小麦子粒粗蛋白FT—NIRS分析模型建立的初步研究

雷加容　余敖　欧俊梅等

摘 要：采用凯氏定氮法测试了216份小麦子粒的粗蛋白含量，用近红外仪采集数据，选择113份建立了数学模型。结果：最佳主成分数（Rank）=6，内部交叉验证均方差（RMSECV）=0.377，决定系数（R2）=96.89。为了验证模型的可靠性，对预测集样品进行预测，结果粗蛋白的预测均方差（RMSEP）=0.950，相对偏差（RSEP，%）=8.40。

关键词：小麦子粒；近红外光谱；数学模型；粗蛋白含量

中图分类号 S512.1 文献标识码 A 文章编号 1007-7731（2015）03-04-22-02

Abstract：Bruker fourier transform near-infrared spectroscopy （FT-NIRS） used 113 seeds to establish math model of crude protein. The result on this model showed that the Rank was 6 and the RMSECV was 0.377 and R2 was 96.89. 54 samples were used to test this model，The result on model validation showed that the RMSEP was 0.950 and the RSEP（%） was 8.40.

Key words：Wheat；FT-NIRS；Math model；Crude protein

近红外光谱分析技术具有快速、方便、简单、准确以及同时可分析多种成分的优点，是一种非破坏性的“瞬间分析”技术，它能够为小麦品质育种快速和准确地提供有关品质参数。目前该技术已广泛应用于农业[1-4]、工业[5-6]、食品业[7-8]等行业，在小麦[9-15]、果蔬[16-18]、油菜种子[19]等不同作物的品质检测中得到了运用。用近红外光谱法分析小麦子粒粗蛋白含量，难点在于近红外光谱法要从复杂、重叠、变动的背景中提取弱信息，建立数学模型。而要建立优秀的数学模型，就需要拥有大量品质资源，从大量样品中选择代表性样品，从而建立准确、稳定的数学模型。为此，笔者收集了216份小麦子粒样品进行粗蛋白含量的分析，结果筛选出113份材料初步建立了粗蛋白FT-NIRS分析数学模型。

1 材料与方法

1.1 供试材料 小麦子粒样品216份。

1.2 化学分析 粗蛋白含量分析：采用凯氏定氮法测试小麦子粒的粗蛋白含量。

1.3 近红外分析

1.3.1 仪器 近红外光谱品质分析仪为德国Bruker公司MATRIX-I型傅立叶变换近红外光谱品质分析仪。

1.3.2 实验条件 运用OPUS系统建立模型时，在Measurement状态下的Advanced 工作页选择参数如下：Resolution为16cm-1，Sample Scan Time为64，Background Scan为64，Save Date From 为12 000～4 000cm-1，Result Spectrum 为Absorbance。其余工作页设定正确的参数。定量建模算法：偏最小二乘法。

1.4 模型建立 利用OPUS/QUANT软件优化、建立小麦子粒粗蛋白的近红外分析模型。

2 结果与分析

2.1 建小麦粗蛋白FT-NIRS定量分析模型的样品光谱集 小麦子粒样品的近红外光谱图集（图1）。

2.3 评价校正方程 为了验证模型的可靠性，对预测集样品进行预测（表1），结果粗蛋白的预测均方差（RMSEP）=0.950；相对偏差（RSEP，%）=8.40。

3 结论与讨论

（1）用近红外仪采集数据，选择113份建立了数学模型。结果：最佳主成分数（Rank）=6，内部交叉验证均方差（RMSECV）=0.377，决定系数（R2）=96.89。为了验证模型的可靠性，对预测集样品进行预测，结果粗蛋白的预测均方差（RMSEP）=0.950；相对偏差（RSEP，%）=8.40。

（2）FT-NIRS的方法测定小麦子粒的粗蛋白含量与采用凯氏定氮法测试小麦子粒的粗蛋白含量相比，快速、无损，预测结果比较准确，通过适量的校正样品建立起来的数学模型之后，可快速准确地测试未知样品的相关指标，特别适用于大批样品的分析测定，为FT-NIRS技术应用于农作物育种筛选材料提供了可能。

（3）建模时样品数量和样品代表性直接影响分析结果。本研究样品数量虽有113个来建模，但样品的代表性方面有待进一步完善。

参考文献

[1]文婷，张翔，张浩勤，等.近红外光谱在农业中的应用[J].农业技术与装备，2009（20）：20，22.

[2]林新，牛智有.基于近红外光谱茶叶种类的快速识别[J].华中农业大学学报，2008，27（2）：326-330.

[3]高洪智，卢启鹏，丁海泉，等.基于连续投影算法的土壤总氮近红外特征波长的选取[J].光谱学与光谱分析，2009，29（11）：2951-2954.

[4]段焰青，陶鹰，者为，等.近红外光谱分析技术在烟叶产地鉴别中的应用[J].云南大学学报（自然科学版），2011，33（1）：77-82.

[5]柴金朝，金尚忠.近红外光谱技术在纺织品定性检测中的应用[J].纺织学报，2009，30（4）：55-58.

[6]欧阳爱国，刘军.基于近红外与拉曼光谱的甲醇汽油定量分析[J].西南师范大学学报（自然科学版），2012，37（9）：98-101.

[7]穆同娜，吴燕青，冰婷.近红外光谱分析技术在食品质量安全检测分析中的应用[J].现代仪器，2010（2）：20-23.

[8]齐龙，朱克卫，马旭，等.近红外光谱技术在大米检测中的应用[J].农机化研究，2011（7）：18-21.

[9]刘宁涛.利用近红外光谱仪测定小麦品质指标曲线的准确性分析[J].黑龙江农业科学，2010（1）：21-24.

[10]高居荣，樊广华，李圣福，等.近红外光谱技术分析小麦品质的应用研究[J].实验技术与管理，2009，26（3）：42-44.

[11]金华丽，王金水.近红外光谱法检测小麦粉中灰分含量的研究[J].河南工业大学学报（自然科学版），2010，31（1）：14-17，21.

[12]孙来军，王乐凯，钱海波，等.基于近红外透射光谱分析技术的小麦蛋白质含量测定[J].中国农学通报，2011，27（3）：35-39.

[13]钱海波，孙来军，王乐凯，等.基于连续投影算法的小麦湿面筋近红外校正模型优化[J].中国农学通报，2011，27（18）：51-56.

[14]朱大洲，黄文江，马智宏，等.基于近红外网络的小麦品质监测[J].中国农业科学，2011，44（9）：1806-1814.

[15]赵海燕，郭波莉，魏益民，等.近红外光谱对小麦产地来源的判别分析[J].中国农业科学，2011，44（7）：1451-1456.

[16]马兰，夏俊芳，张战锋，等.光谱预处理对近红外光谱无损检测番茄可溶性固形物含量的影响[J].华中农业大学学报，2008，27（5）：672-675.

[17]刘垚，万辉，朱焕庭.近红外光谱分析技术在果品品质无损检测中的应用[J].广东农业科学，2009（3）：157-158，163.

[18] 郭蕊，王金水，金华丽，等.近红外光谱分析技术测定芝麻水分含量的研究[J].现代食品科技，2011，27（3）：366-369.

[19]朱文秀，赵继献，张品，等.近红外光谱分析与化学方法检测油菜种子品质参数的比较[J]，安徽农学通报，2010，16（17）：182-183.

（责编：张宏民）