基于NIR高粱淀粉含量快检技术的开发研究

苏鹏飞，张武岗

（陕西西凤酒股份有限公司，陕西宝鸡 721400）

近年来，随着酿酒企业的快速发展和不断扩产，对酿酒原粮高粱的需求量日益增多，同时对其品质和分析效率有了更高的要求。高粱品质的控制对酿造白酒质量至关重要，而淀粉含量是酿酒企业监控高粱品质的重要质量指标，淀粉作为主要的糖化底物，经糊化、水解产生大量发酵糖类，再通过酵母菌等微生物的分解，最终产生白酒，其质量与白酒工业的经济效益直接相关[1]。实验室测定高粱淀粉含量的常规方法是酸解法，但这种方法比较复杂，费时费力，而且需要使用多种有毒有害化学试剂，不满足企业对绿色、环保的追求和对样品快速分析发展的需要。因此，亟待开发一种快速、高效以及环保的分析技术。近红外光谱技术（NIR）是近几年发展较为迅速的一种快检技术，所受关注度也越来越高，这种技术具有高效稳定、操作简便以及无污染等优点，是一种能够满足快速分析的绿色技术，已普遍应用于食品行业[2-8]。近红外光谱区的波长范围为780～2526 nm，由分子振动从基态向高能态跃迁时所产生，主要是一些含氢基团分子X-H（X：C、N、O 等）内部振动的倍频与合频吸收带[9-11]。高粱淀粉指标在近红外区可得到有效响应，将高粱样品近红外光谱图与常规方法分析的一手数据结合起来，通过相关建模软件和方法最终建立其近红外快检模型，以期实现高粱淀粉含量的快速分析，为企业提质增效提供技术支持。

1 材料与方法

1.1 材料、仪器

实验样品：西凤酒厂酿酒用高粱，共220 个建模样品，样品具有代表性。

仪器设备：FW-200AD 粉碎机，天津鑫博得仪器有限公司；ME204/02 电子天平，瑞士METTLER TOLEDO 公司；HH-S6A 电热恒温水浴锅，北京科伟永兴仪器有限公司；H22-X3电炉，杭州九阳生活电器有限公司；Antaris II 傅里叶变换近红外光谱仪、RESULT 操作软件以及TQAnalyst 光谱分析软件等，美国Thermo Fisher公司。

1.2 试验方法

1.2.1 高粱样品淀粉含量的测定

高粱样品的淀粉含量参考GB 5009.9—2016 酸水解法进行测定。重复2次，取平均值。

1.2.2 近红外光谱采集条件

在采集样品光谱前，首先检查仪器的状态，确保仪器正常且稳定时，再将提前粉碎好的高粱样品装于5 cm 的样品旋转杯中，并用压样器压紧，避免出现缝隙，然后将样品杯放置于测量池上进行测量，最后通过RESULT 光谱采集及分析软件对高粱样品进行光谱采集。光谱扫描范围为4000～10000 cm-1，扫描次数为64次，仪器分辨率为8 cm-1，以内置背景作为参比，重复2次，取平均光谱。

1.3 模型的建立与评价

样品光谱图扫描完成后，及时利用常规分析方法对其淀粉含量进行检测，并使样品的光谱图和一手数据相对应，即能够对样品的光谱信息进行赋值。同时，结合偏最小二乘法（PLS）、固定光程（Constant）、多元信号修正（MSC）、标准正则变换（SNV）、导数处理、Norris 平滑处理以及内部交叉验证法（Cross-Validation）等近红外光谱预处理方法进行建模研究。运用近红外光谱预处理方法选择最优光谱波段和建模参数，最终建立高粱淀粉含量的近红外快速分析模型。

在对模型进行评价时，通常需从内、外部两方面共同进行评价。内部评价是通过模型的相关系数（R2）、均方差（RMSEC）、交叉验证均方差（RMSECV）以及预测均方差（RMSEP）等参数来判断模型的质量。其中，R2越大以及RMSEC、RMSECV和RMSEP 值越小且相近，说明所建模型的质量越好[12-15]。外部评价是利用所建模型和常规方法分别对未参与建模的盲样进行分析，并通过分析结果的比较来评价模型的预测能力。

1.4 数据处理

采用Microsoft Office Excel 2010软件对数据进行相关计算，采用SPSS 17.0 软件对相关数据进行差异显著性分析（p＜0.05）。

2 结果与分析

2.1 高粱样品近红外光谱图

在采集高粱样品光谱前，首先要确定光谱仪的分辨率、扫描次数以及样品增益值等采集参数，确保样品光谱采集的一致性和准确性，然后按照光谱采集的最优条件和参数对高粱样品进行谱图扫描。本研究是在近红外全光谱4000～10000 cm-1范围内对高粱样品进行光谱扫描，扫描的高粱样品原始光谱如图1所示。

图1 高粱样品原始扫描光谱图

由图1 可以看出，在波数9000～10000 cm-1范围内，高粱样品吸光度较低且噪音干扰较大，不利于样品有效信息的提取，不宜选择此波段建立模型。另外，对样品原始光谱进行导数和Norris 平滑处理后（如图2 所示），光谱图变得更加精细，这样处理可以净化谱图，消除基线漂移，也可以起到一定放大和分离重叠信息的作用，利于提高样品光谱的信噪比，也利于建模过程中对光谱信息的进一步选择。

图2 二阶导数和Norris平滑处理效果图

2.2 高粱淀粉含量模型的建立

将收集到的220 个高粱样品，按照淀粉含量由低到高进行排序，然后均匀地抽取20 个样品进行RMSEP分析，剩余的200个样品作为校正集进行建模。建立模型时要确保样品的光谱图和化验值相对应，然后运用光谱预处理方法对样品光谱信息进行处理，选择最佳建模波段和方法，并通过优化检验等过程，最终建立高粱淀粉含量的近红外快检模型。

表1 和图3 分别为高粱淀粉含量建模的最优参数和模型图。由表1 和图3 可知，高粱淀粉含量的最优建模波段为8992.52～5703.68，最佳预处理方法为偏最小二乘法（PLS）、固定光程（Constant）、二阶导数以及Norris 平滑处理，在此条件下所建立的高粱淀粉含量模型相关系数最大，标准偏差最小。其中，建模集的相关系数R2为0.9752，交叉验证集的相关系数R2为0.9018，预测验证集的相关系数R2为0.9714，说明模型的线性关系较好；同时，模型的RMSEC、RMSECV和RMSEP值分别为0.207、0.389和0.211，模型内部参数值较小且相近，说明模型的质量较好。

表1 高粱淀粉含量模型参数

图3 高粱淀粉含量模型

2.3 模型的外部验证

利用模型自身参数RMSEC、RMSECV 和RMSEP 来评价一个模型的质量为内部验证法，除此之外，还应对所建模型进行外部验证，通过内、外部验证共同评价模型的质量。

另取45 个高粱样品作为盲样进行外部验证，利用所建模型和常规方法分别进行分析，得出高粱淀粉含量的预测值和真实值。通过比较预测值和真实值，得到模型预测的准确度和可靠性。

根据模型外部验证结果，如表2 所示，高粱淀粉含量模型预测的相对误差均在2%以内，平均相对误差为0.7 %，说明所建模型具有较好的预测能力。此外，为了对比两种方法分析结果的差异性，采用SPSS 软件对这45 个样品的两种方法检测结果进行差异显著性分析，结果见表3。由表3 可知，两种方法分别对样品进行分析检测时，两组检测值之间的差异显著性分析结果P 值为0.415（P＞0.05），说明两组检测值之间不存在显著性差异。因此，在实际生产中，该模型可用于高粱淀粉含量的快速检测。

表2 高粱淀粉含量模型外部验证结果

表3 两组数据差异显著性分析

3 结论

利用近红外光谱技术研究建立了高粱淀粉含量的快检模型，模型的线性关系较好，并且模型内部各参数值较小且相近，说明模型的质量较好。同时，利用所建模型和实验室常规方法分别对外部验证样品进行了分析比较，结果表明模型预测的准确度和可靠性良好，在实际生产过程中，可用于高粱淀粉含量的检测。此外，所建模型作为一个基础模型，后期还需根据实际情况不断对其进行维护和优化，确保模型预测的稳定性和准确性，以满足日常生产检测的需求。