近紅外光譜技術快速鑒別查哈陽大米

錢麗麗，宋雪健，張東杰,*，左 鋒，趙海燕，鹿保鑫，遲曉星

近紅外光譜技術快速鑒別查哈陽大米

錢麗麗1，宋雪健1，張東杰1,*，左 鋒1，趙海燕2，鹿保鑫1，遲曉星1

（1.黑龍江八一農墾大學食品學院，黑龍江 大慶 163319；2.青島農業大學食品科學與工程學院，山東 青島 266109）

查哈陽大米為黑龍江特色品牌大米，為保護查哈陽大米品牌，實現查哈陽大米原產地快速真偽鑒別。通過構建不同地域和品種水稻試驗田，收獲期內對試驗田大米的近紅外光譜進行全波長掃描，篩選與產地相關特征波段。在特征波段處對來自查哈陽地區及非查哈陽地區的233 份大米進行定性分析及定量分析。結果表明，與產地因素主要相關的波長為5 136～5 501 cm-1，利用此波段采用因子化法建立定性分析模型對查哈陽大米正確鑒別率為100%，采用偏最小二乘法建立的定量分析模型對查哈陽大米正確判別率為95.83%。

大米；近紅外光譜技術；產地；品種

稻米是世界上重要的糧食作物，在中國約有60%的人口將其作為主食[1]。中國首家綠色食品大米生產基地查哈陽農場是最早建立的農場之一，其盛產的查哈陽大米有著潔白剔透，綿軟香甜，暢銷國內，享譽海外的美譽。查哈陽大米因其品質優良，消費者認可，具有較大的價格優勢和市場需求空間，但卻面臨著市場越來越多的假冒、以次充好等問題，嚴重破壞其聲譽。因此，快速準確地鑒別查哈陽大米的真偽有著十分重要的意義。

目前，礦物元素指紋分析技術[2-3]、電子鼻指紋圖譜技術[4-5]、電子舌指紋圖譜技術[6-7]、DNA指紋圖譜技術[8-9]等被廣泛應用于產地真實性溯源的研究中并取得了一定的進展，但是這些方法存在檢測過程繁瑣、設備昂貴、周期長等缺點，無法實現大米產地的快速鑒別。近紅外光譜技術是一種有效的產地溯源技術。其原理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[10]，不同地域農產品所表征的特征信息不同，已有研究報道近紅外光譜技術對羊肉[11]、雞肉[12]、牛肉[13]等肉類及小麥[14]、茶葉[15-16]、草莓[17]、玉米[18]、枸杞[19]等農產品的產地溯源初步研究是可行的。但對大米的研究主要集中在品質、營養成分及摻假等，在產地溯源方面研究相對較少，周子立等[20]運用近紅外光譜技術結合人工神經網絡對來說東北、江蘇、安徽三地的180 份樣品進行品種鑒別，其正確率高達100%。周曉璇等[21]運用偏最小二乘（partial least squares，PLS）法結合最優預處理方法是最大最小歸一化的預處理方式，建立的摻低檔米模型的校正集和預測集相關系數分別為0.969 8和0.984 5，均方根誤差分別為8.66和6.46模型的預測精度和穩定性均很好，實現了對摻偽大米快速、準確的定量判別。徐澤林等[22]采用PLS法建立大米中淀粉含量測定的定標模型，其相關系數為0.878 0，且模型預測值與化學值之間的相關系數為0.949 8。呂慧等[23]采用標準法通過計算樣品的近紅外光譜圖之間的歐氏距離來反映不同樣品間的差異，對102 份不同屬性和不同產地的大米進行定性聚類分析，可以準確地將不同屬性和不同產地的樣品聚類。由于大米生長環境不同，不同產地大米的品質存在一定的差異，反映在近紅外光譜圖不同。本研究通過建立不同產地和品種水稻試驗田，分析不同產地和品種的大米的近紅外光譜圖特征及差異，篩選出與產地有關的光譜波段，結合化學計量學手段，以產地判別率為指標，建立近紅外光譜定性定量分析模型，為大米近紅外產地溯源技術系統研究提供理論依據。

1 材料與方法

1.1 材料與試劑

實驗材料采集于2015年收獲期內試驗田及黑龍江主產區按東、南、西、北4 個方向進行隨機采樣，采用3點隨機取樣的方式進行收割，編號稻谷樣品，每份樣本采集2 kg，并記錄采樣信息，所有水稻品種均為粳米，樣本詳細信息如表1、2所示。

表1 試驗田樣品信息Table 1 Information about the samples from experimental field

表2 隨機采樣樣品信息Table 2 Information about the randomly selected samples

1.2 儀器與設備

FC2K礱谷機 日本大竹制作所；VP-32實驗碾米機日本山本公司；FW100高速萬能粉碎機 天津泰斯特儀器有限公司；TENSORII傅里葉近紅外光譜儀 德國布魯克（北京）科技有限公司。

1.3 方法

1.3.1 水稻田間試驗的構建

以粳稻主產區黑龍江省（五常、佳木斯、齊齊哈爾）為試驗點，設計3 塊試驗田。每塊試驗田種植主栽中晚熟品種9個（空育131、龍粳31、龍粳26、龍粳29、龍粳39、龍粳40、松粳9、五優稻4號、綏粳4），各試驗田育苗移栽、秧田管理、施肥、灌溉均按當地生產習慣，所有品種同期播種。采用3 次重復隨機區組設計，小區面積不少于10 m2。四周設保護行，保護行品種與各對應品種相同。

1.3.2 樣品預處理

將采集回樣本置于陰涼通風處晾曬，收獲籽粒，在實驗室統一完成稻米挑選、脫殼、礱谷、碾米過程。經由超微粉碎機制成米粉，過100 目篩，待測。每個樣品礱谷2 次。碾米白度為3，碾米3 次。

1.3.3 近紅外光譜的采集

將近紅外光譜儀預熱30 min，打開OPUS 7.5軟件、檢查信號、保存峰位，掃描背景單通道光譜并且每間隔1 h掃描一次背景，來消除外界信息干擾保證光譜的穩定性以減少實驗誤差。將樣品粉末倒入玻璃杯中，用壓樣器壓實，測量樣品單通道采集樣品光譜。環境溫度為室溫（25±1） ℃，相對濕度為30%～50%。光譜波數范圍為12 000～4 000 cm-1。分辨率為8 cm-1。掃描次數為64 次。

1.3.4 試樣選取

試驗田樣品用于特征波段的篩選。隨機樣品則選擇樣品量的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。各地區用于建模和預測的樣品數見表3。

表3 建模與預測樣品Table 3 Number of samples used for modeling and prediction

1.3.5 近紅外光譜數據處理

為消除噪聲、極限漂移、光的色散等因素的干擾，應用OPUS 7.5軟件分別對試驗田樣品的近紅外光譜進行一階導數預處理，為篩選出與產地有關的波段，應用SPSS 19.0軟件對試驗田樣品進行方差分析，得出特征波段。

1.3.6 模型的建立及驗證

1.3.6.1 定性分析模型的建立

采用OPUS 7.5軟件在特征波段進行定性分析模型的建立，預處理方式為矢量歸一化（standard normal variate，SNV）一階導數+平滑（5、9、13、17、21、25點，下同）、一階導數+SNV+平滑、二階導數+平滑、二階導數+SNV+平滑等，來消除無關信息的干擾，提高模型的精度。并采用歐式距離法和因子化法對光譜進行計算處理，通過比較S值最終確定最優預處理方式及光譜計算方法并建立定性分析模型；同時采用相同的方式結合加權平均準備樹形圖的方法建立聚類分析模型。

1.3.6.2 定量分析模型的建立

采用交叉檢驗以PLS在特征波段進行定量分析模型的建立，將查哈陽大米組分值賦值為1，非查哈陽大米組分值賦值為-1，以0為中間值進行真偽判斷，其中通過模型的計算值大于0的為查哈陽大米，小于0的為非查哈陽大米[24]，光譜的預處理方式有消除常數偏移量、減去一條直線、SNV、最小-最大歸一化、多元散射矯正（multiplicative scatter correction，MSC）、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+SNV+平滑、一階導數+多元散射校正+平滑，并采用檢驗集檢驗方式進行模型檢驗，并最終建立定量分析模型。

1.3.6.3 模型驗證

利用OPUS 7.5軟件分別選擇定性分析，聚類分析測試和定量分析工具欄，調入模型，調入預測樣品光譜圖，測定得出結果。

2 結果與分析

2.1 試驗田大米近紅外光譜分析結果

大米近紅外原始光譜如圖1所示，由大米樣品原始光譜可以看出，在波段7 500～9 000 cm-1處（Ⅰ區）是C—H第3組合頻區，其中8 321 cm-1附近的吸收峰脂肪烴中甲基（—CH）基團引起的；5 500～7 500 cm-1處（Ⅱ區）是C—H第2組合頻區，在6 846 cm-1附近的吸收峰是因—CH2二級振動所引起的，因與樣品中氨基酸種類及含量有關，所以較Ⅰ區信息稍微強些；4 000～5 500 cm-1處（Ⅲ區）是C—H第1組合頻譜區，是表征蛋白質及淀粉物質中的N—H、C—H、O—H及C＝O健振動的主要區間，其中5 173 cm-1處的吸收峰與其有關[25]。不同產地及不同品種之間的近紅外光譜相似，采用一階導數對試驗田原始光譜預處理后進行方差分析，結果表明，不同地區來源的樣品在波段5 136～5 501 cm-1處均有顯著差異，說明不同地區間樣品的近紅外光譜存在顯著性差異，而并未發現與不同品種之間的近紅外光譜存在顯著性差異。同一品種因其在不同的產地生長，會受到溫差、降雨量、土壤性質等因素的影響，使其理化性質發生存在一定的差異，故可以實現鑒別研究。80%大米中蛋白為堿溶性谷蛋白，其分子有大量酰胺基團，并通過氫鍵凝集蛋白分子[26]。

圖1 試驗田樣品（A）和隨機樣品（B）近紅外原始光譜圖Fig. 1 Near infrared spectra of test field samples (A) and randomly selected samples (B)

2.2 不同預處理方法的選擇對定性分析建模效果的影響

近紅外光譜雖然包含了豐富的物質信息，但譜峰重疊、信號較弱，難以像中紅外光譜那樣進行結構剖析，因此近紅外光譜的定性分析主要用于物質的種屬判別。選取在特征波段5 136～5 501 cm-1對隨機采樣樣品的原始光譜進行預處理并結合歐氏距離及因子化法進行定性建模分析，結果如表4所示。根據S值的大小來評價模型的準確度，計算公式如下：

式中：DT1為某類物質的閾值；DT2為另一類物質的閾值；D為兩類物質平均光譜之間的距離。

當S大于1時，表示兩類樣品被均一鑒別，S值越大模型準確度越高；S小于1時，表示此類樣品未被均勻鑒別，S值越小模型準確度越低。結果表明，采用因子化法結合二階導數+矢量歸一化+9點平滑的預處理方式時，查哈陽大米及非查哈陽大米被均一鑒別，其S為1.544，故選此建立定性分析模型。如圖2所示，原始光譜進行因子化分析后，不僅保留了有用的信息，而且變量是沿最大方差得到的，起到了特征信息提取的作用。而歐式距離法則是直接使用吸光度計算光譜距離，對給定譜區范圍內的全波數據點進行計算，不能體現特征變量的變化情況。因此應用因子化法建立的模型精度判別率高。

表4 不同預處理方法對定性鑒別分析模型效果的影響Table 4 Effect of different pretreatment methods on the qualitative discriminant analysis model

圖2 因子化法2D得分圖Fig. 2 2D score plot for factorization method

為進一步衡量定性模型的準確性，故在特征波段5 136～5 501 cm-1對隨機采樣樣品采用二階導數+矢量歸一化+9點平滑的預處理方式結合加權平均準備樹形圖的方法建立聚類分析模型，如圖3所示，兩類大米均被正確分類。與定性分析不同，它不需要輸入任何信息，聚類分析只將相似光譜按組分類，進而來確定樣品之間的親疏關系。梁劍等[27]采用不同預處理方式對160 粒水稻種子進行聚類分析，結果表明采用二階導數+矢量歸一化+ 25點平滑的預處理方式正確鑒別率為100%。夏立婭等[28]在7 700～6 700 cm-1及5 700～4 300 cm-1的特征波段對119 個響水大米及90 個非響水大米采用聚類分析，結果表明，兩類大米均被正確分類。聚類分析方法在解決大米產地溯源領域方面具有較大的應用前景。

圖3 不同地域大米樣品的聚類分析結果Fig. 3 Cluster analysis of rice samples from different geographical origins

2.3 定性分析模型的驗證

調入定性分析模型（波數為5 136～5 501 cm-1，采用因子化法結合二階導數+矢量歸一化+9點平滑的預處理方式）對預測樣品進行定性鑒別分析，結果表明，查哈陽大米正確鑒別率為100%，非查哈陽大米正確鑒別率為96.36%。調入聚類分析模型（波段5 136～5 501 cm-1，采用因子化法和二階導數+矢量歸一化+9點平滑的預處理方式結合加權平均準備樹形圖的方法）對預測樣品進行聚類鑒別分析，結果表明，查哈陽大米正確鑒別率為100%，非查哈陽大米的正確鑒別率為98.18%，如表5所示。

表5 定性分析模型鑒別結果Table 5 Results of identification with qualitative analysis model

2.4 不同波數及預處理方法的選擇對定量分析建模效果的影響

定量分析建模的目的是建立近紅外光譜與樣品組分化學值或者分類的相關聯系。采用PLS法進行擬合結合交叉檢驗方式在特征波段5 136～5 501 cm-1處對隨機采樣樣品光譜的預處理方式、均方根誤差（results root mean square errors of cross-validation，RMSECV）、R2（定向系數）及維數的確定進行優化處理，得出最優組合，如表6所示。其中R2越大表示預測含量值越接近真實值，RMSECV可以作為評價模型質量的依據，數值越小越好。結果表明：在特征波段對隨機采樣樣品采用消除常數偏移量的預處理方式建立的定量分析效果較好，其中RMSECV為0.129，R2為97.39。維數為8，如圖4、5所示。故選此方法建立定量分析模型。PLS法較其他方法建立的回歸模型更易于辨識系統信息與噪聲，也能夠在自變量存在嚴重多重相關性的條件下進行回歸建模，其模型效果相對于其他判別方法具有較高精度[29]。Davrieux等[30]采用近紅外光譜技術對泰國的香味大米和非香味大米，應用PLS法建立檢測模型，其鑒別正確率高達97.4%。

表6 定量分析優化結果Table 6 Results of optimization for quantitative analysis

圖4 地區預測值與真實值相關圖Fig. 4 Good correlation between predicted and reference values

圖5 RMSECV與維數的關系圖Fig. 5 Relationship between RMSECV and number of dimensions

2.5 定量分析模型的驗證

調入定量分析模型（波數為5 136～5 501 cm-1，采用PLS法集合消除常數偏移量的預處理方式）對預測樣品進行定量分析，結果表明，查哈陽大米正確判別率為95.83%，非查哈陽大米正確判別率為98.18%，如表7所示。

表7 定量分析模型判別結果Table 7 Results of identification with quantitative analysis model

3 結 論

大米的產地及品種等因素均對其近紅外光譜有顯著的影響，不同的產地及品種對其影響不同。實驗選取查哈陽、建三江、五常三地區的試驗田大米，進行與產地有關的波段的篩選，即產地對大米近紅外光譜的影響大于品種的影響，得出特征波數為5 136～5 501 cm-1，并將其應用于地理標識大米查哈陽大米的真偽快速檢測，結果表明，采用定性分析模型對查哈陽大米的正確鑒別率為100%，且采用因子化法建立的模型準確率要高于采用歐式距離法，同時為進一步確實定性分析模型的準確性，建立聚類分析模型，其對查哈陽大米的正確鑒別率為100%。采用PLS法建立的定量分析分析對查哈陽大米的正確判別率為95.83%。本實驗可為近紅外光譜技術在查哈陽大米的快速檢測提供理論支持。

[1] 龐乾林. 稻米知識縱覽[J]. 中國稻米, 2004, 10(3): 44-47. DOI:10.3969/j.issn.1006-8082.2004.03.025.

[2] 張玥, 王朝輝, 張亞婷, 等. 基于主成分分析和判別分析的大米產地溯源[J]. 中國糧油學報, 2016, 31(4): 1-5. DOI:10.3969/ j.issn.1003-0174.2016.04.001.

[3] 趙海燕, 郭波莉, 張波, 等. 小麥產地礦物元素指紋溯源技術研究[J]. 中國農業科學, 2010, 43(18): 3817-3823. DOI:10.3864/ j.issn.0578-1752.2010.18.016.

[4] 張紅梅, 王俊. 電子鼻傳感器陣列優化及其在小麥儲藏年限檢測中的應用[J]. 農業工程學報, 2006, 22(12): 164-167. DOI:10.3321/ j.issn:1002-6819.2006.12.034.

[5] 錢麗麗, 呂海峰, 鹿保鑫, 等. 地理標志大米的仿生電子鼻分類識別[J]. 中國糧油學報, 2016, 31(8): 131-137. DOI:10.3969/ j.issn.1003-0174.2016.08.024.

[6] ERNEST T. 傅里葉近紅外光譜技術和電子舌技術結合模式識別方法的可可豆定性定量分析[D]. 鎮江: 江蘇大學, 2014.

[7] 許芳, 陳軒. 電子舌技術對不同產地紅茶的滋味識別[J]. 湖北農業科學, 2016(9): 2373-2376. DOI:10.14088/j.cnki.issn0439-8114.2016.09.057.

[8] 馮雪, 柳艷霞, 賀澤英, 等. 稻米代謝組學分析方法的建立及在產地溯源中的應用[J]. 分析測試學報, 2016, 35(5): 514-519. DOI:10.3969/j.issn.1004-4957.2016.05.003.

[9] 吳婷, 魏珊, 米麗華, 等. 不同產地連翹的DNA指紋圖譜構建與聚類分析[J]. 中草藥, 2016, 47(5): 816-820. DOI:10.7501/ j.issn.0253-2670.2016.05.022.

[10] 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. DOI:10.3964/j.issn.1000-0593(2013)01-0102-04.

[11] 徐霞, 成芳, 應義斌, 等. 近紅外光譜技術在肉品檢測中的應用和研究進展[J]. 光譜學與光譜分析, 2009, 29(7): 1876-1880. DOI:10.3964/j.issn.1000-0593(2009)07-1876-05.

[12] 史巖, 趙田田, 陳海華, 等. 基于近紅外光譜技術的雞肉產地溯源[J].中國食品學報, 2014, 14(12): 198-204.

[13] 劉曉曄, 湯曉艷, 孫寶忠, 等. 普通公牛肉和淘汰母牛肉的近紅外光譜鑒別方法[J]. 食品科學, 2012, 33(24): 244-248.

[14] 李小龍, 馬占鴻, 趙龍蓮, 等. 基于近紅外光譜技術的小麥條銹病和葉銹病的早期診斷[J]. 光譜學與光譜分析, 2013, 33(10): 2661-2665. DOI:10.3964/j.issn.1000-0593(2013)10-2661-05.

[15] 程權, 楊方, 王丹紅, 等. 近紅外光譜技術對閩南烏龍茶品種的識別研究[J]. 光譜學與光譜分析, 2014(3): 656-659. DOI:10.3964/j.is sn.1000-0593(2014)03-0656-04.

[16] 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. DOI:10.1007/s11431-016-0464-0.

[17] 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. DOI:1673-9078(2013)5-1160-1162. [18] 黃艷艷, 朱麗偉, 馬晗煦, 等. 應用近紅外光譜技術定量分析雜交玉米純度的研究[J]. 光譜學與光譜分析, 2011, 31(10): 2706-2710. DOI:10.3964/j.issn.1000-0593(2011)10-2706-05.

[19] SHEN Tingting, ZOU Xiaobo, SHI Jiyong, et al. Determination geographical origin and flavonoids content of Goji berry using nearinfrared spectroscopy and chemometrics[J]. Food Analytical Methods, 2016, 9(1): 68-79. DOI:10.1007/s12161-015-0175-x.

[20] 周子立, 張瑜, 何勇, 等. 基于近紅外光譜技術的大米品種快速鑒別方法[J]. 農業工程學報, 2009, 25(8): 131-135. DOI:10.3969/ j.issn.1002-6819.2009.08.024.

[21] 周曉璇, 謝實猛, 陳全勝, 等. 基于近紅外光譜技術的大米摻偽定量判別[J]. 安徽農業大學學報, 2016, 43(4): 503-507. DOI:10.13610/ j.cnki.1672-352x.20160712.025.

[22] 徐澤林, 金華麗. 近紅外光譜法測定大米中的淀粉含量[J]. 農產品加工: 學刊, 2011(3): 74-76. DOI:10.3969/jissn.1671-9646(X).2011.03.019.

[23] 呂慧, 張正竹, 王勝鵬, 等. 基于近紅外光譜技術的大米品質分析與種類鑒別[J]. 食品工業科技, 2012, 33(3): 322-325. DOI:1002-0306(2012)03-0322-04.

[24] 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. DOI:10.3964/j.issn.1000-0593(2009)05-1251-04.

[25] 杰爾·沃克曼, 洛伊斯·文依. 近紅外光譜解析實用指南[M]. 北京:化學工業出版社, 2009: 220.

[26] WU C H, NAKAI S, POWRIE W D. Preparation and properties of acid-solubilized gluten[J]. Journal of Agricultural & Food Chemistry, 1976, 24(3): 504-510. DOI:10.1021/jf60205a057.

[27] 梁劍, 劉斌美, 陶亮之, 等. 基于水稻種子近紅外特征光譜的品種鑒別方法研究[J]. 光散射學報, 2013, 25(4): 423-428. DOI:10.3969/ j.issn.1004-5929.2013.04.014.

[28] 夏立婭, 申世剛, 劉崢顥, 等. 基于近紅外光譜和模式識別技術鑒別大米產地的研究[J]. 光譜學與光譜分析, 2013, 33(1): 102-105. DOI:10.3964/j.issn.1000-0593(2013)01-0102-04.

[29] IBRAHIM S, RAHIM H A. The assessment of amylose content using near infrared spectroscopy analysis of rice grain samples[C]// IEEE Conference on Open Systems, 2013: 32-37. DOI:10.1109/ ICOS.2013.6735043.

[30] DAVRIEUX F, OUADRHIRI Y, PONS B, et al. Discrimination between aromatic and non-aromatic rice by near infrared spectroscopy: a preliminary study[C]//Auckland: Proceedings of the 12thInternational Conference, 2007: 394-396.

Rapid Identification of Chahayang Rice Using Near Infrared Spectroscopy

QIAN Lili1, SONG Xuejian1, ZHANG Dongjie1,*, ZUO Feng1, ZHAO Haiyan2, LU Baoxin1, CHI Xiaoxing1
(1. College of Food Science, Heilongjiang Bayi Agricultural University, Daqing 163319, China; 2. College of Food Science and Engineering, Qingdao Agricultural University, Qingdao 266109, China)

Chahayang rice is a special brand of rice produced in Heilongjiang. In order to protect this brand, there is a need to establish a method for the rapid identification of Chahayang rice. In this paper, near infrared spectra of rice from a test paddy field were scanned in the full wavenumber range, and the characteristic bands for Chahayang rice were screened. Qualitative and quantitative analysis of 233 rice samples from Chahayang and other areas at the characteristic band were performed and compared. The results showed that the main factors associated with the geographical origin of Chahayang rice exhibited absorption bands in the wavenumber range of 5 136–5 501 cm-1. The rate of correct identification of Chahayang rice with the qualitative analysis model established based on the main factors was 100%, while that with the model developed through partial least squares (PLS) regression was 95.83%.

rice; near infrared spectroscopy; producing area; variety

10.7506/spkx1002-6630-201716035

O657.3

A

1002-6630（2017）16-0222-06

錢麗麗, 宋雪健, 張東杰, 等. 近紅外光譜技術快速鑒別查哈陽大米[J]. 食品科學, 2017, 38(16): 222-227. DOI:10.7506/ spkx1002-6630-201716035. http://www.spkx.net.cn

QIAN Lili, SONG Xuejian, ZHANG Dongjie, et al. Rapid identification of Chahayang rice using near infrared spectroscopy[J]. Food Science, 2017, 38(16): 222-227. (in Chinese with English abstract)

10.7506/spkx1002-6630-201716035. http://www.spkx.net.cn

2017-02-25

國家自然科學基金面上項目（81673170）；黑龍江省墾區科研項目（HKN125B-13-02）；黑龍江省農墾總局“十三五”重點科技攻關項目（HNK135-06-06）；黑龍江八一農墾大學校內培育課題（XZR2016-07）

錢麗麗（1979—），女，副教授，博士研究生，研究方向為農產品產地溯源。E-mail：qianlili286@163.com

*通信作者：張東杰（1966—），男，教授，博士，研究方向為農產品加工與安全。E-mail：byndzdj@126.com