近紅外光譜技術對小米品種的快速鑒別

宋雪健 王欣卉 李琳

[摘要]為實現對小米品種的快速鑒別，試驗采用近紅外光譜技術對120份小米進行研究，結果表明，試驗建立的小米定性分析模型對紅谷子的正確鑒別率為100%，定量分析模型的驗證集的RMSEP為0.176，R2為96.68。為此，采用近紅外光譜技術對小米品種的快速鑒別具有一定的可行性。

[關鍵詞]小米;品種;近紅外光譜技術

中圖分類號：O657.3;TS212.7文獻標識碼：ADOI：10.16465/j.gste.cn431252ts.201910

谷子去殼后俗稱小米，含有豐富的蛋白質、碳水化合物、脂肪等營養物質，富含人體所需的18種氨基酸，具有“易丹田，補虛損，開腸胃”的功效[1]。小米的品種多樣，其中紅谷子有“天下第一香米”的美稱，其蛋白質含量高達11.2%～13.40%，直連淀粉含量為15.88%，支鏈淀粉為52.48%，深受廣大消費者青睞[2]。

近紅外光是一種介于中紅外光和可見光之間的一種電磁波，其光譜的譜區中包括的基團信息主要以H-R為主，包括-CH、N-H、-OH和S-H等。近紅外光譜技術具有快速、高效、無損的技術特點，被廣泛應用于食品[3]、醫藥[4]、工業[5]、農業[6]等領域。研究采用近紅外光譜技術對小米品種進行鑒別研究，旨在為豐富近紅外光譜的研究內容和為保護小米的優質品種提供技術參考。

1 試驗的材料和設備

1.1 試驗的材料

試驗選擇在黑龍江地區小米成熟期后，采用5點取樣法隨機收割，編號每份小米樣品，每份樣品收集大約2kg，并記錄詳細的品種信息，具體信息見表1。

1.2 試驗設備

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;FW100高速萬能粉碎機：天津泰斯特儀器有限公司。

2 試驗方法

2.1 樣品的前處理

將采集的小米進行統一晾曬、去殼及粉碎處理。選取各類樣品總數的2/3作為建模樣本集，1/3作為驗證樣本集，具體信息見表2。

2.2 光譜的采集

將傅立葉變換近紅外光譜儀進行預熱30min后，利用OPUS7.50軟件，經過檢查信號、保存峰位及掃描背景等操作后，將小米樣品倒入檢測杯中，測量樣品單通道采集樣品光譜。測量時環境溫度為室溫25℃±1℃，相對濕度控制范圍為30%～50%。光譜波段范圍4 000～12 000cm-1。分辨率8cm-1。掃描次數為64次。

2.3 定性模型的建立及驗證

為消除噪聲等的干擾，試驗選取4 500～9 000 cm-1的波數范圍進行定性研究，其中預處理方式有矢量歸一化、一階導數結合平滑點+矢量歸一化、二階導數集合平滑點+矢量歸一化，一階導數結合平滑點、二階導數結合平滑點，其中平滑點數為5、9、13、17、21、25點。并利用因子化法進行光譜“距離”的計算，“距離”的量化值為“S值”，其中數值越大，說明兩品種樣品差距越大，進而來確定小米品種的定性分析模型。將建立好的定性模型調入軟件中，利用定性分析模塊對預測光譜進行驗證。

2.4 定量模型的建立集驗證

定量分析的預處理方式較定性分析要豐富得多，有內部標準、消除常數偏移量、多元散射矯正、減去一條直線、矢量歸一化、最小-最大歸一化、一階導數結合平滑點、二階導數結合平滑點、一階導數結合平滑點+減去一條直線、一階導數結合平滑點+矢量歸一化、一階導數結合平滑點+多元散射校正。定量分析計算方法為偏最小二乘法，并采用交叉檢驗方式進行建模，根據校正集均方根誤差（RMSEC）及定向系數（R2）的大小來衡量模型的精度，其中RMSEC越小，R2越大越好。將建立好的定量分析模型調入軟件中，根據對預測集均方根誤差（RMSEP）數值與RMSEC數值的大小來驗證模型的檢測精度，其中RMSEP越小，RMSEC越好。

3 結果與分析

3.1 原始光譜分析。

由圖1可知，在4 710cm-1處的吸收峰是由-R-NH的合頻振動引起的;在波數為5 169cm-1處的吸收峰是由R-CO-R的合頻振動引起的;在波數為6 826cm-1處的吸收峰是由-CONH-R二級倍頻振動引起的;在波數為8 320cm-1處的吸收峰是由C-H鍵的二級倍頻振動引起的[7]。

3.2 不同預處理方式對定性分析模型的影響

由表3可知，在波數為4 500～9 000 cm-1，采用二階導數結合5點平滑的預處理方式結合因子化計算方法，所建立的小米品種定性分析模型能將紅谷子和非紅谷子精確分開，其S值為1.279，2D得分見圖2。針對此研究發現，采用多種預處理方式相結合建立的模型精度較低，可能是多種處理方式對光譜造成的過擬合現象導致的。

3.3 不同預處理方式對定量分析模型的影響

由表4可知，在波數為4 500～9 000 cm-1的范圍內，采用一階導數結合5點平滑的預處理、偏最小二乘法的計算方式建立的小米品種定量分析模型檢測精度要優于其他方式，其RMSECV為0.243，R2為92.22，見圖3。

3.4 模型的驗證

將兩種模型分別帶入軟件中，與預測樣品進行驗證，結果表明，定性分析模型對紅谷子和非紅谷子品種的正確鑒別率分別為100%和95.65%，見表5。定量分析模型對紅谷子和非紅谷子品種的鑒別效果為RMSEP=0.176，R2=96.68，見圖4。

4 結 論

采用近紅外光譜技術對小米品種進行鑒別，在波數為4 500～9 000cm-1，采用的計算方式為因子化法，預處理方式為二階導數結合5點平滑的建立的定性模型較好，對紅谷子的正確鑒別率高達100%。采用的計算方式為偏最小二乘法，預處理方式為一階導數結合5點平滑，建立的定量分析模型對紅谷子和非紅谷子檢測時，其RMSEP為0.176，R2為96.68。故采用近紅外光譜技術可以實現對小米品種的快速檢測。0406CD72-EEA0-46EF-8985-A34B71961773

參考文獻

[1] 孫藝丹.不同谷子品種主要農藝性狀、營養品質與食味品質的關系[D].晉中：山西農業大學，2016.

[2] 穆秋霞，崔素萍，張卓敏，等.黑龍江主栽小米品種品質特性及其相關性分析[J].中國糧油學報，2019，34（7）：26-32+67.

[3] 陳嘉，高麗，葉發銀，等.基于近紅外光譜與支持向量機的甘薯粉絲摻假快速檢測[J].食品與發酵工業，2019，45（11）：211-218.

[4] 閆研，秦斌，殷果，等.近紅外光譜法在舒胸片快速定性定量分析中的應用[J].藥學研究，2018，37（6）：327-331.

[5] 金文英.近紅外光譜在原油評價中的應用研究[J].石化技術，2019， 26（7）：156-158.

[6] 田曉琳，吳建虎，蘭雷珍，等.利用可見/近紅外反射光譜無損檢測小米的粘度[J].食品安全質量檢測學報，2018，9（11）：2728-2733.

[7] 錢麗麗，宋雪健，類彥波，等.近紅外漫反射光譜技術對小米產地的快速檢測[J].食品工業，2018，39（6）：257-261.

Rapid Identification of millet varieties by near Infrared Spectroscopy

Song Xuejian1，Wang Xinhui2，Li Lin1

（1 Heilongjiang BaYi Agricultural University， College of Food Science， Daqing， Heilongjiang 163319;

2 Qiqihar University College of Food and Bioengineering， Qiqiha'er， Heilongjiang 161006）

Abstract： In order to realize the rapid identification of millet varieties， The experiment uses the near infrared spectrum technique to carry on the research to 120 millet， The results show that The correct identification rate of red gluten by qualitative analysis model was 100%， RMSEP of validation set of quantitative analysis model is 0.176， R2 is 96.68， Therefore， it is feasible to identify millet varieties quickly by near infrared spectroscopy.

Key words： millet， varieties， near infrared spectroscopy0406CD72-EEA0-46EF-8985-A34B71961773