張艷哲，于　潔，王　磊，王彥宇，劉成海，鄭先哲

(東北農(nóng)業(yè)大學(xué) 工程學(xué)院，哈爾濱　150030)

?

基于近紅外光譜的活性米品質(zhì)檢測(cè)研究

張艷哲，于潔，王磊，王彥宇，劉成海，鄭先哲

(東北農(nóng)業(yè)大學(xué) 工程學(xué)院，哈爾濱150030)

摘要：選取105份具有代表性的活性米樣品，研究光譜范圍在918～1 045nm內(nèi)12個(gè)波長(zhǎng)點(diǎn)的近紅外反射光譜與其品質(zhì)的相關(guān)性。利用近紅外光譜技術(shù)和多元線性回歸、主成分回歸和偏最小二乘法3種校正方法對(duì)活性米中γ-氨基丁酸、水分、蛋白質(zhì)、淀粉、明度值、紅度值及黃度值進(jìn)行定量分析；選出最優(yōu)校正模型，模型的預(yù)測(cè)決定系數(shù)分別為0.903、0.964、0.953、0.951、0.949、0.961、0.916，預(yù)測(cè)標(biāo)準(zhǔn)偏差分別為0.598、1.367、1.367、2.688、0.996、50.144、0.952。研究結(jié)果表明：應(yīng)用近紅外光譜技術(shù)檢測(cè)活性米品質(zhì)是可行性的。

關(guān)鍵詞：活性米；品質(zhì)；近紅外光譜；化學(xué)計(jì)量學(xué)

0引言

活性米是糙米在適宜環(huán)境條件下發(fā)芽至適當(dāng)芽長(zhǎng)的芽體，其營(yíng)養(yǎng)價(jià)值與糙米和精白米相比大大增加[1]。γ-氨基丁酸(GABA，又名氨絡(luò)酸)是活性米的特征品質(zhì)，含量是糙米的3倍、大米的10倍[2-3]；淀粉是活性米中的第一大主要成分，主要為消費(fèi)者提供能量來(lái)源；蛋白質(zhì)提供了人體所需的必需氨基酸；活性米中還含有維生素、礦物質(zhì)、膳食纖維、六磷酸肌醇和γ-谷維素等營(yíng)養(yǎng)成分?；钚悦滓蚱涮赜械母郀I(yíng)養(yǎng)價(jià)值引起了國(guó)內(nèi)外越來(lái)越多研究者的關(guān)注。

稻谷品質(zhì)檢測(cè)方法主要有熒光掃描圖譜法、化學(xué)特定鑒定法及儀器測(cè)量法等，這些鑒別方法存在著檢測(cè)周期長(zhǎng)、鑒別成本高、缺乏穩(wěn)定性等不足[4]。近紅外光譜(near infrared spectroscopy，NIR)是一種快速、無(wú)損的分析方法，在進(jìn)行稻谷品質(zhì)測(cè)試時(shí)具有快捷、簡(jiǎn)便、成本低、無(wú)破損和便于在線檢測(cè)的特點(diǎn)[5]。近紅外光是指波長(zhǎng)介于可見光區(qū)與中紅外區(qū)之間的電磁波，近紅外光譜區(qū)域的波長(zhǎng)范圍為780 ～2 526nm，波數(shù)范圍約為12 820～3 958cm-1，近紅外光譜區(qū)包括近紅外短波區(qū)(780～1 100 nm)和 近紅外長(zhǎng)波區(qū)(1 100～2 526nm)。圖1為近紅外光譜波長(zhǎng)范圍。

近紅外光區(qū)的吸收帶主要是由低能電子躍遷、含氫原子團(tuán)(如N-H、O-H、C-H、S-H等)伸縮振動(dòng)的倍頻及合頻吸收信息?；钚悦字械慕M成成分(如蛋白質(zhì)、淀粉、GABA等)含有不同的近紅外活性分子，它們的倍頻和合頻的振動(dòng)頻率不同，近紅外圖譜的峰位、峰數(shù)及峰強(qiáng)也是不同的。樣品化學(xué)差異越大，則圖譜的特征性差異越強(qiáng)，據(jù)此可以應(yīng)用NIRS結(jié)合不同的建模方法對(duì)這些組分進(jìn)行定性或定量的分析[6-9]。Takuma Genkawa等對(duì)糙米近紅外光譜進(jìn)行二階導(dǎo)數(shù)處理，建立了游離脂肪酸的回歸模型[10]。張斌等對(duì)光譜數(shù)據(jù)預(yù)處理，研究了精米氨基酸含量的近紅外定標(biāo)模型，所建模型具有較高的精度[11]。徐彥利用近紅外光譜技術(shù)結(jié)合辨別分析法建立秈稻新陳度定性分析模型，判別正確率為96.7%[12]。活性米的營(yíng)養(yǎng)與精米不同，NIRS本身對(duì)分析對(duì)象的特征有很強(qiáng)的依賴性，因而分析模型在不同稻谷產(chǎn)品間的適應(yīng)性較差，需要針對(duì)性強(qiáng)地展開活性米產(chǎn)品的建模分析。目前，關(guān)于用NIRS的方法研究活性米品質(zhì)檢測(cè)的報(bào)道甚少，因此，建立活性米品質(zhì)的NIRS快速檢測(cè)方法對(duì)監(jiān)測(cè)活性米的質(zhì)量與安全是非常必要，也具有重要應(yīng)用價(jià)值。

本研究在近紅外短波區(qū)域內(nèi)，嘗試?yán)肗IRS結(jié)合3種化學(xué)計(jì)量學(xué)分析方法，建立精確的γ-氨基丁酸、水分、蛋白質(zhì)、淀粉、明度值(L*)、紅度值(a*)、黃度值(b*)的紅外光譜最佳校正模型，并用外部樣品對(duì)建立校正模型預(yù)測(cè)精度和穩(wěn)定性進(jìn)行驗(yàn)證。

圖1　近紅外光譜波長(zhǎng)范圍

1材料與方法

1.1　試驗(yàn)原料

活性米于2014年9月15日購(gòu)自黑龍江省哈爾濱市阿城區(qū)金都米業(yè)公司。

1.2　試驗(yàn)設(shè)備

本試驗(yàn)所用儀器設(shè)備有：ZX-888型近紅外臺(tái)式谷物、食品、乳制品分析儀，美國(guó)奧斯博國(guó)際有限公司；LAMBDA35 型紫外-可見分光光度計(jì)，美國(guó) Perkin Elmer 公司；KN680型自動(dòng)凱氏定氮儀，上海長(zhǎng)方光學(xué)儀器有限公司；WXG-4型旋光儀，上海長(zhǎng)方光學(xué)儀器有限公司；DC-P3型全自動(dòng)測(cè)色色差計(jì)，北京市興光測(cè)色儀器公司；WD800 型LG 微波爐，天津樂金電子電器有限公司。

1.3　試驗(yàn)設(shè)計(jì)

1.3.1活性米樣品制備

活性米用保鮮袋包裝后貯藏于4 ℃的冰箱中。試驗(yàn)時(shí)，取出待測(cè)樣品后置于室溫(約25 ℃)中30 min，使樣品表面水分充分揮發(fā)，以減小在采集光譜信息時(shí)引起的誤差，然后將樣品進(jìn)行微波干燥處理(微波強(qiáng)度為3W/g)；選取不同含水率的活性米樣本105份進(jìn)行光譜采集，其中3/4作為校正集，1/4作為驗(yàn)證集；再經(jīng)高速粉碎機(jī)粉碎，過(guò)60目篩，粉碎的樣品保存于密封鋁制干燥皿中，備用。

1.3.2光譜掃描

試驗(yàn)采用ZX-888近紅外臺(tái)式谷物、食品、乳制品分析儀進(jìn)行活性米近紅外光譜測(cè)定。測(cè)定方法如下：開機(jī)預(yù)熱30min 后，首先進(jìn)行背景掃描，以消除背景對(duì)光譜信息的影響；接下來(lái)，按活性米樣品編號(hào)次序，將樣品放入石英試樣杯中進(jìn)行光譜掃描。另外，為了減少人為誤差，每次操作前搖勻并保證樣品在試樣杯中高度一致。儀器參數(shù)設(shè)定如下：測(cè)量譜區(qū)范圍為918～1 045nm的12個(gè)波長(zhǎng)點(diǎn)(918、928、940、950、968、975、985、998、1 010、1 023、1 037、1 045nm)，波長(zhǎng)間隔為10nm左右，分辨率為8 cm-1，石英試樣杯光程為13mm，采樣點(diǎn)為1 260，用系統(tǒng)配套軟件ZX-888 Calibration Software實(shí)時(shí)采集反射光譜，對(duì)每份樣品重復(fù)掃描5次，取平均值作為最終測(cè)量結(jié)果。光譜掃描結(jié)束后，對(duì)活性米樣品進(jìn)行理化值測(cè)定。

1.3.3參考值測(cè)定

活性米中GABA的測(cè)定采用紫外分光光度法；水分含量參照GB 5009.3-2010中105 ℃恒重法測(cè)定；蛋白質(zhì)參照GB 5009.5-2010凱氏定氮法測(cè)定；淀粉采用旋光法測(cè)定；色度采用DC-P3型全自動(dòng)測(cè)色色差計(jì)測(cè)定，每個(gè)樣品做3個(gè)平行，取平均值。

1.3.4異常樣品辨別

在近紅外建模分析過(guò)程中，出現(xiàn)異常樣品是不可避免的，異常樣品的存在影響校正模型的預(yù)測(cè)能力。因此，必須將其從建模集中剔除。本試驗(yàn)采用多元線性回歸法和預(yù)測(cè)濃度殘差的F統(tǒng)計(jì)顯著性檢驗(yàn)方法來(lái)辨別濃度異常樣品。

1.3.5建模及評(píng)價(jià)方法

校正模型的建立是近紅外光譜分析的核心技術(shù)之一。建立校正模型后，只需將驗(yàn)證集樣品的光譜值帶入模型便可預(yù)測(cè)相應(yīng)成分含量。本文通過(guò)The Unscrambler X 10.3光譜分析軟件，利用多元線性回歸(MLR)、主成分回歸(PCR)和偏最小二乘回歸(PLSR)3種模型建立活性米品質(zhì)的校正模型。

試驗(yàn)中，以校正集決定系數(shù)Rc2、驗(yàn)證決定系數(shù)Rv2、校正標(biāo)準(zhǔn)偏差RMSEc和驗(yàn)證標(biāo)準(zhǔn)差RMSEv來(lái)綜合評(píng)價(jià)模型的預(yù)測(cè)精度和可靠性，最后通過(guò)外部驗(yàn)證考察模型的準(zhǔn)確性和適用性。當(dāng)決定系數(shù)越趨近于1.00，表明模型的相關(guān)性越好；當(dāng)標(biāo)準(zhǔn)偏差越趨近于0，表明模型的預(yù)測(cè)值與真實(shí)值之間的差值越小[13]。

2結(jié)果與分析

2.1　理化分析結(jié)果

采用現(xiàn)行我國(guó)國(guó)家標(biāo)準(zhǔn)檢測(cè)方法測(cè)定了活性米中GABA、水分、蛋白質(zhì)、淀粉、L*值、a*值和b*值的含量并進(jìn)行統(tǒng)計(jì)分析，樣品集各建模組分測(cè)定值的分析結(jié)果見表1所示。

表1　活性米品質(zhì)指標(biāo)分析結(jié)果

由表1可知：活性米中GABA、水分、淀粉、L*值、a*值、b*值的分布范圍相對(duì)較大，微波干燥對(duì)樣品品質(zhì)含量影響較大，微波干燥處理后的樣品可以代表活性米的特性范圍。蛋白質(zhì)的變化范圍相對(duì)較小，微波干燥對(duì)樣品蛋白質(zhì)含量影響較小。通過(guò)數(shù)據(jù)統(tǒng)計(jì)，活性米品質(zhì)指標(biāo)GABA、水分、蛋白質(zhì)、淀粉、表面L*值、a*值和b*值的頻數(shù)分布如圖2所示。

圖2　樣品中各成分的頻數(shù)分布

由圖2可知：GABA、蛋白質(zhì)、淀粉、L*值、a*值、b*值呈明顯的正態(tài)分布，而水分的頻數(shù)分布圖的左右兩側(cè)呈正態(tài)分布，其原因?yàn)榛钚悦椎奈⒉ǜ稍镞^(guò)程分為3個(gè)階段，分別為預(yù)干燥階段、恒速干燥階段和降速干燥階段：在預(yù)干燥階段，物料含水量高, 對(duì)微波能的吸收能力較強(qiáng)，溫度快速上升，失水速率增大；恒速干燥階段的時(shí)間較長(zhǎng)，活性米失水過(guò)程絕大部分處于這一階段；降速干燥階段的時(shí)間較短，物料含水率很低，水分下降逐漸減慢?；钚悦讟悠肪哂辛己玫拇硇裕軌驖M足近紅外校正模型建模條件。

2.2　活性米的特征光譜分析

105份活性米樣品的典型近紅外光譜曲線如圖3所示。從圖3可以看出：在近紅外光照射下，樣品的光譜大致趨勢(shì)一致；12個(gè)不同的波長(zhǎng)處的各樣品具有不同的吸收峰，表明NIRS能夠反映樣品各成分含量的差異性。在740～1 080nm譜區(qū)，主要為C-H、N-H、O-H基團(tuán)的三級(jí)和四級(jí)倍頻峰，活性米中淀粉和蛋白質(zhì)等有機(jī)成分含有大量的C-H、O-H、N-H基團(tuán)[14]。因此，活性米的信息在近紅外光譜間內(nèi)存在大量的相關(guān)性，這會(huì)造成一定量的信息冗余，降低模型的預(yù)測(cè)能力。不難發(fā)現(xiàn)，在波長(zhǎng)為950、968、975、998nm附近出現(xiàn)了活性米的特征波峰和波谷，但光譜的重疊較為嚴(yán)重，精確定量很困難，因此需要運(yùn)用化學(xué)計(jì)量學(xué)方法進(jìn)一步研究。

圖3　105份活性米樣本原始光譜圖

2.3　異常樣品判別

應(yīng)用MLR方法和預(yù)測(cè)濃度殘差的F統(tǒng)計(jì)顯著性檢驗(yàn)法來(lái)辨別濃度異常樣品，結(jié)果如表2所示。異常的活性米樣品剔除后，MLR定量模型的校正決定系數(shù)Rc2和交叉驗(yàn)證決定系數(shù)Rv2均有提高，校正標(biāo)準(zhǔn)差RMSEc和交叉驗(yàn)證標(biāo)準(zhǔn)差RMSEv有明顯降低，模型得到了優(yōu)化。為了建立最優(yōu)校正模型，有必要對(duì)多種化學(xué)計(jì)量學(xué)方法的建模結(jié)果進(jìn)行分析對(duì)比，以優(yōu)選出預(yù)測(cè)能力最強(qiáng)的校正模型。

表2　異常樣品剔除前后MLR定量模型的校正和交互驗(yàn)證結(jié)果

續(xù)表2

2.4　校正模型的建立與驗(yàn)證

剔除樣品后，將75%的樣品進(jìn)行建模，25%的樣品作為預(yù)測(cè)模型的外部驗(yàn)證。本文利用MLR、PCR和PLSR3種建模方法進(jìn)行分析對(duì)比，如圖4所示。其橫坐標(biāo)為活性米的品質(zhì)GABA、水分、蛋白質(zhì)、淀粉、L*值、a*值、b*值。從圖4中可以看出：利用MLR分析的方法建立的校正模型最優(yōu)，近紅外校正模型的Rc2分別為0.903、0.964、0.953、0.951、0.949、0.961、0.916；RMSEc分別為0.598、1.367、1.367、2.688、0.996、50.144、0.952。

圖4　不同建模方法的建模結(jié)果

利用以建立的MLR模型對(duì)驗(yàn)證集樣品進(jìn)行驗(yàn)證，Rv2分別為0.951、0.931、0.954、0.964、0.937、0.958、0.912，RMSEv分別為0.168、1.367、0.023、2.688、0.578、33.70、0.243。模型沒有出現(xiàn)過(guò)擬合或擬合不足的情況。

R2是判斷模型精確度和穩(wěn)定性的重要標(biāo)準(zhǔn)，R2在0.92～0.96的范圍內(nèi)模型精確度高、穩(wěn)定性好；R2在0.66～0.81的范圍內(nèi)模型是可以接受[15]。試驗(yàn)結(jié)果表明：在918～1045nm譜區(qū)所建模型對(duì)樣品品質(zhì)的定量檢測(cè)效果較理想。

3結(jié)論

本研究利用近紅外光譜技術(shù)預(yù)測(cè)活性米的各項(xiàng)品質(zhì)，采用MLR方法結(jié)合濃度殘差的F檢驗(yàn)方法成功剔除異常樣品，有效提高了模型預(yù)測(cè)能力。通過(guò)比較MLR、PCR、PLSR方法的建模結(jié)果，建立了活性米品質(zhì)的最優(yōu)近紅外光譜定量模型，校正集和驗(yàn)證集的決定系數(shù)均在0.9以上。

試驗(yàn)結(jié)果表明：應(yīng)用近紅外光譜技術(shù)結(jié)合MLR法建立的模型能夠有效地預(yù)測(cè)活性米的品質(zhì)，預(yù)測(cè)能力和精度較高，可為活性米品質(zhì)的非破壞性等級(jí)檢測(cè)提供方法和依據(jù)。

參考文獻(xiàn)：

[1]H.Y.Kim,I.G.Hwang,T.M.Kim.Chemical and functional components in different part of rough rice before and after germination[J].Food Chemistry,2012,13(4):288-299.

[2]孟春玲,孟慶虹,張守文.發(fā)芽糙米的營(yíng)養(yǎng)功能和進(jìn)一步開發(fā)應(yīng)用[J].中國(guó)食品添加劑,2014,3(5):156-160.

[3]Kayahara H.Health and nutritional quality of pre- germinated brown rice[J].In 10th International Flavor Conference,2000(5):546 -551.

[4]謝新華,肖昕,李曉方.糙米蛋白質(zhì)含量的近紅外透射光譜分析[J].食品工業(yè)科技,2004,25(2):142-143.

[5]P.Sirisomboon,A.Kaewkuptong,P.Study on the evalua tion of the dry rubber content of field and concent of field and concentrated latex of Para rubber by diffuse reflectance near infrared spectros copy [J].Near Infrared Spectros,2013,21(4):81-88.

[6]Kannapot Kaewsorn,Panmanas Sirisomboon.Study on evaluation of gamma oryzanol of germinated brown rice by near infrared spectroscopy[J].Journal of In novation Optical Health Sciences,2014,7(4):2-9.

[7]劉發(fā)龍,馬新剛,程福銀,等.近紅外光譜分析技術(shù)在分析上的應(yīng)用[J].分析測(cè)試技術(shù)與儀器,2008(4):241-247.

[8]Alampress C,Casale M,Sinelli N,et al.Detection of minced beef adulteration with turkey meat by UV-vis, NIR and MIR spectroscopy[J].LWT-Food Science and Technology,2013,53(1):225.

[9]孫小超,吳靜珠,徐云.近紅外光譜分析技術(shù)及其在現(xiàn)代農(nóng)業(yè)中的應(yīng)用[M].北京:電子工業(yè)出版社,2012.

[10]Takuma Genkawa, Tofael Ahamed,Ryozo Noguchi,et al.Simple and rapid determination of free fatty acids in brown rice by FTIR spectroscopy in conj unction with a second-derivative treatment[J].Food Chemistry,2015(2):10.

[11]張斌,吳建國(guó).稻米氨基酸含量的近紅外定標(biāo)模型的創(chuàng)建及應(yīng)用[D].杭州:浙江大學(xué),2011.

[12]徐彥.近紅外光譜技術(shù)快速檢測(cè)秈稻主要成分及新陳度的研究[D].長(zhǎng)沙:中南林業(yè)科技大學(xué),2011.

[13]趙峰,林河通,楊江帆.基于近紅外光譜的武夷巖茶品質(zhì)成分在線檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2014,30 (2):269-277.

[14]陳雪英.近紅外光譜快速測(cè)定紅花逆流提取過(guò)程中羥基紅花黃色素A的含量[J].分析化學(xué)研究報(bào)告，2009,37(10):1451-1456.

[15]P.Williams.Near-infrared Technology Getting the Best Out of Light[J].PDK Projects,2007(3):62-69.

Determination of Quality in Germinated Brown Rice Based on Near-infrared Spectroscopy

Zhang Yanzhe, Yu Jie, Wang Lei, Wang Yanyu, Liu Chenghai, Zheng Xianzhe

(College of Engineering, Northeast Agricultural University, Harbin 150030, China)

Abstract：Selection of 105 representative active meters sample, the spectral 12 points within the range of 918～1045nm band correlation of near infrared spectral reflectance and its quality.Based on the near infrared spectrum data from the desktop grain analyzer for multiple linear regression ,Principal component regression and partial least squares calibration model results are compared to establish activity γ-aminobutyric acid, water ,protein, starch ,lightness value degree ,red value degree ,yellow value degree value best correction model of near infrared spectrum, forecasts determine coefficient were 0.903,0.964,0.953,0.951,0.949,0.961,0.916,the predicted standard deviation were 0.598,1.367, 1.367, 2.688, 0.996, 50.144, 0.952.Test results show that application of near infrared spectroscopy detection activity of rice quality is feasible.

Key words：germinated brown rice; quality; near infrared spectroscopy; chemometrics method

中圖分類號(hào)：S123

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-188X(2016)08-0141-05

作者簡(jiǎn)介：張艷哲(1989-)，女，哈爾濱人，碩士研究生，(E-mail)zhangyanzhe321@163.com。通訊作者：鄭先哲(1968-)，男，吉林德惠人，教授，博士生導(dǎo)師。

基金項(xiàng)目：國(guó)家公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(201403063)

收稿日期：2015-07-24