基于在线近红外光谱快速检测玉米籽粒主要品质参数的研究

沈广辉，刘 贤，张月敬，樊 霞，杨增玲*

（1. 中国农业大学工学院，北京1 00083；2. 中国农业科学院农业质量标准与检测技术研究所 国家饲料质量监督检验中心，北京 1 00081）

基于在线近红外光谱快速检测玉米籽粒主要品质参数的研究

沈广辉1，刘 贤1，张月敬1，樊 霞2，杨增玲1*

（1. 中国农业大学工学院，北京1 00083；2. 中国农业科学院农业质量标准与检测技术研究所 国家饲料质量监督检验中心，北京 1 00081）

本试验 旨在探讨利用在线近红外对玉米籽粒主要品质参数进行在线快速预测的可行性。以全国范围内收集的171个饲用玉米籽粒为研究对象，利用试验 室自主搭建的在线近红外平台扫描样品的动态光谱，通过CARS（Competitive Adaptive Reweighted Sampling）方法筛选出与品质参数密切相关的变量，并结合偏最小二乘方法建立在线定量分析模型，为玉米籽粒质量的判别提供一种快速有效的方法。结果表明：利用在线近红外光谱技术得到的玉米籽粒中水分、粗蛋白、粗灰分和总能的定量分析模型校正集相关系数分别为0.90、0.92、0.78和0.92，预测集的相关系数分别为0.76、0.89、0.72和0.83，相对分析误差RPD分别为2.41、3.04、1.80和2.42，表明粗蛋白在线近红外定量分析模型可用于实际检测；水分和总能可用于定量分析，但模型精度有待于进一步提高；粗灰分的定量模型效果较差，需要进一步优化。

玉米籽粒；近红外；在线；快速检测

玉米中碳水化合物含量高于70%，粗纤维较少，适口性好，是我国主要的能量饲料，被称为饲料之王[1]。玉米品质受水分、粗蛋白、粗脂肪、粗灰分和总能等因素的影响，价格也存在一定的差异。实现玉米籽粒在进厂前的品质鉴别不仅可以提高工作效率，还可以降低生产成本，对饲料企业具有十分重要的意义。传统的湿化学检测方法不仅耗时长、操作复杂、需要专业的人员进行操作，而且不能实现现场或实时监测，因此急需一种现场快速高通量的检测方法。

近红外光谱是指在760～2 526 nm的电磁波，主要是含氢基团（如C-H、O-H、N-H等）的倍频和合频吸收[2]。近红外光谱法作为一种快速分析技术，具有快速、无损、成本低和无化学试剂污染等特点，已被广泛的应用于食品、制药和饲料[3-7]等领域的品质监控。近几年随着科技发展，在线近红外技术在饲料领域中的应用也有一些报道，Fernández-Ahumada等[8]实现了利用在线近红外技术对配合饲料的混合过程进行监控；张广军等[9]利用近红外分析技术实现了谷物加工过程中的蛋白质含量在线监测；王乐等[10]通过在生产线上安装近红外设备，实现对豆粕品质的实时监测，不仅确保了生产质量，还能降低生产能耗。近红外技术的在线应用是近红外技术的发展趋势，不仅可以实现对样品的连续检测，同时获取多个检测指标，也是饲料企业获得饲料质量实时在线数据的有效方式。就目前的研究报道而言，在线近红外技术在饲料领域还有待广泛地应用，因此，本文利用实验室自主搭建的近红外在线分析平台对玉米中的水分、粗蛋白、粗灰分及总能进行了研究分析，旨在提供一种快速有效的玉米籽粒品质在线分析方法。

1 材料与方法

1.1 样品的采集及处理 本实验所用玉米籽粒样品171个，于2014年和2015年分2批次在全国25个省市内采集，样品数量分布如表1所示。所有样品过筛除去杂质，然后将每一个样品分为2份，1份密封包装好放在样品室备用，另1份粉碎过40目筛，供实验室化学值测定。

表1 样品采集信息表

1.2 化学值的测定 分、粗蛋白和粗灰分分别按照中华人民共和国国家标准GB/T 24900-2010、GB/ T 24901-2010和 GB/T 6438-2007 进行测定。总能按照国际标准ISO 9831:1998推荐的方法，使用Parr 6300全自动氧弹量热仪（PARR公司，美国）进行测定。每个样品平行分析2次，取平均值作为近红外光谱分析的参考值。

1.3 在线动态近红外光谱采集 所有样品的在线近红外光谱采集均在实验室自主搭建的在线平台上完成。在线平台由可调速度的传送带和近红外光谱仪两部分组成。光谱仪分为一体化漫反射探头和近红外分析仪2个部分，漫反射探头采用内置两路大功率卤钨灯光源，前端配有特制截止滤光片，将一体化漫反射探头直接安装到物料上方，双光源从不同角度进行非接触式测量，保证采集信号的代表性，适合蓬松物料的快速检测，从光源发出的光照射到物料上反射回来被单路漫反射光纤接收，光谱信号经光纤传导通过单色器，采用后分光的方式将近红外区域连续波长的复色光色散为单色光，然后用检测器检测。光纤的使用使得光谱仪可以安装在离生产线相对较远、环境相对较好的分析小屋内，尽量避免生产现场的粉尘对光谱仪的性能产生影响，确保得到稳定可靠的分析结果。近红外光谱采集参数：光谱仪探头到样品表面的距离为17 cm，传送带的速度为20 cm/s，光谱范围为1 000～2 500 nm，光谱分辨率为1 nm，扫描次数为32次，每个样品重新装填3次，取平均光谱作为样品的光谱。

1.4 统计分析 为消除仪器及物料本身带来的干扰，使用标准正态变量校正（SNV）或多元散射校正（MSC）来消除样品颗粒大小不同及分布不均带来的误差，去除趋势校正（Detrend Correction）主要是消除光谱中的基线漂移，导数校正（Derivative Correction）可以去除光谱的平移和漂移，也可以强化光谱特征减少谱带重叠，提供比原光谱更高的分辨率和更清晰的光谱轮廓变化。

为减少光谱中无用信息对模型的干扰，提高模型的预测精度，CARS（Competitive Adaptive reweighted Sampling）方法被用来进行变量筛选并结合建模。CARS变量筛选方法是模仿达尔文的“适者生存”的法则，使用自适应重加权采样保留模型回归系数绝对值较大的波长点，再利用交互验证选出交互验证均方根误差最小的子集作为最优波长组合，可有效地去除无信息变量，筛选与性质有关的特征变量[11-12]。

1.5 在线近红外定标模型的建立与评价 使用偏最小二乘算法（PLS）建立定量分析模型，根据样品化学值的浓度将样品按照3:1的比例分为校正集和验证集，校正集选择留一交互验证，用验证集对定量分析模型进行外部验证。用校正决定系数（Rc2）、定标标准差（RMSEC）、验证决定系数（Rc2）、验证标准差（RMSEP）和相对分析误差（RPD）对模型进行评价。决定系数越大，标准差越小说明模型效果越好，预测的精度越高；并用RPD =sD/SEP对模型效果进一步验证。RPD ＞ 3说明模型精度高，可用于实际检测；2 ＜ RPD ＜ 3则表明用近红外模型进行定量分析是可行的，但模型精度有待于进一步提高；RPD ＜ 2近红外定量分析模型难以用于定量分析[13]。

本文中，所有光谱数据处理和建模均在Matlab 2013b（Mathworks，美国）和PlS-Toolbox（version 8.0，Eigenvector Research，美国）中进行。

2 结果与分析

2.1 玉米籽粒的在线动态近红外光谱图 从图2中可以看出，所有样品的光谱趋势基本一致，玉米近红外光谱在1 196、1 450、1 930 nm处有3个明显的特征峰。 其中，1 196、1 450 nm特征峰为O-H键二级振动，1 930 nm特征峰为O-H键一级振动，均与玉米中水分含量有关；1 700～1 735 nm主要是C-H一级振动，是玉米油脂和结构造成的脂质吸收峰；2 248 nm为C-H与N-H组合振动，主要是蛋白的吸收峰；2 330、2 349 nm分别为C-H伸缩振动和变形振动，在2 230 ～2 250 nm区域吸收峰与玉米中纤维成分有关。

图2 玉米籽粒的近红外光谱图

2.2 玉米籽粒化学值分析 玉米样品化学值的分布范围、平均值和标准偏差如表2所示。由图3可知，样品各指标基本呈正态分布。由于玉米籽粒样品在全国范围内采集，涉及地域范围较广，且受到气候、土壤等条件的影响化学值范围较宽，变异性较大。采用浓度梯度分集方法获得的校正集和验证集中各成分的分布范围、平均值和标准偏差基本一致，另外各成分的化学值分布均为正态分布，整体分布较为合理，说明样品的收集具有较好的代表性，满足了建立近红外定量分析模型的条件。

2.3 基于全谱的定标模型的建立与预测分析 近红外定量分析模型的建立是通过偏最小二乘算法将光谱与化学值之间进行回归分析，构建两者之间的相关关系。基于原始光谱构建的玉米籽粒的水分、粗蛋白、粗灰分和总能的近红外定量分析模型表3结果显示，水分、粗蛋白、粗灰分和总能的校正集的相关系数Rc2分别是0.82、0.86、0.76和0.85，校正集的RMSEC分别为0.67%、0.26%、0.09%和0.11 MJ/kg，预测集的相关系数RP2分别为分别是0.77、0.80、0.48和0.75，预测集RMSEP分别为0.72%、0.30%、0.12%和0.14 MJ/kg，相对分析误差RPD分别为2.30、2.23、1.50和2.07，表明利用原始在线近红外光谱建立定量分析模型对玉米籽粒的水分、粗蛋白和总能进行定量分析是可行的，但不能用于实际检测，模型精度有待进一步提高；粗灰分的定量模型需要进一步优化。

图3 玉米样品化学值频率分布直方图

2.4 基于CARS的变量筛选及定标模型优化 为提高模型的精度和适用性， 使用CARS法对玉米籽粒中的水分、粗蛋白、粗灰分和能量模型中的光谱变量进行筛选，经过多次筛选最终分别选取25、79、35、90个波长点，利用所选的波长点结合建立定量分析模型，结果如表4所示。由表4可知，经变量筛选后模型质量明显提升，校正集和验证集的决定系数以及相对分析误差均变大，预测和验证标准差都相应的减小，以上结果表明CARS变量筛选法能够有效去除光谱中的无用信息变量，简化模型并提高模型精度。其中，粗蛋白的RMSEP为0.22%，达到了GB/T 18868-2002《饲料中水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸、蛋氨酸快速测定 近红外光谱法》中偏差小于0.30的要求，且RPD大于3，说明基于CARS变量筛选法的粗蛋白定量分析模型可用于日常实际检测分析；水分模型的RMSEP为0.69%，未达到GB/T 18868-2002中要求的误差0.35，但RPD为2.41，仍可用于定量分析；总能模型的RMSEP为0.12 MJ/kg，RPD为2.42，也达到了用于定量分析的要求；粗灰分模型的RPD为1.80小于2，因此难以用于定量分析。

表2 玉米籽粒样品的化学值统计分析结果

表3 基于全谱的玉米籽粒样品在线近红外定量模型结果

表4 基于CARS筛选变量的在线近红外定量模型结果

3 结 论

本实验探讨了利用在线近红外光谱技术对玉米籽粒样品中水分、粗蛋白、粗灰分和总能进行快速定量分析的可行性。利用实验室搭建的在线近红外分析平台获得玉米籽粒样品的动态光谱，通过不同的光谱预处理和CARS变量筛选方法结合偏最小二乘算法建立定量分析模型，并用外部样品对模型预测的准确度进行验证，结果表明本研究获得的粗蛋白在线近红外定量分析模型可用于实际检测，水分和总能模型可用于快速预测，粗灰分的模型需要进一步优化。

[1] 陈建欣, 王长梅. 能量饲料的现状与未来发展方向[J].饲料广角, 2006, (22): 21-23.

[2] 高荣强, 范世福. 现代近红外光谱分析技术的原理及应用[J].分析仪器, 2002, (3): 9-12.

[3] Cen H, He Y. Theory and application of near infrared reflectance spectroscopy in determination of food quality[J]. Trends Food Sci Tech Trends, 2007, 18(2): 72-83.

[4] Kamruzzaman M, Elmasry G, Sun D W, et al. Nondestructive prediction and visualization of chemical composition in lamb meat using NⅠR hyperspectral imaging and multivariate regression[J]. Ⅰnnov Food Sci Emerg, 2012, 16: 218-226.

[5] 蔡佳良, 郭念欣, 黄洁燕, 等. 运用近红外光谱法建立广藿香中百秋李醇的定量模型[J].中国中药杂志, 2012, 37(14): 2113-2116.

[6] Wu Z, Xu B, Du M, et al. Validation of a NⅠR quantifcation method for the determination of chlorogenic acid in Lonicera japonica solution in ethanol precipitation process[J]. J Pharmaceut Biomed, 2012, 62: 1-6.

[7] 杨增玲, 韩鲁佳, 李琼飞, 等. 反刍动物精料补充料中肉骨粉快速检测近红外光谱法[J].光谱学与光谱分析, 2008, 28(6): 1278-1282.

[8] Fernández-Ahumada E, Guerrero-Ginel J E, Pérez-Marín D, et al. Near infrared spectroscopy for control of the compound-feed manufacturing process: mixing stage[J].J Near Ⅰnfrared Spec, 2008, 16(3): 285-290.

[9] 张广军.近红外透射式谷物蛋白质含量在线监测系统[J].光电工程, 2001, 28(2): 19-22.

[10] 王乐, 史永革, 李勇, 等. 在线近红外过程分析技术在豆粕工业生产上的应用[J].中国油脂, 2015, (1): 91-94.

[11] 张华秀, 李晓宁, 范伟, 等. 近红外光谱结合CARS变量筛选方法用于液态奶中蛋白质与脂肪含量的测定[J].分析测试学报, 2010, 29(5): 430-434.

[12] Li H, Liang Y, Xu Q, et al. Key wavelengths screening using competitive adaptive reweightedsampling method for multivariate calibration[J]. Anal Chim Acta, 2009, 648(1): 77-84.

[13] Chen G L, Zhang B, Wu J G, et al. Nondestructive assessment of amino acid composition in rapeseed meal based on intact seeds by near-infrared reflectance spectroscopy[J]. Anim Feed Sci Tech, 2011, 165(1): 111-119.

S814.5

A

10.19556/j.0258-7033.2017-01-105

2016-08-03；

2016-08-23

国家科技支撑计划资助（2014BAD08B11-2）；国家重大科学仪器设备开发专项课题（2014YQ47037705）

沈广辉（1989-），男，山东泰安市人，博士，主要从事饲料质量近红外光谱分析研究，E-mail：972197389@ qq.com

*通讯作者：杨增玲，E-mail：yangzengling@cau.edu.cn