报道，但是，未见应用近红外技术对鲜海参的产地鉴定的报道；目前，现有的海参品质检测手段均无法满足鲜海参的快速分析和在线分析的要求，行业中对鲜海参产地识别的传统方法一般仅仅是依靠表观学、形态学差异，缺少统一、标准化的方法；同时对海参产地溯源、鉴定的现代检测方法均需对样品进行复杂的处理，检验过程繁琐、成本高、效率低。

发明内容

鉴于已有技术存在的缺陷，本发明的目的是要提供一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法，以实现通过应用近红外光谱技术结合化学计量学方法建立二维串联定性分析模型，进而对鲜海刺参(Apostichopus japonicus)进行快速无损产地鉴别。

为了实现上述目的，本发明的技术方案：

一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法，其特征在于，包括如下步骤：

步骤1、对不同产地的鲜海参样本进行采样获得相应的鲜海参采样样本；

步骤2、对所述鲜海参采样样本进行光谱采集以获得原始近红外光谱数据；

步骤3、选取目标总脂类含量；

步骤4、通过OPS算法选取各所述鲜海参采样样本所对应的波长区域，并基于选定的波长区域创建PLS定量模型；

步骤5、建立二维串联定性分析模型即Step I串联Step II模型，对待分析的海参样本进行产地鉴别。

进一步的，所述步骤1包括：

步骤11、预先收集不同产地的鲜海参样本；

步骤12、对每一鲜海参样本均进行下述采样处理以获得相应的鲜海参采样样本：即提取某一鲜海参样本的部分组织物(即体壁)并将所提取的组织物一部分直接进行光谱采集，另一部分进行冻干处理以进行总脂类含量的测定。

进一步的，所述步骤2中的光谱采集是指在将各所述鲜海参采样样本放入采集试管中设定采集条件后通过漫反射光纤探头采集对应的原始近红外光谱，进而创建各鲜海参采样样本对应的近红外模型，所述采集条件为在漫反射模式下，以波长范围为800～2500nm，平均光谱分辨率为4cm^-1进行扫描以建立各鲜海参采样样本各自对应的近红外模型；在扫描过程中始终保持采集温度在25℃，湿度为当前环境湿度不变。

进一步的，所述步骤4包括：

步骤41、将所述原始近红外光谱数据构造成矩阵格式以获得矩阵X；

步骤42、对矩阵X进行预处理以获得预处理光谱数据matrix X_p；

步骤43、排列各所述鲜海参采样样本所对应的总脂类含量值并将其作为PLS回归模型的因变量y，同时将预处理光谱数据matrix X_p作为独立变量，构造PLS回归模型；

步骤44、对所构造的PLS回归模型进行交叉验证并通过OPS算法选取各所述鲜海参采样样本所对应的最佳波长区域，进而构建PLS定量模型。

进一步的，所述步骤44、对所构造的PLS回归模型进行交叉验证以通过OPS算法确定出最低交叉验证的均方根误差RMSECV和最高校准模型的交叉验证R²的相关系数所对应的波段即为最佳波长区域，进而构建PLS定量模型。

进一步的，所述预处理至少包括下列方法中的一种或几种结合：一阶导数FD方法、二阶导数SD方法、标准正常变量SNV方法、乘法散射校正MSC方法、矢量归一化VN方法和SD-NV方法。

进一步的，所述步骤5包括：

步骤51、随机将所述鲜海参采样样本划分为校准集以及测试集进行验证；

步骤52、创建Step I识别模型以及Step II识别模型；

步骤53、通过Step I识别模型分别对测试集中各样本进行初步分类识别；

步骤54、Step I识别模型未能分类识别的样本通过Step II识别模型进行进一步的分类识别获得最终的分类结果以完成对待分析的海参样本进行产地鉴别。

更进一步的，所述创建Step I识别模型是指：首先通过Savitsky-Golay 17点平滑-二阶导法对测试集中各样本进行预处理；随后基于OPS算法选取最优波数范围后通过主成分分析-马氏距离法创建Step I识别模型；所述创建Step I识别模型是指：首先通过二阶导-矢量归一化法对测试集中各样本进行预处理，随后基于OPS算法选取最优波数范围后通过第一范围标定法创建Step II识别模型。

与现有技术相比，本发明的有益效果：

本发明通过应用近红外光谱技术结合化学计量学方法建立二维串联定性分析模型，采用固体光纤探头采集光谱，可直接对鲜海参进行检测，实现了对鲜海刺参的快速无损产地鉴别，具有准确度高，对样品、环境无污染，与常规定量方法相比，在保证准确度基础上，检测周期由1小时缩短至几分钟，更为高效、环保、简便，为海参企业、质检部门提供简便可行的产地溯源手段。

附图说明

本发明附图6幅：

图1为本发明所述方法的步骤流程图；

图2为本发明所述实例-黄海、渤海和东海海域9产地鲜海参样品的采集地点图；

图3A是海参样本原始光谱图；

图3B是经过Savitsky-Golay 17点平滑-二阶导数预处理后的近红外光谱图；

图3C是经过二阶导-矢量归一化预处理后的近红外光谱图；

图4是校正集样品的总脂类含量预测值与气相质谱联用测得真值相关图；

图5是二维定性模型的流程图；

图6为第一维定性模型PCA得分图。

其中，图2中Xiapu为霞浦；Laizhou为莱州；Yantai为烟台；Rushan为乳山；Qingdao为青岛；Wanfangdian为瓦房店；Pulandian为普兰店；Changhai为长海县；Zhangzi Island为獐子岛；图4中绿的块中为第一维定性模型可以成功产地鉴别的样品，红色块中为第一维不能成功分辨需要转到第二维进一步产地鉴别的样品，XP:为霞浦；LZ:为莱州；YT:为烟台；RS:为乳山；QD:为青岛；WFD:为瓦房店；PLD:为普兰店；CH:为长海县；ZZ:为獐子岛。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明旨在提供一种应用近红外光谱法建立二维定性分析模型以快速无损法鉴别产地的方法，其中二维定性分析模型是指，先将所有的样品用第一维定性模型进行鉴别归类，不能唯一分辨的样品进入第二维定性模型中继续进行鉴别分类，以增加模型的分辨率；其中，每一维定性模型的建模参数均分别选定。具体的，本发明所建立的该方法包括如下步骤：

步骤3、选取目标总脂类含量；

进一步的，所述步骤1包括：

步骤11、预先收集不同产地的鲜海参样本；

步骤12、对每一鲜海参样本均进行下述采样处理以获得相应的鲜海参采样样本：即提取某一鲜海参样本的部分组织物并将所提取的组织物一部分直接进行光谱采集，另一部分进行冻干处理以进行总脂类含量的测定；优选实例1，如图2-图3A、3B、3C所示，预先收集来自中国9个产地的189个鲜海参样本，其中至少包括中国北部海域和中国东海的主要海参产地，如瓦房店、普兰店、长海岛、獐子岛；莱州、烟台、乳山、青岛和福建霞浦，详细信息见表1，采样点位置如图2所示，同时为保证建立模型的准确性和抗干扰能力，建立校正模型的样品中目标组分的含量范围应能涵盖以后要分析样品中该组分的含量范围，因此本发明收集了国内主要海参产地三年生成熟海参，能充分代表预测样品的全部背景信息；每一鲜海参样本一经收集均立即进行解剖并清除其消化道以获取海参体壁，将所述海参体壁都保存在-20℃冰箱并送至达采样实验室；随后提取组织物即体壁，所述提取是指将所提取的体壁横切分为两部分：A部分和A′部分；其中A部分不做任何预处理直接进行光谱采集，A′部分冻干处理用于总脂类含量的测定即完全冻结的A′部分在-50℃下冻干48h，将冻干样品用研钵和研杵粉碎成粉末，过80孔筛后在干燥的条件下储存。

表1.中国海域九个海参采集地点及海参样品信息

进一步的，所述步骤2中的光谱采集是指在将各所述鲜海参采样样本放入采集试管中设定采集条件后通过漫反射光纤探头采集对应的原始近红外光谱，进而创建各鲜海参采样样本对应的近红外模型，所述采集条件为在漫反射模式下，以波长范围为800～2500nm，平均光谱分辨率为4cm^-1进行扫描以建立各鲜海参采样样本各自对应的近红外模型；在扫描过程中始终保持采集温度在25℃，湿度为当前环境湿度不变。更进一步的，基于优选实例1的优选实例2，为了尽量减少人为因素造成的偏差，将每个鲜海参采样样本均依次放入一个内径1.2cm的采集试管中，并将直径1.1cm漫反射光纤探头插入试管中，并将其“紧密”固定在样品表面，以采集近红外光谱进而创建各鲜海参采样样本对应的近红外模型，且每个光谱测量都是在漫反射模式下，以800～2500nm波长范围，4cm^-1平均光谱分辨率进行扫描，其温度保持在25℃，湿度保持不变。同时建立近红外模型所需的原始光谱是指在每个样本的不同位点记录的三次光谱的平均值。由于光谱法的采集方式直接影响光谱的质量，若不采取步骤2所示采样方法，则光谱的噪音大，人为造成的漂移明显，会使得光谱无法使用，进而可能影响模型的准确度。

进一步的，所述步骤3选取作为海参质量评价标准中较有代表性的总脂类含量为目标，如可选用GC/MS测定九种产地海参体壁的总脂类含量以建立NIRS定量模型，标准见表2，以便于下一步建立PLS定量模型使用，最终用于建立定性模型的波段。其中，本步骤中海参样本中脂肪酸总含量的定量分析过程为：采用脂质萃取法，对海参样本进行了全脂质提取，优选采用粉末样品(0.5g)用氯仿-甲醇体系溶剂(2:1,v/v)添加到10毫升，并在37℃下机械震动30分钟，然后过滤；随后使用1/5vol(0.88％NaCl溶液)清洗滤渣，分离；在使用无水硫酸钠干燥后，收集氯仿层，使其集中在氮气流中，以获得总脂肪酸部分；最后20毫克总脂质样品在60℃水浴下溶解在1毫升1％硫酸甲醇溶液60分钟进行甲基化，然后冷却；加入1毫升的正己烷后将混合物振荡30秒，静置；保留上清液并使用安捷伦7890A/7000B三重四极气相色谱/质谱(GC/MS)进行分析(此气相色谱/质谱配备了毛细管柱HP-5(30米×0.25毫米ID coated with 0.25μm film thickness；Agilent,Santa Clara,CA))，具体的温度的程序为:温度70℃，时间3分钟，之后温度每分钟升高3℃直到220℃后，保持此温度33分钟；同时注入器和检测器的温度分别设定在220和280℃，进样量为1.0mL，载体气体为氦气(99.999％纯度)，在恒流模式下以1.2mL/min的流速引入，对于质谱测试，传输线温度为250℃,离子源温度为230℃。在电子电离模式，电子能量为70eV下对样品进行了电离，样品的气相保留时间和质谱分别与Supelco 37Component FAME Mix(Supelco,Bellfonte,PA)的气相保留时间和标准程序库(NIST2010)的质谱相比较，以确定脂肪酸的类型，其中总脂肪酸值被定义为已知单个脂肪酸值和报告的平均值±标准差(SD)之和。

表2.各产地海参样品壁中总脂类含量.

上角标a,b表示总脂类含量具有显著差异(P≤0.05)，^*总脂类含量

进一步的，所述步骤4的核心要点是应用OPS算法选择合适的波长区域。然后利用所选定的波长区域建立定量模型即应用OPS算法选择合适的波长区域，以满足总脂肪酸含量s的回归，进而为下一步建立识别模型选定的波长区域其具体包括：步骤41、将所述原始近红外光谱数据构造成矩阵格式以获得矩阵X(m×n)；步骤42、对矩阵X进行预处理以获得预处理光谱数据matrix X_p并将矩阵X转化为矩阵X_p；步骤43、排列各所述鲜海参采样样本所对应的总脂类含量值并将其作为PLS回归模型的因变量y，同时将预处理光谱数据matrixX_p作为独立变量，构造PLS回归模型；步骤44、对所构造的PLS回归模型进行交叉验证并通过OPS算法选取各所述鲜海参采样样本所对应的最佳波长区域，进而构建PLS定量模型。进一步的，所述步骤44、对所构造的PLS回归模型进行交叉验证以通过OPS算法确定出交叉验证的均方根误差RMSECV和校准模型的交叉验证R²的相关系数最高所对应的波段即为最佳波长区域。进一步的，所述预处理至少包括下列方法中的一种或几种结合：一阶导数FD方法、二阶导数SD方法、标准正常变量SNV方法、乘法散射校正MSC方法、矢量归一化VN方法和SD-NV方法。更进一步的，基于优选实例2的优选实例3，步骤41、将所述原始近红外光谱数据构造成矩阵格式以获得矩阵X(189×700)；步骤42、对矩阵X进行预处理以获得预处理光谱数据matrix X_p，在谱图与数据关联前，需要对光谱采用合适的光谱预处理方法，以减轻或消除各种因素的干扰，所述的预处理方法选自下列方法中的一种或几种：包括一阶导数(FD)、二阶导数(SD)、标准正常变量(SNV)、乘法散射校正(MSC)、矢量归一化(VN)和SD-NV；步骤43、排列各所述鲜海参采样样本所对应的总脂类含量值并将其作为PLS回归模型的因变量y，同时将预处理光谱数据matrix X_p作为独立变量，构造PLS回归模型，上述过程可运用Bruker OPUS 6.5和MATLAB 7.1软件进行上述数据分析，以海参样本的预处理光谱(matrixXp)作为独立变量，使用总脂类含量值作为因变量(y)来开发PLS回归模型；步骤44、对所构造的PLS回归模型进行交叉验证并通过OPS算法选取各所述鲜海参采样样本所对应的最佳波长区域，进而构建PLS定量模型；如为了验证PLS回归模型，可使用了leave-one-out交叉验证。其中上述样本每个样本的三组平行数据都被使用，其中148个样本(444个光谱)被随机选择为校正集，其余41个样本(123光谱)作为验证集并以交叉验证均方根差(RMSECV)和相关系数(R²)为指标，使用化学计量学中的OPS选择最佳波段，构建偏最小二乘法(PLS)定量模型；最后，S.G 17点平滑二阶导数由于其最小的交叉验证的均方根误差(RMSECV)和校准模型的交叉验证(R²)的相关系数最高，被选为定量模型。如图3所示为原始的和预处理的光谱图中，根据RMSECV和R²值确定了PLS模型的潜在变量L的个数；在表3中列出了采用不同预处理方法和最佳参数的总脂肪酸含量PLS模型的结果并对不同的预处理方法依照其预测结果进行了比较，包括一阶导数(FD)、二阶导数(SD)、标准正常变量(SNV)、Savitsky-Golay(S.G)、乘法散射校正(MSC)、矢量归一化(VN)和SD-NV；根据RMSECV和R²值确定了PLS模型的潜在变量个数。在表3中列出了采用不同预处理方法和最佳参数的总脂肪酸含量PLS模型的结果，可见当采用SD+SG(9,0)时，l等于8，可以得到最低的RMSECV(0.31)和最高R²(0.90)。

表3.不同光谱预处理法处理后海参样本中总脂类含量PLS定量模型

在确定了l值后，可构建在OPS中使用的最优回归向量，对应本例则选取了700个吸收变量的30个区域，来构建总脂肪酸含量的PLS模型，其中选定的波长区域的详细信息以及功能基团的相关吸收带，详见表4。

表4.OPS算法计算后得到的能够用于定量和定性的波段范围

^a第一维模型使用的波长范围，^b第二维模型使用的波长范围

从上表可知，波长范围选取主要与脂肪酸功能基团的振动有关；800～1000nm区域被排除在外，由于其邻接的可见范围(400nm～760nm)，并且海参体壁在这个波长区域可能产生很多噪音；另外，由于光纤探针所引起的信号衰减，1800～2500nm区域也被排除在外；采用上述优化的PLS模型，对测试集中41个样本的总脂类含量进行预测，图3中的散点图展示了通过优化的PLS模型对脂类含量的NIR预测值与参考GC/MS测量之间的相关性，标定和预测数据与图3中的参考测量数据具有良好的相关性。

进一步的，所述步骤5建立了一种二维串联定性分析模型(Step I串联Step II模型)，用于对海参样本产地的鉴别，其具体包括：步骤51、随机将所述鲜海参采样样本划分为校准集以及测试集；步骤52、创建Step I识别模型以及Step II识别模型；步骤53、通过StepI识别模型分别对测试集中各样本进行初步分类识别；步骤54、Step I识别模型未能分类识别的样本通过Step II识别模型进行进一步的分类识别获得最终的分类结果以完成对待分析的海参样本进行产地鉴别。更进一步的，所述创建Step I识别模型是指：首先通过Savitsky-Golay 17点平滑-二阶导法对测试集中各样本进行预处理；随后基于OPS算法选取最优波数范围后通过主成分分析-马氏距离法创建Step I识别模型；所述创建Step I识别模型是指：首先通过二阶导-矢量归一化法对测试集中各样本进行预处理，随后基于OPS算法选取最优波数范围后通过第一范围标定法创建Step II识别模型。更进一步的，由于海参样品质地复杂，一重定性模型很难将9产地样品分开，为了达到完全分离，本发明建立了一种二维串联定性分析模型(Step I串联Step II模型)，用于对鲜海参样本产地的鉴别，具体的基于优选实例3的优选实例4，如图4-图6所示，二维识别模型建立程序流程图如图4所示，将上述189个样本中，144个样本用于建立校准模型，其余45个样本(每个产地5个样本)用于验证；其中通过Step I模型对144个样品进行了分类，随后将未识别的光谱输入了串联Step II模型进行进一步分类；分别选择了各步骤模型建立的最佳因素(预处理方法、波长区域和算法)，以达到完全分辨的目的，如在Step I和Step II模型中分别使用Savitsky-Golay(S.G)17点平滑-二阶导、二阶导-矢量归一化分别作为第一、第二维定性模型的预处理方法；应用OPS(ordered predictors selection)算法分别为一维、二维定性模型选取最优波数范围；主成分分析-马氏距离法(PCA-MD，principal component analysis combinedwith Mahalanobis distance)和第一范围标定法(Scaling to the first rangealgorithm)分别作为一维、二维定性模型的定性算法，建立模型并选择性(S)用于评价识别模型的识别能力，S>1意味着类可以完全分离；S＝1表示类之间有接触；S值越大，判别结果越好，预测模型越准确。对应的S是由下式(1)计算的，D表示从一个类别的中心到另一个类别的中心的距离，未知光谱与平均光谱在校正集(Hit)的距离是计算得到的，每一类(DT)的阈值由式(2)计算，QSDev是校正集(Hit)的标准偏差；Q是系数，通常选择0.25。

S＝D/(DT1+DT2)……………………(1)

DI＝Mω(Hit)+QSDω………………(2)

具体的，基于所选取的30个波长区域，建立Step I识别模型，可采用PCA-MD方法进行波长区域选择(表4,上标a)；经过Step I模型,区分49样本(在图4红色方块)对于模糊不清的分类进入串联Step II进一步识别；表5中为Step I的详细的区分结果(S的值)。最大的S1值获得于XP(2.48)，Step I中每组的S1值均大于1.06，除了CH(0.51)PLD(0.04)和ZZ(0.04)，这表明产自XP,WFD,QD,YT,RS和LZ区域的海参样本差异显著。从图5 3D-PCA得分图直观看出各区域样品的差异。虽然PC1的方差贡献率高达83.4％，但由于其不明确的分类，在模型建设中并未采用PC1。推测PC1包含样本的主要化学信息，而不是样本之间的不同信息。如图5所示，将9个不同产地的海参样本分为7个集中区域。XP样本可以完全与其他产地的样本完全分离，而来自XP的样本的良好分类结果可以归结为中国东海和中国北方海域之间不同的水环境和食物资源。相反，来自PLD、ZZ和CH的样品的分布部分重叠，这是因为它们都位于黄海海域，导致了水环境和食物来源的相似。49个样本(图4中的红色方块)没有被Step I模型成功区分，随后由串联Step II模型分离，该模型采用SD-VN作为预处理方法，并按OPS(上标b，附表4)所选的25个波长区域使用Scaling to the first range算法，最后，CH、PLD和ZZ的SII均大于1.10，说明产地为CH，PLD和ZZ海参样品可以适当区分。Step II的总体结果如图5所示，可见验证集中的45个样本使用已建立的模型进行分类，其中没有任何一个区分错误。总体的结果表明,尽管这项工作所研究的海参样品虽然属于同一个物种，但不同的地理区域和水环境会导致区分成分显示不符合光谱信息的样本，NIRS检测技术结合化学计量学分析对于准确的区分中国海域9大产地的海参样本是一个可行的方法。从本例看，其所得结果令人满意，为食品安全、产地溯源实时分析技术开辟了一个新途径。

表5.产地鉴别模型结果

S_I:第一维模型得到的S值；S_II:第二维模型得到的S值；S>1:类之间完全分离；S＝1:类之间有接触；S<1:类之间未完全分离。

综上所述，本发明基于NIRS的溯源鉴别方法结合化学计量分析对于中国九大产地海参样本得到了令人满意的鉴别能力，其分类模型的正确分类率达到100％。此外，建立的PLS模型也适用于海参总法含量的测定，更值得一提的是，NIRS方法不需要对样品进行任何复杂的预处理，仅利用漫反射光线探头就可以在线检测鲜海参。然而，本发明NIRS方法在实际应用于海参产业的溯源和鉴定之前，需要更广泛的样本来提高识别模型的准确性和适用性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims

1.一种应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法，其特征在于，包括如下步骤：

步骤1、对瓦房店、普兰店、长海岛、獐子岛；莱州、烟台、乳山、青岛和福建霞浦九个产地的鲜海参样本进行采样获得相应的鲜海参采样样本；

所述步骤1包括：

步骤11、预先收集瓦房店、普兰店、长海岛、獐子岛；莱州、烟台、乳山、青岛和福建霞浦九个产地的鲜海参样本；

步骤12、对每一鲜海参样本均进行下述采样处理以获得相应的鲜海参采样样本：即提取某一鲜海参样本的部分组织物即体壁并将所提取的组织物一部分直接进行光谱采集，另一部分进行冻干处理以进行总脂类含量的测定；

步骤2、使用漫反射光纤探头对所述鲜海参采样样本进行光谱采集以获得原始近红外光谱数据；

步骤3、选取九种产地海参体壁的总脂类含量；

所述步骤4包括：

步骤42、对矩阵X进行预处理以获得预处理光谱数据matrix X_p并将矩阵X转化为矩阵X_p；所述预处理包括一阶导数FD方法、二阶导数SD方法、标准正常变量SNV方法、乘法散射校正MSC方法、矢量归一化VN方法和SD-NV方法的一种或几种结合；

步骤44、对所构造的PLS回归模型进行交叉验证并通过OPS算法选取各所述鲜海参采样样本所对应的最佳波长区域，进而构建PLS定量模型；以海参样本的预处理光谱matrix Xp作为独立变量，使用总脂类含量值作为因变量y来开发PLS回归模型；

所述步骤44、对所构造的PLS回归模型进行交叉验证以通过OPS算法确定出交叉验证的均方根误差RMSECV和校准模型的交叉验证R²的相关系数最高所对应的波段即为最佳波长区域；

步骤5、建立二维串联定性分析模型即Step I串联Step II模型，对待分析的鲜海参样本进行产地鉴别；

所述步骤5包括：

步骤51、随机将所述鲜海参采样样本划分为校准集以及测试集；

步骤52、创建Step I识别模型以及Step II识别模型；

步骤54、Step I识别模型未能分类识别的样本通过Step II识别模型进行进一步的分类识别获得最终的分类结果以完成对待分析的海参样本进行产地鉴别；

所述创建Step I识别模型是指：首先通过Savitsky-Golay 17点平滑-二阶导法对测试集中各样本进行预处理；随后基于OPS算法选取最优波数范围后通过主成分分析-马氏距离法创建Step I识别模型；所述创建Step II识别模型是指：首先通过二阶导-矢量归一化法对测试集中各样本进行预处理，随后基于OPS算法选取最优波数范围后通过第一范围标定法创建Step II识别模型。

2.根据权利要求1所述的应用近红外光谱法建立二维定性分析模型以鉴别鲜海刺参产地的方法，其特征在于：

所述步骤2中的光谱采集是指在将各所述鲜海参采样样本放入采集试管中设定采集条件后通过漫反射光纤探头采集对应的原始近红外光谱，进而创建各鲜海参采样样本对应的近红外模型，所述采集条件为在漫反射模式下，以波长范围为800～2500nm，平均光谱分辨率为4cm^-1进行扫描以建立各鲜海参采样样本各自对应的近红外模型；在扫描过程中始终保持采集温度在25℃，湿度为当前环境湿度不变。