基于近红外光谱技术的黑龙江地理标志大米产地溯源研究

钱丽丽 宋雪健 张东杰 张爱武 曹冬梅 迟晓星 宋春蕾

(黑龙江八一农垦大学食品学院，大庆 163319)

基于近红外光谱技术的黑龙江地理标志大米产地溯源研究

钱丽丽 宋雪健 张东杰 张爱武 曹冬梅 迟晓星 宋春蕾

(黑龙江八一农垦大学食品学院，大庆 163319)

为建立地理标志大米的快速检测技术，更好地维护地方名优大米品牌效益，利用近红外光谱技术结合定性分析(鉴别分析和聚类分析)和偏最小二乘法(PLS)对黑龙江省3个水稻主产区的地理标志大米进行产地溯源研究。结果表明：运用鉴别分析和聚类分析建立的模型对建三江、五常地域预测正确率为100%，响水地域预测正确率为95.83%；五常、响水地域判别正确率为100%，建三江地域判别正确率为95.83%。采用PLS建立定量分析模型对建三江、五常、响水三个地域的预测正确率分别为95.83%、100%、95.83%。通过鉴定及检测结果可知利用近红外光谱技术可对黑龙江地理标志大米进行产地保护，且产地预测正确率达95%以上。

近红外光谱技术 大米 产地溯源 定性分析 偏最小二乘法

大米是我国主要的粮食之一，食用及商品化历史悠久，在我国大约有75%的人口把大米作为主食[1]，黑龙江省作为粳稻的主产区，其种植面积逐年扩大，2015年种植面积达6 000万亩以上，消费者对不同产区大米的经济化、商品化及品牌意识不断提高，黑龙江具有地理标志性大米的品牌有五常大米、方正大米、响水大米和建三江大米等[2]。一些商家以此为“良机”进行造假，售卖冒牌大米，致使地理标志大米市场混乱，农民、消费者和企业利益受到严重损害。大米产地保护成为黑龙江省大米安全控制体系和确证体系健全和发展的重要组成部分。为有效保证特征性产品的地理标志性，产地溯源技术的开发，成为有效解决该问题的方法之一[3]。

目前，食品产地溯源的主要方法有矿物元素指纹图谱、近红外光谱分析、电子鼻指纹图谱和DNA指纹图谱等技术，其中近红外光谱技术作为快速判别方法在食品[4]、医药[5]、农业等领域应用较为广泛。Sinelli等[6]采用傅里叶近红外光谱技术结合LDA法和SIMCA法对112组橄榄油进行产地判别研究，结果表明2种化学计量学技术的判别率为71.6%和100%。赵海燕等[7]采用近红外光谱技术对小麦产地进行鉴别区分。吕慧等[8]应用近红外光谱技术结合PLS法对来自安徽、吉林、江苏、泰国等地的102份大米进行品质分析和种类鉴别研究，结果表明近红外光谱技术可以用于对大米品质和种类的快速无损检测。夏立娅等[9]运用近红外光谱技术结合主成分分析法对来自响水地区和非响水地区共计209份大米的光谱进行降维处理，并通过聚类分析研究表明在特征波段7 700～6 700 cm-1与5 700～4 300 cm-1处对大米产地聚类分析精度高于全波段。孙淑敏等[10]运用近红外光谱技术结合PLS法对来自农区和牧区的羊肉进行产地溯源研究表明判别结果为76.7%。本研究采用近红外光谱技术结合鉴别分析、聚类分析和PLS建立黑龙江地理标志大米产地溯源模型，为黑龙江地理标志大米产地保护研究提供参考。

1 材料与仪器

1.1 试验材料

为提高试验的可靠性与代表性，2014年水稻成熟且未被收割时进行随机采样，采样地点为黑龙江省3个水稻主产区：建三江、五常和响水地域，所有试验采集大米品种均为粳米，每份样品采集量为2 kg，标记采样地点及品种信息，共计212份样品，样品信息如表1。

表1 样品信息

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使其达到可以进行仓储的粳稻安全储藏水分14.0%[11]，再进行脱粒、挑选、砻谷和碾米等统一加工过程，经由超微粉碎机制成米粉，并过100目筛，待测。每个样品砻谷的次数为2次。碾米的进样量为3，白度为3，碾米3次。

2.2 材料选取

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

2.3 光谱采集

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1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，如图1。光谱波段范围：12 000～4 000 cm-1。扫描次数：64次。分辨率：8 cm-1。每个样品扫描10次，以平均光谱为该样品光谱。

图1 大米样品近红外原始光谱图

2.4 黑龙江大米产地溯源模型的建立

2.4.1 基于定性分析的黑龙江大米产地溯源模型的建立

利用OPUS 7.5软件建立定性鉴别方法，对建模样品的原始光谱进行预处理，处理方法：矢量归一化、一阶导数(5、9、13、17、21、25点平滑)、一阶导数+矢量归一化(5、9、13、17、21、25点平滑)、二阶导数(5、9、13、17、21、25点平滑)、二阶导数+矢量归一化(5、9、13、17、21、25点平滑)。通过预处理后的光谱来选择样品间差别较大的波段并采用两种基本算法计算光谱的距离：标准算法(欧氏距离)和因子化法，判断其模型鉴别结果，最终建立定性鉴别模型。为了更进一步说明鉴别分析模型的准确性，又进行了聚类分析，对原始光谱采用的预处理方法和基本算法与定性鉴别分析相同，采用加权平均距离法来建立树形图，采用光谱预处理可以消除在光谱采集过程中的无关信息，如电噪声、杂散光等。

2.4.2 基于定量分析的黑龙江大米产地溯源模型的建立

将建模样品光谱调入OPUS 7.5软件中建立定量测试方法，采用数字0、1代表3个地区的组分值并进行全排列，波段范围的选择及光谱的预处理方式通过系统优化自动选择最优组合。光谱的预处理方法有：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(5、9、13、17、21、25点平滑)、二阶导数(5、9、13、17、21、25点平滑)、一阶导数+减去一条直线(5、9、13、17、21、25点平滑)、一阶导数+矢量归一化(5、9、13、17、21、25点平滑)、一阶导数+MSC(5、9、13、17、21、25点平滑)，定量分析方法采用偏最小二乘法(PLS)，模型检验为交叉检验。

2.5 模型验证方法

利用OPUS 7.5软件分别选择定性分析，聚类分析测试、定量分析，调入方法既建立成功的模型，调入预测样品光谱图，测定，得出定性鉴别分析结果。

3 结果与讨论

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

光谱经过预处理后发现波段范围在5 000～5 500 cm-1、7 000～7 500 cm-12个区间内存在较大的差异，所以分别选择该区间及其组合进行建模，采用欧式距离对光谱进行计算，结果如表3，并根据选择性S值来考量模型的好坏，S值表征两类样品之间的距离，当S<1时，表示两类样品“相交”；当S=1时，表示两类样品“相切”；当S>1时，表示两类样品“相离”。

在波段范围5 000～5 500 cm-1和7 000～7 500 cm-1组合，预处理方法为二阶导数+矢量归一化+9点平滑时建模效果最好样品均被按地域分开，且建三江和响水、建三江和五常、五常和响水样品的S值分别为1.183、1.847、0.821。通过因子化法计算光谱，因为处理的光谱有明显的差异故采用本征值高的因子谱，所得2D得分图能更加直观的表征地域差异，同时也能进行异常点测试进行模型的完善，如图2所示，3个地域的样品均被正确划分且无异常点出现，证明可以选用此方法进行建模。段焰青等[12]采用复合谱区(4 000～6 800 cm-1及7 200～7 900 cm-1)的方式对云南不同产地的880个烟叶样品进行产地鉴别其鉴别准确率高达93.33%。

注：A为建三江大米，B为响水大米，C为五常大米。图2 因子化法2D得分图

聚类模型建立结果如表4所示，可以看出在波段范围5 000～5 500 cm-1和7 000～7 500 cm-1组合，预处理方法为一阶导数+矢量归一化+5点平滑时3个地域的样品均被正确分类且五常与响水及响水与建三江样品之间的距离为0.045、0.079，故以此建立聚类分析判别模型，如图3。袁明洋[13]采用一阶导数+矢量归一化+5点平滑的预处理方法对8种矿物类中药快速鉴别研究时进行聚类分析研究，结果发现13批验证集样品均能准确的聚类，模型的预测正确率为100%。

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

注：“-”表示3个地域的样品未被唯一鉴别，“+”表示3个地域的样品均被唯一鉴别。“JX”表示建三江和响水两地域样品相比较，“JW”表示建三江和五常两地域样品相比较，“WX”表示五常和响水两地域样品相比较。

表4 不同波段下预处理方式对聚类分析模型效果的影响

注：“—”表示3个地区的样品未被正确分类，“数字”表示两地区样品之间的距离。

图3 不同地域大米样品的聚类分析结果

3.2 定性分析模型的验证

运用建立好的鉴别分析模型(波长范围为5 000～5 500 cm-1和7 000～7 500 cm-1组合，预处理方法为二阶导数+矢量归一化+9点平滑)对预测样品进行判别，结果发现：建三江地域和五常地域样品的鉴别正确率为100%，响水地域样品的鉴别正确率为95.83%。同时运用聚类分析判别模型(波长范围为5 000～5 500 cm-1和7 000～7 500 cm-1组合，预处理方法为一阶导数+矢量归一化+5点平滑)对预测样品进行判别，结果发现：五常地域和响水地域样品的判别正确率为100%，建三江地域样品的判别正确率为95.83%，如表5。

表5 定性分析鉴别3个地域大米样品的结果

3.3不同波段及预处理方法的选择对定量分析建模效果的影响

依据样品光谱波段的差异对差异波段范围、预处理方式的选择及维数的确立，按RMSECV值升序排列进行优化处理，如表6。R2即定向系数，给出了真实组分值中出现的变量的百分数，预测含量值越接近真值，R2越接近100%，对于交叉检验，均方根误差RMSECV可以作为模型质量的判据，数值越小越好。因此在建三江地域样品编号为1、五常地域样品编号为0、响水地域样品编号为0时，在波段为9 400.9～4 249.8 cm-1处，采用减去一条直线的预处理方法，得出R2为99.26%，RMSECV为0.043 0，维数为4，故以此建立定量分析模型，如图4、图5所示。张鹏等[14]用近红外光谱技术结合偏最小二乘法(PLS)方法对来自天津、陕西、北京三地的苹果进行产地溯源研究鉴别正确率达98.33%，试验所运用的计算方法与其相一致。

表6 不同波段下预处理方式对定量分析模型效果的影响

注：“001”建三江地域样品组分为0，五常地域样品组分为0，响水地域样品组分为1；“010”建三江地域样品组分为0，五常地域样品组分为1，响水地域样品组分为0；其余编码以此类推。

图4 地区预测值与参考值相关图

图5 RMSECV与维数的关系图

3.4 定量分析模型的验证

运用建立好的定量分析模型(波段为9 400.9～4 249.8 cm-1，预处理方法为减去一条直线对预测样品进行判别，以预测值在真实值±0.5之间来说明样品产地判别正确，结果发现：建三江、五常、响水3个地域的预测正确率分别为95.83%、100%、95.83%，如表7。

表7 定量分析鉴别3个地域大米样品的结果

4 结论

试验选取建三江、五常、响水3个地域的152份试验田样品进行产地溯源研究，在波长范围为5 000～5 500 cm-1和7 000～7 500 cm-1组合，采用二阶导数+矢量归一化+9点平滑的预处理方法结合欧氏距离法建立鉴别分析模型并进行验证，结果表明建三江、五常地域预测正确率为100%，响水地域预测正确率为95.83%；并在同波长下采用一阶导数+矢量归一化+5点平滑的预处理方法结合欧式距离法建立聚类分析模型并进行模型验证，结果表明：五常、响水地域判别正确率为100%，建三江地域判别正确率为95.83%。

在波段为9 400.9～4 249.8 cm-1处，采用减去一条直线的预处理方法结合偏最小二乘法(PLS)建立定量分析模型并进行模型验证，结果表明：建三江、五常、响水3个地域的预测正确率分别为95.83%、100%、95.83%。近红外光谱技术达到了对黑龙江大米快速无损检测的要求，是一种方便快捷的方法，为黑龙江大米产地溯源的研究提供借鉴。

[1]Naseer R,Sultana B,Khan M Z,et al.Utilization of waste fruit-peels to inhibit aflatoxins synthesis by Aspergillus flavus:A biotreatment of rice for safer storage[J].Bioresource Technology,2014,172:423-428

[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

General Administration of Quality Supervision,Inspection and quarantine of the People’s Republic of China.Notice is to implement the protection of geographical indications on the protection of jinzhou pear,jiansanjiang rice,yunhe black fungus,guangwu green onions,dongba cocoon[J].China Food,2010(18):90

[3]张玥.吉林省大米产地溯源分析的研究[D].长春：吉林农业大学,2015

Zhang Y.Study on the rice traceability analysis of Jilin provenance[D].Changchun:Jilin Agricultural University,2015

[4]谢丽娟,应义斌,应铁进,等.可见/近红外光谱分析技术鉴别转基因番茄叶[J].光谱学与光谱分析,2008,28(5):1062-1066

Xie L J,Ying Y B,Ying T J,et al.Application of Vis/NIR diffuse reflectance spectroscopy to the detection and identification of transgenic tomato leaf[J].Spectroscopy and Spectral Analysis,2008,28(5):1062-1066

[5]刘荔荔,原源,陈万生,等.近红外漫反射光谱法在羊蹄类生药分类中的应用[J].中草药,2001,32(11):1024-1026

Liu L L,Yuan Y,Chen W S,et al.Identification of yangti(crispate rhubarb)by near-infrared diffuse reflectance spectroscopy[J].Chinese Traditonal and Herbal Drug,2001,32(11):1024-1026

[6]Sinelli N,Cerretani L,Egidio V D,et al.Application of near(NIR)infrared and mid(MIR)infrared spectroscopy as a rapid tool to classify extra virgin olive oil on the basis of fruity attribute intensity[J].Food Research International,2010,43(1):369-375

[7]赵海燕,郭波莉,魏益民,等.小麦产地近红外指纹溯源的稳定性研究[C]//中国食品科学技术学会年会.2012

Zhao H Y,Guo B L,Wei Y M,et al.The stability of near infrared spectral fingerprints of wheat kernel of geographical origin traceability[C]//Chinese Institute of Food Science and Technology of the annual meeting.2012

[8]吕慧,张正竹,王胜鹏,等.基于近红外光谱技术的大米品质分析与种类鉴别[J].食品工业科技,2012,33(3):322-325

Lü H,Zhang Z Z,Wang S P,et al.Quality analysis and category identification of rice based on the near infrared spectroscopy[J].Science and Technology of Food Industry,2012,33(3):322-325

[9]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

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 and Spectral Analysis,2013,33(1):102-105

[10]孙淑敏,郭波莉,魏益民,等.近红外光谱指纹分析在羊肉产地溯源中的应用[J].光谱学与光谱分析,2011,31(4):937-941

Sun S M,Guo B L,Wei Y M,et al.Application of near infrared spectral fingerprint technique in lamb meat origin traceability[J].Spectroscopy and Spectral Analysis,2011,31(4):937-941

[11]冯永建,王双林,刘云花.稻谷储藏安全水分研究[J].粮食储藏,2013,6:38-41，45

Feng Y J,Wang S L,Liu Y H.Study on the safe moisture content of paddy rice stored[J].Grain Storage,2013,06:38-41,45

[12]段焰青,陶鹰,者为,等.近红外光谱分析技术在烟叶产地鉴别中的应用[J].云南大学学报:自然科学版,2011,33(1):77-82

Duan Y Q,Tao Y,Zhe W,et al.Application of near infrared spectroscopy in determination of the producing areas of tobacco leaf[J].Journal of Yunnan University(Natural Sciences Edition),2011,33(1):77-82

[13]袁明洋.基于近红外光谱技术对几种矿物类中药的快速鉴别研究[D].武汉：湖北中医药大学,2014

Yuan M Y.Study on rapid identification of several species of mineral Chinese medicines based on near-infrared spectroscopy techniques[D].Wuhan:Hubei University of Chinese Medicine,2014

[14]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

Zhang P,Li J K,Chen S H,et al.Discrimination method of different origin apples based on near infrared spectroscopy[J].Food Science and Technology,2014(11):305-309.

Origin Traceability of Heilongjiang Geographical Indications Rice Based on Near Infrared Reflectance Spectroscopy

Qian Lili Song Xuejian Zhang Dongjie Zhang Aiwu Cao Dongmei Chi Xiaoxing Song Chunlei

(College of Food Science,Heilongjiang Bayi Agricultural University,Daqing 163319)

In order to establish the rapid detection of geographical indications rice and better maintain the brand benefits of local famous rice,the geographical indications of rice in three main rice-producing areas of Heilongjiang Province were analyzed by near-infrared spectroscopy combined with qualitative analysis(differential analysis and cluster analysis)and partial least squares(PLS).Results indicated that discriminant analysis model showed a prediction accuracy rate of 100% for Jiansanjiang and Wuchang area,and a prediction accuracy rate of 95.83% for Xiangshui area;and the discriminant rate for Wuchang and Xiangshui area was 100%,and that for Jiansanjiang area was 95.83%.The quantitative analysis model established by PLS showed that the precision accuracy rates of Jiansanjiang,Wuchang and Xiangshu were 95.83%,100% and 95.83%,respectively.Through the identification and test results,near infrared spectroscopy could be used to protect the geographical indications of rice in Heilongjiang Province,and the correct rate of prediction was more than 95%.

near infrared spectroscopy,rice,provenance,qualitative analysis,partial least squares

TS21

A

1003-0174(2017)10-0185-07

黑龙江省教育厅科学技术研究(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(2014TD006),黑龙江省应用技术研究与开发计划(GA14B104)

2016-09-14

钱丽丽，女，1979年出生，副教授，农产品原产地保护

张东杰，男，1966年出生，教授，农产品加工与安全