金昌福，張　強(qiáng)，鄭先哲

(1.延邊大學(xué) 工學(xué)院，吉林 延吉　133400；2.東北農(nóng)業(yè)大學(xué) 工程學(xué)院，哈爾濱　150030)

?

貯藏稻谷霉菌菌落總數(shù)近紅外光譜預(yù)測(cè)模型

金昌福1，張強(qiáng)2，鄭先哲2

(1.延邊大學(xué) 工學(xué)院，吉林 延吉133400；2.東北農(nóng)業(yè)大學(xué) 工程學(xué)院，哈爾濱150030)

摘要：貯藏稻谷常受到霉菌和毒素的侵染會(huì)引起稻谷品質(zhì)下降，嚴(yán)重危害稻谷貯藏安全。近紅外光譜技術(shù)具備非破壞性、分析速度快、成本低、穩(wěn)定性好及污染小等優(yōu)點(diǎn)，適合于稻谷中霉菌菌落總數(shù)快速檢測(cè)。為此，構(gòu)建了基于近紅外光譜的稻谷霉菌和毒素檢測(cè)數(shù)學(xué)模型。通過模擬稻谷貯藏試驗(yàn)，建立了貯藏環(huán)境溫度和含水率對(duì)稻谷表面霉菌菌落總數(shù)影響規(guī)律的數(shù)學(xué)模型，該模型可以描述和預(yù)測(cè)稻谷表面霉菌菌落總數(shù)在貯藏倉內(nèi)的變化規(guī)律，以指導(dǎo)稻谷安全貯藏。

關(guān)鍵詞：稻谷；貯藏；霉菌；近紅外光譜

0引言

霉菌等微生物是影響稻谷安全儲(chǔ)藏的重要因素之一，稻谷微生物的活動(dòng)會(huì)使糧堆溫度迅速升高，稻谷中的有機(jī)物質(zhì)被微生物大量分解，致使稻谷霉?fàn)€、腐敗及產(chǎn)生霉、酸、腐臭等難聞的氣味，甚至成團(tuán)結(jié)塊，完全失去食用價(jià)值，造成極為嚴(yán)重的質(zhì)與量的損失，給我國稻谷產(chǎn)業(yè)造成巨大的經(jīng)濟(jì)損失[1]。因稻谷霉菌導(dǎo)致糧食減重、營養(yǎng)成分破壞和品質(zhì)下降的年綜合損失率約占稻谷總產(chǎn)量的3%以上。高靈敏度、快速檢測(cè)方法對(duì)于對(duì)稻谷中霉菌和毒素進(jìn)行準(zhǔn)確檢測(cè)和有效控制顯得尤為重要。在我國糧食及食品國家標(biāo)準(zhǔn)中，細(xì)菌和霉菌的測(cè)定還是沿用傳統(tǒng)的平板接種、培養(yǎng)、稀釋、計(jì)數(shù)的方法[2]。黃曲霉毒素B1是小分子物質(zhì)且穩(wěn)定性好，通常不會(huì)在常規(guī)的加工過程中被破壞。當(dāng)前檢測(cè)黃曲霉毒素B1方法一般為薄層層析法[3-4]、高效液相色譜法[5-6]、直接或間接酶聯(lián)免疫吸附測(cè)定方法[7-8]等。在歐美等經(jīng)濟(jì)發(fā)達(dá)國家，由于科研投入大，檢測(cè)技術(shù)研究及推廣快，細(xì)菌和霉菌的測(cè)定主要采用微生物快速檢測(cè)方法，檢測(cè)速度快、效率高。真菌毒素的檢測(cè)方法主要采用高效液相色譜、液質(zhì)聯(lián)用和酶聯(lián)免疫法[9]。近紅外光譜技術(shù)具有成本低、分析速度快、穩(wěn)定性好、污染小等優(yōu)點(diǎn)[10]。

國內(nèi)外應(yīng)用近紅外光譜技術(shù)進(jìn)行貯藏稻谷品質(zhì)無損檢測(cè)多局限于基于常規(guī)建模方法對(duì)稻谷品質(zhì)進(jìn)行檢測(cè)分析，導(dǎo)致分析模型精度不高且適用性較差。利用近紅外光譜技術(shù)定量和定性分析稻谷霉菌和毒素，首先通過透射方式采集一定數(shù)量有代表性的稻谷樣品的近紅外光譜信號(hào)，并利用國家或國際認(rèn)證的標(biāo)準(zhǔn)理化分析方法測(cè)量出其組分參考值；再把樣品分為校正集和預(yù)測(cè)集兩部分，將稻谷樣品光譜數(shù)據(jù)和濃度數(shù)據(jù)進(jìn)行預(yù)處理，包括建模樣品的挑選、異常濃度樣品的判別和剔除、異常光譜數(shù)據(jù)的判別和剔除及光譜信號(hào)預(yù)處理等；最后利用各種多元校正算法，通過校正集樣品光譜數(shù)據(jù)和利用標(biāo)準(zhǔn)方法測(cè)得的參考值建立近紅外校正模型。同時(shí)，需進(jìn)一步通過預(yù)測(cè)集的光譜信號(hào)和建立的校正模型預(yù)測(cè)出對(duì)應(yīng)的稻谷樣品組份參考值來檢驗(yàn)校正模型。如果預(yù)測(cè)標(biāo)準(zhǔn)誤差在允許范圍內(nèi)，預(yù)測(cè)相關(guān)系數(shù)滿足實(shí)際檢測(cè)要求，就輸出校正模型；否則，就要重新劃分校正集和預(yù)測(cè)集再次建立校正模型，直到達(dá)到檢測(cè)要求為止。符合實(shí)際檢測(cè)要求的近紅外校正模型可用于定量分析稻谷霉菌菌落數(shù)含量。

1材料與方法

1.1　稻谷貯藏試驗(yàn)設(shè)計(jì)

模擬稻谷實(shí)際的貯藏環(huán)境條件，進(jìn)行稻谷貯藏試驗(yàn)，采用全因素組合試驗(yàn)方法設(shè)計(jì)試驗(yàn)，選取試驗(yàn)參數(shù)范圍為：溫度取5℃(低溫貯藏)、15℃(準(zhǔn)低溫貯藏)、25℃(常溫貯藏)，初始含水率分別取10%～22% 5個(gè)等間隔(3%)水平。根據(jù)稻谷貯藏要求，確定貯藏試驗(yàn)中貯藏時(shí)間為180天，每15天取樣，測(cè)定不同貯藏環(huán)境條件下稻谷表面霉菌菌落總數(shù)。

1.2　光譜掃描試驗(yàn)設(shè)計(jì)

隨機(jī)抽取不同貯藏環(huán)境條件和不同貯藏時(shí)間的121個(gè)樣本作為研究對(duì)象，以保證稻谷表面霉菌菌落總數(shù)具有一定的濃度梯度，將建模集樣品依次編號(hào)并分為兩部分。本文考慮到校正集和驗(yàn)證集樣品的濃度代表性，采用含量梯度法抽取其中31組樣品作為預(yù)測(cè)集樣品，剩余的90組樣品作為校正集樣品，二者比例約為1:3；再對(duì)校正集和預(yù)測(cè)集樣品重新進(jìn)行編號(hào)，利用校正集樣品光譜數(shù)據(jù)和霉菌菌落總數(shù)數(shù)據(jù)建立近紅外光譜預(yù)測(cè)模型，利用預(yù)測(cè)集樣品光譜數(shù)據(jù)和霉菌菌落數(shù)據(jù)對(duì)所建校正模型穩(wěn)定性和可靠性進(jìn)行驗(yàn)證。

將稻谷樣品放入試樣杯中，在ZX-888近紅外臺(tái)式光譜分析儀上進(jìn)行光譜掃描，樣品池為光程為13mm的石英試樣杯。根據(jù)試驗(yàn)結(jié)果，試驗(yàn)條件選擇為：波長(zhǎng)范圍918～1 045nm，分辨率為8cm-1，每個(gè)樣品掃描5次，求掃描5次的平均值，所得光譜數(shù)據(jù)以文本的形式存入計(jì)算機(jī)內(nèi)。

2結(jié)果與討論

2.1 微波稻谷貯藏期間霉菌菌落總數(shù)的變化

圖1為稻谷貯藏期間(180天)表面霉菌菌落總數(shù)與貯藏溫度、含水率、貯藏時(shí)間的關(guān)系。

圖1　貯藏條件對(duì)稻谷表面霉菌菌落總數(shù)的影響

由圖1可知：含水率為10%和13%時(shí)，霉菌菌落總數(shù)隨貯藏時(shí)間延長(zhǎng)變化不顯著；當(dāng)含水率低于13%時(shí)，可實(shí)現(xiàn)稻谷安全貯藏；當(dāng)含水率超過16%時(shí)，霉菌菌落總數(shù)隨貯藏時(shí)間延長(zhǎng)變化顯著。這是因?yàn)楹食^16%稻谷樣品霉菌生理活動(dòng)旺盛，在溫度和水分的作用下，霉菌菌落總數(shù)增加顯著。貯藏溫度對(duì)霉菌菌落總數(shù)影響顯著，溫度低(5℃)，霉菌菌落總數(shù)增長(zhǎng)緩慢；但當(dāng)含水率超過16%時(shí)，霉菌菌落總數(shù)增長(zhǎng)較快。

2.2　稻谷中霉菌的近紅外光譜圖

圖2為感染霉菌稻谷樣品近紅外光譜圖。

圖2　感染霉菌稻谷樣品近紅外光譜圖

由圖2可知：雖然稻谷樣品霉菌感染量不同，但其大部分圖譜結(jié)構(gòu)相似。這是因?yàn)楦鱾€(gè)樣品的化學(xué)成分種類基本相同，圖2中，樣品在12個(gè)波長(zhǎng)點(diǎn)處的吸光度有差異，表明近紅外光譜能夠反映樣品間化學(xué)成分的差異。每一個(gè)波長(zhǎng)點(diǎn)的吸光值可能是多類霉菌吸收的共同作用結(jié)果，確定稻谷表面霉菌菌落特征近紅外光譜譜帶就可以對(duì)霉菌菌落總數(shù)進(jìn)行分析預(yù)測(cè)，需要利用918～1 045nm波長(zhǎng)范圍內(nèi)所包含的光譜信息，運(yùn)用化學(xué)計(jì)量學(xué)方法建立校正模型。在近紅外區(qū)域，不同基團(tuán)產(chǎn)生的光譜在各吸收峰位強(qiáng)度上有差異，其光譜特征也隨著樣品組分含量發(fā)生變化。根據(jù)前期研究提供的稻谷表面霉菌菌落總數(shù)參考數(shù)據(jù)，選擇合適的化學(xué)計(jì)量學(xué)方法，可建立樣品光譜信息和霉菌菌落總數(shù)間的近紅外檢測(cè)數(shù)學(xué)模型。

在近紅外光譜分析儀上采集到的稻谷樣本光譜數(shù)據(jù)如表1所示。其中，x1、x2、x3、x4、x5、x6、x7、x8、x9、x10、x11和x12分別代表稻谷樣品在波長(zhǎng)點(diǎn)918、928、940、950、968、975、985、998、1 010、1 023、1 037、1 045nm處的光譜吸收數(shù)據(jù)(因論文篇幅限制，只列出了1～21號(hào)樣品光譜數(shù)據(jù))，如表1所示。

表1　感染霉菌稻谷樣品光譜數(shù)據(jù)

貯藏稻谷樣品在采用異常樣本判別和剔除算法處理后，校正決定系數(shù)和交叉驗(yàn)證決定系數(shù)較未處理有所提高，最高為0.766，但是相關(guān)系數(shù)在0.950以上才能滿足農(nóng)產(chǎn)品檢測(cè)要求。因此，有必要通過多元線性回歸方法對(duì)所建校正模型進(jìn)一步優(yōu)化，并通過驗(yàn)證集檢驗(yàn)所建近紅外檢測(cè)模型精度和可靠性。

2.3　貯藏稻谷表面霉菌菌落總數(shù)近紅外檢測(cè)模型優(yōu)化

多元線性回歸分析一般用于研究一個(gè)因變量和多個(gè)自變量之間的回歸問題，在光譜定量分析中，常用于解決光譜信息和待測(cè)樣品濃度之間定量關(guān)聯(lián)關(guān)系的問題。多組分化學(xué)計(jì)量學(xué)測(cè)量模型的一般表達(dá)式為

Yn×k=Xn×mBm×k+En×k

(1)

其中，Y為校正集濃度矩陣；X為校正集光譜信號(hào)矩陣；B為回歸系數(shù)矩陣；E為測(cè)量誤差矩陣。

選擇好待測(cè)樣品的特征光譜吸收波長(zhǎng)并知道待測(cè)樣品濃度，就可以建立多元線性回歸校正模型；而逐步回歸算法逐步引入對(duì)所建模型顯著的自變量，可以對(duì)所建模型尋優(yōu)。通過多元線性回歸算法和逐步回歸算法建立近紅外光譜定量分析模型的優(yōu)勢(shì)在于可以選擇較少的光譜波長(zhǎng)點(diǎn)參數(shù)進(jìn)行建模，可以對(duì)近紅外檢測(cè)模型進(jìn)行優(yōu)化。本文比較兩種算法所建回歸模型的校正決定系數(shù)，進(jìn)而確定貯藏稻谷表面霉菌菌落總數(shù)近紅外檢測(cè)最優(yōu)模型。

對(duì)表1中光譜數(shù)據(jù)進(jìn)行處理，霉菌菌落總數(shù)與12個(gè)波長(zhǎng)下的吸光度的分析數(shù)據(jù)結(jié)果如表2所示，多元線性回歸方差分析結(jié)果如表3和表4所示。

表2　貯藏稻谷表面霉菌菌落總數(shù)與近紅外光譜數(shù)據(jù)的多元線性回歸分析結(jié)果

P<0.05表示該項(xiàng)顯著；P<0.01表示極顯著。

表3　多元線性回歸方程的方差分析結(jié)果

P<0.01表示極顯著。

表4多元線性回歸方程的模型可信度

Table 4The results of variance analysis of multiple linear regression equation

RR2調(diào)整R2標(biāo)準(zhǔn)估計(jì)誤差0.9710.9430.93526327.309

由表2可知：除了常數(shù)項(xiàng)、x6項(xiàng)、x8項(xiàng)、x12項(xiàng)外，各項(xiàng)回歸系數(shù)檢驗(yàn)都在不同程度上顯著，則將不顯著項(xiàng)剔除而有回歸方程為

y=629269x1-180813x2-256448x3+

185177x4+197119x5+459748x7+

279345x9-516552x10-866414x11

(2)

其中，y為稻谷表面霉菌菌落總數(shù)；x1～x12為特征波長(zhǎng)(918、928、940、950、968、975、985、998、1 010、1 023、1 037、1 045nm)的吸光度值。由表3可知：該回歸方程的自由度為12，F(xiàn)值為108.063，大于F值的臨界值，而P值小于0.000 1，因此該模型是極顯著的。由表4可知：根據(jù)多元線性回歸方法得出的回歸方程的R2值為0.943，說明12個(gè)波長(zhǎng)點(diǎn)的吸光度值決定了94.3%的霉菌菌落總數(shù)，而且回歸方程R2值高于逐步回歸算法分析結(jié)果。因此，利用多元線性回歸建立校正模型效果良好，可以用于快速檢測(cè)稻谷表面霉菌菌落總數(shù)。

利用多元線性回歸方法優(yōu)化建立的校正模型，對(duì)預(yù)測(cè)集的31個(gè)稻谷樣品的霉菌菌落總數(shù)進(jìn)行預(yù)測(cè)，考察校正模型的預(yù)測(cè)精度和穩(wěn)健性。參考值與預(yù)測(cè)值的相關(guān)性如圖3所示。

圖3　貯藏稻谷表面霉菌菌落總數(shù)實(shí)際值和預(yù)測(cè)值比較

Y=1.2717X-9030.2

(3)

由圖3可知：在剔除異常貯藏稻谷樣品的前提下，選擇多元線性回歸算法建立校正模型，所得模型驗(yàn)證預(yù)測(cè)值與化學(xué)值的驗(yàn)證決定系數(shù)為0.897，預(yù)測(cè)標(biāo)準(zhǔn)差RMSEP為33393，殘差平均值為173，預(yù)測(cè)精度滿足農(nóng)產(chǎn)品檢測(cè)精度要求，所建立的近紅外預(yù)測(cè)模型是穩(wěn)健的。

3結(jié)論

1)稻谷貯藏試驗(yàn)結(jié)果表明：貯藏環(huán)境溫度和含水率對(duì)稻谷表面霉菌菌落總數(shù)變化影響顯著；所建數(shù)學(xué)模型可以描述和預(yù)測(cè)稻谷表面霉菌菌落總數(shù)在貯藏倉內(nèi)的變化規(guī)律，指導(dǎo)稻谷安全貯藏；貯藏稻谷樣品黃曲霉毒素B1參考值數(shù)據(jù)服從正態(tài)分布。

2)利用多元線性回歸和逐步回歸算法，建立貯藏稻谷表面霉菌菌落總數(shù)近紅外檢測(cè)模型。結(jié)果表明：利用多元線性回歸算法結(jié)合近紅外光譜分析技術(shù)，可以用于快速檢測(cè)稻谷表面菌落總數(shù)。

參考文獻(xiàn)：

[1]李振全．儲(chǔ)糧危害性霉菌在不同生理狀態(tài)下的微生物活性值變化研究[D]．鄭州：河南工業(yè)大學(xué)，2007．

[2]周建新，張瑞，王璐，等．儲(chǔ)藏溫度對(duì)稻谷微生物和脂肪酸值的影響研究[J]．中國糧油學(xué)報(bào)，2011，26(1)：92-95．

[3]中華人民共和國衛(wèi)生部．GB/T 5009．22—2003食品中黃曲霉毒素B1的測(cè)定[S].北京:中國標(biāo)準(zhǔn)出版社，2004.

[4]魏文忠，梁艷紅，馬紅峰，等．糧食中真菌毒素檢測(cè)技術(shù)研究進(jìn)展[J]．糧油食品科技，2012，20(2)：37-39．

[5]楊秋慧，周宏博，李群偉．糧食中黃綠青霉素的高效液相色譜法檢測(cè)[J]．中國地方病學(xué)雜志，1999，2(18)：1-4．

[6]楊琳，張宇昊，馬良.高效液相色譜法同時(shí)檢測(cè)糧谷中的黃曲霉毒素和赭曲霉毒素[J]．食品科學(xué)，2010，31(24)：250-254．

[7]劉嵐．糧油食品中黃曲霉素檢測(cè)方法[J]．農(nóng)產(chǎn)品加工，2010(4)：66-67．

[8]何學(xué)超，馮永建，郭道林，等．黃曲霉毒素液相色譜法檢測(cè)技術(shù)比較分析[J]．糧食儲(chǔ)藏，2008(5)：36-40．

[9]陳福生，羅信昌，周啟，等．酶聯(lián)免疫吸附法快速檢測(cè)儲(chǔ)存糧食中的污染曲霉[J]．中國糧油學(xué)報(bào)，1999，14(1)：51-54．

[10]Fernandez-Ibaez V，Soldado A，Martinez-Fernaaneza，et al．Application of near infrared spectroscopy for rapid detection of aflatoxin B1 in maize and barley as analytical quality assessment[J]．Food Chemistry，2009，113：629-634.

Near Infrared Spectroscopy Forecasting Model of the Total Number Storage Rice Mould

Jin Changfu1， Zhang Qiang2， Zheng Xianzhe2

(1.College of Engineering, Yanbian University，Yanji 133400, China; 2.College of Engineering, Northeast Agricultual University,Harbin 150030, China)

Abstract：The storage paddy rice is often influenced by microorganism. In particular, the infection of the typical mould may destroy the paddy rice quality, seriously endangering the safety of the paddy rice storage. The mathematical model for the detection of the paddy rice mould was established by using the near infrared spectroscopy. According to the test of paddy rice storage simulation, the mathematical model of the influences of the storage environment, temperature and water content on the total number of moulds of the paddy rice surface was established. This model could describe and predict the changing rule of the total number of moulds of the paddy rice surface in the storage bin and guide the safe storage of the paddy rice.

Key words：paddy rice; storage; mould; near-infrared spectroscopy

中圖分類號(hào)：S123

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-188X(2016)10-0160-05

作者簡(jiǎn)介：金昌福(1969-)，男(朝鮮族)，吉林龍井人，副教授，博士，(E-mail)jincf9@163.com。

基金項(xiàng)目：“十二五”國家科技支撐計(jì)劃項(xiàng)目(2012BAK08B04)

收稿日期：2015-09-07