小米硒含量近红外预测模型的建立与评价

王 浩 于港华 侯 颖 侯思宇 韩渊怀 李红英 邢国芳

(山西农业大学 农学院，山西 太谷 030801)

谷子(Setariaitalica)是重要的杂粮作物，籽粒脱壳后称 “小米”，具有很高的食用和营养价值[1]。研究表明，小米是良好的作物富硒载体[2]，筛选和培育高硒含量的谷子品种成为解决人体缺硒状态的有效途径[3-4]，同时建立一种安全高通量测定小米硒含量的方法对于促进富硒谷子产业发展具有重要意义。

目前，小米总硒含量的测定主要采用GB 5009.93—2017《食品安全国家标准 食品中硒的测定》，此法主要包括样品预处理以及化学分析测定过程实现对硒含量的精确测定，但化学分析法在测定大批量样品时预处理较多，过程繁杂；同时，化学分析期间的样品处理会用到浓硫酸等剧毒危化品，从而产生废料而污染环境。20世纪60年代，Norris等[5]首先应用近红外技术对谷物中的蛋白质、水分等含量进行测定分析，并且研究利用近红外光谱分析技术测定其他农产品的品质性状。朱丽伟等[6]采用近红外光谱分析技术结合定量偏最小二乘法对多年生苦荞叶片蛋白质和γ-氨基丁酸(GABA)含量进行了快速测定研究，证明了使用近红外光谱技术定量测定多年生苦荞叶片蛋白质和GABA含量的可行性以及模型的稳定性。闵顺耕等[7]建立了大麦蛋白质、淀粉和赖氨酸的近红外分析模型决定系数R2分别为0.985、0.973和0.978。白琪林等[8]利用近红外反射光谱法(NIRS)对青贮玉米的体外干物质消化率、中性洗涤纤维含量进行测定分析，采用主成分分析和偏最小二乘回归法，建立了一套测定青贮玉米相关指标的近红外反射光谱技术。目前，应用近红外光谱技术分析作物含水量、淀粉、蛋白质已有许多相关报道[9]。Duan等[10]采用PLS建模算法建立了烟草中Fe，Mn，Mo，Ca，Mg等元素的回归模型，决定系数均达到0.7以上，这表明烟草中的无机元素能够与有机酸等物质相螯合从而间接被近红外反射光谱所测定。Moros等[11]利用NIRS预测了红辣椒粉末中As和Pb的含量，预测集的决定系数分别为0.87和0.99；张龙等[12]使用小波变换预光谱预处理结合径向基人工神经网络算法预测了受污染的水稻叶片中Hg，Cd，Pb元素，识别正确率分别为0.955，0.818和0.913，余恩[13]采用近红外反射光谱测定评价288份棉籽无机元素含量时，发现Ca、Ni、Se和Sr全光谱PLS模型中R2值较高，分别为0.861 9、0.817 9、0.814 4和0.806 9，这表明近红外反射光谱可以定量测定无机元素中某些微量元素。尽管近红外反射光谱在其他作物中检测品质性状及元素含量已有许多报道，但是针对小米总硒含量的测定未见报道。本研究拟采用近红外漫反射光谱技术测定小米的近红外光谱，采用偏最小二乘法对光谱数据进行分析，构建小米硒含量的近红外分析模型，以期为实现小米硒含量的快速检测提供参考。

1 试验方法

1.1 材料及仪器

试验材料为2020年秋季采收的不同遗传背景的谷子穗，建立模型时，去除不适宜建模的异常样本后选取93 份不同品种的谷子将其分为建模集(样本容量n=51)和验证集(n=42)。考种脱粒后采用砻谷机对谷子脱壳，采用色选机挑选米色均匀，籽粒完整的小米后使用快速组织研磨仪磨成粉末，称取12 g，过100 目筛，待用。

本研究采用的近红外光谱仪为丹麦生产的NIRSTMDS2500台式近红外光谱仪，主要参数见表1。

表1 NIRSTMDS2500光谱仪器主要参数Table 1 Main parameters of NIRSTMDS2500 spectrometer

1.2 方法

1.2.1小米光谱采集

NIRSTMDS2500近红外光谱仪设置参数为，积分时间10 000 μs/次，积分次数为400。通过网络信号光缆连通外部测试器和电脑，光源为35 W卤素灯，入射孔径为2 cm光斑大小，分辨率为0.5 nm，波长范围850～2 500 nm。光谱采集方式为漫反射，样品杯选用小样品杯，为防止外界光源干扰，对光谱仪进行外置氧化铝材质遮光盖，每扫描10 个样品进行1次白板校正，每个样品分为3 等份，分别保存扫描光谱后的样品，避免混样。

1.2.2化学参比值设定

根据GB 5009.93—2017《食品安全国家标准 食品中硒的测定》[14]中第一法—氢化物原子荧光法测定小米总硒含量。使用远红外石墨消解仪对待测样品消煮，使用AFS 2202a原子荧光光度计测定小米硒含量，每个待测样品平行测定3 次，结果取平均值。

1.2.3模型构建及数据处理

2 模型建立与检验

2.1 样品化学测定结果

利用化学测定方法对建模集和预测集的样品进行总硒含量的测定，统计参数见表2。建模集和预测验证集的小米总硒质量分数平均值分别为0.093和0.206 mg/kg，标准差分别为0.083和0.124 mg/kg，变异系数分别为0.890和0.602。化学测定的建模集小米总硒质量分数的最大值为0.435 mg/kg，最小值为0.006 mg/kg，化学测定的预测集小米总硒质量分数的最大值为0.481 mg/kg，最小值为0.032 mg/kg。结果显示，建模集小米总硒质量分数的变化范围是0.006～0.435 mg/kg，而预测集小米总硒质量分数的变化范围为0.032～0.481 mg/kg，两者范围接近，可用于近红外反射光谱的分析。因此，这93份样品可以用于构建小米总硒含量的预测模型。

表2 建模集和预测集小米总硒质量分数统计描述Table 2 Statistical description of the total selenium content of foxtail millet in the modeling set and prediction set

2.2 小米的近红外光谱特征

在近红外光谱区，含氢官能团的合频以及倍频的基本振动均能影响近红外光谱的吸收峰，而样品中的有机化合物含量变化影响含氢官能团的振动吸收强度[15]，无机元素无含氢基团故在近红外区没有吸收峰，理论上不能利用近红外光谱技术测定其物质含量。但样品中无机元素通常不是以单一的离子形态存在的，而是与一些有机物质结合，形成络合物或螯合物进而能够间接地测定无机元素的含量，或无机元素的含量与样品中某些常量组份含量之间存在高度的相关性，这就使近红外测定无机元素成为可能[16-19]。植物体内含有较少的无机硒，一般以四价硒的形态出现；而有机硒多以富含硒的蛋白、多糖、核酸、RNA、硒代氨基酸及各种甲基硒化物等形式存在，其中以硒蛋白含量最高[20]，同时硒蛋白与小米有机硒含量呈正相关[21]，而小米的总硒含量是有机硒和无机硒的总和[22]，因此，可以利用近红外反射光谱检测小米总硒含量并监测其变化情况。

分析近红外光谱主要是对原始光谱数据进行处理，处理方法包括导数处理、中心化和基线校正等。本研究为提高校正方程的准确性，减小基线漂移，对原始光谱的反射率R求倒数后再对其进行对数处理得到原始光谱吸光值(log(1/R))，利用51份样品的吸光值为纵坐标建立近红外原始光谱曲线(图1(a))。

(a)原始光谱；(b)标准正态变换SNV和卷积平滑Detrend处理后的光谱；(c)标准正态变换SNV、卷积平滑Detrend和一阶求导后的光谱。(a) The original wavelength range； (b) The spectrum wavelength range after standard normal transformation SNV and convolution smoothing Detrend processing； (c) The spectrum wavelength range after standard normal transformation SNV, convolution smoothing Detrend and first-order derivative.图1 小米近红外光谱不同预处理阶段光谱曲线Fig.1 Spectral curves of foxtail millet near-infrared spectroscopy at different preprocessing stages

原始光谱较平滑没有明显的拐点，无法在光谱中直接分辨噪音信息[23]，并且原始光谱存在基线漂移，基线漂移主要与水分的含量相关，一般水分含量越高，原始光谱的基线偏移就越大[24]，与此同时原始光谱也存在一些无效信息，如环境因素和仪器本身因素的干扰。

为了消除测定过程中的噪音，提高校正方程的准确度和可靠性，本研究对小米近红外原始光谱(图1(a))进行了预处理。首先利用标准正态变化SNV和卷积平滑Detrend等方法对原始光谱进行处理，从而消除小米粉末固体颗粒大小、表面散射和光程变化对光谱的影响，处理后平滑点数为4，光谱的吸收特性得到显著增强(图1(b))；其次采用一阶导数处理，重叠峰和基线影响基本得到消除，得到标准正态变换SNV、卷积平滑Detrend和一阶求导后的光谱(图1(c))。最终原始光谱经过预处理后，大幅提升了光谱的信噪比，满足近红外校正模型的构建和校正模型性能检测的要求。根据频率不同，近红外的光谱区可分为低频、合频和高频区，为保证模型的可靠性，建立模型时选择全光谱区域，应用PLSR(偏最小二乘法)算法建立模型。

2.3 模型建立

图2 校正集小米总硒质量分数化学参比值和近红外模型预测值回归曲线Fig.2 Regression curve of the chemical reference value of the calibrated set foxtail millet selenium mass fraction and the predicted value of the near-infrared model

2.4 预测集的检验

本研究利用未参与校正模型构建的42 份样本组成的预测验证集对校正模型进行外部验证，以期评价小米总硒含量校正模型的预测能力。建立外部预测集小米总硒含量的化学参比值与近红外预测值的回归曲线(图3)来描述近红外外部验证模型中化学参比值和校正模型预测值之间的相关性，结果显示，预测值与化学参比值的相关系数为0.881，因此，所建立的模型可用于小米总硒含量的检测。

图3 外部预测集小米总硒质量分数化学参比值与近红外预测值回归曲线Fig.3 The regression curve between the chemical reference value of the foxtail millet selenium mass fraction and the near-infrared predicted value in the external prediction set

3 结论与讨论

采用近红外光谱分析技术建立模型可以更加高效地检测小米总硒含量。从便捷、经济、环保地实现多样品硒含量检测的角度来说，可以替代化学测定法。