基于便攜式近紅外技術的高粱品種無損鑒別研究

摘 要：不同高粱品種直接決定其所釀醬香型白酒的品質高低，因此高粱品種的鑒別尤為重要。本研究利用便攜式近紅外光譜結合化學計量學方法建立高粱品種鑒別模型，采集了25、45、65 ms三個積分時間下的粳高粱和糯高粱在完整以及粉末兩種狀態的光譜數據，利用單一及組合光譜預處理方法消除光譜中存在的干擾，結合無監督識別方法主成分分析（principal component analysis，PCA）和3種有監督模式識別方法線性判別式分析（linear discriminant analysis，LDA）、偏最小二乘判別分析（partial least square discriminant analysis，PLS-DA）以及軟獨立模式識別法（soft independent mode classification analysis，SIMCA）分別構建了不同品種高粱的鑒別模型。結果表明，光譜預處理方法能夠有效消除干擾；無監督方法無法實現不同品種高粱鑒別，有監督模式識別方法結果能實現高粱品種鑒別，其中LDA＞PLS-DA＞SIMCA；三個積分時間下，粉末高粱結果優于完整高粱；三個有監督鑒別模型的65 ms的結果較差，45 ms積分時間下的鑒別結果最佳，原始光譜均能達到100%鑒別。以上結果表明，便攜式近紅外光譜儀結合模式識別方法可以實現糯高粱和粳高粱的準確無損鑒別。

關鍵詞：糯高粱；粳高粱；近紅外光譜；模式識別；無損鑒別；智能檢測

中圖分類號：O561.3 文獻標志碼：A 文章編號：1008-1038（2025）01-0001-07

DOI：10.19590/j.cnki.1008-1038.2025.01.001

Research on Nondestructive Identification of Sorghum Varieties

Based on Portable Near-infrared Technology

YANG Liping1， QIU Xiwen1， YANG Qinghua2， ZHAN Jiaqi1， TANG Hui3， LI Pao1，3*， DU Guorong4*

（1. College of Food Science and Technology， Hunan Agricultural University， Changsha 410128， China; 2. China Certification amp; Inspection Group Hunan Co.， Ltd.， Changsha 410021， China; 3. Guangdong Provincial Key Laboratory of Utilization and Conservation of Food and Medicinal Resources in Northern Region， Shaoguan 512005， China; 4. Shanghai Tobacco Group Co.， Ltd.， Technical Center Beijing Workstation， Beijing 101121， China）

Abstract： Different sorghum varieties directly determine the quality of Baijiu， so the identification of sorghum varieties is particularly important. This study used portable near-infrared （NIR） spectroscopy combined with chemometric methods to establish a sorghum varieties identification model. Spectra of japonica sorghum and glutinous sorghum in both intact and powdered states were collected at three integration times of 25， 45 ms， and 65 ms. Single and combined spectral preprocessing methods were used to eliminate interference in the spectra. Unsupervised recognition methods， PCA， and three supervised pattern recognition methods， LDA， PLS-DA， and SIMCA， were used to construct identification models for different varieties of sorghum. The results indicated that spectral preprocessing methods could effectively eliminate interference. Unsupervised methods could not achieve the identification of different varieties of sorghum， while supervised pattern recognition methods could achieve the identification of sorghum varieties， where LDA＞PLS-DA＞SIMCA. Under three integration times， the results of powdered sorghum were better than those of intact sorghum. The results of the three supervised discrimination models at 65 ms were poor， the best discrimination result achieved at 45 ms integration time， and the original spectra were able to achieve 100% discrimination. The above results indicated that the combination of portable near-infrared spectrometer and pattern recognition method could achieve accurate and non-destructive identification of glutinous sorghum and japonica sorghum.

Keywords： Glutinous sorghum; japonica sorghum; near-infrared spectroscopy; nondestructive testing; nondestructive identification; intelligent detection

高粱為禾本科一年生植物，具有高糖分積累、高生物質生產潛力、優異的氨源利用效率和廣泛的栽培適應性等諸多優良特性[1-4]。醬香型白酒作為我國白酒十二大香型之一，憑借釀造工藝和獨特風味受到大眾喜愛[5]。高粱是釀造醬香型白酒的主要原料，富含淀粉、脂肪、蛋白質等營養物質，適合釀酒，但這些物質含量的多少將會直接影響到釀造的全過程和白酒的酒質[6-7]。高粱按照品種一般分為糯高粱和粳高粱，兩者的淀粉含量不同[8]。而在醬香型白酒的釀造中一般只選用支鏈淀粉含量高，易于糊化的糯高粱[9]，粳高粱因為支鏈淀粉含量低，糊化特性等因素會影響醬香型白酒的酒質[10]。為了保證醬香型白酒的風味及品質，一般在釀造前需要對高粱的品種以及是否存在高粱摻雜進行檢測。傳統的高粱品種鑒別方法主要依靠人工目視觀測和簡單的化學試劑檢測，王紅梅等[11]利用超高效液相色譜-復合四極桿軌道阱質譜法實現了對不同品種高粱的鑒別，但這些傳統檢測方法多存在耗時長、具有破壞性且缺乏及時性等問題，也無法檢測高粱是否摻雜[12]。因此，亟需開發一種快速、無損、可持續發展的綠色智能鑒別方法。

近紅外（near-infrared，NIR）光譜技術屬于現代光譜分析技術，與傳統的鑒別分析方法如色譜法、化學滴定法等相比，具有高效、無損、綠色無污染等優點[13]。通過結合化學計量學方法，NIR光譜技術已被廣泛用于食品、藥品等領域的鑒別分析。由于在光譜采集過程中經常受到環境、儀器以及操作人員的影響，使光譜出現基線漂移、噪聲等干擾，因此，需要采用光譜預處理方法消除干擾[14-15]。近年來，近紅外光譜技術發展迅速，已經用于許多食品的鑒別分析[16-17]。邵春甫等[18]和范明順等[19]等通過光譜法實現了高粱淀粉（支鏈淀粉、直鏈淀粉）的定量分析。現有檢測方法已經能夠基本實現對高粱成分的定量分析，但對于近紅外高粱品種鑒別方面的檢測鮮有報道。本研究旨在基于便攜式近紅外技術結合無監督和有監督的模式識別方法建立高粱鑒別模型，從而實現對糯高粱和粳高粱的無損鑒別分析。

1 材料與方法

1.1 材料與儀器

粳高粱主要產自遼寧、吉林和華北地區，糯高粱主要產自西南地區，本試驗購買了遼寧粳高粱和貴州糯高粱。每個樣品各準備100份，共計200份樣品，室溫保存。

i-Spec Plus光柵型便攜式近紅外光譜儀，必達泰克光電科技（上海）有限公司生產。

1.2 光譜采集

實驗在溫度25 ℃、相對濕度50%的環境下進行，光譜采集前需預熱儀器，調好設備參數。采集樣品光譜信息時，用鑷子將樣品置于石英瓶中，每次操作必須確保樣品完全覆蓋光斑，每個高粱樣品掃描3次，取平均值，作為高粱NIR的原始光譜數據。

1.3 化學計量學分析

采用了去偏移校正（de-bias）、 標準正態變量變換（standard normal variate transformation，SNV）、去趨勢校正（detrend，DT）、最大最小歸一化（maximum and minimum normalization，Min-Max）、一階導數（first derivative，1st）、多元散射校正（multiplicative scatter correction，MSC）、二階導數（second derivative，2nd）和連續小波變化（continuous wavelet transform，CWT）8種單一預處理方法；以及采用5種組合預處理方法（1st＋DT、1st＋SNV、1st＋MSC、CWT＋MSC、CWT＋SNV）消除粳高粱和糯高粱原始光譜中的基線漂移、噪聲以及譜峰重疊等干擾，再結合主成分分析（principal component analysis，PCA）和3種有監督模式識別方法線性判別式分析（linear discriminant analysis，LDA）、軟獨立模式識別法（soft independent mode classification analysis，SIMCA）和偏最小二乘判別分析（partial least square discriminant analysis，PLS-DA）建立不同品種高粱無損鑒別模型。

化學計量學方法由MATLAB R2022a（The Mathworks，Natick，USA）軟件實現。

2 結果與分析

2.1 糯高粱和粳高粱的原始光譜圖及PCA結果

圖1、2分別為不同積分時間下完整、粉末形態下糯高粱和粳高粱的原始光譜。由圖可知，光譜圖譜線走勢基本趨于一致，整體來說光譜之間的差別不大，均在波長6 900 nm和8 400 nm處有明顯吸收峰。此外從高粱原始光譜圖中看出有明顯的基線漂移和譜峰重疊等干擾問題，無法依靠原始光譜將糯高粱和粳高粱的準確產地分開。

圖3、4是不同積分時間下完整、粉末形態下糯高粱和粳高粱的PCA圖，采用無監督的PCA方法挖掘糯高粱和粳高粱光譜數據差異信息，完整高粱比粉末狀態下的重疊嚴重，PCA方法無法實現對糯高粱和粳高粱的準確綠色智能鑒別。

2.2 基于SIMCA的糯高粱和粳高粱鑒別結果

為了實現糯高粱和粳高粱的綠色智能鑒別，采用3種監督模式識別方法分析。SIMCA的主要目標是通過建立各個類別的統計模型，識別不同類別的數據樣本，為數據分析提供一種強有力的工具，能有效處理和分類復雜的數據。與PCA技術相比，SIMCA不僅關注數據的主要變異，還專注于建立分類模型，能夠將樣本有效地分類到不同的類別中，而PCA主要用于降維和數據可視化。圖5、6為SIMCA經單一預處理和組合預處理方法后的鑒別結果。由圖可知，完整和粉末狀態下，SIMCA均可以實現對高粱品種的鑒別，其鑒別率達到100%，其中45 ms積分時間下的完整高粱未經預處理原始光譜結果已達到100%。粉末狀態下，25 ms積分時間下原始光譜結果也能達到100%鑒別，但兩種狀態下65 ms積分時間下鑒別率略有差別，其中經2nd預處理后的粳高粱和糯高粱鑒別率降到最低，可能是SIMCA模式識別下的2nd預處理剔除了大部分有效信息。

2.3 基于PLS-DA的糯高粱和粳高粱鑒別結果

為進一步提高糯高粱和粳高粱鑒別率，采用了PLS-DA進一步識別分析。圖7、8是經原始光譜和8種單一預處理和5種組合預處理方法結合PLS-DA所建立的糯高粱和粳高粱的鑒別模型。PLS-DA的目標是通過線性組合的方法，找到一個低維空間來最大化樣本類別之間的方差，同時最小化類別內的方差，從而實現有效的分類，進而提升鑒別率。由圖可知，粉末狀態下的PLS-DA鑒別率優于完整狀態下，其中25 ms和45 ms積分時間下的粉末高粱未經預處理原始光譜均能達到100%。完整高粱在45 ms積分時間下原始光譜達到100%鑒別。但65 ms積分時間下，粉末狀態下的高粱無法實現100%鑒別，而在完整狀態下的高粱多數使用組合預處理才能實現100%鑒別。

2.4 基于LDA的糯高粱和粳高粱鑒別結果

鑒于PLS-DA鑒別結果不是很樂觀，為了提高鑒別率，本實驗采取了LDA方法，LDA是一種用于分類和降維的監督學習技術，主要目標是找到一個投影方向，使不同類別的數據在這個方向上盡可能分開，同時同一類別的數據盡可能聚集。圖9、10是糯高粱和粳高粱經過8種單一預處理和5種組合預處理優化后結合LDA模型的鑒別結果。由圖可知，LDA優于SIMCA和PLS-DA監督識別方法，幾乎能實現對糯高粱和粳高粱100%鑒別率，對不同品種高粱鑒別率得到了大幅度提升。其中，45 ms積分時間下完整和粉末狀態的高粱都能達到100%鑒別，粉末狀態在25 ms積分時間下也能達到100%鑒別。其中65 ms積分時間下的完整和粉末狀態下高粱品種鑒別結果大大提高，其中，未經光譜預處理的原始光譜均能達到100%鑒別。

3 結論

本研究基于便攜式近紅外光譜技術聯合化學計量學方法，建立了綠色、無損、快速鑒別糯高粱和粳高粱的方法。所采用的四種模式識別方法PCA、SIMCA、PLS-DA、LDA，有監督識別方法優于無監督識別，有監督識別模型中SIMCA、PLS-DA、LDA在不同積分時間下經過合適單一預處理或組合預處理后，糯高粱和粳高粱鑒別率達到了100%。綜上所述，便攜式光譜技術結合模式識別方法可以實現糯高粱和粳高粱的綠色智能鑒別，近紅外光譜技術為不同品種高粱鑒別提供了一個新方法。

參考文獻：

[1] 王志偉， 閆鳳霞， 徐嘉良， 等. 3種高粱品種淀粉特性和釀造黃酒的風味品質分析[J]. 食品科學， 2019， 40（13）： 45-51.

[2] 陳振家， 琚魏波， 陳瓊玲， 等. 超高壓處理對高粱淀粉理化性質的影響[J/OL]. 中國糧油學報， 1-17[2024-12-25]. https：//kns.cnki.net/kcms2/article/abstract？v=KrjhrmY9aOVw5Bjmwhqtu2XF0XjKt-jboi54nXkNs2THHx8ykhleO3E-zAfawwn7NgNBwTzZEGWvNYv-K7yI4wlK4DNp9-bxz2p9zgyxqR9cuBOuEnNywNwy-XRyHXxHshYEihyPsFksqHG7trrn9LBh9gqpmWtCjBiDUQMSaTmUV0sNxksJ2R4p2Vjq7mR2amp;uniplatform=NZKPTamp;language=CHS

[3] TARI I， LASKAY G， TAKACS Z， et al. Response of sorghum to abiotic stresses： A review[J]. Journal of Agronomy and Crop Science， 2013， 199（4）： 264-274.

[4] 劉秋霞， 董二偉， 黃曉磊， 等. 不同生態區高粱籽粒產量和品質對氮肥施用的響應[J]. 作物學報， 2023， 49（10）： 2766-2776.

[5] 蔣倩兒， 陳文浩， 孫金沅， 等. 醬香型白酒大曲微生物研究進展[J]. 中國釀造， 2021， 40（12）： 1-5.

[6] 張明贊， 賀彪， 田輝， 等. 醬香型白酒生產過程中微生物對白酒風味物質影響的研究進展[J]. 農產品加工， 2024（6）： 108-111.

[7] 袁蕊， 敖宗華， 劉小剛， 等. 南北方幾種高粱釀酒品質分析[J]. 釀酒科技， 2011（12）： 33-36.

[8] 丁延慶， 周棱波， 汪燦， 等. 醬香型酒用糯高粱研究進展[J]. 生物技術通報， 2019， 35（5）： 28-34.

[9] 劉民萬， 尹鳳瑋， 葛瑞蘭， 等. 醬香型白酒有關生產技術的探討[J]. 釀酒， 2015， 42（3）： 54-57.

[10]" 詹鵬杰， 張福耀， 王瑞， 等. 不同淀粉類別高粱品種釀酒相關性能分析[J]. 山西農業科學， 2013， 41（9）： 897-898， 952.

[11]" 王紅梅， 李哲， 王松濤， 等. 基于理化性質和代謝組學的西南地區常規釀酒高粱與雜交高粱鑒別分析[J]. 食品工業科技， 2024， 45（19）： 256-267.

[12]" UlBRICH M， DALER J M， FLOTER E. Acid hydrolysis of corn starch genotypes. I. Impact on morphological and molecular properties[J]. Carbohydrate Polymers， 2019， 219： 172-180.

[13]" ZHAO Y， ZHU C， JIANG H. Quantitative detection of zearalenone in wheat using intervals selection coupled to near-infrared spectroscopy[J]. Infrared Physics amp; Technology， 2024， 136： 105004.

[14]" 張欣欣， 李尚科， 李跑， 等. 近紅外光譜的不同產地柑橘無損鑒別方法[J]. 光譜學與光譜分析， 2021， 41（12）： 3695-3700.

[15]" 李跑， 譚惠珍， 謝叔娥， 等. 基于近紅外光譜技術有監督模式識別的青皮產地溯源分析[J]. 輕工學報， 2024， 39（2）： 54-59.

[16]" 李嘉儀， 余梅， 李脈泉， 等. 近紅外光譜和模式識別的菊花品種無損鑒別[J]. 光譜學與光譜分析， 2022， 42（4）： 1129-1133.

[17]" 余梅， 李尚科， 戴雪婧， 等. 一種基于近紅外光譜技術的不同品種及摻假三七的無損鑒別分析研究[J]. 分析測試學報， 2021， 40（9）： 1374-1379.

[18]" 邵春甫， 李長文， 王珊， 等. 近紅外光譜應用于高粱中總淀粉、直鏈淀粉與支鏈淀粉的定量分析[J]. 糧油食品科技， 2016， 24（2）： 60-64.

[19]" 范明順， 張崇玉， 張琴， 等. 雙波長分光光度法測定高粱中的直鏈淀粉和支鏈淀粉[J]. 中國釀造， 2008（21）： 85-86.