近红外光谱技术对小米品种的快速鉴别

宋雪健 王欣卉 李琳

[摘要]为实现对小米品种的快速鉴别，试验采用近红外光谱技术对120份小米进行研究，结果表明，试验建立的小米定性分析模型对红谷子的正确鉴别率为100%，定量分析模型的验证集的RMSEP为0.176，R2为96.68。为此，采用近红外光谱技术对小米品种的快速鉴别具有一定的可行性。

[关键词]小米;品种;近红外光谱技术

中图分类号：O657.3;TS212.7文献标识码：ADOI：10.16465/j.gste.cn431252ts.201910

谷子去壳后俗称小米，含有丰富的蛋白质、碳水化合物、脂肪等营养物质，富含人体所需的18种氨基酸，具有“易丹田，补虚损，开肠胃”的功效[1]。小米的品种多样，其中红谷子有“天下第一香米”的美称，其蛋白质含量高达11.2%～13.40%，直连淀粉含量为15.88%，支链淀粉为52.48%，深受广大消费者青睐[2]。

近红外光是一种介于中红外光和可见光之间的一种电磁波，其光谱的谱区中包括的基团信息主要以H-R为主，包括-CH、N-H、-OH和S-H等。近红外光谱技术具有快速、高效、无损的技术特点，被广泛应用于食品[3]、医药[4]、工业[5]、农业[6]等领域。研究采用近红外光谱技术对小米品种进行鉴别研究，旨在为丰富近红外光谱的研究内容和为保护小米的优质品种提供技术参考。

1 试验的材料和设备

1.1 试验的材料

试验选择在黑龙江地区小米成熟期后，采用5点取样法随机收割，编号每份小米样品，每份样品收集大约2kg，并记录详细的品种信息，具体信息见表1。

1.2 试验设备

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;FW100高速万能粉碎机：天津泰斯特仪器有限公司。

2 试验方法

2.1 样品的前处理

将采集的小米进行统一晾晒、去壳及粉碎处理。选取各类样品总数的2/3作為建模样本集，1/3作为验证样本集，具体信息见表2。

2.2 光谱的采集

将傅立叶变换近红外光谱仪进行预热30min后，利用OPUS7.50软件，经过检查信号、保存峰位及扫描背景等操作后，将小米样品倒入检测杯中，测量样品单通道采集样品光谱。测量时环境温度为室温25℃±1℃，相对湿度控制范围为30%～50%。光谱波段范围4 000～12 000cm-1。分辨率8cm-1。扫描次数为64次。

2.3 定性模型的建立及验证

为消除噪声等的干扰，试验选取4 500～9 000 cm-1的波数范围进行定性研究，其中预处理方式有矢量归一化、一阶导数结合平滑点+矢量归一化、二阶导数集合平滑点+矢量归一化，一阶导数结合平滑点、二阶导数结合平滑点，其中平滑点数为5、9、13、17、21、25点。并利用因子化法进行光谱“距离”的计算，“距离”的量化值为“S值”，其中数值越大，说明两品种样品差距越大，进而来确定小米品种的定性分析模型。将建立好的定性模型调入软件中，利用定性分析模块对预测光谱进行验证。

2.4 定量模型的建立集验证

定量分析的预处理方式较定性分析要丰富得多，有内部标准、消除常数偏移量、多元散射矫正、减去一条直线、矢量归一化、最小-最大归一化、一阶导数结合平滑点、二阶导数结合平滑点、一阶导数结合平滑点+减去一条直线、一阶导数结合平滑点+矢量归一化、一阶导数结合平滑点+多元散射校正。定量分析计算方法为偏最小二乘法，并采用交叉检验方式进行建模，根据校正集均方根误差（RMSEC）及定向系数（R2）的大小来衡量模型的精度，其中RMSEC越小，R2越大越好。将建立好的定量分析模型调入软件中，根据对预测集均方根误差（RMSEP）数值与RMSEC数值的大小来验证模型的检测精度，其中RMSEP越小，RMSEC越好。

3 结果与分析

3.1 原始光谱分析。

由图1可知，在4 710cm-1处的吸收峰是由-R-NH的合频振动引起的;在波数为5 169cm-1处的吸收峰是由R-CO-R的合频振动引起的;在波数为6 826cm-1处的吸收峰是由-CONH-R二级倍频振动引起的;在波数为8 320cm-1处的吸收峰是由C-H键的二级倍频振动引起的[7]。

3.2 不同预处理方式对定性分析模型的影响

由表3可知，在波数为4 500～9 000 cm-1，采用二阶导数结合5点平滑的预处理方式结合因子化计算方法，所建立的小米品种定性分析模型能将红谷子和非红谷子精确分开，其S值为1.279，2D得分见图2。针对此研究发现，采用多种预处理方式相结合建立的模型精度较低，可能是多种处理方式对光谱造成的过拟合现象导致的。

3.3 不同预处理方式对定量分析模型的影响

由表4可知，在波数为4 500～9 000 cm-1的范围内，采用一阶导数结合5点平滑的预处理、偏最小二乘法的计算方式建立的小米品种定量分析模型检测精度要优于其他方式，其RMSECV为0.243，R2为92.22，见图3。

3.4 模型的验证

将两种模型分别带入软件中，与预测样品进行验证，结果表明，定性分析模型对红谷子和非红谷子品种的正确鉴别率分别为100%和95.65%，见表5。定量分析模型对红谷子和非红谷子品种的鉴别效果为RMSEP=0.176，R2=96.68，见图4。

4 结 论

采用近红外光谱技术对小米品种进行鉴别，在波数为4 500～9 000cm-1，采用的计算方式为因子化法，预处理方式为二阶导数结合5点平滑的建立的定性模型较好，对红谷子的正确鉴别率高达100%。采用的计算方式为偏最小二乘法，预处理方式为一阶导数结合5点平滑，建立的定量分析模型对红谷子和非红谷子检测时，其RMSEP为0.176，R2为96.68。故采用近红外光谱技术可以实现对小米品种的快速检测。0406CD72-EEA0-46EF-8985-A34B71961773

參考文献

[1] 孙艺丹.不同谷子品种主要农艺性状、营养品质与食味品质的关系[D].晋中：山西农业大学，2016.

[2] 穆秋霞，崔素萍，张卓敏，等.黑龙江主栽小米品种品质特性及其相关性分析[J].中国粮油学报，2019，34（7）：26-32+67.

[3] 陈嘉，高丽，叶发银，等.基于近红外光谱与支持向量机的甘薯粉丝掺假快速检测[J].食品与发酵工业，2019，45（11）：211-218.

[4] 闫研，秦斌，殷果，等.近红外光谱法在舒胸片快速定性定量分析中的应用[J].药学研究，2018，37（6）：327-331.

[5] 金文英.近红外光谱在原油评价中的应用研究[J].石化技术，2019， 26（7）：156-158.

[6] 田晓琳，吴建虎，兰雷珍，等.利用可见/近红外反射光谱无损检测小米的粘度[J].食品安全质量检测学报，2018，9（11）：2728-2733.

[7] 钱丽丽，宋雪健，类彦波，等.近红外漫反射光谱技术对小米产地的快速检测[J].食品工业，2018，39（6）：257-261.

Rapid Identification of millet varieties by near Infrared Spectroscopy

Song Xuejian1，Wang Xinhui2，Li Lin1

（1 Heilongjiang BaYi Agricultural University， College of Food Science， Daqing， Heilongjiang 163319;

2 Qiqihar University College of Food and Bioengineering， Qiqiha'er， Heilongjiang 161006）

Abstract： In order to realize the rapid identification of millet varieties， The experiment uses the near infrared spectrum technique to carry on the research to 120 millet， The results show that The correct identification rate of red gluten by qualitative analysis model was 100%， RMSEP of validation set of quantitative analysis model is 0.176， R2 is 96.68， Therefore， it is feasible to identify millet varieties quickly by near infrared spectroscopy.

Key words： millet， varieties， near infrared spectroscopy0406CD72-EEA0-46EF-8985-A34B71961773