光谱技术结合数据处理技术测定大米中淀粉和蛋白含量

周子立+冯雷

摘要：为了满足消费市场对大米品质快速实时检测的需要，对未经过粉碎、过筛等处理的大米，采集了4000cm-1—12500cm-1范围的近红外光谱。通过计算机数据处理，研究了大米的光谱数据，建立了一阶微分光谱数据与淀粉含量和蛋白质含量之间的偏最小二乘回归法定量分析模型。试验分析表明：淀粉的预测相关系数为0.912，预测标准偏差SEP为0.084，预测均方根误差为RMSEP为0.058；蛋白质的预测相关系数为0.898，SEP为0.095，RMSEP为0.121。表明采用一阶微分光谱数据分析法可以较好地预测经简单处理后的大米中淀粉含量和蛋白质含量，该结论为日后大米品质的快速特性光谱测量奠定了基础。

关键词：近红外光谱；数据处理；偏最小二乘；淀粉；蛋白质

中图分类号：S123,S15 文献标识码：A

Determination of Starch Contents and Protein Contents in Rice Using Spectroscopy

Combined with Data Processing Technique

ZHOU Zili1,FENG Lei2

(1.Zhejiang Institute of Mechanical & Electrical Engineering,Hangzhou 310053,China;

2.College of Biosystems Engineering and Food Science,Zhejiang University,Hangzhou 310029,China)

Abstract:The aim of this study is to investigate the potential of the near infrared spectroscopy technique for non-destructive measurement of rice starch contents and protein contents to meet the needs of consumer markets.Spectral properties of 100 simply treated rice samples were analyzed.The quantitative analysis models were founded to determine the starch contents and protein contents.The correlation coefficients are 0.912 and 0.898,standard errors of prediction are 0.084 and 0.095, and root mean standard errors of prediction are 0.058 and 0.121, respectively.The results show that it can predict starch contents and protein contents commendably with the first derivate spectra.This research lays the basis for field experiment by using infrared spectroscopy technique to fast measurement of rice starch contents and protein contents.

Keywords:near infrared spectroscopy;DP;partial least square;starch; protein

1 引 言(Introduction)

随着消费市场对食品品质要求的不断提高，对大米品质的快速检测已成为国内外学者研究的一个重要方向[1,2]，快速获取大米信息符合消费者对大米品质了解的实际需求。以往的大米成分检测分析即耗时、费工、有害又对周边环境产生污染，很难在田间分析测定[3]。采用光谱技术结合计算机数据处理法因其简洁、高效、低成本等优点已经受到学者们的重视，此方法还可以对多组待测试大米进行同时测定。随着近红外光谱技术的不断推广和应用，采用近红外光谱技术获取大米成分信息，再通过计算机数据处理技术对原始的光谱信息做进一步的处理，可以快速得到大米品质高低的鉴定结果，对保护消费者权益，防止以次充好，规范消费市场都有积极的作用。在现有大米成分品质研究时大多需要一些烘干、筛选等预处理，所有研究也都是在室内进行，同时对大米测试样品的要求高(粒径小而均匀)。而对没有进行预处理的大米进行测试时，其预测效果就很差。这说明传统的测试方法只能对满足条件的室内测试有效，不具备实用性和推广价值，如何找到一种实用有效的针对田间实际环境中检测大米的成分含量的方法很有必要。针对上述的问题，本文采用计算机数据处理技术中偏最小二乘回归分析方法定量分析大米淀粉和蛋白含量，并以此建立了一阶微分光谱数据与淀粉含量和蛋白质含量之间的定量分析模型。既满足了室外检测需求，又保证了研究的通用性，值得推广。

2 材料与方法(Materials and methods)

2.1 大米样本的获取

从市场上采购东北大米作为大米品质测量的样品。为保证测量的准确性和代表性特选取了同一个厂家在不同日期加工生产的大米，共得到100个大米样品。将大米样品分成三份，先后用于室内光谱分析、室外光谱分析和室内化学分析。对于光谱分析的大米样品，不需要进行任何预处理，而化学分析的大米样品则需要进行颗粒直径大小的统一筛选，费时费力。通过化学测量法得到大米样本的淀粉含量分布范围为65%-85%；蛋白质含量的分布范围为3.29%-3.96%。

2.2 测量仪器及方法

实验使用美国尼高力(Nicolet)仪器公司的傅立叶变换光谱仪，波数范围为：4000cm-1—12500cm-1，分辨率为：0.1—16cm-1。具体测试方法是：根据实验仪器对环境温度、湿度的要求，实验室温度应保持在22℃左右，湿度保持在45%左右，以保证实验数据的可靠性。先取出光谱仪中的光纤，将光纤固定在一个支架上，再把大米样品倒入直径为15cm的圆形玻璃器皿中后放置在同一支架上。测试时，通过旋转圆形玻璃器皿从0°、90°、180°、270°四个不同角度对大米样品进行光谱数据的获取，再通过运行光谱仪自带的OMNIC6.1软件进行光谱数据处理并将处理后的数据保存起来，以便后期对比验证。实际测试时每个角度扫描三次，取其平均值作为该大米样品的光谱数据值，这样做的好处是可以减少圆形玻璃器皿对光谱测量的干扰。

2.3 定量分析方法

将100个大米样品分成两部分，70个样品作为校正样品用于测试数据并以此建立分析模型。30个样品作为预测样品用于检验模型的正确性和测试效率。大米样品的选取没有任何限制，只要保证其温度湿度满足测试要求即可。

采用光谱技术结合数据分析技术测定大米成分的关键所在是建立定量分析模型。早前的大米品质分析中运用的多元线性回归法[4](MLR)、主成分回归法[5](PCR)等方法。虽然方法简单，物理意义明确，但这些方法多受使用变量数的限制，在建立校正模型时分析过程中会丢失许多光谱数据信息。或是在建立模型过程中并不能保证大米样品的主成分一定与被测组分或性质相关。人工神经网络(ANN)功能强大，但由于计算量大，而且输入神经元数不能过多等因素，使得ANN的使用通常需要结合主成分分析(PCA)等方法进行，这样做的结果就是计算量更大。本文采用偏最小二乘(PLS)方法，经过对光谱测试数据进行处理就可以对简单处理过的大米样品做大米淀粉含量和蛋白质含量的分析并建立与其光谱吸光度之间的定量分析模型。确定最佳主成分数可以通过计算交互验证法(Cross-Validation)结合预测残差平方和(PRESS)的方法来实现。评定分析模型效果好坏的标准为：好的模型需要有较低的建模和预测均方根误差(RMSEC和RMSEP)，以及较高的相关系数(r)。而为了避免建立分析模型时过于拟合，则要求预测标准偏差(SEP)和建模标准偏差(SEC)尽量接近。

endprint

3 试验结果与分析

依据上述测试方式得到的大米样品光谱图如图1所示。图1中显示，随着光谱波数的不断增加，大米样品吸光度数值逐渐增大，而且在5000cm-1和7000cm-1左右处出现明显的由于大米成分不同引起的光波吸收峰现象。

图1 大米光谱图

Fig.1 The spectrum of the rice

3.1 大米淀粉含量的预测

大米淀粉含量是大米的重要组成部分，是衡量大米品质质量的一个重要指标[6]。由于人为因素造成的误差，使得在化学法测量淀粉含量时出现三个大米样品无效，在淀粉含量的预测过程中，大米样品的数量仍为30个，但参与校正的样品总数则只有67个。先确定在4050cm-1—10000cm-1对测量到的原始光谱进行一阶微分处理和基线校正，然后建立大米淀粉含量和光谱吸光度之间的PLS模型。当主成分数为3时，PRESS值达到最小(0.642)。建模效果为：R为0.899；RMSEC为0.086，SEC为0.053。再用此模型对其余30个大米样品进行预测。预测结果为：R为0.912；RMSEC为0.084，SEC为0.058。可见，大米样品的淀粉含量定量分析模型有较高的预测和校正系数，比较低的预测和校正偏差，而校正和预测之间的差距也小，实践证明，通过此模型预测大米样品的淀粉含量是准确的。由于本文研究的大米样品未经过任何筛选等预处理，所建立的大米成分分析模型能够在实际应用中使用，本研究也更接近实际。图2是大米淀粉含量测试校正样品与预测样品比较关系图。

(a)校正样本 (b)预测样本

图 2淀粉含量建模与预测情况

Fig.2 The model and prediction of starch content

2.2 大米蛋白质含量的预测

大米蛋白作为大米主要成分之一，在近红外光谱照射下可以直接对应分子的振动吸收光谱的一定频带，所以近红外光谱能够定量分析大米蛋白的含量[7]，并对不同大米样品的蛋白含量进行准确预测。在运用PLS建立分析模型前，必须对异常的大米样品进行剔除，以保证分析模型的可靠性。当主成分数为3时，PRESS值达到最低，此时建立的大米蛋白含量与光谱吸光度之间的PLS模型及大米蛋白的定量校正模型最合适。图3是对大米样品蛋白质含量分析时，校正样品的预测残差图。图中显示大米样品的预测残差基本上都是以零水平线为中心轴，且分布均匀，另有3个大米样品的预测残差值明显偏离中心轴线，所以在定量分析时，将这3个大米样品按异常样品剔除。此后，对正常样品进行光谱基线校正、Savitzky-Golay卷积平移、一阶导数处理等处理，在光谱波数为4050cm-1—10000cm-1，蛋白质测量值与预测值之间的R达到0.899，SEC为0.098，RMSEC为0.099。并对校正样品中大米的蛋白含量与大米吸光度之间的关系进行了分析。同时，采用PLS模型对预测样品进行预测，预测结果的R达到0.898，SEP为0.095，RMSEP为0.121。二者的SEC和SEP值都比较低而且相关系数都比较高，因此可以认为利用PLS模型对大米蛋白含量的预测也是比较成功的。从图4可见，本研究结果数值相对较低，其主要原因大米中含水量较少，且蛋白质含量范围的方差较小，这些都对蛋白含量预测产生影响。

图3 蛋白质预测残差图

Fig.3 Protein prediction residual plot

(a)校正样本(b)预测样本

图4 蛋白质含量建模与预测情况

Fig.4The model and prediction of protein content

4 结论(Conclusion)

(1)在4000cm-1—12500cm-1的光谱波数范围内对未经任何筛选处理的大米进行了测试，通过对测试得到的原始光谱数据的处理，得到了大米样品的光谱特性。结果表明，随着光谱波数的增加，吸光度数值也逐渐增大，并且在5000cm-1和7000cm-1附近产生明显的吸收峰，这主要由大米水分引起的。

(2)在4050cm-1—10000cm-1的波数范围内，对测试的大米样品光谱数据进行一阶微分处理和基线校正处理后，应用PLS建立了大米淀粉含量和吸光度之间的定量校正模型。校正模型的R、RMSEC和SEC分别为0.899、0.086和0.053。采用此模型对其余30个样本进行预测，其预测样本的R、SEP和RMSEP分别为0.912、0.084和0.058。这表明应用光谱技术结合数据处理技术预测大米样品中的淀粉含量是可行的。由于本文测试的大米样品未经过任何预先处理，所以结果更接近实际情况。

(3)在4050cm-1—10000cm-1的波数范围内，对测试的大米样品光谱数据经基线校正、一阶导数处理和Savitzky-Golay卷积平移后，应用PLS建立了大米样品的蛋白含量与吸光度之间的定量校正模型。校正模型的R、SEC和RMSEC分别为0.899、0.098和0.099。采用此模型对预测大米样品的蛋白含量进行预测，预测的R、SEP和RMSEP为0.898、0.095和0.121。这表明应用光谱技术结合数据处理技术可准确地预测未经过预先筛选处理的大米蛋白含量。

(4)本文介绍的光谱技术结合数据处理技术分析研究大米淀粉和蛋白含量，通过分析模型的建立可以准确的预测出未经任何筛选处理的大米样品淀粉和蛋白含量，这在农副产品的成分品质鉴别中有其十分重要的实际作用和推广价值。

参考文献 (References)

[1] 胡涛.模式识别在大米品质检测中的应用[J].农业网络信息,2010,10:44-46.

[2] 陈建伟.基于机器视觉技术大米品质检测[J].粮食与油脂,2008,5:39-41.

[3] 何剑飞,陈召桂.不同品种的大米品质评价分析[J].福建稻麦科技,2009,27(4):31-33.

[4] 张娴,等.正交信号校正应用于多元线性回归建模的研究[J].光谱学与光谱分析,2011,31(12):3228-3231.

[5] 刘旭华,等.有监督主成分回归法在近红外光谱定量分析中的应用研究[J].光谱学与光析,2009,11:2959-2961.

[6] 宁希烨,刘亚伟,刘晓峰.大米淀粉特性及修饰作用对其食用功能的影响[J].粮食与饲料工业,2011,3:35-38.

[7] 王远宏,常若葵,张伟玉.基于近红外光谱的大米蛋白质含量的研究[J].农产品加工学刊,2009,7:30-32.

作者简介:

周子立(1963-),男,本科,高级工程师,副教授.研究领域:计算机信息处理及计算机应用技术.

冯 雷(1971-),男,博士,副教授.研究领域:光谱技术,数据挖掘,协同(云)计算,移动互联.

endprint

3 试验结果与分析

依据上述测试方式得到的大米样品光谱图如图1所示。图1中显示，随着光谱波数的不断增加，大米样品吸光度数值逐渐增大，而且在5000cm-1和7000cm-1左右处出现明显的由于大米成分不同引起的光波吸收峰现象。

图1 大米光谱图

Fig.1 The spectrum of the rice

3.1 大米淀粉含量的预测

大米淀粉含量是大米的重要组成部分，是衡量大米品质质量的一个重要指标[6]。由于人为因素造成的误差，使得在化学法测量淀粉含量时出现三个大米样品无效，在淀粉含量的预测过程中，大米样品的数量仍为30个，但参与校正的样品总数则只有67个。先确定在4050cm-1—10000cm-1对测量到的原始光谱进行一阶微分处理和基线校正，然后建立大米淀粉含量和光谱吸光度之间的PLS模型。当主成分数为3时，PRESS值达到最小(0.642)。建模效果为：R为0.899；RMSEC为0.086，SEC为0.053。再用此模型对其余30个大米样品进行预测。预测结果为：R为0.912；RMSEC为0.084，SEC为0.058。可见，大米样品的淀粉含量定量分析模型有较高的预测和校正系数，比较低的预测和校正偏差，而校正和预测之间的差距也小，实践证明，通过此模型预测大米样品的淀粉含量是准确的。由于本文研究的大米样品未经过任何筛选等预处理，所建立的大米成分分析模型能够在实际应用中使用，本研究也更接近实际。图2是大米淀粉含量测试校正样品与预测样品比较关系图。

(a)校正样本 (b)预测样本

图 2淀粉含量建模与预测情况

Fig.2 The model and prediction of starch content

2.2 大米蛋白质含量的预测

大米蛋白作为大米主要成分之一，在近红外光谱照射下可以直接对应分子的振动吸收光谱的一定频带，所以近红外光谱能够定量分析大米蛋白的含量[7]，并对不同大米样品的蛋白含量进行准确预测。在运用PLS建立分析模型前，必须对异常的大米样品进行剔除，以保证分析模型的可靠性。当主成分数为3时，PRESS值达到最低，此时建立的大米蛋白含量与光谱吸光度之间的PLS模型及大米蛋白的定量校正模型最合适。图3是对大米样品蛋白质含量分析时，校正样品的预测残差图。图中显示大米样品的预测残差基本上都是以零水平线为中心轴，且分布均匀，另有3个大米样品的预测残差值明显偏离中心轴线，所以在定量分析时，将这3个大米样品按异常样品剔除。此后，对正常样品进行光谱基线校正、Savitzky-Golay卷积平移、一阶导数处理等处理，在光谱波数为4050cm-1—10000cm-1，蛋白质测量值与预测值之间的R达到0.899，SEC为0.098，RMSEC为0.099。并对校正样品中大米的蛋白含量与大米吸光度之间的关系进行了分析。同时，采用PLS模型对预测样品进行预测，预测结果的R达到0.898，SEP为0.095，RMSEP为0.121。二者的SEC和SEP值都比较低而且相关系数都比较高，因此可以认为利用PLS模型对大米蛋白含量的预测也是比较成功的。从图4可见，本研究结果数值相对较低，其主要原因大米中含水量较少，且蛋白质含量范围的方差较小，这些都对蛋白含量预测产生影响。

图3 蛋白质预测残差图

Fig.3 Protein prediction residual plot

(a)校正样本(b)预测样本

图4 蛋白质含量建模与预测情况

Fig.4The model and prediction of protein content

4 结论(Conclusion)

(1)在4000cm-1—12500cm-1的光谱波数范围内对未经任何筛选处理的大米进行了测试，通过对测试得到的原始光谱数据的处理，得到了大米样品的光谱特性。结果表明，随着光谱波数的增加，吸光度数值也逐渐增大，并且在5000cm-1和7000cm-1附近产生明显的吸收峰，这主要由大米水分引起的。

(2)在4050cm-1—10000cm-1的波数范围内，对测试的大米样品光谱数据进行一阶微分处理和基线校正处理后，应用PLS建立了大米淀粉含量和吸光度之间的定量校正模型。校正模型的R、RMSEC和SEC分别为0.899、0.086和0.053。采用此模型对其余30个样本进行预测，其预测样本的R、SEP和RMSEP分别为0.912、0.084和0.058。这表明应用光谱技术结合数据处理技术预测大米样品中的淀粉含量是可行的。由于本文测试的大米样品未经过任何预先处理，所以结果更接近实际情况。

(3)在4050cm-1—10000cm-1的波数范围内，对测试的大米样品光谱数据经基线校正、一阶导数处理和Savitzky-Golay卷积平移后，应用PLS建立了大米样品的蛋白含量与吸光度之间的定量校正模型。校正模型的R、SEC和RMSEC分别为0.899、0.098和0.099。采用此模型对预测大米样品的蛋白含量进行预测，预测的R、SEP和RMSEP为0.898、0.095和0.121。这表明应用光谱技术结合数据处理技术可准确地预测未经过预先筛选处理的大米蛋白含量。

(4)本文介绍的光谱技术结合数据处理技术分析研究大米淀粉和蛋白含量，通过分析模型的建立可以准确的预测出未经任何筛选处理的大米样品淀粉和蛋白含量，这在农副产品的成分品质鉴别中有其十分重要的实际作用和推广价值。

参考文献 (References)

[1] 胡涛.模式识别在大米品质检测中的应用[J].农业网络信息,2010,10:44-46.

[2] 陈建伟.基于机器视觉技术大米品质检测[J].粮食与油脂,2008,5:39-41.

[3] 何剑飞,陈召桂.不同品种的大米品质评价分析[J].福建稻麦科技,2009,27(4):31-33.

[4] 张娴,等.正交信号校正应用于多元线性回归建模的研究[J].光谱学与光谱分析,2011,31(12):3228-3231.

[5] 刘旭华,等.有监督主成分回归法在近红外光谱定量分析中的应用研究[J].光谱学与光析,2009,11:2959-2961.

[6] 宁希烨,刘亚伟,刘晓峰.大米淀粉特性及修饰作用对其食用功能的影响[J].粮食与饲料工业,2011,3:35-38.

[7] 王远宏,常若葵,张伟玉.基于近红外光谱的大米蛋白质含量的研究[J].农产品加工学刊,2009,7:30-32.

作者简介:

周子立(1963-),男,本科,高级工程师,副教授.研究领域:计算机信息处理及计算机应用技术.

冯 雷(1971-),男,博士,副教授.研究领域:光谱技术,数据挖掘,协同(云)计算,移动互联.

endprint

3 试验结果与分析

依据上述测试方式得到的大米样品光谱图如图1所示。图1中显示，随着光谱波数的不断增加，大米样品吸光度数值逐渐增大，而且在5000cm-1和7000cm-1左右处出现明显的由于大米成分不同引起的光波吸收峰现象。

图1 大米光谱图

Fig.1 The spectrum of the rice

3.1 大米淀粉含量的预测

大米淀粉含量是大米的重要组成部分，是衡量大米品质质量的一个重要指标[6]。由于人为因素造成的误差，使得在化学法测量淀粉含量时出现三个大米样品无效，在淀粉含量的预测过程中，大米样品的数量仍为30个，但参与校正的样品总数则只有67个。先确定在4050cm-1—10000cm-1对测量到的原始光谱进行一阶微分处理和基线校正，然后建立大米淀粉含量和光谱吸光度之间的PLS模型。当主成分数为3时，PRESS值达到最小(0.642)。建模效果为：R为0.899；RMSEC为0.086，SEC为0.053。再用此模型对其余30个大米样品进行预测。预测结果为：R为0.912；RMSEC为0.084，SEC为0.058。可见，大米样品的淀粉含量定量分析模型有较高的预测和校正系数，比较低的预测和校正偏差，而校正和预测之间的差距也小，实践证明，通过此模型预测大米样品的淀粉含量是准确的。由于本文研究的大米样品未经过任何筛选等预处理，所建立的大米成分分析模型能够在实际应用中使用，本研究也更接近实际。图2是大米淀粉含量测试校正样品与预测样品比较关系图。

(a)校正样本 (b)预测样本

图 2淀粉含量建模与预测情况

Fig.2 The model and prediction of starch content

2.2 大米蛋白质含量的预测

大米蛋白作为大米主要成分之一，在近红外光谱照射下可以直接对应分子的振动吸收光谱的一定频带，所以近红外光谱能够定量分析大米蛋白的含量[7]，并对不同大米样品的蛋白含量进行准确预测。在运用PLS建立分析模型前，必须对异常的大米样品进行剔除，以保证分析模型的可靠性。当主成分数为3时，PRESS值达到最低，此时建立的大米蛋白含量与光谱吸光度之间的PLS模型及大米蛋白的定量校正模型最合适。图3是对大米样品蛋白质含量分析时，校正样品的预测残差图。图中显示大米样品的预测残差基本上都是以零水平线为中心轴，且分布均匀，另有3个大米样品的预测残差值明显偏离中心轴线，所以在定量分析时，将这3个大米样品按异常样品剔除。此后，对正常样品进行光谱基线校正、Savitzky-Golay卷积平移、一阶导数处理等处理，在光谱波数为4050cm-1—10000cm-1，蛋白质测量值与预测值之间的R达到0.899，SEC为0.098，RMSEC为0.099。并对校正样品中大米的蛋白含量与大米吸光度之间的关系进行了分析。同时，采用PLS模型对预测样品进行预测，预测结果的R达到0.898，SEP为0.095，RMSEP为0.121。二者的SEC和SEP值都比较低而且相关系数都比较高，因此可以认为利用PLS模型对大米蛋白含量的预测也是比较成功的。从图4可见，本研究结果数值相对较低，其主要原因大米中含水量较少，且蛋白质含量范围的方差较小，这些都对蛋白含量预测产生影响。

图3 蛋白质预测残差图

Fig.3 Protein prediction residual plot

(a)校正样本(b)预测样本

图4 蛋白质含量建模与预测情况

Fig.4The model and prediction of protein content

4 结论(Conclusion)

(1)在4000cm-1—12500cm-1的光谱波数范围内对未经任何筛选处理的大米进行了测试，通过对测试得到的原始光谱数据的处理，得到了大米样品的光谱特性。结果表明，随着光谱波数的增加，吸光度数值也逐渐增大，并且在5000cm-1和7000cm-1附近产生明显的吸收峰，这主要由大米水分引起的。

(2)在4050cm-1—10000cm-1的波数范围内，对测试的大米样品光谱数据进行一阶微分处理和基线校正处理后，应用PLS建立了大米淀粉含量和吸光度之间的定量校正模型。校正模型的R、RMSEC和SEC分别为0.899、0.086和0.053。采用此模型对其余30个样本进行预测，其预测样本的R、SEP和RMSEP分别为0.912、0.084和0.058。这表明应用光谱技术结合数据处理技术预测大米样品中的淀粉含量是可行的。由于本文测试的大米样品未经过任何预先处理，所以结果更接近实际情况。

(3)在4050cm-1—10000cm-1的波数范围内，对测试的大米样品光谱数据经基线校正、一阶导数处理和Savitzky-Golay卷积平移后，应用PLS建立了大米样品的蛋白含量与吸光度之间的定量校正模型。校正模型的R、SEC和RMSEC分别为0.899、0.098和0.099。采用此模型对预测大米样品的蛋白含量进行预测，预测的R、SEP和RMSEP为0.898、0.095和0.121。这表明应用光谱技术结合数据处理技术可准确地预测未经过预先筛选处理的大米蛋白含量。

(4)本文介绍的光谱技术结合数据处理技术分析研究大米淀粉和蛋白含量，通过分析模型的建立可以准确的预测出未经任何筛选处理的大米样品淀粉和蛋白含量，这在农副产品的成分品质鉴别中有其十分重要的实际作用和推广价值。

参考文献 (References)

[1] 胡涛.模式识别在大米品质检测中的应用[J].农业网络信息,2010,10:44-46.

[2] 陈建伟.基于机器视觉技术大米品质检测[J].粮食与油脂,2008,5:39-41.

[3] 何剑飞,陈召桂.不同品种的大米品质评价分析[J].福建稻麦科技,2009,27(4):31-33.

[4] 张娴,等.正交信号校正应用于多元线性回归建模的研究[J].光谱学与光谱分析,2011,31(12):3228-3231.

[5] 刘旭华,等.有监督主成分回归法在近红外光谱定量分析中的应用研究[J].光谱学与光析,2009,11:2959-2961.

[6] 宁希烨,刘亚伟,刘晓峰.大米淀粉特性及修饰作用对其食用功能的影响[J].粮食与饲料工业,2011,3:35-38.

[7] 王远宏,常若葵,张伟玉.基于近红外光谱的大米蛋白质含量的研究[J].农产品加工学刊,2009,7:30-32.

作者简介:

周子立(1963-),男,本科,高级工程师,副教授.研究领域:计算机信息处理及计算机应用技术.

冯 雷(1971-),男,博士,副教授.研究领域:光谱技术,数据挖掘,协同(云)计算,移动互联.

endprint