基于近紅外光譜技術測定稻谷含水量研究

鞠興榮 后其軍 袁 建 何 榮 朱貞映

（南京財經大學食品科學與工程學院江蘇省糧油品質控制及深加工技術重點實驗室，南京 210023）

基于近紅外光譜技術測定稻谷含水量研究

鞠興榮 后其軍 袁 建 何 榮 朱貞映

（南京財經大學食品科學與工程學院江蘇省糧油品質控制及深加工技術重點實驗室，南京 210023）

采用近紅外光譜技術結合化學計量學方法，建立稻谷含水量測定的快速分析方法。試驗選取江蘇省不同地區的2年內197份稻谷樣品作為建模集樣品，對其進行化學分析和圖譜掃描處理，通過近紅外化學計量學軟件初步建立稻谷含水量的預測模型。建模結果顯示運用PLS（偏最小二乘法）建立的分析模型預測效果最優，決定系數（R2）高達0.968 9，交互驗證標準差（SECV）為0.343 4，選取24個未知樣品作為驗證集樣品，驗證決定系數（R2）高達0.980 6，預測標準差為0.093 3。結果表明，近紅外光譜技術可以用于稻谷含水量的快速測定。

稻谷 含水量 近紅外光譜 測定

稻谷是我國主要的糧食作物之一，每年種植量和產量位居世界前列。國內外研究人員研究稻谷多關注于淀粉糊化、老化特性以及食味值等方面［1－2］，而對于稻谷主要收購指標之一的含水量研究較少，含水量是稻谷收購過程中的重要依據，其含量高低對其儲藏時間有很大影響。

稻谷含水量的常規測定采用電熱恒溫箱烘干法，該方法測定一批樣品的含水量通常需要5個小時左右，耗時長且過程繁瑣。近紅外技術是利用物質在近紅外光譜區特有的吸收性質測定其組分含量，具有方便、快捷、無污染的特點，目前已經廣泛應用于各個行業［3－7］，本試驗以普通的采收后的稻谷為研究對象，比較研究幾種不同建模方法及預處理方法得到的模型預測效果，旨在用近紅外光譜分析技術建立稻谷含水量的無損檢測模型，為建立稻谷收購過程中含水量的快速檢測方法提供指導，為稻谷儲備安全提供一定保障。

1 材料與方法

1.1 材料與試劑

樣品的代表性決定建模效果的好壞，為獲取代表性樣品，本試驗收集了江蘇省不同地區2年內197份不同品種的稻谷樣品，樣品用密封袋封口后運回實驗室低溫儲藏，標號后備用。

1.2 儀器與設備

ABB3600系列傅里葉變換近紅外光譜儀（配有InSn檢測器）：ABB（中國）有限公司；SupNIR－2700近紅外分析儀：聚光科技（杭州）有限公司；FW80多功能粉碎機：天津泰斯特儀器有限公司；JFYZ分樣器：上海加定糧油檢測儀器廠。

1.3 試驗方法

1.3.1 稻谷含水量化學方法的測定

采用恒溫箱烘干法測定稻谷含水量，方法參照GB／T 5497—1985《糧食、油料檢驗 水分測定法》［8］。

1.3.2 光譜采集

稻谷樣品經脫殼粉碎過篩后加入到樣品杯，采集稻谷的漫反射光譜，為獲取代表性的稻谷光譜，采用自動旋轉樣品杯附件采集，采集光譜范圍3 500～12 000 cm－1，分辨率16 cm－1，每個樣品掃描64次取平均，每個樣品重復裝樣2次。

1.3.3 近紅外光譜分析模型的建立

利用Horizon MB定標軟件對采集的譜圖進行預處理，隨后選擇合適的數學方法和光學處理方法建立稻谷含水量的定量分析模型。

2 結果與分析

2.1 稻谷水分含量化學法的測定

稻谷含水量見表1。

表1 稻谷含水量／%

由表1可知：稻谷含水量的最大值為22.44%，最小值為11.09%，均值為14.90%，含水量的頻數分布直方圖見圖1。

圖1 含水量頻數分布直方圖

由圖1可見，選取的197份稻谷樣品含水量的覆蓋范圍大，多分布在13%～17%之間，含水量的頻數分布接近正態分布，整體分布比較合理，說明本試驗選取的稻谷樣品具有較好的代表性［9］。

2.2 近紅外分析模型的建立

2.2.1 近紅外光譜的采集

在3 500～12 000 cm－1范圍內，利用近紅外光譜儀掃描197個稻谷粉末樣品（溫度控制在20～25℃），圖2為稻谷粉末的原始近紅外全光譜圖。由圖2可以看出，稻谷粉末的近紅外光譜曲線趨勢一致，沒有出現異常光譜，說明收集的樣品中沒有異常樣品。

圖2 稻谷粉末的原始近紅外全光譜圖

2.2.2 光譜區間的選擇

采用Horizon MB計量學定標軟件對3 500～12 000 cm－1及幾個特征區間（波數范圍）定標結果進行對比分析，從而選定建模的特征區間，結果見表2。

R2代表近紅外模型的決定系數，反映的是近紅外儀器掃描圖譜后給出的預測值和實際測量值之間的相關性；SECV（交互驗證標準差）指的是試建模過程交互驗證時，試建的模型對交互驗證中各個樣品的預測值與測量值之間的殘差標準差；RPD是一種評價模型分辨能力的參數，表示了近紅外分析將分布標準差范圍之內的樣品分級的數目，一般認為RPD≥2.5時模型的效果較好［10］。比較4種光譜區間的定標結果可知，在4 820～5 250 cm－1范圍內，R2為0.953 9，SECV為0.506 2，RPD值為3.305 2。根據R2最大，SECV最小的原則［11］，可以判定在此區間下定標效果較好，RPD值大于2.5也說明模型的效果在可接受范圍以內。因此，選擇4 820～5 250 cm－1為建模的光譜特征區間。

表2 不同光譜區間下的定標結果

2.2.3 建模方法和數據預處理方法的選擇

原始光譜存在基線漂移、散射、噪聲大等問題，通過光譜預處理可以減輕或消除這些影響［12］，先對原始光譜進行基線校正，然后在選定的4 820～5 250 cm－1區間下，依次比較了建模方法和數據預處理方法對定標模型的影響，結果見表3和表4，依據R2最大，SECV最小的原則選擇最終的建模方法和數據預處理方法。

表3 建模方法對定標模型的影響

表4 數據預處理方法對定標模型的影響

由表3和表4可知：選用PLS建模方法和多元散射校正以及求導相結合的方法建模，可以達到最理想的建模效果，得到的近紅外稻谷含水量預測模型評價參數R2為0.968 8，SECV為0.343 4，見圖3。圖3為稻谷含水量近紅外預測模型圖，圖3中橫坐標表示稻谷含水量的化學測量值，縱坐標表示稻谷含水量的近紅外預測值，從圖3中可以發現測量值和預測值之間的相關性很高，其決定系數R2達到0.968 9，表明建立的定標模型較為穩定。

圖3 稻谷含水量近紅外預測模型

2.3 定標模型的驗證

對建立的稻谷水分定標模型進行外部驗證，以檢驗模型的精確度和穩定性。選取24個未知樣品作為驗證集樣品，通過化學法測定和模型的預測提供化學值和預測值，兩者通過線性回歸得出相關關系，結果見表5和圖4。

表5 外部驗證樣品含水量的化學測量值和近紅外預測值／%

圖4 稻谷水分化學值與預測值的相關性

從表5中可以看出，24個驗證集樣品的預測值與化學測量值的誤差均在0.5%范圍以內，預測值與化學測量值無顯著差異，表明模型預測準確度較高，圖4為化學測量值與預測值的相關關系分析結果，圖4中顯示相關系數為0.980 6，預測標準差為0.093 3，趨勢線的斜率為0.961 2，接近于1，說明化學測量值與預測值之間有很強的相關性，模型的預測性較好。彭玉魁等［13］利用近紅外光譜分析技術對小麥水分進行測定，結果表明，預測值和化學分析值之間的相關系數為0.971 4，標準差為0.96，估測變異系數為2.1%，與之相比，本試驗得到的模型相關系數略低，這可能與化學值測定過程中的人為誤差有關。王海蓮等［14］利用近紅外光譜分析技術分析了稻谷糙米粒的脂肪含量，結果表明，真實值與預測值之間的相關系數為0.944 4，標準差僅為0.000 9，與之相比，本試驗的相關系數較高，但同時存在標準誤差偏大的問題，說明建模效果不僅取決于樣品的代表性，樣品形態的不同以及化學值測量的準確度也會對其產生影響。

3 結論

本試驗選取197個稻谷樣品進行含水量測定模型的建立，選取24個未知樣品作為驗證集進行外部驗證，建模集的決定系數R2為0.968 9，交互驗證標準差為0.343 4，驗證集的相關系數為0.980 6，預測標準差為0.093 3。結果表明，近紅外技術是一個方便快捷無污染的分析方法，且有著較好的預測準確性，可以應用于稻谷含水量的快速測定。

［1］周小豐，石文貞，侯彩云.稻谷糊化溫度和直鏈淀粉含量協同測定方法的研究［J］.中國糧油學報，2006，21（6）：1－3

［2］李小婉，蔣洪波，馬秀芳，等.不同儲藏方式對北方優質稻米食味值的影響［J］.安徽農業科學，2014，42（16）：5248－5249

［3］Shi Jiyong，Zou Xiaobo，Huang Xiaowei，et al.Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least－squares support vectormachine［J］.Food Chemistry，2013，138（1）：192－199

［4］潘圓媛，劉燕德，孫旭東.水果內部品質近紅外動態在線檢測研究進展［J］.激光與紅外，2010，40（8）：805－810

［5］郭蕊，王金水，金華麗等，近紅外光譜分析技術測定芝麻水分含量的研究［J］.現代食品科技，現代食品科技，2011，27（3）：366－369

［6］代芬，張昆，洪添勝，等.龍眼表面農藥殘留的無損檢測研究［J］.農機化研究，2010（10）：111－114

［7］Louw E D，Theron K I.Robust predictionmodels for quality parameters in Japanese plums（Prunus salicina L.）using NIR spectroscopy［J］.Postharvest Biology and Technology，2010，58（3）：176－184

［8］GB／T 5497—1985，《糧食、油料檢驗 水分測定法》［S］

［9］王之安AOAC公定分析方法［M］.北京：中國科學技術出版社，1991

［10］嚴衍祿，陳斌，朱大洲，等.近紅外光譜分析的原理、技術與應用［M］.北京：中國輕工業出版社，2013：162－168

［11］金華麗，許春紅，李漫男，等.基于近紅外光譜技術測定小麥籽粒淀粉含量［J］.河南工業大學學報：自然科學版，2011，32（6）：25－26

［12］張小超，吳靜珠，徐云.近紅外光譜分析技術及其在現代農業中的應用［M］.北京：電子工業出版社，2012：5－7

［13］彭玉魁，李菊英，祁振秀.近紅外光譜分析技術在小麥營養成份鑒定上的應用［J］.麥類作物，1997，17（2）：33－34

［14］王海蓮，萬向元，胡培松，等.稻米脂肪含量近紅外光譜分析技術研究［J］.中國農業科學，2005，38（8）：1540－1546.

Determination of Moisture Content of Rice Based on the Near Infrared Spectroscopy

Ju Xingrong Hou Qijun Yuan Jian He Rong Zhu Zhenying
（College of Food Science＆Engineering，Nanjing University of Finance and Economics／Jiangsu Key Laboratory of Quality Control and Deep Processing Technology of Cereals and Oils，Nanjing 210023）

In this paper，a rapid analysismethod for determination of ricemoisture contentwas established using near infrared spectroscopy（NIR）technology combined with chemometricsmethods.Therewere 197 rice samples collected as calibration sampleswithin two years in different regions of Jiangsu province.The sampleswere treated by chemical analysis and map scanning，and the forecastmodel of rice moisture content was preliminarily established through near infrared chemometrics software.Modeling results indicated thatmodel established by using the PLS（partial least squares）had the optimal predictive effect，the determination coefficient（R2）was 0.968 9，standard error of cross validation（SECV）was0.343 4，24 sampleswere selected as validation set samples，the determination coefficient（R2）of verification determination was 0.980 6，standard error of forecast was 0.093 3.The results showed that NIR could be used in the rapid determination of ricemoisture content.

rice，moisture content，NIR，determination

TN219；S511.2＋2

A

1003－0174（2015）11－0120－05

時間：2015－11－18 22：52：43

網絡出版地址：http：／／www.cnki.net／kcms／detail／11.2864.TS.20151118.2252.004.html

國家科技支撐計劃（2013BAD17B02－2），江蘇省普通高校研究生科研創新計劃項目（KYZZ＿0276）

2015－02－25

鞠興榮，男，1957年出生，教授，博士生導師，食品營養、功能食品及農產品深加工