目的建立适用于抹茶品质的可见近红外(visible-nearinfrared,Vis-NIR)光谱快速无损检测模型以实现多种品质指标的定量分析。方法通过Vis-NIR获取抹茶样本的光谱数据,使用一阶导数(first derivative,1^(st))光谱预处理方法,最后采用自助...目的建立适用于抹茶品质的可见近红外(visible-nearinfrared,Vis-NIR)光谱快速无损检测模型以实现多种品质指标的定量分析。方法通过Vis-NIR获取抹茶样本的光谱数据,使用一阶导数(first derivative,1^(st))光谱预处理方法,最后采用自助软收缩法(bootstrapping soft shrinkage,BOSS)、迭代变量子集优化法(iterative variable subset optimization,IVSO)和竞争性自适应重加权采样法(competitive adaptive reweighted sampling,CARS)筛选光谱特征变量,构建抹茶品质指标的偏最小二乘(partial least square,PLS)预测模型,探究光谱信息与茶多酚、游离氨基酸、酚氨比、咖啡碱和可溶性糖之间的定量关系。结果构建的Vis-NIR的CARS-PLS预测模型在抹茶品质指标含量预测方面均获得了最佳结果,预测相关系数(correlation coefficient in the prediction set,Rp)分别为0.9227、0.8906、0.9243、0.9381和0.9522;预测均方根误差(root mean square error in the prediction set,RMSEP)分别为0.867、0.337、0.557、0.216和0.440。结论本研究采用的Vis-NIR光谱技术综合了可见光、短波近红外和长波近红外的优势,在快速无损预测多种抹茶品质指标方面具有良好应用潜力,为抹茶品质的快速无损高效检测提供理论依据和技术支撑。展开更多
文摘目的建立适用于抹茶品质的可见近红外(visible-nearinfrared,Vis-NIR)光谱快速无损检测模型以实现多种品质指标的定量分析。方法通过Vis-NIR获取抹茶样本的光谱数据,使用一阶导数(first derivative,1^(st))光谱预处理方法,最后采用自助软收缩法(bootstrapping soft shrinkage,BOSS)、迭代变量子集优化法(iterative variable subset optimization,IVSO)和竞争性自适应重加权采样法(competitive adaptive reweighted sampling,CARS)筛选光谱特征变量,构建抹茶品质指标的偏最小二乘(partial least square,PLS)预测模型,探究光谱信息与茶多酚、游离氨基酸、酚氨比、咖啡碱和可溶性糖之间的定量关系。结果构建的Vis-NIR的CARS-PLS预测模型在抹茶品质指标含量预测方面均获得了最佳结果,预测相关系数(correlation coefficient in the prediction set,Rp)分别为0.9227、0.8906、0.9243、0.9381和0.9522;预测均方根误差(root mean square error in the prediction set,RMSEP)分别为0.867、0.337、0.557、0.216和0.440。结论本研究采用的Vis-NIR光谱技术综合了可见光、短波近红外和长波近红外的优势,在快速无损预测多种抹茶品质指标方面具有良好应用潜力,为抹茶品质的快速无损高效检测提供理论依据和技术支撑。