论文部分内容阅读
针对传统粮食真菌毒素污染检测方法操作繁琐、时效性差或灵敏度低等缺点,本文以粮食储藏中的特征气味和光谱信息为切入点,采用电子鼻、近/中红外(NIR/MIR)光谱技术对接种产黄曲霉毒素(AF)真菌的稻米进行研究。重点分析粮食中常见霉菌各生长时期特征挥发性物质的变化规律,基于电子鼻响应信号建立不同霉菌样品的快速鉴别模型;揭示稻米中AF的指示性气味成分,明确与AF含量密切相关的特征传感器及光谱波段,建立基于电子鼻信号、NIR和MIR光谱信息的稻米AF污染快速分析模型。本实验主要结论如下:1、主成分分析(PCA)结果显示,电子鼻能够有效区分生长中后期(5 d、13 d)的黄曲霉类、寄生曲霉类和青霉类样品。线性判别分析(LDA)和偏最小二乘判别分析(PLS-DA)对黄曲霉类、寄生曲霉类和青霉类样品的判别正确率分别达到100%和97.9%。GC-MS结果显示,1-辛烯-3-醇和3-辛酮可作为霉菌次级代谢产物的特征挥发性成分,而各霉菌的挥发性物质不同,且生长后期差异更加明显。结果表明运用电子鼻与GC-MS技术具有实现粮食常见霉菌快速鉴别的可行性。2、基于电子鼻信号建立糙米AF污染的快速分析模型,PLS-DA可较好区分侵染不同AF含量的样品,留一交互验证正确率均高于80%。偏最小二乘回归分析(PLSR)显示电子鼻信号与糙米中AFB1、B2、G1、G2及总量浓度之间呈现较高相关性,其中对AFB1的预测精度最高,相关系数(r)和预测均方根误差(RMSEP)分别为0.808和127.3μg/kg。载荷分析及GC-MS结果显示LY2/AA、T70/2、PA/2、T30/1、P10/1、P10/2和P40/1的贡献率最大,受AF污染糙米样品挥发性组分的变化主要体现在酮醛类、醇类、芳香烃类和烷烃类物质上。结果表明采用电子鼻对侵染不同浓度AF的糙米样品进行识别具有一定可行性。3、基于红外光谱建立糙米AF的LDA模型,NIR和MIR对AFB1、B2、G1、G2及总量的交互验证正确率均高于90%。PLSR对各AF含量的预测精度较高,r和相对分析误差(RPD)分别等于或大于0.920和2.5,整体优于电子鼻结果。尽管对低浓度AF的预测能力稍差,但随着仪器性能的不断提升及建模算法的快速发展,NIR和MIR技术将成为更加高效、准确的农产品AF污染检测方法。4、利用电子鼻、NIR和MIR光谱技术对稻谷AF含量进行分析,初步研究表明,LDA及多元回归分析模型的整体预测性能不佳,主要影响因素包括样品颗粒大小不一及AF分布不均等,后续研究需深度完善实验方案,改进样品前处理方式,严控取样一致性和代表性,优化特征提取及建模方法,以提升模型性能。