小麥子粒濕面筋FT—NIRS分析模型的建立與研究

雷加容　余敖　歐俊梅等

摘 要：用傅立葉變換近紅外光譜（FT-NIRS）分析小麥子粒濕面筋含量。采用國標GB/T14608-1993法測試了216份小麥子粒的濕面筋含量，用近紅外儀采集數據，選擇113份建立了數學模型。結果：最佳主成分數（Rank）=3，內部交叉驗證均方差（RMSECV）=2.33，決定系數（R2）=90.69。為了驗證模型的可靠性，對預測集樣品進行預測，結果濕面筋的預測均方差（RMSEP）=2.70；相對偏差（RSEP，%）=11.84。結果表明，該數學模型可初步用來快速、較準確、無污染、低消耗地測試小麥子粒的濕面筋含量。

關鍵詞：小麥子粒；近紅外光譜；數學模型；濕面筋含量

中圖分類號 S512.1 文獻標識碼 A 文章編號 1007-7731（2015）06-30-02

Research on FT-NIRS in Determination of Wet Gluten of Wheat Seed

Lei Jiarong et al.

（Mianyang Academy of Agricultural Sciences，Mianyang621023，China）

Abstract：In this study，gluten contents of 216 genotypes of Triticum aestivum were analyzed by GB/T14608-1993 method. Bruker fourier transform near-infrared spectroscopy （FT-NIRS） used 113 genotypes to establish math model of gluten. The result on this model showed that the Rank was 3 and the RMSECV was 2.32 and R2 was 90.69. 35 samples were used to test this model. The result on model validation showed that the RMSEP was 2.70 and the RSEP（%） was 11.84.So FT-NIR technique might be used to determined accurately and fleetly gluten content with free pollution and depletion in short time.

Key words：Wheat Seed；FT-NIRS；Math Model；Gluten content

近紅外光譜分析技術具有快速、方便、簡單、準確及同時可分析多種成分的優點，是一種非破壞性的“瞬間分析”技術，由于該分析方法不消耗試劑，不產生污染，因此被稱為“綠色分析技術”。近紅外光譜技術目前已廣泛應用于農業[1]、紡織業[2]、汽油甲醇分析[3]、土壤總氮光譜的選取[4]、飲食業[5-7]、小麥品質監測與應用[8-9]。小麥品質育種需要快速和準確測定有關品質參數，用近紅外光譜法分析小麥子粒濕面筋含量，難點在于近紅外光譜法要從復雜、重疊、變動的背景中提取弱信息，建立數學模型。要建立優秀的數學模型，就需要擁有大量樣品資源，從大量樣品中選擇代表性樣品，從而建立準確而穩定的數學模型。為了建立適合育種者快速選擇不同面筋材料、且不破壞種子材料的快速測定法，筆者收集了216份小麥子粒樣品，經過測定降落值，篩選降落值不小于200s的樣品，再進行了濕面筋含量的分析，結果篩選出113份材料，初步建立了小麥子粒濕面筋FT-NIRS數學模型。

1 材料與方法

1.1 材料 小麥子粒樣品216份，由綿陽市農科院的國家小麥分中心提供。

1.2 方法

1.2.1 濕面筋含量分析 采用國標GB/T14608-1993法測試小麥子粒的濕面筋含量。

1.2.2 近紅外分析

1.2.2.1 儀器 近紅外光譜品質分析儀為德國Bruker公司MATRIX-I型傅立葉變換近紅外光譜品質分析儀。

1.2.2.2 實驗條件 運用OPUS系統建立模型時，在Measurement狀態下的Advanced 工作頁選擇參數如下：Resolution為16cm-1，Sample Scan Time為64，Background Scan為64，Save Date From 為12 000～4 000cm-1，Result Spectrum 為Absorbance。其余工作頁設定正確的參數。定量建模算法：偏最小二乘法。

1.3 模型建立 利用OPUS/QUANT軟件優化、建立小麥子粒濕面筋的近紅外分析模型。

1.4 評價模型的參數 預測均方差（RMSEP），相對偏差（RSEP，%）。

2 結果與分析

2.1 建小麥濕面筋FT-NIRS定量分析模型的樣品光譜 小麥子粒樣品的近紅外光譜圖集（圖1）。

2.2 建立小麥濕面筋FT-NIR定量分析模型 應用Bruker OPUS/QUANT-2定量分析軟件中PLS法進行數據處理，結果：最佳主成分數（Rank）=3，內部交叉驗證均方差（RMSECV）=2.33，決定系數（R2）=90.69。當Rank值為3時進行建模，校正樣品集預測結果與真實值之間的相關性（圖2）。

2.3 評價校正方程 為了驗證模型的可靠性，對預測集樣品進行預測（表1），結果濕面筋的預測均方差（RMSEP）=2.70；相對偏差（RSEP，%）=11.84。

3 結論與討論

（1）用近紅外儀采集數據，選擇113份建立了數學模型。結果：最佳主成分數（Rank）=3，內部交叉驗證均方差（RMSECV）=2.33，決定系數（R2）=90.69。為了驗證模型的可靠性，對預測集樣品進行預測，結果濕面筋的預測均方差（RMSEP）=2.70；相對偏差（RSEP，%）=11.84。

（2）FT-NIRS的方法測定小麥子粒的濕面筋含量與采用國標GB/T14608-1993法測試小麥子粒的濕面筋含量相比，快速、無損，預測結果比較準確，通過適量的校正樣品建立起來的數學模型之后，可快速準確地測試未知樣品的相關指標，特別適用于大批樣品的分析測定，為FT-NIRS技術應用于農作物育種篩選材料提供了可能。

（3）建模時樣品數量和樣品代表性直接影響分析結果。本研究樣品數量雖有113個來建模，但樣品的代表性方面有待進一步完善，強筋樣品過少。

參考文獻

[1]文婷，張翔，張浩勤，等.近紅外光譜在農業中的應用[J].農業技術與裝備，2009（20）：20，22.

[2] 柴金朝，金尚忠.近紅外光譜技術在紡織品定性檢測中的應用[J].紡織學報，2009，30（4）：55-58.

[3]歐陽愛國，劉軍.基于近紅外與拉曼光譜的甲醇汽油定量分析[J].西南師范大學學報（自然科學版），2012，37（9）：98-101.

[4]高洪智，盧啟鵬，丁海泉，等.基于連續投影算法的土壤總氮近紅外特征波長的選取[J].光譜學與光譜分析，2009，29（11）：2951-2954.

[5]馬蘭，夏俊芳，張戰鋒，等.光譜預處理對近紅外光譜無損檢測番茄可溶性固形物含量的影響[J].華中農業大學學報，2008，27（5）：672-675.

[6]劉垚，萬輝，朱煥庭.近紅外光譜分析技術在果品品質無損檢測中的應用[J].廣東農業科學，2009（3）：157-158，163.

[7]林新，牛智有.基于近紅外光譜茶葉種類的快速識別[J].華中農業大學學報，2008，27（2）：326-330.

[8]高居榮，樊廣華，李圣福，等.近紅外光譜技術分析小麥品質的應用研究[J].實驗技術與管理，2009，26（3）：42-44.

[9]朱大洲，黃文江，馬智宏，等.基于近紅外網絡的小麥品質監測[J].中國農業科學，2011，44（9）：1806-1814. （責編：張宏民）