近紅外漫反射光譜技術對小米產地溯源的研究

宋雪健，錢麗麗，周義，于果，于金池，張東杰

（黑龍江八一農墾大學食品學院，黑龍江大慶163319）

近紅外漫反射光譜技術對小米產地溯源的研究

宋雪健，錢麗麗，周義，于果，于金池，張東杰*

（黑龍江八一農墾大學食品學院，黑龍江大慶163319）

為建立小米產地溯源的快速檢測技術，更好的維護地方名優小米品牌效益，試驗利用近紅外漫反射光譜技術對不同狀態小米進行產地溯源鑒別，試驗分別選取來自肇源和肇州兩個小米主產區的144份小米樣品，應用近紅外漫反射光譜技術結合化學計量學對不同狀態下的小米進行產地溯源研究，結果表明：在全波長范圍內采用因子化法建立的定性分析模型和在特征波段范圍內采用偏最小二乘法（PLS）建立的定量分析模型，對肇源、肇州兩個小米主產區的小米籽粒和小米粉末的正確鑒別率均在90%以上，其中小米粉末的模型正確預測率要高于小米籽粒。因此，應用近紅外漫反射光譜技術對不同狀態小米產地溯源的鑒別具有一定的可行性。

近紅外漫反射光譜技術；小米；因子化法；偏最小二乘法（PLS）；產地溯源

小米作為我國重要的糧食作物之一，含有豐富的營養成分，其中蛋白質的含量比大米要高，維生素B1的含量位居所有糧食之首。其功能不僅可以作為主食還可以釀酒、制作飴糖等，同時還具有助于睡眠的功能[1]，小米熬粥的營養價值極其豐富，素有“代參湯”之美稱。但是與其他糧食相比較，我國的小米產業發展較為滯后[2]，因此對小米育種、品質、加工及產地等方面的檢測提出更高的要求。肇源的古龍小米和肇州的托古小米其營養成分更加豐富獨特，色味俱佳，品質遠在“貢米”之上，深得廣大消費者喜愛，具有廣闊的市場，因此一些不法分子進行制售假冒產品，以此來謀取暴利，因此對兩地小米產地溯源的研究在其產業發展領域凸顯出重要地位。傳統的形態學特征鑒定小米產地具有主觀性強、標準不統一等不足；而化學法鑒定小米產地則存在檢測方法賦值、用時較長、需要大量有機試劑、對環境造成污染等缺點。

目前應用于農產品產地溯源的較為先進的研究方法主要有質譜技術[3]、分離技術[4]、分子生物學技術[5]、電子鼻/舌[6]、光譜技術[7]等。近紅外光譜技術是利用近紅外光譜區有機分子中含氫基團（O-H、N-H、C-H）振動的合頻和各級倍頻的吸收區相一致，通過掃描樣品的近紅外光譜可得到樣品中有機分子含氫基團的特征信息[8]，其中近紅外光譜技術因具有快速、高效和無損的檢測特點在玉米[9]、麻黃[10]、枸杞[11]等領域的農產品產地鑒別中得到廣泛的應用。但對小米產地溯源的研究卻鮮有報導，目前，僅應用近紅外光譜技術對小米營養成分進行檢測。王少立[12]利用近紅外光譜技術結合偏最小二乘法（PLS）對59種小米進行主要成分含量分析，結果表明，粗蛋白、丙氨酸等18種主要成分均能準確分析，其中粗蛋白模型均方根誤差（RMSECV）為0.342，R2為0.979的檢測效果最佳。本文通過應用傅里葉變換近紅外漫反射光譜法結合化學計量學以產地溯源判別率為指標，建立不同狀態下小米的近紅外光譜定性及定量分析模型，為其在小米產地溯源的研究中提供理論支持。

1 材料與儀器

1.1 材料

試驗于2013年小米成熟后在黑龍江省肇源及肇州兩地，采用5點取樣法進行隨機采樣，編號小米樣品，每份樣品采集2 kg，并記錄采樣信息，樣本詳細信息如表1。

表1 樣品信息Table 1 Samples Source

1.2 儀器

FW100高速萬能粉碎機：天津泰斯特儀器有限公司；TENSOR II型傅立葉變換近紅外光譜儀：德國布魯克（北京）科技有限公司。

2 試驗方法

2.1 樣品的制備及光譜的采集

將采集回來的小米樣品先進行脫粒、脫殼處理得到小米籽粒待用，將傅立葉變換近紅外光譜儀打開預熱30 min，打開OPUS7.5軟件，經檢查信號保存峰位，掃描背景單通道光譜（每間隔1 h掃描一次背景，以消除外界信息干擾保證光譜的穩定性）等操作，將小米籽粒樣品倒入特制燒杯中，測量籽粒樣品單通道采集樣品光譜。測量時環境溫度為室溫（25±1）℃，相對濕度為 30%～50%。光譜波段范圍：12 000 cm-1～4 000 cm-1。分辨率：8 cm-1。掃描次數：64次。

待小米籽粒樣品的近紅外圖譜掃描完畢，將其進行粉碎、過篩，得到小米粉末后，重復以上掃描光譜的操作。

2.2 材料的選取

試驗樣品的選取參照表1。分別隨機選擇兩類全部樣品數量的2/3作為建模樣品用于模型的建立，1/3作為預測樣品集用于模型的驗證。為保證試驗的統一性小米籽粒與小米粉末所選用的建模樣品及預測樣品相同。詳細信息見表2。

表2 建模樣品與預測樣品Table 2 Modeling and predicting samples

2.3 小米產地溯源的模型建立

2.3.1 基于定性分析對小米產地溯源模型的建立

采用傅里葉變換近紅外漫反射光譜技術對樣品進行信息采集，雖然能夠在較大范圍內收集樣品信息，但是也會受到噪聲、基線漂移和樣品不均勻等外界因素的干擾。因此，為了消除外界因素的干擾，降低誤差提高模型的準確率需要對原始光譜進行預處理[13]。定性分析中預處理方式主要有矢量歸一化、一階導數+平滑、一階導數+矢量歸一化+平滑、二階導數+平滑、二階導數+矢量歸一化+平滑，其中平滑點數為5、9、13、17、21、25點，下同。在全波長范圍內對采集的兩類原始光譜分別進行預處理，并結合因子化法進行光譜距離的計算，根據S值的大小來衡量模型的精確度，其中S值表示兩地區樣品之間的“距離”，數值越大，表征兩地區樣品距離越遠，差異越顯著。進而來確定小米籽粒及小米粉的定性分析模型。

2.3.2 基于定量分析對小米產地溯源模型的建立

用1，-1分別對小米籽粒及小米粉末中的肇源和肇州樣品進行賦值，以0作為衡量指標，預測樣品值大于1被判斷為肇源地區，小于1被判定為肇州地區[14]。與定性分析方法不同的是定量分析方法中建模波段的選擇是通過系統自動在全波段范圍的基礎上篩選出特殊波段和最佳的預處理方式。其光譜的預處理方式有消除常數偏移量、減去一條直線、矢量歸一化、最小-最大歸一化、多元散射矯正、內部標準、一階導數+平滑、二階導數+平滑、一階導數+減去一條直線+平滑、一階導數+矢量歸一化+平滑、一階導數+多元散射校正（MSC）+平滑，定量分析計算方法為偏最小二乘法（PLS），采用交叉檢驗方式進行建模，根據RMSECV、定向系數R2及維數來衡量模型的好壞，其中RMSECV數值越小越好，R2數值越接近100%其預測值愈接近真值，同時維數應是先下降達到最低值后趨于平緩表示模型精度高。進而來確定小米籽粒及小米粉的定量分析模型。

2.4 模型驗證方法

利用OPUS 7.5軟件分別選擇定性分析和定量分析工具欄，將建立好的模型調入，調入預測樣品光譜圖，測定，得出結果。

3 結果與分析

3.1 原始光譜分析

利用傅里葉近紅外漫反射光譜儀采集的小米籽粒及粉末樣品的原始光譜圖，如圖1、圖2所示。

圖1 小米籽粒樣品近紅外光譜圖Fig.1 Near infrared spectra of millet grain samples

圖2 小米粉末樣品近紅外光譜圖Fig.2 Near infrared spectra of millet powder samples

由圖1、圖2可知小米籽粒及小米粉末的原始光譜存在多出共同的吸收峰，在8 320 cm-1處的吸收峰是由C-H鍵的二級倍頻振動引起的，在6 826 cm-1處的吸收峰是由蛋白質（-CONHR）二級倍頻振動引起的，在5 169 cm-1處的吸收峰是由RCOR的合頻振動引起的，在4 710 cm-1處的吸收峰是由-RNH的合頻振動引起的。

3.2 不同預處理方式對定性分析模型的影響

對兩類樣品進行定性分析研究發現，如表3。

表3 不同預處理方式對不同狀態下樣品的定性分析模型影響Table 3 The effect of different pretreatment methods on the qualitative analysis model of samples under different conditions

小米籽粒樣品在全波長范圍內采用一階導數+矢量歸一化+9點平滑的預處理方式結合因子化法時，兩地區的小米樣品被正確分類，其S值為1.280 875。小米粉末樣品在全波長范圍內采用一階導數+矢量歸一化+5點平滑的預處理方式結合因子化法時，兩地區的小米樣品被正確分類，其S值為1.780 729，以上兩種方法其模型精度較同類中其他方式高，故選此建立小米籽粒及小米粉末樣品的定性分析模型，如圖3、圖4。

圖3 小米籽粒2D得分圖Fig.3 2D score Figure of millet grain

因子化法在保留有用信息的前提下，不僅能壓縮原始光譜，還起到了對特征信息的提取作用。龐艷蘋等[15]采用近紅外光譜技術結合因子化法和二階導數+5點平滑的預處理方式對來自5個地區的92個成安草莓和133個非成安草莓進行聚類分析，結果表明，其模型的正確鑒別率高達96.70%。

3.3 不同預處理方式及波長范圍對定量分析模型的影響

采用PLS法對原始光譜進行擬合，結果如表4所示。

圖4 小米粉末2D得分圖Fig.4 2D score Figure of millet powder

表4 部分定量分析優化結果Table 4 Results of quantitative analysis of some samples

小米籽粒樣品的最優波段為9 400.9 cm-1～5 447.7 cm-1和 4 600.6 cm-1～4 249.8 cm-1組合，預處理方式為減去一條直線，其RMSECV為0.094 7，R2為96.38%，維數為5。小米粉末樣品的最優波段為9 400.9 cm-1～4 597.8 cm-1，預處理方式為消除常數偏移量，其RMSECV為0.067 2，R2為98.16%，維數為5。故選此建立小米籽粒及小米粉末樣品的定量分析模型，如圖 5、圖 6。

3.4 小米產地溯源模型的驗證

將兩類樣品的定性分析模型和定量分析模型分別帶入OPUS7.5軟件中，對預測樣品進行驗證，結果表明，定性分析模型對小米籽粒樣品中肇源、肇州地區的預測樣品正確鑒別率分別是95.65%、91.67%，對小米粉末樣品中肇源、肇州地區的預測樣品正確鑒別率均達到100%。定量分析模型對小米籽粒樣品中肇源、肇州地區的預測樣品正確鑒別率分別是91.30%、91.67%，對小米粉末中肇源、肇州地區的預測樣品正確鑒別率分別是95.65%、91.67%，如表5。

圖5 小米籽粒樣品Fig.5 Samples of millet grain

圖6 小米粉末樣品Fig.6 Samples of millet powder

表5 模型鑒別結果Table 5 The results of model identification

由于樣品顆粒大小的不同使光在樣品籽粒中的光程發生變化，影響光對樣品的漫反射性，樣品顆粒越大，散射系數越小，吸光度也隨之發生變化，導致樣品的光譜發生變化，進而影響近紅外數學模型的預測精度[18]。研究發現由于小米粉末樣品的粒徑較小，空間分布比較均勻，使樣品對光譜的漫反射性影響較小，能攜帶大量樣品信息于原始光譜自身，而小米籽粒與之相反，所以用小米粉末近紅外光譜構件的模型效果要好于用小米籽粒，且預測準確率高。畢京翠等[19]用近紅外光譜技術結合PLS法對稻谷、米粒和米粉3種形態的樣品進行蛋白質含量檢測研究發現用大米粉末建立的近紅外光譜預測模型準確性最高，米粒次之，稻谷相對較低。

4 結論

在全波長范圍內利用一階導數+矢量歸一化+9點平滑的預處理方式結合因子化法建立的小米籽粒定性分析模型對肇源、肇州兩地區的小米籽粒預測樣品的正確鑒別率為95.65%、91.67%，在全波長范圍內利用一階導數+矢量歸一化+5點平滑的預處理方式結合因子化法建立的小米粉末定性分析模型對肇源、肇州兩地區的小米粉末預測樣品的正確鑒別率均為100%；在 9 400.9 cm-1～5 447.7 cm-1和 4 600.6 cm-1～4 249.8 cm-1組和的波段范圍內利用減去一套直線的預處理方法結合PLS法建立的小米籽粒定量分析模型對肇源、肇州兩地區的小米籽粒預測樣品的正確鑒別率為91.30%、91.67%，在9 400.9 cm-1～4 597.8 cm-1的波段范圍內利用為消除常數偏移量的預處理方式結合PLS法建立的小米粉末定量分析模型對肇源、肇州兩地區的小米粉末預測樣品的正確鑒別率為95.65%、91.67%。采用傅里葉變換近紅外漫反射光譜技術結合化學計量學的方法可以實現對不同狀態下小米產地溯源的檢測，因小米粉末樣品的孔隙度較小對光譜的影響小，故模型判別效果要優于小米籽粒。今后對如何進一步提高小米籽粒樣品的模型精確度真正意義上的實現無損檢測及研究小米的不同年際、品種、經緯度、施肥量等因素對小米產地溯源的影響將是未來的研究方向。

[1] 趙永春.喝小米粥有哪些好處[J].晚霞,2016(13):59

[2] 高陸衛,史萬民,郭常振.小米精深加工技術探討[J].河北農業科學,2010,14(11):147-148

[3] Giacomo F D,And A D S,Giaccio M.Determining the Geographic Origin of Potatoes Using Mineral and Trace Element Content[J].Journal of Agricultural&Food Chemistry,2007,55(3):860-866

[4] Shen S G,Xia L Y,Gong D J.Determination of the Geographic Origin of Rice by Chemometrics with the Ethyl Acetate Extracts from Rice[J].Advanced Materials Research,2013,746:68-71

[5] Sheikha.Determination of the Geographical Origin of Fruits by Using 26S rDNA Fingerprinting of Yeast Communities by PCRDGGE:An Application to Shea Tree Fruits[J].Chinese Bulletin of Life Sciences(ISSN1934-7391),2010,4(6):9-15

[6] Wang L,Niu Q,Hui Y,et al.Discrimination of Rice with Different Pretreatment Methods by Using a Voltammetric Electronic Tongue[J].Sensors,2015,15(7):17767-17785

[7] Zhuang X G,Wang L L,Chen Q,et al.Identification of green tea origins by near-infrared (NIR)spectroscopy and different regression tools[J].Science China Technological Sciences,2017,60(1):84-90

[8] XIA L Y,SHEN S G,LIU Z H,et al.Identification of geographical origins of rice with pattern recognition technique by near infrared spectroscopy[J].Spectroscopy&Spectral Analysis,2013,33(1):102-105

[9] 黃華軍,嚴衍祿,申兵輝,等.鑒別玉米雜交種純度的近紅外光譜分析技術研究[J].光譜學與光譜分析,2014(5):1253-1258

[10]范琦.傅里葉變換近紅外漫反射光譜法結合多元分析技術判別麻黃植物的方法學研究[D].重慶:重慶大學,2009

[11]王亞鴿.基于近紅外光譜技術的枸杞產地鑒別及品質快速檢測研究[D].咸陽:西北農林科技大學,2015

[12]王力立.小米中主要營養成分的測定及小米茶的制備[D].太原:山西大學,2011

[13]胡昌勤.近紅外光譜法快速分析藥品[M].北京:化學工業出版社,2010

[14]周健,成浩,賀巍,等.基于近紅外的PLS量化模型鑒定西湖龍井真偽的研究[J].光譜學與光譜分析,2009,29(5):1251-1254

[15]龐艷蘋,劉坤,閆軍穎,等.近紅外光譜法快速鑒別成安草莓[J].現代食品科技,2013(5):1160-1162

[16]楊海龍,臧恒昌,胡甜,等.近紅外漫反射光譜法對不同產地山楂的定性鑒別和定量分析[J].藥物分析雜志,2014(3):396-401

[17]Ren G,Wang S,Ning J,et al.Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy(FT-NIRS)[J].Food Research International,2013,53(2):822-826

[18]Zhao L L,Zhao L L,Li J H,et al.Influence of FT-NIR spectrometer scanning requirements on the math model's precision[J].Spectroscopy and Spectral Analysis,2004,24(1):41-44

[19]畢京翠,張文偉,肖應輝,等.應用近紅外光譜技術分析稻米蛋白質含量[J].作物學報,2006,32(5):709-715

歡迎訂閱2017年《食品研究與開發》

《食品研究與開發》是由天津市食品研究所有限公司和天津市食品工業生產力促進中心主辦，國內外公開發行的食品專業科技期刊，1980年創刊，半月刊，采用國際流行開本大16開。其專業突出，內容豐富，印刷精美，是一本既有基礎理論研究，又包括實用技術的刊物。本刊已被“萬方數據庫”、“中文科技期刊數據庫”、《烏利希期刊指南》、美國《化學文摘》、英國國際農業與生物科學研究中心（CABI）、英國《食品科技文摘》（FSTA）等知名媒體收錄，并被列入“中文核心期刊”、“中國科技核心期刊”、RCCSE中國核心學術期刊（A）。主要欄目有：基礎研究、分離提取、研發與工藝、標準與檢測、生物工程、營養保健、貯藏保鮮、質量安全、專題論述、食品機械等。

本刊國內統一刊號CN 12-1231/TS；國際刊號ISSN 1005-6521；郵發代號：6-197。全國各地郵局及本編輯部均可訂閱。從本編輯部訂閱全年刊物享八折優惠。2017年定價：30元/冊，全年720元。

本編輯部常年辦理郵購，訂閱辦法如下：

（1）郵局匯款。地址：天津市靜海縣靜海經濟開發區南區科技路9號；收款人：《食品研究與開發》編輯部；郵政編碼：301600。

（2）銀行匯款。開戶銀行：工商銀行靜海支行

賬號：0302095119300204171；單位：天津市食品研究所有限公司。

《食品研究與開發》編輯部

E-mail：tjfood@vip.163.com

電話（傳真）：022-59525671

Study on Traceability of Millet Origin by Near Infrared Diffuse Reflectance Spectroscopy

SONG Xue-jian，QIAN Li-li，ZHOU Yi，YU Guo，YU Jin-chi，ZHANG Dong-jie*
（College of Food Science，Heilongjiang Bayi Agricultural University，Daqing 163319，Heilongjiang，China）

In order to establish a millet origin of the rapid detection technology，better maintenance of local famous millet brand benefits，near infrared diffuse reflectance spectroscopy was used to identify the origin of millet in different states.A total of 144 millet samples from the main producing areas of Zhaoyuan and Zhaozhou were selected，and the near infrared diffuse reflectance spectroscopy combined with stoichiometry was used to study the origin of millet in different states.The results showed that the qualitative analysis model established by the factorization method in the whole wavelength range and the quantitative analysis model established by partial least squares（PLS）in the characteristic band range，and the correct identification rate of millet kernel and millet powder in Zhaoyuan and Zhaozhou two millet main producing areas was above 90%，and the correct prediction rate of millet powder model was higher than that of millet kernel.Therefore，the application of near infrared diffuse reflectance spectroscopy to the different status of millet origin traceability of the rapid identification of a certain feasibility.

near infrared diffuse reflectance spectroscopy；millet；factorization method；partial least squares（PLS）；origin traceability

2017-03-08

10.3969/j.issn.1005-6521.2017.11.030

黑龍江省教育廳科學技術研究項目資助（12541576）；黑龍江省墾區科研項目（HKN125B-13-02）；黑龍江省高等學校科技創新團隊建設計劃項目（2014TD006）；黑龍江省應用技術研究與開發計劃項目（GA14B104）

宋雪健（1991—），男（漢），研究生，研究方向：食品加工與質量安全。

*通信作者：張東杰（1966—），男，教授，博士，研究方向：農產品加工與安全。