三种油菜品质近红外（NIRS）检测模型的创建

2018-05-05李延莉蒋美艳江建霞张俊英周熙荣孙超才杨立勇

上海农业学报 2018年2期

李延莉,蒋美艳,江建霞,张俊英,周熙荣,孙超才,杨立勇

（上海市农业科学院，上海 201403）

近红外光谱（NIRS）技术是20世纪90年代以来发展最快的绿色分析技术之一［1-11］，具有分析速度快，对被测样品无损伤和无化学试剂污染等优点，国内外应用NIRS技术在油菜籽品质测定中取得了较大发展［12-13］。

上海市农业科学院油菜室先后建立了检测油菜籽9种主要品质的数学模型，并成功用于油菜育种中［14-15］，为油菜品质育种提供可靠的参考数据，加快了育种进程。随着双低油菜籽饼粕优质蛋白质饲料的开发利用［16-18］，需要进一步拓展油菜种子水分、蛋白质和纤维素含量这3种数据检测模型，本研究拟创建并验证这3种数据模型，以满足油菜育种新目标检测工作的需要。

1 材料与方法

1.1 材料

选取国家油菜区域试验材料中的80份样品，所选材料基因类型广泛；化学标准检测值由农业部农产品安全监督检测中心（上海）提供。

1.2 仪器

Foss公司5000型近红外测试仪；操作环境：防尘、防震，工作温度20—25℃。

1.3 方法

将80份样品进行光谱扫描，保存光谱文件。80份样品同时按国家标准方法分别测定油菜种子的水分（GB/T 6435—2016）、蛋白质（GB/T 6432—1994）和纤维素含量（GB/T 6434—2006），将所测数据用计算机输入对应的光谱文件，建立起一组定标文件。采用WinISI定量分析软件中的改良偏最小二乘回归方法（MPLS）建立各化学成分含量的近红外光谱校正模型，建模前计算样品GH（马氏距离）值，对校正集样品光谱进行异常值检验，GH值代表每个样品的谱带与所有样品平均谱带的差异，一般将GH＜3.0的样品视为来自同一群体，如果计算得到某样品GH＞3.0，则视为异常样品予以剔除。为了消除仪器背景或漂移对信号的影响，对原始光谱使用导数（一阶）和平滑处理；为了校正样品间因粒度分布不均匀产生散射而引起的光谱误差，对原始光谱采用变量标准化（SNV）和去趋势（Detrend）方法进行校正。通过一阶导数法对光谱数据和化学分析结果进行回归分析，建立油菜籽相关性状NIRS与化学分析结果（标准值）之间的数学模型。

2 结果与分析

2.1 NIRS检测数学模型的创建

2.1.1 油菜籽水分检测数学模型

油菜籽为自然风干样品，对80份样品按国家标准GB/T 6435—2016测试油菜籽水分含量。80份样品含水量最大值为6.2%，最小值为4.2%，平均值为5.3%，并依据所测数据建立数学模型（图1）。NIRS预测值和标准值的相关系数为0.967，预测标准差0.20。

2.1.2 油菜籽蛋白质检测数学模型

对80份样品按国家标准GB/T 6432—1994测试油菜籽蛋白质含量。80份样品蛋白质含量最大值为31.1%，最小值为17.1%，平均值为24.9%，所测数据建立数学模型见图2。NIRS预测值和标准值的相关系数为0.993，预测标准差0.28。

图1 油菜籽水分含量标准值与NIRS预测值的关系图Fig.1 Relationship between standard values and NIRS predicted values of rapeseed moisture content

图2 油菜籽蛋白质含量标准值与NIRS预测值的关系图Fig.2 Relationship between standard values and NIRS predicted values of rapeseed protein content

2.1.3 油菜籽纤维素数学模型

对80份样品按国家标准GB/T 6434—2006测试油菜籽纤维素含量。80份样品纤维素含量最大值为210.7 g/kg，最小值为 169.9 g/kg，平均值为 189.7 g/kg，所测数据建立数学模型见图3。NIRS预测值和标准值的相关系数为0.954，预测标准差0.45。

以上3个模型的NIRS预测值和标准值关系图显示，样品标准值均分布在中心线附近，具有较好的吻合度。3个数学模型相关系数高、误差小，能够满足油菜籽水分、蛋白质、纤维素含量快速检测的要求。

2.2 NIRS检测值准确度验证

2.2.1 水分检测值验证

随机抽取35份样品，用图1模型进行测试，NIRS检测值与化学方法检测值比较结果见表1，相关系数0.967，相对误差小于3.5%。

图3 油菜籽纤维素含量标准值与NIRS预测值的关系图Fig.3 Relationship between standard values and NIRS predicted values of rapeseed fibre content

表1 油菜籽水分含量的NIRS模型检测值与化学方法检测值比较Table 1 Com parison of NIRS detection values and chem ical values of rapeseed moisture content

2.2.2 蛋白质检测值验证

随机抽取50份样品，用图2模型进行测试，NIRS检测值与化学方法检测值比较结果见表2，相关系数0.993，相对误差小于3.0%。

表2 油菜籽蛋白质含量的NIRS模型检测值与化学方法检测值比较Table 2 Comparison of NIRS detection values and chem ical values of rapeseed protein content

（续表）

2.2.3 纤维素含量检测值验证

抽取20份样品，用图3模型测试样品，NIRS检测值与化学方法检测值比较见表3，相关系数0.954，相对误差小于3.0%。

表3 油菜籽纤维素的NIRS模型检测值与化学方法检测值比较Table 3 Comparison of NIRS detection values and chem ical values of rapeseed fibre content

从表1、表2、表3可以看出，随机抽取样品油菜籽水分、蛋白质、纤维素含量的NIRS检测值与化学标准值的相关性高，相关系数均在0.9以上，相对误差均小于3.5%，表明所建数学模型样品预测值与实际值差异较小，用NIRS分析油菜品质参数的结果准确可靠，测试准确性符合育种要求。

3 讨论

本研究所用样品从国家油菜区域试验材料中选取，取材范围广，样品遗传多样性丰富，具有较好的代表性。运用国家标准检测方法测定样品油菜籽的水分含量、蛋白质和纤维素含量建立相应检测的数学模型，再用该模型预测值与化学方法测定的标准值进行比较，绝对误差和相对误差都在允许范围，说明所建模型已经可以用来快速、准确预测油菜籽样品的相关品质。

2017年，笔者用该模型测试了1 500份油菜样品含水量、1 000份油菜样品蛋白质含量、500份油菜样品纤维素含量，均取得比较好的预期，达到了简便、快速、准确、无损的检测要求。

建立NIRS数学模型是一件非常复杂的工作，不同的指标要大量的有代表性样品用化学方法测得标准值，每一个数学模型的建立都是由大量化学标准值做支撑，费时费力，但是模型一旦建立成功，将有化学方法不能比拟的优点：操作简单、分析速度快，可以多品质同步分析，大大提高测试效率，测试过程无污染、不破坏测试样品；对育种单位尤其重要的是，对有限的种质资源和低世代种子的非破坏性测试，使得育种工作可以顺利开展。

［1］杨翠玲，陈文杰，赵兴忠，等.近红外光谱法同时分析油菜9种品质参数的研究［J］.西北农林科技大学学报（自然科学版），2006，34（3）：61-67.

［2］康月琼，郝风，柴勇，等.油菜品质近红外检测模型建立的研究［J］.中国农学通报，2011，27（5）：144-148.

［3］杨燕宇，陈社员.油菜品质近红外反射光谱分析建模及应用研究进展［J］.CROPRESEARCH，2007（2）：152-156.

［4］贺启川，蒙大庆，李芝凡，等.近红外光谱仪快速检测油菜硫苷、芥酸及油份含量数学模型的建立［J］.激光生物学报，2009，18（6）：815-818.

［5］付玲.建模的分布状态对近红外预测小麦蛋白质含量的影响［J］.食品加工，2013，38（1）：18-20.

［6］张玉荣，付玲，周显青，等.基于近红外光谱技术测定小麦蛋白质模型的建立［J］.粮食与饲料工业，2013（4）：15-18.

［7］吴建国，石春海，张海珍.构建整粒油菜籽脂肪酸成分近红外反射光谱分析模型的研究［J］.光谱学与光谱分析，2006，26（2）：259-262.

［8］李施蒙，王耐红，张敏，等.甘蓝型油菜脂肪酸组分近红外分析模型构建［J］.广东农业科学，2014（21）：16-21.

［9］王耐红，张敏，王瑞，等.甘蓝型油菜硫苷组分近红外检测模型的建立［J］.西南大学学报（自然科学版），2015，37（3）：35-41.

［10］高建琴，张洁夫，浦惠明，等.近红外光谱法在测定油菜籽含油量及脂肪酸组成中的应用［J］.江苏农业学报，2007，23（3）：189-195.

［11］严丽霞，张青青，缪文彬，等.近红外光谱分析技术在食用植物油分析检测中的应用［J］.食品安全质量检测学报，2017，8（5）：1521-1526.

［12］甘莉，孙秀丽，金良，等.NIRS定量分析油菜种子含油量、蛋白质含量数学模型的创建［J］.中国农业科学，2003，36（12）：1609-1613.