近红外漫反射光谱技术对小米产地溯源的研究

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小米产地溯源的研究

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）

为建立小米产地溯源的快速检测技术，更好的维护地方名优小米品牌效益，试验利用近红外漫反射光谱技术对不同状态小米进行产地溯源鉴别，试验分别选取来自肇源和肇州两个小米主产区的144份小米样品，应用近红外漫反射光谱技术结合化学计量学对不同状态下的小米进行产地溯源研究，结果表明：在全波长范围内采用因子化法建立的定性分析模型和在特征波段范围内采用偏最小二乘法（PLS）建立的定量分析模型，对肇源、肇州两个小米主产区的小米籽粒和小米粉末的正确鉴别率均在90%以上，其中小米粉末的模型正确预测率要高于小米籽粒。因此，应用近红外漫反射光谱技术对不同状态小米产地溯源的鉴别具有一定的可行性。

近红外漫反射光谱技术；小米；因子化法；偏最小二乘法（PLS）；产地溯源

小米作为我国重要的粮食作物之一，含有丰富的营养成分，其中蛋白质的含量比大米要高，维生素B1的含量位居所有粮食之首。其功能不仅可以作为主食还可以酿酒、制作饴糖等，同时还具有助于睡眠的功能[1]，小米熬粥的营养价值极其丰富，素有“代参汤”之美称。但是与其他粮食相比较，我国的小米产业发展较为滞后[2]，因此对小米育种、品质、加工及产地等方面的检测提出更高的要求。肇源的古龙小米和肇州的托古小米其营养成分更加丰富独特，色味俱佳，品质远在“贡米”之上，深得广大消费者喜爱，具有广阔的市场，因此一些不法分子进行制售假冒产品，以此来谋取暴利，因此对两地小米产地溯源的研究在其产业发展领域凸显出重要地位。传统的形态学特征鉴定小米产地具有主观性强、标准不统一等不足；而化学法鉴定小米产地则存在检测方法赋值、用时较长、需要大量有机试剂、对环境造成污染等缺点。

目前应用于农产品产地溯源的较为先进的研究方法主要有质谱技术[3]、分离技术[4]、分子生物学技术[5]、电子鼻/舌[6]、光谱技术[7]等。近红外光谱技术是利用近红外光谱区有机分子中含氢基团（O-H、N-H、C-H）振动的合频和各级倍频的吸收区相一致，通过扫描样品的近红外光谱可得到样品中有机分子含氢基团的特征信息[8]，其中近红外光谱技术因具有快速、高效和无损的检测特点在玉米[9]、麻黄[10]、枸杞[11]等领域的农产品产地鉴别中得到广泛的应用。但对小米产地溯源的研究却鲜有报导，目前，仅应用近红外光谱技术对小米营养成分进行检测。王少立[12]利用近红外光谱技术结合偏最小二乘法（PLS）对59种小米进行主要成分含量分析，结果表明，粗蛋白、丙氨酸等18种主要成分均能准确分析，其中粗蛋白模型均方根误差（RMSECV）为0.342，R2为0.979的检测效果最佳。本文通过应用傅里叶变换近红外漫反射光谱法结合化学计量学以产地溯源判别率为指标，建立不同状态下小米的近红外光谱定性及定量分析模型，为其在小米产地溯源的研究中提供理论支持。

1 材料与仪器

1.1 材料

试验于2013年小米成熟后在黑龙江省肇源及肇州两地，采用5点取样法进行随机采样，编号小米样品，每份样品采集2 kg，并记录采样信息，样本详细信息如表1。

表1 样品信息Table 1 Samples Source

1.2 仪器

FW100高速万能粉碎机：天津泰斯特仪器有限公司；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。

2 试验方法

2.1 样品的制备及光谱的采集

将采集回来的小米样品先进行脱粒、脱壳处理得到小米籽粒待用，将傅立叶变换近红外光谱仪打开预热30 min，打开OPUS7.5软件，经检查信号保存峰位，扫描背景单通道光谱（每间隔1 h扫描一次背景，以消除外界信息干扰保证光谱的稳定性）等操作，将小米籽粒样品倒入特制烧杯中，测量籽粒样品单通道采集样品光谱。测量时环境温度为室温（25±1）℃，相对湿度为 30%～50%。光谱波段范围：12 000 cm-1～4 000 cm-1。分辨率：8 cm-1。扫描次数：64次。

待小米籽粒样品的近红外图谱扫描完毕，将其进行粉碎、过筛，得到小米粉末后，重复以上扫描光谱的操作。

2.2 材料的选取

试验样品的选取参照表1。分别随机选择两类全部样品数量的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。为保证试验的统一性小米籽粒与小米粉末所选用的建模样品及预测样品相同。详细信息见表2。

表2 建模样品与预测样品Table 2 Modeling and predicting samples

2.3 小米产地溯源的模型建立

2.3.1 基于定性分析对小米产地溯源模型的建立

采用傅里叶变换近红外漫反射光谱技术对样品进行信息采集，虽然能够在较大范围内收集样品信息，但是也会受到噪声、基线漂移和样品不均匀等外界因素的干扰。因此，为了消除外界因素的干扰，降低误差提高模型的准确率需要对原始光谱进行预处理[13]。定性分析中预处理方式主要有矢量归一化、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，其中平滑点数为5、9、13、17、21、25点，下同。在全波长范围内对采集的两类原始光谱分别进行预处理，并结合因子化法进行光谱距离的计算，根据S值的大小来衡量模型的精确度，其中S值表示两地区样品之间的“距离”，数值越大，表征两地区样品距离越远，差异越显著。进而来确定小米籽粒及小米粉的定性分析模型。

2.3.2 基于定量分析对小米产地溯源模型的建立

用1，-1分别对小米籽粒及小米粉末中的肇源和肇州样品进行赋值，以0作为衡量指标，预测样品值大于1被判断为肇源地区，小于1被判定为肇州地区[14]。与定性分析方法不同的是定量分析方法中建模波段的选择是通过系统自动在全波段范围的基础上筛选出特殊波段和最佳的预处理方式。其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（MSC）+平滑，定量分析计算方法为偏最小二乘法（PLS），采用交叉检验方式进行建模，根据RMSECV、定向系数R2及维数来衡量模型的好坏，其中RMSECV数值越小越好，R2数值越接近100%其预测值愈接近真值，同时维数应是先下降达到最低值后趋于平缓表示模型精度高。进而来确定小米籽粒及小米粉的定量分析模型。

2.4 模型验证方法

利用OPUS 7.5软件分别选择定性分析和定量分析工具栏，将建立好的模型调入，调入预测样品光谱图，测定，得出结果。

3 结果与分析

3.1 原始光谱分析

利用傅里叶近红外漫反射光谱仪采集的小米籽粒及粉末样品的原始光谱图，如图1、图2所示。

图1 小米籽粒样品近红外光谱图Fig.1 Near infrared spectra of millet grain samples

图2 小米粉末样品近红外光谱图Fig.2 Near infrared spectra of millet powder samples

由图1、图2可知小米籽粒及小米粉末的原始光谱存在多出共同的吸收峰，在8 320 cm-1处的吸收峰是由C-H键的二级倍频振动引起的，在6 826 cm-1处的吸收峰是由蛋白质（-CONHR）二级倍频振动引起的，在5 169 cm-1处的吸收峰是由RCOR的合频振动引起的，在4 710 cm-1处的吸收峰是由-RNH的合频振动引起的。

3.2 不同预处理方式对定性分析模型的影响

对两类样品进行定性分析研究发现，如表3。

表3 不同预处理方式对不同状态下样品的定性分析模型影响Table 3 The effect of different pretreatment methods on the qualitative analysis model of samples under different conditions

小米籽粒样品在全波长范围内采用一阶导数+矢量归一化+9点平滑的预处理方式结合因子化法时，两地区的小米样品被正确分类，其S值为1.280 875。小米粉末样品在全波长范围内采用一阶导数+矢量归一化+5点平滑的预处理方式结合因子化法时，两地区的小米样品被正确分类，其S值为1.780 729，以上两种方法其模型精度较同类中其他方式高，故选此建立小米籽粒及小米粉末样品的定性分析模型，如图3、图4。

图3 小米籽粒2D得分图Fig.3 2D score Figure of millet grain

因子化法在保留有用信息的前提下，不仅能压缩原始光谱，还起到了对特征信息的提取作用。庞艳苹等[15]采用近红外光谱技术结合因子化法和二阶导数+5点平滑的预处理方式对来自5个地区的92个成安草莓和133个非成安草莓进行聚类分析，结果表明，其模型的正确鉴别率高达96.70%。

3.3 不同预处理方式及波长范围对定量分析模型的影响

采用PLS法对原始光谱进行拟合，结果如表4所示。

图4 小米粉末2D得分图Fig.4 2D score Figure of millet powder

表4 部分定量分析优化结果Table 4 Results of quantitative analysis of some samples

小米籽粒样品的最优波段为9 400.9 cm-1～5 447.7 cm-1和 4 600.6 cm-1～4 249.8 cm-1组合，预处理方式为减去一条直线，其RMSECV为0.094 7，R2为96.38%，维数为5。小米粉末样品的最优波段为9 400.9 cm-1～4 597.8 cm-1，预处理方式为消除常数偏移量，其RMSECV为0.067 2，R2为98.16%，维数为5。故选此建立小米籽粒及小米粉末样品的定量分析模型，如图 5、图 6。

3.4 小米产地溯源模型的验证

将两类样品的定性分析模型和定量分析模型分别带入OPUS7.5软件中，对预测样品进行验证，结果表明，定性分析模型对小米籽粒样品中肇源、肇州地区的预测样品正确鉴别率分别是95.65%、91.67%，对小米粉末样品中肇源、肇州地区的预测样品正确鉴别率均达到100%。定量分析模型对小米籽粒样品中肇源、肇州地区的预测样品正确鉴别率分别是91.30%、91.67%，对小米粉末中肇源、肇州地区的预测样品正确鉴别率分别是95.65%、91.67%，如表5。

图5 小米籽粒样品Fig.5 Samples of millet grain

图6 小米粉末样品Fig.6 Samples of millet powder

表5 模型鉴别结果Table 5 The results of model identification

由于样品颗粒大小的不同使光在样品籽粒中的光程发生变化，影响光对样品的漫反射性，样品颗粒越大，散射系数越小，吸光度也随之发生变化，导致样品的光谱发生变化，进而影响近红外数学模型的预测精度[18]。研究发现由于小米粉末样品的粒径较小，空间分布比较均匀，使样品对光谱的漫反射性影响较小，能携带大量样品信息于原始光谱自身，而小米籽粒与之相反，所以用小米粉末近红外光谱构件的模型效果要好于用小米籽粒，且预测准确率高。毕京翠等[19]用近红外光谱技术结合PLS法对稻谷、米粒和米粉3种形态的样品进行蛋白质含量检测研究发现用大米粉末建立的近红外光谱预测模型准确性最高，米粒次之，稻谷相对较低。

4 结论

在全波长范围内利用一阶导数+矢量归一化+9点平滑的预处理方式结合因子化法建立的小米籽粒定性分析模型对肇源、肇州两地区的小米籽粒预测样品的正确鉴别率为95.65%、91.67%，在全波长范围内利用一阶导数+矢量归一化+5点平滑的预处理方式结合因子化法建立的小米粉末定性分析模型对肇源、肇州两地区的小米粉末预测样品的正确鉴别率均为100%；在 9 400.9 cm-1～5 447.7 cm-1和 4 600.6 cm-1～4 249.8 cm-1组和的波段范围内利用减去一套直线的预处理方法结合PLS法建立的小米籽粒定量分析模型对肇源、肇州两地区的小米籽粒预测样品的正确鉴别率为91.30%、91.67%，在9 400.9 cm-1～4 597.8 cm-1的波段范围内利用为消除常数偏移量的预处理方式结合PLS法建立的小米粉末定量分析模型对肇源、肇州两地区的小米粉末预测样品的正确鉴别率为95.65%、91.67%。采用傅里叶变换近红外漫反射光谱技术结合化学计量学的方法可以实现对不同状态下小米产地溯源的检测，因小米粉末样品的孔隙度较小对光谱的影响小，故模型判别效果要优于小米籽粒。今后对如何进一步提高小米籽粒样品的模型精确度真正意义上的实现无损检测及研究小米的不同年际、品种、经纬度、施肥量等因素对小米产地溯源的影响将是未来的研究方向。

[1] 赵永春.喝小米粥有哪些好处[J].晚霞,2016(13):59

[2] 高陆卫,史万民,郭常振.小米精深加工技术探讨[J].河北农业科学,2010,14(11):147-148

[3] Giacomo F D,And A D S,Giaccio M.Determining the Geographic Origin of Potatoes Using Mineral and Trace Element Content[J].Journal of Agricultural&Food Chemistry,2007,55(3):860-866

[4] Shen S G,Xia L Y,Gong D J.Determination of the Geographic Origin of Rice by Chemometrics with the Ethyl Acetate Extracts from Rice[J].Advanced Materials Research,2013,746:68-71

[5] Sheikha.Determination of the Geographical Origin of Fruits by Using 26S rDNA Fingerprinting of Yeast Communities by PCRDGGE:An Application to Shea Tree Fruits[J].Chinese Bulletin of Life Sciences(ISSN1934-7391),2010,4(6):9-15

[6] Wang L,Niu Q,Hui Y,et al.Discrimination of Rice with Different Pretreatment Methods by Using a Voltammetric Electronic Tongue[J].Sensors,2015,15(7):17767-17785

[7] Zhuang X G,Wang L L,Chen Q,et al.Identification of green tea origins by near-infrared (NIR)spectroscopy and different regression tools[J].Science China Technological Sciences,2017,60(1):84-90

[8] XIA L Y,SHEN S G,LIU Z H,et al.Identification of geographical origins of rice with pattern recognition technique by near infrared spectroscopy[J].Spectroscopy&Spectral Analysis,2013,33(1):102-105

[9] 黄华军,严衍禄,申兵辉,等.鉴别玉米杂交种纯度的近红外光谱分析技术研究[J].光谱学与光谱分析,2014(5):1253-1258

[10]范琦.傅里叶变换近红外漫反射光谱法结合多元分析技术判别麻黄植物的方法学研究[D].重庆:重庆大学,2009

[11]王亚鸽.基于近红外光谱技术的枸杞产地鉴别及品质快速检测研究[D].咸阳:西北农林科技大学,2015

[12]王力立.小米中主要营养成分的测定及小米茶的制备[D].太原:山西大学,2011

[13]胡昌勤.近红外光谱法快速分析药品[M].北京:化学工业出版社,2010

[14]周健,成浩,贺巍,等.基于近红外的PLS量化模型鉴定西湖龙井真伪的研究[J].光谱学与光谱分析,2009,29(5):1251-1254

[15]庞艳苹,刘坤,闫军颖,等.近红外光谱法快速鉴别成安草莓[J].现代食品科技,2013(5):1160-1162

[16]杨海龙,臧恒昌,胡甜,等.近红外漫反射光谱法对不同产地山楂的定性鉴别和定量分析[J].药物分析杂志,2014(3):396-401

[17]Ren G,Wang S,Ning J,et al.Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy(FT-NIRS)[J].Food Research International,2013,53(2):822-826

[18]Zhao L L,Zhao L L,Li J H,et al.Influence of FT-NIR spectrometer scanning requirements on the math model's precision[J].Spectroscopy and Spectral Analysis,2004,24(1):41-44

[19]毕京翠,张文伟,肖应辉,等.应用近红外光谱技术分析稻米蛋白质含量[J].作物学报,2006,32(5):709-715

欢迎订阅2017年《食品研究与开发》

《食品研究与开发》是由天津市食品研究所有限公司和天津市食品工业生产力促进中心主办，国内外公开发行的食品专业科技期刊，1980年创刊，半月刊，采用国际流行开本大16开。其专业突出，内容丰富，印刷精美，是一本既有基础理论研究，又包括实用技术的刊物。本刊已被“万方数据库”、“中文科技期刊数据库”、《乌利希期刊指南》、美国《化学文摘》、英国国际农业与生物科学研究中心（CABI）、英国《食品科技文摘》（FSTA）等知名媒体收录，并被列入“中文核心期刊”、“中国科技核心期刊”、RCCSE中国核心学术期刊（A）。主要栏目有：基础研究、分离提取、研发与工艺、标准与检测、生物工程、营养保健、贮藏保鲜、质量安全、专题论述、食品机械等。

本刊国内统一刊号CN 12-1231/TS；国际刊号ISSN 1005-6521；邮发代号：6-197。全国各地邮局及本编辑部均可订阅。从本编辑部订阅全年刊物享八折优惠。2017年定价：30元/册，全年720元。

本编辑部常年办理邮购，订阅办法如下：

（1）邮局汇款。地址：天津市静海县静海经济开发区南区科技路9号；收款人：《食品研究与开发》编辑部；邮政编码：301600。

（2）银行汇款。开户银行：工商银行静海支行

账号：0302095119300204171；单位：天津市食品研究所有限公司。

《食品研究与开发》编辑部

E-mail：tjfood@vip.163.com

电话（传真）：022-59525671

Study on Traceability of Millet Origin by Near Infrared Diffuse Reflectance Spectroscopy

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

In order to establish a millet origin of the rapid detection technology，better maintenance of local famous millet brand benefits，near infrared diffuse reflectance spectroscopy was used to identify the origin of millet in different states.A total of 144 millet samples from the main producing areas of Zhaoyuan and Zhaozhou were selected，and the near infrared diffuse reflectance spectroscopy combined with stoichiometry was used to study the origin of millet in different states.The results showed that the qualitative analysis model established by the factorization method in the whole wavelength range and the quantitative analysis model established by partial least squares（PLS）in the characteristic band range，and the correct identification rate of millet kernel and millet powder in Zhaoyuan and Zhaozhou two millet main producing areas was above 90%，and the correct prediction rate of millet powder model was higher than that of millet kernel.Therefore，the application of near infrared diffuse reflectance spectroscopy to the different status of millet origin traceability of the rapid identification of a certain feasibility.

near infrared diffuse reflectance spectroscopy；millet；factorization method；partial least squares（PLS）；origin traceability

2017-03-08

10.3969/j.issn.1005-6521.2017.11.030

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。