金银花贮藏过程中绿原酸含量的高光谱无损检测模型研究

绿原酸(chlorogenicacid,CGA)是评价金银花品质的重要指标。为了实现金银花贮藏期间CGA含量变化的快速有效检测,该文采集了500个不同贮藏时间(0~20d)的金银花高光谱图像,构建CGA含量的高光谱检测模型。为了提高模型性能,采用savizky-golay卷积平滑(SG),移动窗口平滑(moving average),标准正态变量(standard normal variable,SNV),基线校正(baseline correction,BC),多元散射校正(multiplicative scatter correction,MSC),正交信号校正(orthogonal signal correction,OSC)6种预处理方法并建立偏最小二乘回归(partial least squares regression,PLSR)模型,确定SNV方法为最佳预处理方法,其预测集的R2为0.976 6,RMSE为0.271 1%。为了简化校准模型,利用无信息变量消除(uninformative variable elimination,UVE),连续投影算法(successive projections algorithm,SPA),竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)以及UVE-CARS、UVE-SPA等方法对SNV预处理后的光谱提取特征波长。然后,分别基于全光谱数据和所选特征变量数据,建立线性偏最小二乘回归(PLSR)和非线性BP神经网络模型。结果表明:UVE-CARS算法可以有效地减少提取变量个数(共提取26个,仅占全光谱范围的3.2%),PLSR和BP模型的预测集R2分别为0.974 6和0.978 4,RMSE分别为0.286 3%和0.250 3%。非线性BP模型预测结果整体优于线性PLSR模型,在BP模型中,UVE-CARS-BP预测精度最高,预测集的R2和RMSE的值分别为0.978 4, 0.250 3%。综上,基于高光谱成像技术建立的SNV-UVE-CARS-BP模型,可以实现金银花贮藏过程中CGA含量变化的快速无损预测。

灵芝不溶性膳食纤维对面团及面条品质的影响

该研究将不同添加量(1%、3%、5%)的灵芝不溶性膳食纤维加入到面团中,对动态流变学、质构特性及蛋白二级结构、微观结构等指标进行测定,探究灵芝不溶性纤维对面团特性的影响。结果表明:随着灵芝纤维含量的增加,面团的G"、G'增大,tanδ值减小,面团的黏弹性和抗形变能力得到改善;面团的拉伸阻力增大,延伸性减小,强结合水向自由水迁移,蛋白结构趋向于无序,添加量为3%时对蛋白二级结构影响较小;与对照组相比,灵芝不溶性膳食纤维的加入会破坏连续的面筋网络,大颗粒的淀粉分子暴露在外,面条的蒸煮损失率增加,硬度和咀嚼度减小,弹性和黏聚性增加;消化试验及傅里叶变换红外光谱表明灵芝不溶性膳食纤维面条的快消化淀粉含量减少,抗性淀粉含量增多,淀粉短程有序化程度提高,面条抗消化特性加强。