不同產地稻谷近紅外技術建模效果的比較

后其軍，鞠興榮，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，江蘇南京210023）

不同產地稻谷近紅外技術建模效果的比較

后其軍，鞠興榮*，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，江蘇南京210023）

選取安徽省、江蘇省、湖南省、黑龍江省四個不同產地的代表性稻谷樣品，測定其水分含量、粗蛋白含量、脂肪酸值以及直鏈淀粉含量，掃描其近紅外光譜，運用偏最小二乘法（Partial least square，PLS）建立定量分析模型，比較不同地區同一指標之間建模效果，探索近紅外建模是否需要分區域進行。結果表明：在樣品具有足夠代表性的前提下，對各省化學指標建立的模型都是可靠的，但是同一指標不同地區之間建模效果有所不同，四省水分含量建模決定系數（R2）分別為0.91、0.97、0.94、0.85；粗蛋白含量建模決定系數（R2）分別為0.94、0.78、0.87、0.72；脂肪酸值建模決定系數（R2）分別為0.77、0.60、0.83、0.65；直鏈淀粉含量建模決定系數（R2）分別為0.68、0.58、0.69、0.53。

不同產地，稻谷，近紅外技術，建模效果

近 紅 外 光 譜（Near Infrared Reflectance Spectroscopy，NIRS）技術作為一種新崛起的物理測試技術，具有分析速度快、分析指標全面、成本低廉等多種優勢。近年來在各個領域均有涉及［1-4］，在食品、農作物等定性定量分析中也應用的越來越廣泛［5-6］，在谷物類的研究方面也不乏研究成果，齊龍等［7］闡述了近紅外技術在大米檢測中的應用主要有品種鑒定、品質鑒定以及礦質元素含量檢測三方面，王傳梁等［8］利用近紅外檢測技術測定大米中的脂肪含量，利用偏最小二乘法建立數學模型，證明了近紅外測定大米脂肪含量的可行性。

在稻谷的主要成分中，粗蛋白質含量及水分含量是影響其品質的主要因素，為評價稻谷品質質量的重要指標，直鏈淀粉含量更是稻谷定等的重要依

據，脂肪酸值則是反映稻谷新陳度的重要指標，對稻谷的儲藏和加工都有重要影響。檢測稻谷直鏈淀粉含量和粗蛋白含量可以判定稻谷品質的優劣，分析稻谷水分含量和脂肪酸值可以研究稻谷儲藏的品質變化。目前關于近紅外技術在谷物品質分析中的應用已經很多，但是很多研究并沒有嚴格區分樣品來源，缺少對單一省份的稻谷樣品進行分析比較。

本實驗選取黑龍江省、江蘇省、安徽省、湖南省四個不同產地的代表性稻谷樣品，測定其水分含量、粗蛋白含量、脂肪酸值以及直鏈淀粉含量，掃描其近紅外光譜，運用近紅外光譜分析技術建立數學分析模型，比較不同地區同一指標之間建模效果的差異性。旨在為稻谷收購過程中形成更加便捷科學化的數據參考，從而提高稻谷收購的質量水平，為稻谷收購過程科學快速提供理論依據以及為是否需要建立區域模型提供新的研究思路。

1 材料與方法

1.1 材料與儀器

稻谷實驗樣品 選取安徽省、江蘇省、湖南省、黑龍江省四個地區的稻谷，其中，安徽省樣品135份、江蘇省樣品180份、湖南省樣品98份、黑龍江省樣品135份。樣品從各省糧庫獲取，選取的樣品均為每個省種植較多的品種且樣品經過除雜和不完善粒的篩選。將樣品用密封袋包裝后編號置于低溫儲藏室保存備用。

SupNIR-2700近紅外分析儀（附有自動旋轉樣品盤） 聚光科技（杭州）有限公司；K-360全自動凱氏定氮儀 上海步琦有限公司；BS-224S型天平 北京賽多利斯儀器系統有限公司；101-3AS型電熱鼓風恒溫干燥箱 上海蘇進儀器設備廠；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。

1.2 實驗方法

1.2.1 稻谷水分含量測定 采用恒溫箱烘干法測定稻谷水分含量，方法參照GB/T 5497-1985《糧食、油料檢驗水分測定法》［9］。每個樣品重復測定三次，取其平均值作為最終結果。

1.2.2 稻谷粗蛋白含量測定 采用凱氏定氮法測定稻谷粗蛋白含量，方法參照GB/T 5511-2008《谷物和豆類氮含量測定和粗蛋白質含量計算凱氏法》［10］。每個樣品重復測定三次，取其平均值作為最終結果。

1.2.3 稻谷脂肪酸值測定 采用標準氫氧化鉀溶液滴定法測定稻谷脂肪酸值，方法參照GB/T 15684-1995《谷物制品脂肪酸值測定法》［11］。每個樣品重復測定三次，取其平均值作為最終結果。

1.2.4 稻谷直鏈淀粉含量化學方法的測定 采用分光光度計于720 nm處測定顯色復合物吸光度的方法測定稻谷直鏈淀粉含量，方法參照GB/T 15683-2008《大米直鏈淀粉含量的測定》［12］。每個樣品重復測定三次，取其平均值作為最終結果。

1.2.5 光譜采集 近紅外分析儀開機預熱30 min，經過性能測試后，對收集到的稻谷樣品分別進行光譜掃描。為獲得穩定的、有代表性的圖譜，在環境溫度25℃、環境濕度60%的條件下采用自動旋轉樣品盤采集樣品圖譜，每個樣品重復裝樣2次，采集光譜范圍是1000～1800 nm，分辨率8 cm-1，每間隔1 nm取一次光譜數據，每個樣品掃描64次取平均值。

1.2.6 光譜預處理 對收集到的代表性圖譜進行預處理，選擇的預處理的方法為Savitzky-Golay導數、Savitzky-Golay平滑、多元散射校正（MSC）以及均值中心化的組合方式。

1.2.7 近紅外光譜分析模型的建立 利用SupNIR-2700系列光柵型近紅外光譜儀自帶的RIMP定標軟件，設定對收集的譜圖與化學測量值一一對應，采用隨機方法劃分樣品集，以80%作為校正集，20%作為驗證集，選擇偏最小二乘法建立稻谷水分含量、粗蛋白含量、脂肪酸值以及直鏈淀粉含量的定量分析模型，儀器中建模的參數設置為：最大主因子數20；交互驗證分堆數8；馬氏距離閾值10.00；學生殘差T值2.50；最近鄰距離閾值10.00。

1.2.8 近紅外建模結果的相關參數說明 SEC（Standard error of calibration）、SEP（Standard error of prediction）分別代表建模的校正標準差和預測標準差，SECV （Standard error of cross validation）代表交互驗證標準差，是反映建模數據準確性的參數，SEC、SEP、SECV值越接近0且同時相互之間越接近越好，RC（校正相關系數），表示校正模型中化學測試數據與預測數據之間的相關性，RP（預測相關系數）是反映模型預測能力的參數，RP值越高，表明模型預測能力越強，RPD（Ratio of performance to standard deviate）值則是評價模型分辨能力的重要參數，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［13］，RPD值越大，表示模型的預測效果越好，R2即為RC的平方，是模型的決定系數，反映建模樣品集中測量值與預測值之間的相關性，是對建模效果最為直觀的判斷參數。

2 結果與分析

2.1 不同地區稻谷水分含量建模效果的比較

由圖1可以看出，對于水分含量所建的近紅外模型，四個省份的稻谷水分含量都呈現明顯的線性分布，其中江蘇省的線性最為明顯，所得到的模型線性最好，方程為Y=0.97x+0.50，決定系數R2值高達0.97，反映出收集的稻谷代表性良好，水分含量的測定值準確。安徽省與湖南省稻谷水分含量建模效果也比較理想，決定系數R2值均超過0.90，而黑龍江省稻谷水分含量分布的不是特別均勻，決定系數R2值為0.85，建模效果不如其他三省。四省具體的建模報告見表1。

四個地區的SEC與SEP值都比較小，說明參比值與預測值之間的標準差較小，數據準確度高；每個地區模型的SECV與SEP值接近，說明實驗樣品代表性很好；RC與RP都超過0.9，反映了參比值與預測值之間的相關性很高；表1中的RPD（RPDC/RPDV）值基本上都超過了2，說明構建的近紅外模型的預測效果較好。范維燕等［14］利用近紅外技術對不同品種、不同地區、不同儲藏時間的144份稻谷進行水分含量模型的建立，認為修正偏最小二乘法所建立的模型效果最

好，測試值與預測值的相關性高達0.996，說明近紅外技術可以用于稻谷水分含量的測定。與之相比，本實驗中測試值與預測值相關性最高的是江蘇省的0.9831（表1），低于0.996，這可能與選用的建模方法不同有關。

圖1 不同地區稻谷水分含量近紅外模型圖Fig.1 Rice moisture content near infrared model diagram of different regions

2.2 不同地區稻谷粗蛋白含量建模效果的比較

圖2 不同地區稻谷粗蛋白含量近紅外模型圖Fig.2 Rice crude protein content near infrared model diagram of different regions

表1 不同產地稻谷水分含量建模報告Table1 Rice moisture content model report of different regions

對于稻谷粗蛋白含量所建的近紅外模型，四個省份的稻谷粗蛋白含量都呈現明顯的線性分布，其中安徽省的線性最為明顯，所得到的模型線性最好，方程為Y=0.94x+0.47，決定系數R2值高達0.94（圖2），反映出收集的稻谷代表性良好，粗蛋白含量的測定值準確。江蘇省與湖南省稻谷粗蛋白含量的建模效果也比較理想，決定系數R2值均超達到0.80左右，圖2中顯示黑龍江省稻谷粗蛋白含量分布的不是特別均勻，決定系數R2值為0.72，建模效果不如其他三省。四省具體的建模報告見表2。

表2 不同產地稻谷粗蛋白含量建模報告Table2 Rice crude protein content model report of different regions

四個地區的SEC與SEP值都比較小，說明參比值與預測值之間的標準差較小，數據準確度高；每個地區模型的SECV與SEP值接近，說明實驗樣品代表性很好；四省建模報告中的RC值都超過0.84，說明建模效果較好；江蘇省與黑龍江省建模的RP值略低于0.80，說明模型的預測能力不如安徽省和湖南省模型的預測能力強；就表2中的RPD（RPDC/RPDV）值而言，江蘇省與黑龍江省的較低，說明構建的近紅外模型效果沒有安徽省與湖南省的建模效果好。Bagchi T B等［15］選取不同品種的印度稻谷，對其蛋白含量進行了分析，選用128個樣品作為建模集，并用29個樣品作為驗證集進行模型的驗證，得到的近紅外模型的決定系數R2為0.749，驗證集中參比值與預測值之間的相關性很高，R值達到近0.96。說明近紅外技術可以用于稻谷粗蛋白含量的測定，從表2中的RP值可以發現，模型的預測能力并非完全取決于校正模型的高R值。

2.3 不同地區稻谷脂肪酸值建模效果的比較

圖3可以發現：對于稻谷脂肪酸值所建的近紅外模型，四個省中湖南省呈現明顯的線性分布，方程為Y=0.83x+4.28，所得到的模型穩定性最好，決定系數R2值高達0.83，反映出收集的稻谷代表性良好，脂肪酸值含量的測定值準確。安徽省建模效果也比較理想，決定系數R2值達到0.77，圖3中顯示黑龍江省與江蘇省脂肪酸值分布的不是特別均勻，建模R2分別為0.65、0.60，建模的效果不如安徽省與湖南省。四省具體的建模報告見表3。

相比水分含量和粗蛋白含量而言，四個地區脂肪酸值的SEC與SEP值都偏大，說明參比值與預測值之間的標準差較大，這與脂肪酸值測定過程中產生的無效數據有關；每個地區模型的SECV與SEP值接近，說明實驗樣品代表性較好；從建模報告中可以明顯的發現，RPD值偏低，均小于2，因此關于脂肪酸值的近紅外建模效果就不如水分含量和粗蛋白含量建模效果好，模型的預測能力也沒有他們強；就四個省而言，安徽省與湖南省脂肪酸值建模效果還是明顯優于江蘇省和黑龍江省。范維燕等［16］用來自不同地區的150份稻谷作為建模集，50份作為驗證集，研究近紅外技術在脂肪酸值測定中的應用，認為修正偏

最小二乘法建模效果最好，預測值和參比值之間有很好的相關性，定標標準偏差為1.9205，可以用近紅外技術測定稻谷脂肪酸值。本實驗中有三個省定標標準差大于1.9205，說明測試化學值的準確性還有待提高。

圖3 不同地區稻谷脂肪酸值近紅外模型圖Fig.3 Rice fatty acid value near infrared model diagram of different regions

表3 不同產地稻谷脂肪酸值建模報告Table3 Rice fatty acid value model report of different regions

圖4 不同地區稻谷直鏈淀粉含量近紅外模型圖Fig.4 Rice amylose content near infrared model diagram of different regions

2.4 不同地區稻谷直鏈淀粉含量建模效果的比較

稻谷直鏈淀粉含量所建的近紅外模型如圖4所示，四個省份的稻谷直鏈淀粉含量都分布的比較散，呈現一定的線性卻不十分明顯，決定系數R2值在0.53～0.69不等，說明測試值與預測值之間存在一定的偏差，預測值與測試值之間的相關性不夠顯著。安徽省與湖南省的建模效果優于江蘇省和黑龍江省，四省具體的建模報告見表4。

四個地區的RC值都明顯的高于RP值，表明校建模效果不錯，但是預測能力一般，這可能是由于建模集劃分采用隨機方法造成的，導致驗證集的樣品代表性不足，而且RPD值不是很高，說明驗證集樣品的測量值與預測值之間也存在一定的偏差。Xie L H等［17］選取中國八大稻谷主產地的稻谷688份測定稻谷的直鏈淀粉含量，并用近紅外技術建立數學模型，其中491份用于建模，197份用于驗證，認為不同的建模方法以及預處理方法對建模結果存在不同的影響，R2值0.3～0.9不等，修正偏最小二乘法建模的效果最好，R2值最高可達到0.9。建模效果優于本實驗結果，未來研究中可以考慮補充樣品對模型進行擴充從而提高建模效果和預測能力，嘗試更多建模方法不斷優化近紅外模型。

3 結論

本實驗用近紅外光譜技術對安徽、江蘇、湖南、黑龍江四省稻谷重要品質指標進行建模，通過建模效果的比較，探索近紅外建模是否需要分區域進行。實驗結果表明，在樣品具有足夠代表性的前提下，對各化學指標建立的模型都是可靠的，但是同一指標不同地區之間建模效果有所不同，四省水分含量建模決定系數R2分別為0.91、0.97、0.94、0.85；粗蛋白含量建模決定系數R2分別為0.94、0.78、0.87、0.72；脂肪酸值建模決定系數R2分別為0.77、0.60、0.83、0.65；直鏈淀粉含量建模決定系數R2分別為0.68、0.58、0.69、0.53。建議近紅外技術建立模型可以嘗試分區域進行。

［1］Stubbs T L，Kennedy A C，Fortuna A M.Using NIRS to predict fiber and nutrient content of dry land cereal cultivars［J］.Journal of Agricultural and Food Chemistry，2010，58（1）：398-403.

［2］修連存，鄭志忠，俞正奎，等.近紅外光譜分析技術在蝕變礦物鑒定中的應用［J］.地質學報，2007，81（11）：1584-1590.

表4 不同產地稻谷直鏈淀粉含量建模報告
Table4 Rice amylose content model report of different regions

地區 SEC RC SECV SEP RP RPDC RPDV FACTOR安徽 1.0061 0.8236 1.0281 1.0587 0.7604 1.5106 1.5452 8江蘇 1.0999 0.7593 1.1832 2.8563 0.3994 1.3266 1.0365 10湖南 0.7269 0.8325 0.7731 0.7516 0.7018 1.6527 1.3360 8黑龍江 1.1591 0.7293 1.5133 3.8793 0.3613 1.3573 0.7712 14

Comparison of modeling effect among rice from different regions with near infrared technology

HOU Qi-jun，JU Xing-rong*，YUAN Jian，HE Rong，ZHU Zhen-ying
（College of Food Science&Engineering，Nanjing University of Finance and Economics，Jiangsu Key Laboratory of Quality Control and Deep-Utilizing Technology of Cereals and Oils，Nanjing 210023，China）

The representative rice samples were selected from four provinces of Anhui，Jiangsu，Hunan and Heilongjiang.With the determination of its moisture content，crude protein content，fatty acid values and amylose content，scanning the near infrared spectra，establishing the quantitative analysis model by using partial least squares（PLS），comparing the different modeling results of same index of different regions to explore whether establishing the model of near infrared technology need to distinguish areas.The results showed that if the samples were representative enough，the modeling effect of same index between different areas exist certain differences based on reliable model built of different indexes.Four provinces moisture content modeling determination coefficient（R2）were 0.91，0.97，0.94，0.85，crude protein content modeling determination coefficient（R2）were 0.94，0.78，0.87，0.72，fatty acid value modeling determination coefficient（R2）were 0.77，0.60，0.83，0.65，amylose content modeling determination coefficient（R2）were 0.68，0.58，0.69，0.53，respectively.

different areas；rice；near infrared technology；modeling effect

TS201.1

A

1002-0306（2016）08-0125-06

10.13386/j.issn1002-0306.2016.08.017

2015－09－14

后其軍（1991-），男，在讀碩士研究生，研究方向：食品加工與檢測技術，E-mail：houqijuny@126.com。

*通訊作者：鞠興榮（1957-），男，博士，研究方向：食品營養、功能食品及農產品深加工，E-mail：xingrongju@163.com。

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）。