基于近红外光谱技术对建三江大米快速检测分析研究

宋雪健，钱丽丽，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）

基于近红外光谱技术对建三江大米快速检测分析研究

宋雪健，钱丽丽，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）

为实现建三江大米的真假快速鉴别，应用近红外光谱仪测定来自建三江及非建三江地区的150份大米样品，对原始光谱进行预处理后，采用因子化法进行鉴别分析，最大合格性索引法进行合格性检测分析，偏最小二乘法（partial least squares，PLS）法进行定量分析。结果表明，3种模式识别方法对建三江地区的大米正确判别率均在90.00%以上。因此，应用近红外光谱技术在建三江大米真假鉴别研究中具有可行性。

大米；近红外光谱（NIR）；鉴别分析；合格性测试；偏最小二乘法（PLS）

大米作为人类主要食量之一，含有丰富的蛋白质、糖类、脂肪、膳食纤维等营养成分以及大量人体必需的微量元素[1]。近年来我国大米种植面积连年翻升，据美国农业部发布的最新报告显示，2016年～2017年年度中国大米产量预计为1.465亿t。全国第一个以规模型水稻生产和加工的建三江垦区有着“中国绿色米都”的称号，建三江大米于2010年成为国家地理标志产品[2]。建三江大米营养成分丰富，其中蛋白质含量≥6.0%，直链淀粉含量15.0%～19.0%，具有籽粒晶莹剔透有光泽、粒型适中、垩白度小等特点，备受广大消费者青睐，有着广阔的市场前景。因此，市场上一些不法商贩受经济利益的驱使，售卖假冒建三江大米现象普遍存在，同时有些农户并没有按照标准的栽培技术种植大米，却以“建三江大米”的品牌进行销售，严重破坏了品牌声誉。因此，开发一项快速鉴别建三江大米的技术，快速准确地鉴别建三江大米可为其流通监管，维护品牌声誉，保护消费者的合法权益提供技术及理论支持。

电子舌技术[3]、气相色谱-串联四极杆飞行时间质谱（GC/Q-TOF MS）技术[4]、原子吸收光谱法（AAS）技术[5]等被应用于大米产地溯源检测研究，但在一定程度上存在持续周期长、效率低下、检测费用高等缺点。近红外光谱技术有着分析速度快、效率高、操作简单等特点，被广泛应用于医药[6]、农业[7]、石油[8]、食品[9]等领域。张晓焱[10]对江西、重庆和湖南3个产地的72个脐橙样品建立了柑桔产地的PLS-DA模型。结果表明，3类样品能明显区分开，模型对训练集和验证集样品的识别准确率达到100%。张龙等[11]采用近红外光谱结合化学计量学方法对不同省份来源的花生样品进行溯源研究。结果表明，小波转换结合k最近邻分析对花生产地分类效果最好，原始正确分类率为100.0%。周海波等[12]利用近红外光谱技术对宁夏、新疆、青海、内蒙的4个不同产地427份枸杞子样品进行光谱扫描。结果表明，利用该模型可以将宁夏产地枸杞子与其他三地分开，且宁夏产地分别与新疆、内蒙、青海产地比较，判别准确率分别为98.3%、98.1%、97.9%。试验运用近红外光谱技术结合化学计量法对建三江大米真假快速鉴别进行研究，为建三江大米产地溯源保护的研究提供理论及技术支持。

1 材料与仪器

1.1 试验材料

试验随机选取黑龙江省水稻主产区建三江、五常、响水3个地区进行随机采样，每份样本采集2 kg并记录采样信息，所有大米样品均为粳米，共计150份，样本详细信息如表1。

表1 样品信息Table 1 Samples source

1.2 试验仪器

FC2K砻谷机：日本大竹制作所；VP-32实验碾米机：日本山本公司；FW100高速万能粉碎机：天津泰斯特仪器有限公司；傅里叶近红外光谱仪TENSORII：德国布鲁克（北京）科技有限公司。

2 试验方法

2.1 样品前处理

将水稻样品进行晾晒、脱粒、挑选、砻谷和碾米等统一加工过程后，用蒸馏水将样品冲洗干净，烘干，并经由超微粉碎机制成米粉，过100目筛，待测。每个样品砻谷2次。碾米的进样量为3，白度为3，碾米3次。

2.2 近红外光谱的采集方法

将近红外仪器预热30 min，打开OPUS 7.5软件、检查信号、保存峰位，扫描背景单通道光谱每间隔1 h扫描一次背景，消除外界信息干扰保证光谱的稳定性以减少试验误差。将样品粉末倒入玻璃杯中，用压样器压实（保证样品厚度一致），测量样品单通道采集样品光谱。环境温度为室温（25±1）℃，相对湿度为30%～50%。光谱波数范围：12 000 cm-1～4 000 cm-1。分辨率：8 cm-1。扫描次数：64次。

图1 大米样品近红外原始光谱图Fig.1 Near infrared original spectra of rice samples

2.3 材料选取

试验样品的选取参照表1。随机选择全部样品量的2/3作为建模样品用于模型的建立，1/3作为预测样品集用于模型的验证。各地域用于建模和预测的样品数见表2。

表2 建模与预测样品Table 2 Modeling and gorecasting samples

2.4 建三江大米产地溯源模型的建立

2.4.1 基于定性分析的建三江大米产地溯源模型的建立

采用OPUS 7.5软件内置定性分析方法（鉴别分析、合格性测试）进行模型的建立，采用矢量归一化、一阶导数+平滑、一阶导数+矢量归一化+平滑、二阶导数+平滑、二阶导数+矢量归一化+平滑等方式对建模原始光谱进行预处理，以消除采集过程中的无关信息，提高模型的准确性，例如样品重复性不好，可以通过光谱归一化来消除这一影响。其中平滑点数为5、9、13、17、21、25 点，下同，筛选出差异明显的波段。在差异波段范围内采用欧式距离法和因子化法对光谱进行计算处理，通过比较S值最终确定最优预处理方式及光谱计算方法并建立鉴别分析模型；通过比较不同预处理方式来调整最大合格性索引来确定合格性指数CI的界限值，进而确定建立合格性测试模型的方式。

2.4.2 基于定量分析的建三江大米产地溯源模型的建立

OPUS 7.5软件中建立定量分析模型所采用法计算方法为偏最小二乘法（PLS），并结合二进制方法（0，1）标识建三江大米和非建三江大米的组分值，波段选择及预处理方式则是通过系统优化自动选择最优组合。同样光谱的预处理方式有消除常数偏移量、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、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，采用交叉检验方式进行模型检验，并最终建立定量分析模型。

2.5 模型验证方法

利用OPUS 7.5软件分别选择定性分析、合格性测试和定量分析工具栏，调入模型，调入预测样品光谱图，测定，得出结果。

3 结果与分析

3.1 不同波段及预处理方法的选择对定性分析建模效果的影响

定性分析通过比较未知样品与已知样品的光谱来确定未知样品的归属。原始光谱经过预处理后，在波数为范围 5 000 cm-1～5 500 cm-1、7 000 cm-1～7 500 cm-1处差异明显，前者是C-H第一组合频谱区，是表征蛋白质及淀粉物质中的N-H，C-H，O-H及C=O健振动的主要区间，其中5 173 cm-1处的吸收峰与其有关，后者是因为C-H的二级倍频所引起的差异。为体现出波段特性，故选 5 000 cm-1～5 500 cm-1、7 000 cm-1～7 500 cm-1、5 000 cm-1～5 500 cm-1和 7 000 cm-1～7 500 cm-1波数区域采取不同计算方式进行建模分析，结果如表3。

表3 不同波段下预处理方法对定性鉴别分析模型效果的影响Table 3 Under different bands effect qualitative discriminant analysis model effect from pretreatment

试验根据S值（表征两类样品的“距离”，数值越大表示两类样品距离越远，差异越显著，故数值越大模型效果越好）的大小来表征鉴别分析模型的好坏，根据S值研究表明：采用因子化法建立模型的效果优于采用欧式距离法建立的模型，故在波数为5 000 cm-1～5 500 cm-1处，采用一阶导数+5点平滑的预处理方式结合因子化法建立鉴别分析模型时，建三江大米和非建三江大米样品均被唯一鉴别，且S值为2.102，故选取此方法建立模型，如图2。

图2 因子化法2D得分图Fig.2 2D score figure factorization method

试验与于燕波[13]在光谱范围4 500 cm-1～8 000 cm-1对水稻叶片进行分析所采用的因子化法相一致。

合格性测试通过比较未知光谱与特定参考光谱的相似程度，其近红外光谱偏差是否在一定限定范围内，所以合格性测试不同于鉴别分析和聚类分析。试验根据合格性指数CI来衡量模型的质量，CI数值越小，表明样品较为集中，模型预测率较高，结果如表4所示。

表4 不同波段下预处理方式对合格性测试模型效果的影响Table 4 Under different bands effect conformity test model effect from pretreatment

续表4 不同波段下预处理方式对合格性测试模型效果的影响Continue table 4 Under different bands effect conformity test model effect from pretreatment

在波数为7 000 cm-1～7 500 cm-1处，采用一阶导数+矢量归一化+25点平滑的预处理方式建立的合格性测试模型的CI值为2.8，相比较其他建模方式而言数值较小，故选取此方法建立合格性测试模型，如图3所示。

图3 建三江大米最大合格性索引Fig.3 The maximum eligibility index was derived from Jiansanjiang rice

3.2 定性分析模型的验证

利用OPUS 7.5软件，调入建立鉴别分析模型即波数为5 000 cm-1～5 500 cm-1，预处理方式为一阶导数+5点平滑，计算方法为因子化法，对预测样品进行鉴别，定性分析鉴别两类大米样品的结果如表5所示。

结果表明，建三江地区的大米鉴别正确率为100%，非建三江地区的大米鉴别正确率为93.93%。调入合格性测试模型即波数为7 000 cm-1～7 500 cm-1，预处理方式为一阶导数+矢量归一化+25点平滑，确定CI值的方式为最大合格性索引，对预测样品进行合格性测试，结果表明，建三江地区的大米合格率为94.11%，非建三江大米的合格率为90.90%。

表5 定性分析鉴别两类大米样品的结果Table 5 Qualitative analysis to identify the results of two types of rice samples

3.3 不同波数及预处理方法的选择对定量分析建模效果的影响

定量分析采用偏最小二乘法（PLS）进行拟合，建立近红外光谱与样品分类的相关联系。采用OPUS 7.5软件中的定量分析结合交叉检验方式对样品光谱的波数范围、预处理方式、均方根误差RMSECV、R2为定向系数及维数的确定进行优化处理，得出最优组合。R2为定向系数，数值越接近100%则预测含量值愈接近真值；均方根误差RMSECV可以作为模型质量的判据，数值越小越好；维数先下降后上升或有上升的趋势，模型效果较好。结果表明：在波数为4 597.8 cm-1～6 100.9 cm-1与 7 498.5 cm-1～9 400.9 cm-1组合处采用多元散射校正的预处理方式建立的定量分析模型效果较高，其中RMSECV为0.066 6，维数为5，如图4、图5所示。故选此方法建立定量分析模型。试验与王传梁等[14]运用PLS法对大米脂肪含量测定所采用的优化方式相一致。

图4 地区预测值与参考值相关图Fig.4 Predicted value and the reference value related to FIG

图5RMSCV与维数的关系图Fig.5 RMSCV and dimension diagram

3.4 定量分析模型的验证

利用OPUS7.5软件，调入定量分析模型，波数为4 597.8 cm-1～6 100.9 cm-1与 7 498.5 cm-1～9 400.9 cm-1组合，预处理方式为多元散射校正时，对预测样品进行定量分析，以预测值在真实值±0.2范围内表示判别结果正确，结果表明，建三江地区的大米判别正确率为94.44%，非建三江地区的大米判别正确率为93.93%，如表6。

表6 定量分析鉴别两类大米样品的结果Table 6 Quantitative analysis of the results of two types of rice samples

4 结论

试验选取黑龙江省地理标识大米建三江大米和非建三江大米共计150份，对其进行产地溯源研究，应用因子化法在波数为5 000 cm-1～5 500 cm-1结合一阶导数+5点平滑的预处理方式建立鉴别分析模型，并对模型进行预测，结果表明，建三江地区的大米鉴别正确率为100%，非建三江地区的大米鉴别正确率为93.93%，且采用因子化法建立的模型比欧式距离法建立的模型准确度高。通过最大合格性索引的方式在波数为7 000 cm-1～7 500 cm-1处结合一阶导数+矢量归一化+25点平滑的预处理方式建立合格性测试模型，并对模型进行预测，结果表明，建三江地区的大米合格率为94.11%，非建三江大米的合格率为90.90%。采用PLS法在波数为 4 597.8 cm-1～6 100.9 cm-1与 7 498.5 cm-1～9 400.9 cm-1组合处结合预处理方式为多元散射校正建立定量分析模型，并对模型进行预测，结果表明，建三江地区的大米判别正确率为94.11%，非建三江地区的大米判别正确率为93.93%。研究表明：近红外光谱技术在地理标志建三江大米产地溯源的研究中具有可行性，能够满足建三江大米的快速鉴别需求，接下来将对于基因型、年际、品种等因素进行进一步研究。

[1]王娜娜,冯昕鞾,孙玉萍,等.气相色谱结合化学计量学区分大米贮藏时间与产地[J].分析测试学报,2013,32(10)：1227-1231

[2]中华人民共和国国家质量监督检验检疫总局.关于批准对晋州鸭梨、建三江大米、云和黑木耳、广武大葱、东坝蚕茧实施地理标志产品保护的公告[J].中国食品,2010(18)：90

[3]惠延波,潘印卿,王莉,等.基于电子舌技术的不同品种大米区分识别研究[J].科学技术与工程,2014,14(33)：250-254

[4]冯雪,柳艳霞,贺泽英,等.稻米代谢组学分析方法的建立及在产地溯源中的应用[J].分析测试学报,2016,35(5)：514-519

[5]张玥,王朝辉,张亚婷,等.基于主成分分析和判别分析的大米产地溯源[J].中国粮油学报,2016,31(4)：1-5

[6]张勋,林晓,徐伟,等.近红外漫反射法检测降压类中成药中非法添加尼莫地平[J].湖南中医药大学学报,2015,35(12)：64-67

[7]于潇禹.基于近红外的土壤成分检测仪器研究[D].哈尔滨：哈尔滨理工大学,2013

[8]任红艳,史学正,庄大方,等.基于可见-近红外反射光谱的油区农田土壤石油烃含量估测研究[J].土壤,2013,45(2)：295-300

[9]於筱岚,徐宁,何勇.近红外分析技术在食品氨基酸检测中应用的研究进展[J].光谱学与光谱分析,2014(9)：2377-2381

[10]张晓焱.基于近红外光谱的柑桔产地溯源及橙汁掺假识别研究[D].重庆：西南大学,2010

[11]张龙,潘家荣,朱诚.近红外光谱分析技术在花生原产地溯源中的应用[J].食品科学,2013,34(6)：167-170

[12]周海波,陈林,闫永利.近红外光谱技术在宁夏枸杞子产地鉴别中的应用研究[J].检验检疫学刊,2014(2)：52-55

[13]于燕波.近红外光谱分析技术在转基因水稻识别和高油棉籽筛选中的应用研究[D].北京：中国农业大学,2014

[14]王传梁,陈坤杰.基于近红外漫反射技术的大米脂肪含量的研究[J].粮油加工,2007(2)：62-64

Study on Rapid Detection Analysis of Jiansanjiang Rice Based on Near Infrared Spectroscopy

SONG Xue-jian，QIAN Li-li，YU Jin-chi，ZHANG Dong-jie*
（College of Food Science，Heilongjiang Bayi Agricultural University，Daqing 163319，Heilongjiang，China）

In order to quickly identify the true and false of Jiansanjiang rice，the 150 samples of rice from Jiansanjiang and Yijiang Sanjiang areas were measured by near infrared spectroscopy.The factorization method was used to carry out the discriminant analysis，and the maximum eligibility index method was used for conformity test analysis and partial least squares（PLS）method for quantitative analysis that after the original spectra were pretreated.The results showed that the correct discriminating rate of rice in Jiansanjiang area was more than 90.00%，according to three kinds of pattern recognition methods.In conclusion，near infrared spectroscopy（NIRS）is feasible in the study of authenticity of Jiansanjiang Rice.

rice；near infrared spectroscopy（NIR）；identification analysis；compliance testing；partial least squares（PLS）

2016-10-14

10.3969/j.issn.1005-6521.2017.14.029

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（汉），研究生，研究方向：食品加工与质量安全。

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