基于流化床富集-高光谱成像技术的红葡萄酒中白藜芦醇快速检测方法研究

Resveratrol is one of healthy function factor and key ingredient of the comprehensive quality in red wine. The traditional detection methods of resveratrol are time-consuming and labor-intensive, but hyperspectral imaging which contains information of spectral and image is a fast,nondestructive and safe detection method, which will promote the development of red wine industry. This study intends to use fluidized-bed enrichment-hyperspectral imaging to determinate resveratrol of red wine. With absorption resin for enrichment carrier, fluidized-bed enrichs resveratrol and uses hyperspectral imaging to detect adsorption resin. Imaging information is used by binary processing, dilation for obtaining optimal wavelength and further extracting spectral information. The methods of FD,SD,PMSC are adopted for spectrum preprocessing. The algorithm of PLSR,LDA,BP neural network are used to build analysis models of hyperspectral imaging and evaluate the model robustness using piecewise direct standardization. The study will adopt fluidized-bed enrichment-hyperspectral imaging to provide a new method for fast detection of resveratrol,improve detection sensitivity and accuracy, and provide theoretical basis for hyperspectral imaging analysis of trace composition.

白藜芦醇是影响红葡萄酒健康功效发挥的关键功能因子之一，也是体现葡萄酒综合质量水平的“标识”成分。传统检测方法耗时耗力，而高光谱成像技术是集图谱于一身的“快速，无损、安全”的检测方法，将它引入白藜芦醇的检测，必将促进葡萄酒产业的快速发展。本项目拟采用流化床富集—高光谱漫反射模式测量的一体化系统进行红葡萄酒中白藜芦醇的测定，以吸附树脂为富集载体，采用流化床富集白藜芦醇，将吸附有白藜芦醇的吸附树脂不经洗脱直接进行高光谱检测。获取的图像信息经二值化、收缩膨胀等处理得到特征波长进而提取光谱信息；采用FD、SD、PMSC等方法对光谱进行预处理，通过PLSR、LDA、BP神经网络等优选出最佳算法，建立白藜芦醇的高光谱分析模型，采用分段直接校正算法评价模型的稳健性。本研究采用流化床富集—高光谱技术将为白藜芦醇的快速检测提供新方法，提高其检测灵敏度和准确性，为高光谱成像技术在其它微量成分的检测提供理论依据。

红葡萄酒中白藜芦醇含量的传统检测方法具有耗时、繁琐且污染环境的缺点，已不能满足现代红葡萄酒快速、无损、实时的检测发展要求。本项目搭建了循环流化床富集-高光谱成像检测装置，以红葡萄酒为研究对象，采用流化床装置富集微量成分白藜芦醇后，利用高光谱成像技术采集样品的图谱信息，结合化学计量学方法、图像处理算法、数据挖掘技术等数据处理方法，建立了红葡萄酒中白藜芦醇含量的高光谱快速检测模型并进行算法优化，为高光谱技术在葡萄酒中痕量成分检测提供理论支持。研究内容和成果如下:.(1) 红葡萄酒样品中异常样本的剔除。采用异常样本霍特林T2检测法，剔除异常样本，建立PLSR模型，得到Rcv2为0.7312, RMSECV为0.0562; RP2为0.7050， RMSEP为0.0591，剔除干扰数据，提高了原始数据的精确度。.(2) 红葡萄酒样品中样本集划分。比较了KS、SPXY、RS三种样本集划分方法对红葡萄酒样本集的划分结果。其中模型精度提升幅度最大的是KS法，预测集决定系数RP2提升0.0637,RMSEP降低0.006。对样本集进行合理的划分方法可使预测精度进一步提高，确定了红葡萄酒样本集的最优划分方法为KS法。.(3) 白藜芦醇含量的光谱预处理。进行PLSR模型的效果分析，在对红葡萄酒光谱分别进行MSC、SG、归一化等预处理时，比较模型性能参数可以看出SNV预处理方法表现效果最优，其RP2为0.7824、RMSEP为0.0502，较原始数据的预测模型相比，RP2提升0.0137,RMSEP降低0.0029,预处理方法可消除无关信息，从而使模型稳定性提高。.(4) 白藜芦醇含量的高光谱定量分析模型的建立与评价。比较MLR、PCR、PLSR和SVMR四个模型的性能，确定PLSR-SNV模型的预测效果最优, 其预测集RP2为0.7824,RMSEP为0.0502。说明近红外高光谱图像技术检测红葡萄酒中白藜芦醇含量是可行的。.(5)白藜芦醇含量的高光谱特征波长的比较。比较了SPA、UVE、CARS三种方法选择红葡萄酒高光谱特征波长的效果。SPA选择全谱波段进行特征波长选取,其预测集RP2为0.7167, RMSEP为0.0578。在三种特征波长提取方法SPA优于UVE和CARS。全波段进行处理得到RP2为0.7824、RMSEP为0.0502,确定全波段算法的结果最优。