稻谷直链淀粉含量的近红外光谱检测模型优化

2023-10-04毛永荣闵国春胡斌季一顺

粮食科技与经济 2023年4期

毛永荣闵国春胡斌季一顺

摘要：直链淀粉含量对大米食用品质影响较大。该研究在已完成的99份2020年安徽籼稻谷近红外光谱建模基础上，增加110份2021年安徽省籼稻谷的检测，利用TAS全校准技术，分别建立2批次稻谷及合并批次后的稻谷直链淀粉定量模型。研究结果表明：99、110、209份稻谷的直链淀粉模型预测决定系数分别为0.863、0.850、0.874。进一步构建209份稻谷样品的糙米粉直链淀粉定量模型，模型预测决定系数为0.930。经验证，209份稻谷和糙米粉直链淀粉模型的表现良好，且糙米粉直链淀粉模型表现更好。

关键词：稻谷；近红外光谱；建模

中图分类号：TS210.7 文献标志码：A DOI：10.16465/j.gste.cn431252ts.20230422

Optimization of paddy amylose content determination based on near infrared spectroscopy model

Mao Yongrong1， Min Guochun2， Hu Bin1， Ji Yishun1

（ 1. Anhui Grain And Oil products Guality Supervision And pesting Station， Hefei， Anhui 230031； 2. Liaoning Food and Strategic Reserves Service Center， Shenyang， Liaoning 110032 ）

Abstract： Amylose content has a great impact on the edible quality of rice. This study was conducted on 99 completed near-infrared spectra of Anhui indica rice grains in 2020. On the basis of modeling， an additional 110 samples of 2021 Anhui Provinces indica rice were tested， Two batches of paddy and the combined batch of paddy amylose quantitative models were established respectively by TAS full calibration technology. The results showed that the prediction coefficients of amylose model in 99， 110 and 209 paddy were 0.863， 0.850， and 0.874 respectively. We futher constructed amylose quantitative model of 209 brown rice， the prediction coefficients of amylose was 0.930. The experimental results showed that 209 paddy and brown rice flour amylose models performed stable， and brown rice flour amylose model performed better. Key words： paddy， near infrared spectroscopy， modeling

淀粉是稻米的重要組成部分，包含直链淀粉和支链淀粉，不同类型、品种的稻米中直链淀粉和支链淀粉的含量也各不相同，不同含量的直链淀粉对大米食用品质影响至关重要[1-2]。1999年，我国发布的《优质稻谷》（GB/T 17891—1999）将直链淀粉的含量列为定等指标[3]，新修订的《优质稻谷》（GB/T 17891—2017）将直链淀粉的含量列为限制指标[4]，这些都体现了直链淀粉指标的重要性。随着我国优质粮食工程中优粮优储的深入实施，亟需一种快速简便的检测方法来筛选优质储粮。较传统复杂的优质稻谷指标检测方法《大米直链淀粉含量的测定》（GB/T 15683—2008）[5]，近红外光谱法具备多指标同步检测、操作简便、节约成本等优点且应用范围广[6-7]。

目前，两组多重相关变量间的相互依赖关系的研究常采用最小二乘准则下的经典多元线性回归分析（MLR）、提取自变量组主成分的主成分回归分析（PCR）、偏最小二乘（PLS）回归等方法，偏最小二乘（PLS）回归方法是建立在主成分分析和主成分回归基础上的一种多元数据分析方法，被广泛应用于医药学、工程学等领域[8]。课题组[9]前期完成了99份2020年安徽产籼稻谷近红外光谱初步建模。为进一步提高模型的耐受性和适用性，通过倍增不同年份产稻谷样品建模数量，采集110份2021年安徽产籼稻谷，利用TAS全校准技术（该技术可以检测并校正任何由于震动、温度或光源灯变化引起的仪器变化，在不同的时间和地点都能获得一致的结果）[10]，分别建立99、110、209份稻谷样品的直链淀粉定量模型，同时建立209份稻谷样品的糙米粉直链淀粉定量模型，一方面探索不同年份产稻谷样品数量增加对模型准确性和稳定性的影响，另一方面探究稻谷样品的糙米粉建模和稻谷建模准确性高低对比情况，以期找寻一种准确性较高的模型。

1 材料与方法

1.1 材料

籼稻谷：安徽省产。

1.2 仪器与设备

2600XT-R型近红外分析仪器：美国UNITY公司。

1.3 实验设计

1.3.1 模型建立原理

對直链淀粉含量化学值和近红外光谱预测值分别进行拟合光谱处理，采用偏最小二乘法（PLS）的化学计量学方法建立数学模型，反复采用内部交叉验证剔除奇异值，通过比较样品预测值的校正标准偏差（SEC）与化学值的决定系数（R2）、交叉验证系数（R2（Cv））和交互验证的校正标准偏差（SECV）来衡量模型的质量，最终使用预测标准偏差（SEP）评价预测模型效果[9]。

1.3.2 稻谷中直链淀粉含量的化学值测定

参照《大米直链淀粉含量的测定》（GB/T 15683—2008）执行[5]。

1.3.3 稻谷中直链淀粉含量的近红外光谱测定

取适量的样品用近红外分析仪进行测定，通过漫反射方式采集样品光谱，每个样品测定2次，以2次测定的平均光谱为最终光谱。其中，采集光谱区间680～2 600 nm，准确度0.01 nm，步进式旋转扫描12次。

2 结果与分析

2.1 不同批次稻谷直链淀粉近红外模型的建立

由表1和图1可知，99份2020年安徽产籼稻谷的直链淀粉模型的预测决定系数R2为0.863，预测平均标准偏差为1.14。由表1和图2可知，110份稻谷的直链淀粉模型的预测决定系数R2为0.850，预测平均标准偏差为0.93。由表1和图3可知，合并后的209份稻谷直链淀粉模型的预测决定系数R2为0.874，预测平均标准偏差为0.91。

其中，110份稻谷和99份稻谷的直链淀粉建模表现基本一致，合并后验证集的相关性优于单独批次稻谷样品。据此，分别开展209份稻谷样品和209份稻谷样品的糙米粉样品的近红外模型验证。

2.2 稻谷直链淀粉检测及验证

以209份稻谷样品建模后，进行稻谷直链淀粉模型验证和重复性验证。

2.2.1 稻谷直链淀粉模型验证

以209份稻谷样品建模后，检测10个验证样品。同时在其他实验室另一台UNITY近红外设备上安装模型进行样品验证，结果见表2。由表2可知，本实验室稻谷模型的直链淀粉验证样品集的SEP为0.423，其他实验室稻谷模型的直链淀粉验证样品集的SEP为0.347。由图4和图5可知，验证样品近红外检测值和标准值的决定系数R2分别为0.985和0.993。总体来看，模型较为稳定。

2.2.2 稻谷样品重复性验证

随机挑选4个样品进行重复性测试，3次重新装样扫面，结果见表3。由表3可知，多次重新装样近红外检测数值波动较为平稳，重复性较好。

2.3 209份稻谷样品的糙米粉直链淀粉近红外模型的建立

基于以上实验，进一步构建209份稻谷样品的糙米粉样品的直链淀粉近红外模型。由表4和图6可知，209份糙米粉的直链淀粉模型的预测决定系数R2为0.93，预测平均标准偏差为0.69。

2.3.1 糙米粉样品重复性验证

随机挑选4个样品进行重复性测试，3次重新装样扫描，结果见表5。由表5可知，多次重新装样近红外检测数值波动较为平稳，重复性较好。

2.3.2 糙米粉样品直链淀粉模型验证

以209份稻谷的糙米粉样品建模后，检测10个验证样品。同时在其他实验室另一台UNITY近红外设备安装模型进行样品验证，结果见表6。由表6可知，本实验室稻谷模型的直链淀粉验证样品集的SEP为0.173，其他实验室稻谷模型的直链淀粉验证样品集的SEP为0.152，糙米粉模型具备普适性。