银杏叶中黄酮含量的叶面分布检测研究

李 芳,石吉勇,张德涛,陈正伟

(1.江苏大学 医学院卫生检验系,江苏镇江 212013;2.江苏大学 食品与生物工程学院食品科学系,江苏镇江 212013)



银杏叶中黄酮含量的叶面分布检测研究

李 芳1,石吉勇2,张德涛2,陈正伟2

(1.江苏大学 医学院卫生检验系,江苏镇江 212013;2.江苏大学 食品与生物工程学院食品科学系,江苏镇江 212013)

利用近红外高光谱图像技术研究了银杏叶中黄酮含量的叶面分布检测方法。首先采集120片新鲜银杏叶在900～1700nm波段下的高光谱图像信息,并采用化学分析方法测量银杏叶的黄酮含量值;其次,提取银杏叶高光谱图像中的光谱信息,结合主成分分析和线性回归方法建立黄酮含量检测模型(r=0.9219),由此确立银杏叶高光谱图像信号与黄酮含量的对应关系;最后,依次提取待测银杏叶高光谱图像中单个像素点对应的光谱信息,将其代入黄酮含量检测模型以计算各像素点处对应的黄酮含量值,从而得到黄酮含量在整个银杏叶面上的分布图。研究表明:近红外高光谱图像技术可快速检测银杏叶中黄酮的叶面分布,研究为揭示有机组分在食品中的分布规律提供了技术手段。

黄酮,银杏叶,分布,高光谱图像技术

银杏黄酮具有扩展血管、抗氧化、调血脂等作用,广泛用于食品、药品、饮料和化妆品等[1]。黄酮是银杏叶的主要活性成分,占银杏叶提出物(EGB761)总重量的24%以上[2]。由于树种、生长周期、光照条件、土壤肥力等因素的影响,不同银杏叶中的黄酮含量往往存在较大差异,需要对银杏叶中的黄酮进行检测,为银杏叶的采摘、加工提供依据[3-4]。

银杏叶黄酮的检测方法有化学检测法[5-6]和近红外光谱检测法[7-8]。化学检测方法首先利用化学试剂提取银杏叶中的黄酮;然后利用紫外分光光度计、高效液相色谱等分析仪器定量检测提取物中的黄酮含量,并计算出银杏叶中的黄酮含量。化学分析方法的检测结果准确,但检测过程耗时、破坏检测样本。近红外光谱检测法采集银杏叶的近红外光谱信息,建立近红外光谱信息与黄酮含量的对应关系,实现银杏叶黄酮含量的快速检测。近红外光谱法具有检测速度快、不破坏检测样本等优点[9-10]。由于化学检测方法得到的黄酮含量仅能反映采样区域的平均黄酮含量[11-12],而近红外光谱法得到的黄酮含量仅能反映光谱采集区域对应的黄酮含量,两者均无法反映黄酮含量在整个银杏叶面的分布情况。

本研究拟利用高光谱图像不仅包含样本在各个波段下的图像信息,还包含每个像素点在各个波段下的光谱信息这一优势[13-14],通过建立高光谱图像信号与黄酮含量的对应关系,依次利用各像素点的光谱信息计算各像素点区域对应的黄酮含量,期望得到一种银杏叶黄酮含量的叶面分布检测方法。

1 材料与方法

1.1 材料与仪器

银杏叶 采集于江苏大学校园;VI7E光谱扫描仪 芬兰Spectra Imaging Ltd.;XEVA-FPA-1.7-320相机 比利时XenIcs Ltd.;2900光源系统 美国Illumination Technologies Inc.;TS200AB电控平移台 中国卓立汉光。

1.2 高光谱图像采集

为了防止基线漂移,数据采集前将高光谱图像采集系统预热30min。数据采集时,逐一用钢直尺压住叶柄使得银杏叶平铺在白色底板的电控位移台上,设定高光谱摄相机曝光时间为45ms,电控平移台的移动速度为1.25mm/s,图像扫描行数为500行/幅,每行扫描的像素点个数为320,光谱范围为870～1766nm,光谱分辨率为2.8nm,光谱采样间隔为3.5nm,采集得到256个波长下的图像,最终得到一个大小为500×320×256的高光谱图像数据块,如图1所示。从图1中可以看出,高光谱图像数据的特点为既有各个波长下的图像信息,也有各个像素点对应的光谱信息。高光谱图像数据的这一特性,为研究银杏叶黄酮含量的叶面分布奠定了基础[15]。

图1 银杏叶高光谱图像数据块Fig.1 Ginkgo leaf hyperspectral image data cube

1.3 高光谱图像信号标定

由于传感器中暗电流的存在以及光源强度在各波段下分布不均匀,需要对所获得的样本图像进行黑白标定。在与样本采集相同的系统条件下,首先扫描标准白色校正板(99%光照反射率)得到全白的标定图像W;然后关闭摄像机的快门进行图像采集得到全黑的标定图像B;最后完成图像的标定,使采集得到的绝对图像I转换成相对图像R。标定过程如公式(1)所示:

式(1)

式中,R为标定后的高光谱图像;I为原始的高光谱图像;B为全黑的标定图像;W为全白的标定图像。

1.4 黄酮含量测定

银杏叶中黄酮含量的测定与高光谱图像采集同步,利用紫外分光光度计法测定高光谱图像采集区域银杏叶片的黄酮含量[16],用芦丁作标准曲线,如公式(2)所示。黄酮含量用标准曲线得出的方程计算:

A=10.781C-0.023,R2=0.998

式(2)

式中；A-吸光度;C-黄酮含量(mg/g)。

2 结果与讨论

2.1 银杏叶黄酮含量检测结果

将120个样本分为校正集和预测集,为了避免子集选择的偏移,根据每个样本的黄酮含量值来进行分类。按照校正集和预测集3∶1的比例、每4个样本中的3个随机分入校正集,因此校正集包含90个样本,预测集包含30个样本,如表1所示。

表1 银杏叶黄酮含量理化检测结果统计表Table1 Statistics of total flavonoids content measurement by the standard destructive method of fresh ginkgo leaves

2.2 银杏叶光谱信息提取及预处理

在叶片的中心部位选取50×50像素作为感兴趣区域(Region of interest,ROI),如图2所示;针对120片银杏叶高光谱图像,逐一计算ROI内所有像素点在各个波段下的平均光谱响应值,得到每片银杏叶对应的光谱数据;采用SNV方法对提取到的光谱数据进行预处理,减低基线漂移、随机噪声等干扰信号对建模的影响,如图3所示。

图2 银杏叶片中定义的感兴趣区域Fig.2 Definition of ROI in Ginkgo leaf

图3 经SNV预处理后的光谱曲线Fig.3 Spectra of fresh gingko leaves processed by SNV method

2.3 黄酮含量校正模型的建立

首先采用主成分分析方法(PCA)对提取到的光谱信息进行特征提取,得到光谱信息对应的前10个主成分信息(PC1,PC2,……,PC10,总体方差贡献率为99.54%);然后以校正集光谱数据的主成分信息作为自变量,以校正集银杏叶黄酮含量值作为因变量,采用逐步线性回归法筛选与黄酮含量密切相关的主成分变量,得到回归模型如公式(3)所示;

Y=14.149+0.002PC1-0.007PC2+0.022PC4

式(3)

最后将校正集光谱数据的主成分信息作为自变量,代入公式(3)计算校正集银杏叶的黄酮含量值,并将计算结果与理化分析得到的黄酮含量值进行对比,得校正集对应的相关系数r为0.9219、均方根误差RMSE为3.1532;将预测集光谱数据的主成分信息作为自变量,代入公式(3)计算预测集银杏叶的黄酮含量值,并将计算结果与理化分析得到的黄酮含量值进行对比,得相关系数r为0.9051、均方根误差RMSE为3.5110,表明建立的逐步线性回归模型对黄酮含量具有较准确的预测能力。

2.4 黄酮含量叶面分布检测

对待测银杏叶片,检测其中黄酮含量分布的过程为:根据2.1所用的高光谱图像采集方法,获取银杏叶片的高光谱图像数据;提取银杏叶高光谱图像数据块中每一个像素点对应的光谱信息,并按照2.2对光谱信息进行预处理;对预处理后的光谱信息进行PCA分析,得到光谱信息对应的第1主成分PC1、第二主成分PC2和第四主成分PC4;将每条光谱对应的PC1、PC2和PC4代入2.3中建立的黄酮含量校正模型即公式(3),计算得到每个像素点对应的黄酮含量,从而得到黄酮含量的在整个银杏叶面上的分布图,如图4所示。

图4给出了银杏叶片不同区域的黄酮含量,克服了常规理化分析和近红外光谱法仅能检测采样区域内黄酮含量的不足,表明高光谱图像在检测叶片组分叶面分布方面的独特优势。此外,图4还给出了黄酮含量在银杏叶不同区域的分布情况,即黄酮含量高的区域主要集中在叶片的边缘区域,而黄酮含量低的区域主要集中在叶柄附近。

图4 银杏叶黄酮含量的叶面分布图Fig.4 Total flavonoids content distribution map

3 结论

研究首先采集银杏叶在900～1700nm波段下的高光谱图像信息,提取高光谱图像中的光谱信息后,通过逐步线性回归方法建立了银杏叶高光谱图像信号与黄酮含量的对应关系,得到银杏叶黄酮校正模型对应的相关系数为0.9219。随后逐个像素点提取待测银杏叶高光谱图像的光谱信息,并代入到已建立的黄酮含量校正模型中,计算得到每个像素点处的黄酮含量,从而得到黄酮含量在整个银杏叶面上的分布图。研究表明近红外光谱图像技术可快速检测银杏叶中黄酮的叶面分布,研究为揭示有机组分在食品中的分布规律提供了技术手段。

[1]王飞娟. 银杏叶中黄酮类化合物的研究进展[J]. 西北药学杂志,2010,25(2):155-156.

[2]陈凡,李奕雅. 银杏叶提取物的HPLC2DAD指纹图谱研究[J]. 海峡药学,2010,22(5):38-40.

[3]苑可武,孟宪惠,徐文豪. 银杏叶中黄酮含量的季节性变化[J]. 中草药,1997,28(4):211-212.

[4]周统建,曹福亮,汪贵斌,等. 银杏树中黄酮类化合物分布规律研究[J]. 林产化学与工业,2009,29(6):78-80.

[5]李艳丽,黄强,班春兰,等. 分光光度法测定银杏叶提取液中总黄酮含量[J].河南化工,2006,23(1):35.

[6]何书美,刘静兰. 茶叶中总黄酮含量测定方法的研究[J]. 分析化学研究简报,2007,35(9):1365-1368.

[7]Cook N C,Samman S. Flavonoids--Chemistry,metabolism,cardioprotective effects,and dietary sources[J]. Journal of Nutritional Biochemistry,1996,7(2):66-76.

[8]Peterson J,Dwyer J. Flavonoids:Dietary occurrence and biochemical activity[J]. Nutrition Research,1998,18(12):1995-2018.

[9]孙炳新,匡立学,徐方旭,等. 苹果有效酸度的近红外无损检测研究[J]. 食品工业科技,2013,34(15):298-301.

[10]李东华,纪淑娟. 南果梨果实硬度近红外无损检测模型的建立[J]. 食品工业科技,2012,33(15):312-314.

[11]阳梅芳,曾新安,杨星. 沙田柚中不同部位黄酮类物质的分布及含量探讨[J]. 食品工业科技,2013,34(1):89-91,96.

[12]王静霞,黄艳菲,赵小燕,等. 荞麦和商品苦荞茶中总黄酮的含量测定[J]. 食品工业科技,2013,34(2):58-60.

[13]Del Fiore A,Reverberi M,Ricelli A,et al. Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J]. International Journal of Food Microbiology,2010,144(1):64-71.

[14]Thumm A,Riddell M,Nanayakkara B,et al. Near infrared hyperspectral imaging applied to mapping chemical composition in wood samples[J].Journal of Near Infrared Spectroscopy,2010,18(5):507-515.

[15]石吉勇,邹小波,赵杰文,等. 高光谱图像技术检测黄瓜叶片的叶绿素叶面分布[J]. 分析化学,2011,39(2):243-247.

[16]邹小波,黄晓玮,石吉勇,等. 银杏叶总黄酮含量近红外光谱检测的特征谱区筛选[J]. 农业机械学报,2012,43(9):155-159.

Determination of total flavonoid content distribution
on ginkgo biloba leaf

LI Fang1,SHI Ji-yong2,ZHANG De-tao2,CHEN Zheng-wei2

(1.Department of Hygienic Investigation,School of Medicine,Jiangsu University,Zhenjiang 212013,China;2.Department of Food Science,School of Food and Biological Engineering,Jiangsu University,Zhenjiang 212013,China)

The feasibility of using hyperspectral imaging at near infrared wavelength range(900～1700nm)for determination of total flavonoid content distribution on ginkgo biloba leaves was investigated. 120 fresh ginkgo leaves were collected as research samples. After hyperspectral image acquisition and pre-processing,standard destructive method was used to determine the content of total flavonoid content. The average spectra obtained from the region of interest(ROI)in ginkgo leaf images were used for model development. Principal component analysis(PCA)was performed on the average spectrum,multi-linear regression(MLR)was used to build calibration models relating the spectra and total flavonoid content(r=0.9219). The calibration model was used to predict the total flavonoid content of each pixel in the hyperspectral image. This enables construction of a distribution map of total flavonoid content on the ginkgo leave image. The results indicated that hyperspectral imaging could offer an effective method for flavonoid concentration analysis.

flavonoids;ginkgo leaf;distribution;hyperspectral imaging

2014-08-06

李芳(1985-),女,博士,讲师，研究方向:卫生理化检验分析。

国家自然科学基金(81302459);江苏省自然科学基金(BK20130505);中国博士后科学基金(2013M540424);江苏大学高级专业人才科研启动基金项目(13JDG024)。

TS201.1

A

:1002-0306(2015)09-0270-03

10.13386/j.issn1002-0306.2015.09.050