基于近红外光谱技术测定稻谷含水量研究

鞠兴荣 后其军 袁 建 何 荣 朱贞映

（南京财经大学食品科学与工程学院江苏省粮油品质控制及深加工技术重点实验室，南京 210023）

基于近红外光谱技术测定稻谷含水量研究

鞠兴荣 后其军 袁 建 何 荣 朱贞映

（南京财经大学食品科学与工程学院江苏省粮油品质控制及深加工技术重点实验室，南京 210023）

采用近红外光谱技术结合化学计量学方法，建立稻谷含水量测定的快速分析方法。试验选取江苏省不同地区的2年内197份稻谷样品作为建模集样品，对其进行化学分析和图谱扫描处理，通过近红外化学计量学软件初步建立稻谷含水量的预测模型。建模结果显示运用PLS（偏最小二乘法）建立的分析模型预测效果最优，决定系数（R2）高达0.968 9，交互验证标准差（SECV）为0.343 4，选取24个未知样品作为验证集样品，验证决定系数（R2）高达0.980 6，预测标准差为0.093 3。结果表明，近红外光谱技术可以用于稻谷含水量的快速测定。

稻谷 含水量 近红外光谱 测定

稻谷是我国主要的粮食作物之一，每年种植量和产量位居世界前列。国内外研究人员研究稻谷多关注于淀粉糊化、老化特性以及食味值等方面［1－2］，而对于稻谷主要收购指标之一的含水量研究较少，含水量是稻谷收购过程中的重要依据，其含量高低对其储藏时间有很大影响。

稻谷含水量的常规测定采用电热恒温箱烘干法，该方法测定一批样品的含水量通常需要5个小时左右，耗时长且过程繁琐。近红外技术是利用物质在近红外光谱区特有的吸收性质测定其组分含量，具有方便、快捷、无污染的特点，目前已经广泛应用于各个行业［3－7］，本试验以普通的采收后的稻谷为研究对象，比较研究几种不同建模方法及预处理方法得到的模型预测效果，旨在用近红外光谱分析技术建立稻谷含水量的无损检测模型，为建立稻谷收购过程中含水量的快速检测方法提供指导，为稻谷储备安全提供一定保障。

1 材料与方法

1.1 材料与试剂

样品的代表性决定建模效果的好坏，为获取代表性样品，本试验收集了江苏省不同地区2年内197份不同品种的稻谷样品，样品用密封袋封口后运回实验室低温储藏，标号后备用。

1.2 仪器与设备

ABB3600系列傅里叶变换近红外光谱仪（配有InSn检测器）：ABB（中国）有限公司；SupNIR－2700近红外分析仪：聚光科技（杭州）有限公司；FW80多功能粉碎机：天津泰斯特仪器有限公司；JFYZ分样器：上海加定粮油检测仪器厂。

1.3 试验方法

1.3.1 稻谷含水量化学方法的测定

采用恒温箱烘干法测定稻谷含水量，方法参照GB／T 5497—1985《粮食、油料检验 水分测定法》［8］。

1.3.2 光谱采集

稻谷样品经脱壳粉碎过筛后加入到样品杯，采集稻谷的漫反射光谱，为获取代表性的稻谷光谱，采用自动旋转样品杯附件采集，采集光谱范围3 500～12 000 cm－1，分辨率16 cm－1，每个样品扫描64次取平均，每个样品重复装样2次。

1.3.3 近红外光谱分析模型的建立

利用Horizon MB定标软件对采集的谱图进行预处理，随后选择合适的数学方法和光学处理方法建立稻谷含水量的定量分析模型。

2 结果与分析

2.1 稻谷水分含量化学法的测定

稻谷含水量见表1。

表1 稻谷含水量／%

由表1可知：稻谷含水量的最大值为22.44%，最小值为11.09%，均值为14.90%，含水量的频数分布直方图见图1。

图1 含水量频数分布直方图

由图1可见，选取的197份稻谷样品含水量的覆盖范围大，多分布在13%～17%之间，含水量的频数分布接近正态分布，整体分布比较合理，说明本试验选取的稻谷样品具有较好的代表性［9］。

2.2 近红外分析模型的建立

2.2.1 近红外光谱的采集

在3 500～12 000 cm－1范围内，利用近红外光谱仪扫描197个稻谷粉末样品（温度控制在20～25℃），图2为稻谷粉末的原始近红外全光谱图。由图2可以看出，稻谷粉末的近红外光谱曲线趋势一致，没有出现异常光谱，说明收集的样品中没有异常样品。

图2 稻谷粉末的原始近红外全光谱图

2.2.2 光谱区间的选择

采用Horizon MB计量学定标软件对3 500～12 000 cm－1及几个特征区间（波数范围）定标结果进行对比分析，从而选定建模的特征区间，结果见表2。

R2代表近红外模型的决定系数，反映的是近红外仪器扫描图谱后给出的预测值和实际测量值之间的相关性；SECV（交互验证标准差）指的是试建模过程交互验证时，试建的模型对交互验证中各个样品的预测值与测量值之间的残差标准差；RPD是一种评价模型分辨能力的参数，表示了近红外分析将分布标准差范围之内的样品分级的数目，一般认为RPD≥2.5时模型的效果较好［10］。比较4种光谱区间的定标结果可知，在4 820～5 250 cm－1范围内，R2为0.953 9，SECV为0.506 2，RPD值为3.305 2。根据R2最大，SECV最小的原则［11］，可以判定在此区间下定标效果较好，RPD值大于2.5也说明模型的效果在可接受范围以内。因此，选择4 820～5 250 cm－1为建模的光谱特征区间。

表2 不同光谱区间下的定标结果

2.2.3 建模方法和数据预处理方法的选择

原始光谱存在基线漂移、散射、噪声大等问题，通过光谱预处理可以减轻或消除这些影响［12］，先对原始光谱进行基线校正，然后在选定的4 820～5 250 cm－1区间下，依次比较了建模方法和数据预处理方法对定标模型的影响，结果见表3和表4，依据R2最大，SECV最小的原则选择最终的建模方法和数据预处理方法。

表3 建模方法对定标模型的影响

表4 数据预处理方法对定标模型的影响

由表3和表4可知：选用PLS建模方法和多元散射校正以及求导相结合的方法建模，可以达到最理想的建模效果，得到的近红外稻谷含水量预测模型评价参数R2为0.968 8，SECV为0.343 4，见图3。图3为稻谷含水量近红外预测模型图，图3中横坐标表示稻谷含水量的化学测量值，纵坐标表示稻谷含水量的近红外预测值，从图3中可以发现测量值和预测值之间的相关性很高，其决定系数R2达到0.968 9，表明建立的定标模型较为稳定。

图3 稻谷含水量近红外预测模型

2.3 定标模型的验证

对建立的稻谷水分定标模型进行外部验证，以检验模型的精确度和稳定性。选取24个未知样品作为验证集样品，通过化学法测定和模型的预测提供化学值和预测值，两者通过线性回归得出相关关系，结果见表5和图4。

表5 外部验证样品含水量的化学测量值和近红外预测值／%

图4 稻谷水分化学值与预测值的相关性

从表5中可以看出，24个验证集样品的预测值与化学测量值的误差均在0.5%范围以内，预测值与化学测量值无显著差异，表明模型预测准确度较高，图4为化学测量值与预测值的相关关系分析结果，图4中显示相关系数为0.980 6，预测标准差为0.093 3，趋势线的斜率为0.961 2，接近于1，说明化学测量值与预测值之间有很强的相关性，模型的预测性较好。彭玉魁等［13］利用近红外光谱分析技术对小麦水分进行测定，结果表明，预测值和化学分析值之间的相关系数为0.971 4，标准差为0.96，估测变异系数为2.1%，与之相比，本试验得到的模型相关系数略低，这可能与化学值测定过程中的人为误差有关。王海莲等［14］利用近红外光谱分析技术分析了稻谷糙米粒的脂肪含量，结果表明，真实值与预测值之间的相关系数为0.944 4，标准差仅为0.000 9，与之相比，本试验的相关系数较高，但同时存在标准误差偏大的问题，说明建模效果不仅取决于样品的代表性，样品形态的不同以及化学值测量的准确度也会对其产生影响。

3 结论

本试验选取197个稻谷样品进行含水量测定模型的建立，选取24个未知样品作为验证集进行外部验证，建模集的决定系数R2为0.968 9，交互验证标准差为0.343 4，验证集的相关系数为0.980 6，预测标准差为0.093 3。结果表明，近红外技术是一个方便快捷无污染的分析方法，且有着较好的预测准确性，可以应用于稻谷含水量的快速测定。

［1］周小丰，石文贞，侯彩云.稻谷糊化温度和直链淀粉含量协同测定方法的研究［J］.中国粮油学报，2006，21（6）：1－3

［2］李小婉，蒋洪波，马秀芳，等.不同储藏方式对北方优质稻米食味值的影响［J］.安徽农业科学，2014，42（16）：5248－5249

［3］Shi Jiyong，Zou Xiaobo，Huang Xiaowei，et al.Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least－squares support vectormachine［J］.Food Chemistry，2013，138（1）：192－199

［4］潘圆媛，刘燕德，孙旭东.水果内部品质近红外动态在线检测研究进展［J］.激光与红外，2010，40（8）：805－810

［5］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，现代食品科技，2011，27（3）：366－369

［6］代芬，张昆，洪添胜，等.龙眼表面农药残留的无损检测研究［J］.农机化研究，2010（10）：111－114

［7］Louw E D，Theron K I.Robust predictionmodels for quality parameters in Japanese plums（Prunus salicina L.）using NIR spectroscopy［J］.Postharvest Biology and Technology，2010，58（3）：176－184

［8］GB／T 5497—1985，《粮食、油料检验 水分测定法》［S］

［9］王之安AOAC公定分析方法［M］.北京：中国科学技术出版社，1991

［10］严衍禄，陈斌，朱大洲，等.近红外光谱分析的原理、技术与应用［M］.北京：中国轻工业出版社，2013：162－168

［11］金华丽，许春红，李漫男，等.基于近红外光谱技术测定小麦籽粒淀粉含量［J］.河南工业大学学报：自然科学版，2011，32（6）：25－26

［12］张小超，吴静珠，徐云.近红外光谱分析技术及其在现代农业中的应用［M］.北京：电子工业出版社，2012：5－7

［13］彭玉魁，李菊英，祁振秀.近红外光谱分析技术在小麦营养成份鉴定上的应用［J］.麦类作物，1997，17（2）：33－34

［14］王海莲，万向元，胡培松，等.稻米脂肪含量近红外光谱分析技术研究［J］.中国农业科学，2005，38（8）：1540－1546.

Determination of Moisture Content of Rice Based on the Near Infrared Spectroscopy

Ju Xingrong Hou Qijun Yuan Jian He Rong Zhu Zhenying
（College of Food Science＆Engineering，Nanjing University of Finance and Economics／Jiangsu Key Laboratory of Quality Control and Deep Processing Technology of Cereals and Oils，Nanjing 210023）

In this paper，a rapid analysismethod for determination of ricemoisture contentwas established using near infrared spectroscopy（NIR）technology combined with chemometricsmethods.Therewere 197 rice samples collected as calibration sampleswithin two years in different regions of Jiangsu province.The sampleswere treated by chemical analysis and map scanning，and the forecastmodel of rice moisture content was preliminarily established through near infrared chemometrics software.Modeling results indicated thatmodel established by using the PLS（partial least squares）had the optimal predictive effect，the determination coefficient（R2）was 0.968 9，standard error of cross validation（SECV）was0.343 4，24 sampleswere selected as validation set samples，the determination coefficient（R2）of verification determination was 0.980 6，standard error of forecast was 0.093 3.The results showed that NIR could be used in the rapid determination of ricemoisture content.

rice，moisture content，NIR，determination

TN219；S511.2＋2

A

1003－0174（2015）11－0120－05

时间：2015－11－18 22：52：43

网络出版地址：http：／／www.cnki.net／kcms／detail／11.2864.TS.20151118.2252.004.html

国家科技支撑计划（2013BAD17B02－2），江苏省普通高校研究生科研创新计划项目（KYZZ＿0276）

2015－02－25

鞠兴荣，男，1957年出生，教授，博士生导师，食品营养、功能食品及农产品深加工