近红外漫反射光谱技术对水稻产地溯源的研究

宋雪健，钱丽丽，周 义，于 果，于金池，张东杰

（黑龙江八一农垦大学食品学院，黑龙江大庆163319）

近红外漫反射光谱技术对水稻产地溯源的研究

宋雪健，钱丽丽，周 义，于 果，于金池，*张东杰

（黑龙江八一农垦大学食品学院，黑龙江大庆163319）

为实现对水稻产地的快速检测，利用近红外漫反射光谱技术对来自齐齐哈尔、建三江及五常地区的150份水稻样品进行研究。结果表明，近红外漫反射光谱技术具有简单、快速、高效、无损的技术特点，并能实现对水稻产地溯源的准确判别。

水稻；近红外漫反射；产地

水稻原产于我国，7 000年前我国长江流域就种植水稻，其主产区主要有东北地区、长江流域和珠江流域。水稻的类别可以分为籼稻和粳稻、早稻和中晚稻，以及糯稻和非糯稻。水稻富含多种营养物质，除可食用外，还可酿酒、制糖，其稻壳和稻秆可作为饲料。不同产区的水稻其外观及理化指标较为接近，肉眼无法识别其产地。近红外光谱技术，被广泛应用于农产品、水果、药材、畜产[1-4]等产地溯源的研究中。赵景辉等人[5]利用近红外光谱技术对不同产地和种类的人参及西洋参种子样品进行聚类鉴别，其所建立的鉴别分析模型能有效判别人参及西洋参种子的类别。夏立娅等人[5]研究发现，利用近红外光谱技术能准确地对119份响水大米和90份非响水大米的产地进行判别。试验采用近红外漫反射光谱技术结合偏最小二乘法对来自不同产地的水稻样品在不同状态下对其进行产地溯源研究，为实现水稻产地的快速检测提供有效方法。

1 材料与仪器

1.1 试验样品

试验于2015年在五常、佳木斯、齐齐哈尔3个地区构建试验田，分别种植相同品种的水稻，并于水稻收获期对其进行采样。每个品种采集10份，编号记录，共计150份，所有样品均为龙粳系列。

试验田样品信息见表1。

表1试验田样品信息

1.2 试验仪器

FC2K型砻谷机，日本大竹制作所产品；VP-32型实验碾米机，日本山本公司产品；FW100型高速万能粉碎机，天津泰斯特仪器有限公司产品；TENSOR II型傅立叶变换近红外光谱仪，德国布鲁克（北京）科技有限公司产品。

2 试验方法

2.1 大米样品的前处理

将采集样品进行统一的加工方式，进行脱粒、垄谷、碾米及制粉处理。对各地区随机选取样品总量的2/3作为建模样品，1/3作为预测样品，即每个地区的建模样品数为33个，预测样品数为17个。利用近红外漫反射光谱仪，分别对稻谷籽粒及大米粉末进行光谱的采集。

稻谷样品原始光谱见图1，大米粉末样品原始光谱见图2。

图1 稻谷样品原始光谱

图2 大米粉末样品原始光谱

2.2 模型的建立与验证

分别将齐齐哈尔大米赋值为1，佳木斯大米赋值为0，五常大米赋值为-1，以预测值在1±0.5之间来判断其为齐齐哈尔大米，以此类推。为消除干扰因素对模型的干扰，故需要对原始光谱进行预处理，OPUS 7.5软件的定量分析预处理方式主要有消除常数偏移量、减去一条直线、矢量归一化、最小-最大归一化、多元散射矫正、内部标准、一阶导数+平滑（平滑点数为5，9，13，17，21，25点，下同）、二阶导数+平滑、一阶导数+减去一条直线+平滑、一阶导数+矢量归一化+平滑、一阶导数+多元散射校正+平滑。采用偏最小二乘法结合交叉检验的方式对其进行处理，其中均方根标准误（RMSECV）数值越小，模型的精度越高；定向系数（R2）数值越接近100%，模型的精度越高。波长及预处理方式的最优组合，则通过软件的自动优化进行筛选。将建立好的模型带入软件中，对预测样品集进行预测。

3 结果与分析

3.1 不同状态样品的建模效果

试验通过去除异常点及自动优化后结果表明，稻谷样品在波长7 501.3～5 447.7 cm-1，4 600.6～4 249.8 cm-1范围内结合矢量归一化的预处理方式，其模型效果较好，其中RMSECV为0.175，R2为94.65，故选此来建立稻谷的判别模型。

稻谷样品的预测值与参考值关系见图3，稻谷样品的RMSECV与维数的关系见图4。

图3 稻谷样品的预测值与参考值关系

图4 稻谷样品的RMSECV与维数的关系

大米粉末样品在波长7 501.3～4 597.8 cm-1范围内结合最小-最大归一化的预处理方式，其模型效果较好，其中RMSECV为0.163，R2为96.13，故选此来建立大米粉末的判别模型。

大米粉末样品的预测值与参考值关系见图5，米粉样品的RMSECV与维数的关系见图6。

图5 大米粉末样品的预测值与参考值关系

3.2 模型的验证结果

定量分析模型对齐齐哈尔、佳木斯、五常3个地区稻谷样品的正确判别率分别为82.35%，88.23%，70.58%；对3个地区大米粉末样品的正确判别率分别为88.23%，94.12%，88.23%。

模型判别结果见表2。

图6 大米粉末样品的RMSECV与维数的关系

表2模型判别结果

研究表明，样品粒径的不同对模型的精度会产生一定的影响。

4 结论

采用近红外漫反射光谱技术结合偏最小二乘法，对来自齐齐哈尔、佳木斯、五常地区的150份不同状态水稻样品进行产地判别分析。结果表明，在波数7 501.3～5 447.7 cm-1，4 600.6～4 249.8 cm-1范围内结合矢量归一化预处理方式建立的稻谷样品判别模型，对齐齐哈尔、佳木斯、五常地区样品的正确判别率分别为82.35%，88.23%，70.58%；在波数7 501.3～4 597.8 cm-1范围内结合最小-最大归一化的预处理方式建立的大米粉末样品判别模型，对3个地区的正确判别率分别为88.23%，94.12%，88.23%。因此，在今后研究中模型的精度有待进一步提高，以便更好地实现对水稻产地的快速检测。

[1]常冬，张毅，黄蔚霞.基于近红外的玉米产地快速鉴别[J].中国科技成果，2015（16）：52-54.

[2]张鹏，李江阔，陈绍慧，等.近红外光谱用于鉴别苹果产地的研究[J].食品科技，2014（11）：305-309.

[3]李莉，李莹，王婷媛.基于近红外光谱技术建立不同产地骆驼蓬药材定性判别模型[J].中国中药杂志，2015，40（14）：2 862-2 865.

[4]张德权，张宁，李淑荣，等.近红外光谱结合SIMCA溯源羊肉产地的初步研究[G]//第五届全国农产品加工科研院所联谊会暨中国农产品加工技术与产业发展研讨会论文集.杭州：浙江省农业科学院，2010：365-370.

[5]赵景辉，刘旭，李方元，等.近红外漫反射光谱法用于不同人参种子的鉴别[J].特产研究，2006，28（3）：48-50.

[6]夏立娅，申世刚，刘峥颢，等.基于近红外光谱和模式识别技术鉴别大米产地的研究[J].光谱学与光谱分析，2013，33（1）：102-105.◇

Study on the Origin of Rice by Near Infrared Diffuse Reflectance Spectroscopy

SONG Xuejian，QIAN Lili，ZHOU Yi，YU Guo，YU Jinchi，*ZHANG Dongjie
（College of Food Science，Heilongjiang Bayi Agricultural University，Daqing，Heilongjiang 163319，China）

In order to realize the rapid detection of rice production，test using near infrared diffuse reflectance spectroscopy study of 150 rice samples from Qiqihar，Jiansanjiang and Wuchang area.The results show that the near infrared diffuse reflectance spectroscopy technology has the characteristics of simple，fast，efficient and non-destructive，and can realize the accurate identification of rice origin traceability.

rice；near infrared diffuse reflectance；origin

TS207.3

A

10.16693/j.cnki.1671-9646（X）.2017.05.005

1671-9646（2017）05a-0013-03

2017-03-12

黑龙江省教育厅科学技术研究项目资助（12541576）；黑龙江省垦区科研项目（HKN125B-13-02）；黑龙江省高等学校科技创新团队建设计划项目（2014TD006）；黑龙江省应用技术研究与开发计划项目（GA14B104）。

宋雪健（1991—），男，在读硕士，研究方向为食品加工与质量安全。

*通讯作者：张东杰（1966—），男，博士，教授，研究方向为农产品加工与安全。