錢麗麗,宋雪健,張東杰,*,左 鋒,趙海燕,鹿保鑫,遲曉星
近紅外光譜技術(shù)快速鑒別查哈陽(yáng)大米
錢麗麗1,宋雪健1,張東杰1,*,左 鋒1,趙海燕2,鹿保鑫1,遲曉星1
(1.黑龍江八一農(nóng)墾大學(xué)食品學(xué)院,黑龍江 大慶 163319;2.青島農(nóng)業(yè)大學(xué)食品科學(xué)與工程學(xué)院,山東 青島 266109)
查哈陽(yáng)大米為黑龍江特色品牌大米,為保護(hù)查哈陽(yáng)大米品牌,實(shí)現(xiàn)查哈陽(yáng)大米原產(chǎn)地快速真?zhèn)舞b別。通過(guò)構(gòu)建不同地域和品種水稻試驗(yàn)田,收獲期內(nèi)對(duì)試驗(yàn)田大米的近紅外光譜進(jìn)行全波長(zhǎng)掃描,篩選與產(chǎn)地相關(guān)特征波段。在特征波段處對(duì)來(lái)自查哈陽(yáng)地區(qū)及非查哈陽(yáng)地區(qū)的233 份大米進(jìn)行定性分析及定量分析。結(jié)果表明,與產(chǎn)地因素主要相關(guān)的波長(zhǎng)為5 136~5 501 cm-1,利用此波段采用因子化法建立定性分析模型對(duì)查哈陽(yáng)大米正確鑒別率為100%,采用偏最小二乘法建立的定量分析模型對(duì)查哈陽(yáng)大米正確判別率為95.83%。
大米;近紅外光譜技術(shù);產(chǎn)地;品種
稻米是世界上重要的糧食作物,在中國(guó)約有60%的人口將其作為主食[1]。中國(guó)首家綠色食品大米生產(chǎn)基地查哈陽(yáng)農(nóng)場(chǎng)是最早建立的農(nóng)場(chǎng)之一,其盛產(chǎn)的查哈陽(yáng)大米有著潔白剔透,綿軟香甜,暢銷國(guó)內(nèi),享譽(yù)海外的美譽(yù)。查哈陽(yáng)大米因其品質(zhì)優(yōu)良,消費(fèi)者認(rèn)可,具有較大的價(jià)格優(yōu)勢(shì)和市場(chǎng)需求空間,但卻面臨著市場(chǎng)越來(lái)越多的假冒、以次充好等問(wèn)題,嚴(yán)重破壞其聲譽(yù)。因此,快速準(zhǔn)確地鑒別查哈陽(yáng)大米的真?zhèn)斡兄种匾囊饬x。
目前,礦物元素指紋分析技術(shù)[2-3]、電子鼻指紋圖譜技術(shù)[4-5]、電子舌指紋圖譜技術(shù)[6-7]、DNA指紋圖譜技術(shù)[8-9]等被廣泛應(yīng)用于產(chǎn)地真實(shí)性溯源的研究中并取得了一定的進(jìn)展,但是這些方法存在檢測(cè)過(guò)程繁瑣、設(shè)備昂貴、周期長(zhǎng)等缺點(diǎn),無(wú)法實(shí)現(xiàn)大米產(chǎn)地的快速鑒別。近紅外光譜技術(shù)是一種有效的產(chǎn)地溯源技術(shù)。其原理是利用近紅外光譜區(qū)有機(jī)分子中含氫基團(tuán)(O—H、N—H、C—H)振動(dòng)的合頻和各級(jí)倍頻的吸收區(qū)相一致,通過(guò)掃描樣品的近紅外光譜可得到樣品中有機(jī)分子含氫基團(tuán)的特征信息[10],不同地域農(nóng)產(chǎn)品所表征的特征信息不同,已有研究報(bào)道近紅外光譜技術(shù)對(duì)羊肉[11]、雞肉[12]、牛肉[13]等肉類及小麥[14]、茶葉[15-16]、草莓[17]、玉米[18]、枸杞[19]等農(nóng)產(chǎn)品的產(chǎn)地溯源初步研究是可行的。但對(duì)大米的研究主要集中在品質(zhì)、營(yíng)養(yǎng)成分及摻假等,在產(chǎn)地溯源方面研究相對(duì)較少,周子立等[20]運(yùn)用近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)來(lái)說(shuō)東北、江蘇、安徽三地的180 份樣品進(jìn)行品種鑒別,其正確率高達(dá)100%。周曉璇等[21]運(yùn)用偏最小二乘(partial least squares,PLS)法結(jié)合最優(yōu)預(yù)處理方法是最大最小歸一化的預(yù)處理方式,建立的摻低檔米模型的校正集和預(yù)測(cè)集相關(guān)系數(shù)分別為0.969 8和0.984 5,均方根誤差分別為8.66和6.46模型的預(yù)測(cè)精度和穩(wěn)定性均很好,實(shí)現(xiàn)了對(duì)摻偽大米快速、準(zhǔn)確的定量判別。徐澤林等[22]采用PLS法建立大米中淀粉含量測(cè)定的定標(biāo)模型,其相關(guān)系數(shù)為0.878 0,且模型預(yù)測(cè)值與化學(xué)值之間的相關(guān)系數(shù)為0.949 8。呂慧等[23]采用標(biāo)準(zhǔn)法通過(guò)計(jì)算樣品的近紅外光譜圖之間的歐氏距離來(lái)反映不同樣品間的差異,對(duì)102 份不同屬性和不同產(chǎn)地的大米進(jìn)行定性聚類分析,可以準(zhǔn)確地將不同屬性和不同產(chǎn)地的樣品聚類。由于大米生長(zhǎng)環(huán)境不同,不同產(chǎn)地大米的品質(zhì)存在一定的差異,反映在近紅外光譜圖不同。本研究通過(guò)建立不同產(chǎn)地和品種水稻試驗(yàn)田,分析不同產(chǎn)地和品種的大米的近紅外光譜圖特征及差異,篩選出與產(chǎn)地有關(guān)的光譜波段,結(jié)合化學(xué)計(jì)量學(xué)手段,以產(chǎn)地判別率為指標(biāo),建立近紅外光譜定性定量分析模型,為大米近紅外產(chǎn)地溯源技術(shù)系統(tǒng)研究提供理論依據(jù)。
1.1 材料與試劑
實(shí)驗(yàn)材料采集于2015年收獲期內(nèi)試驗(yàn)田及黑龍江主產(chǎn)區(qū)按東、南、西、北4 個(gè)方向進(jìn)行隨機(jī)采樣,采用3點(diǎn)隨機(jī)取樣的方式進(jìn)行收割,編號(hào)稻谷樣品,每份樣本采集2 kg,并記錄采樣信息,所有水稻品種均為粳米,樣本詳細(xì)信息如表1、2所示。
表1 試驗(yàn)田樣品信息Table 1 Information about the samples from experimental field
表2 隨機(jī)采樣樣品信息Table 2 Information about the randomly selected samples
1.2 儀器與設(shè)備
FC2K礱谷機(jī) 日本大竹制作所;VP-32實(shí)驗(yàn)?zāi)朊讬C(jī)日本山本公司;FW100高速萬(wàn)能粉碎機(jī) 天津泰斯特儀器有限公司;TENSORII傅里葉近紅外光譜儀 德國(guó)布魯克(北京)科技有限公司。
1.3 方法
1.3.1 水稻田間試驗(yàn)的構(gòu)建
以粳稻主產(chǎn)區(qū)黑龍江?。ㄎ宄!⒓涯舅?、齊齊哈爾)為試驗(yàn)點(diǎn),設(shè)計(jì)3 塊試驗(yàn)田。每塊試驗(yàn)田種植主栽中晚熟品種9個(gè)(空育131、龍粳31、龍粳26、龍粳29、龍粳39、龍粳40、松粳9、五優(yōu)稻4號(hào)、綏粳4),各試驗(yàn)田育苗移栽、秧田管理、施肥、灌溉均按當(dāng)?shù)厣a(chǎn)習(xí)慣,所有品種同期播種。采用3 次重復(fù)隨機(jī)區(qū)組設(shè)計(jì),小區(qū)面積不少于10 m2。四周設(shè)保護(hù)行,保護(hù)行品種與各對(duì)應(yīng)品種相同。
1.3.2 樣品預(yù)處理
將采集回樣本置于陰涼通風(fēng)處晾曬,收獲籽粒,在實(shí)驗(yàn)室統(tǒng)一完成稻米挑選、脫殼、礱谷、碾米過(guò)程。經(jīng)由超微粉碎機(jī)制成米粉,過(guò)100 目篩,待測(cè)。每個(gè)樣品礱谷2 次。碾米白度為3,碾米3 次。
1.3.3 近紅外光譜的采集
將近紅外光譜儀預(yù)熱30 min,打開OPUS 7.5軟件、檢查信號(hào)、保存峰位,掃描背景單通道光譜并且每間隔1 h掃描一次背景,來(lái)消除外界信息干擾保證光譜的穩(wěn)定性以減少實(shí)驗(yàn)誤差。將樣品粉末倒入玻璃杯中,用壓樣器壓實(shí),測(cè)量樣品單通道采集樣品光譜。環(huán)境溫度為室溫(25±1) ℃,相對(duì)濕度為30%~50%。光譜波數(shù)范圍為12 000~4 000 cm-1。分辨率為8 cm-1。掃描次數(shù)為64 次。
1.3.4 試樣選取
試驗(yàn)田樣品用于特征波段的篩選。隨機(jī)樣品則選擇樣品量的2/3作為建模樣品用于模型的建立,1/3作為預(yù)測(cè)樣品集用于模型的驗(yàn)證。各地區(qū)用于建模和預(yù)測(cè)的樣品數(shù)見表3。
表3 建模與預(yù)測(cè)樣品Table 3 Number of samples used for modeling and prediction
1.3.5 近紅外光譜數(shù)據(jù)處理
為消除噪聲、極限漂移、光的色散等因素的干擾,應(yīng)用OPUS 7.5軟件分別對(duì)試驗(yàn)田樣品的近紅外光譜進(jìn)行一階導(dǎo)數(shù)預(yù)處理,為篩選出與產(chǎn)地有關(guān)的波段,應(yīng)用SPSS 19.0軟件對(duì)試驗(yàn)田樣品進(jìn)行方差分析,得出特征波段。
1.3.6 模型的建立及驗(yàn)證
1.3.6.1 定性分析模型的建立
采用OPUS 7.5軟件在特征波段進(jìn)行定性分析模型的建立,預(yù)處理方式為矢量歸一化(standard normal variate,SNV)一階導(dǎo)數(shù)+平滑(5、9、13、17、21、25點(diǎn),下同)、一階導(dǎo)數(shù)+SNV+平滑、二階導(dǎo)數(shù)+平滑、二階導(dǎo)數(shù)+SNV+平滑等,來(lái)消除無(wú)關(guān)信息的干擾,提高模型的精度。并采用歐式距離法和因子化法對(duì)光譜進(jìn)行計(jì)算處理,通過(guò)比較S值最終確定最優(yōu)預(yù)處理方式及光譜計(jì)算方法并建立定性分析模型;同時(shí)采用相同的方式結(jié)合加權(quán)平均準(zhǔn)備樹形圖的方法建立聚類分析模型。
1.3.6.2 定量分析模型的建立
采用交叉檢驗(yàn)以PLS在特征波段進(jìn)行定量分析模型的建立,將查哈陽(yáng)大米組分值賦值為1,非查哈陽(yáng)大米組分值賦值為-1,以0為中間值進(jìn)行真?zhèn)闻袛?,其中通過(guò)模型的計(jì)算值大于0的為查哈陽(yáng)大米,小于0的為非查哈陽(yáng)大米[24],光譜的預(yù)處理方式有消除常數(shù)偏移量、減去一條直線、SNV、最小-最大歸一化、多元散射矯正(multiplicative scatter correction,MSC)、內(nèi)部標(biāo)準(zhǔn)、一階導(dǎo)數(shù)+平滑、二階導(dǎo)數(shù)+平滑、一階導(dǎo)數(shù)+減去一條直線+平滑、一階導(dǎo)數(shù)+SNV+平滑、一階導(dǎo)數(shù)+多元散射校正+平滑,并采用檢驗(yàn)集檢驗(yàn)方式進(jìn)行模型檢驗(yàn),并最終建立定量分析模型。
1.3.6.3 模型驗(yàn)證
利用OPUS 7.5軟件分別選擇定性分析,聚類分析測(cè)試和定量分析工具欄,調(diào)入模型,調(diào)入預(yù)測(cè)樣品光譜圖,測(cè)定得出結(jié)果。
2.1 試驗(yàn)田大米近紅外光譜分析結(jié)果
大米近紅外原始光譜如圖1所示,由大米樣品原始光譜可以看出,在波段7 500~9 000 cm-1處(Ⅰ區(qū))是C—H第3組合頻區(qū),其中8 321 cm-1附近的吸收峰脂肪烴中甲基(—CH)基團(tuán)引起的;5 500~7 500 cm-1處(Ⅱ區(qū))是C—H第2組合頻區(qū),在6 846 cm-1附近的吸收峰是因—CH2二級(jí)振動(dòng)所引起的,因與樣品中氨基酸種類及含量有關(guān),所以較Ⅰ區(qū)信息稍微強(qiáng)些;4 000~5 500 cm-1處(Ⅲ區(qū))是C—H第1組合頻譜區(qū),是表征蛋白質(zhì)及淀粉物質(zhì)中的N—H、C—H、O—H及C=O健振動(dòng)的主要區(qū)間,其中5 173 cm-1處的吸收峰與其有關(guān)[25]。不同產(chǎn)地及不同品種之間的近紅外光譜相似,采用一階導(dǎo)數(shù)對(duì)試驗(yàn)田原始光譜預(yù)處理后進(jìn)行方差分析,結(jié)果表明,不同地區(qū)來(lái)源的樣品在波段5 136~5 501 cm-1處均有顯著差異,說(shuō)明不同地區(qū)間樣品的近紅外光譜存在顯著性差異,而并未發(fā)現(xiàn)與不同品種之間的近紅外光譜存在顯著性差異。同一品種因其在不同的產(chǎn)地生長(zhǎng),會(huì)受到溫差、降雨量、土壤性質(zhì)等因素的影響,使其理化性質(zhì)發(fā)生存在一定的差異,故可以實(shí)現(xiàn)鑒別研究。80%大米中蛋白為堿溶性谷蛋白,其分子有大量酰胺基團(tuán),并通過(guò)氫鍵凝集蛋白分子[26]。
圖1 試驗(yàn)田樣品(A)和隨機(jī)樣品(B)近紅外原始光譜圖Fig. 1 Near infrared spectra of test field samples (A) and randomly selected samples (B)
2.2 不同預(yù)處理方法的選擇對(duì)定性分析建模效果的影響
近紅外光譜雖然包含了豐富的物質(zhì)信息,但譜峰重疊、信號(hào)較弱,難以像中紅外光譜那樣進(jìn)行結(jié)構(gòu)剖析,因此近紅外光譜的定性分析主要用于物質(zhì)的種屬判別。選取在特征波段5 136~5 501 cm-1對(duì)隨機(jī)采樣樣品的原始光譜進(jìn)行預(yù)處理并結(jié)合歐氏距離及因子化法進(jìn)行定性建模分析,結(jié)果如表4所示。根據(jù)S值的大小來(lái)評(píng)價(jià)模型的準(zhǔn)確度,計(jì)算公式如下:
式中:DT1為某類物質(zhì)的閾值;DT2為另一類物質(zhì)的閾值;D為兩類物質(zhì)平均光譜之間的距離。
當(dāng)S大于1時(shí),表示兩類樣品被均一鑒別,S值越大模型準(zhǔn)確度越高;S小于1時(shí),表示此類樣品未被均勻鑒別,S值越小模型準(zhǔn)確度越低。結(jié)果表明,采用因子化法結(jié)合二階導(dǎo)數(shù)+矢量歸一化+9點(diǎn)平滑的預(yù)處理方式時(shí),查哈陽(yáng)大米及非查哈陽(yáng)大米被均一鑒別,其S為1.544,故選此建立定性分析模型。如圖2所示,原始光譜進(jìn)行因子化分析后,不僅保留了有用的信息,而且變量是沿最大方差得到的,起到了特征信息提取的作用。而歐式距離法則是直接使用吸光度計(jì)算光譜距離,對(duì)給定譜區(qū)范圍內(nèi)的全波數(shù)據(jù)點(diǎn)進(jìn)行計(jì)算,不能體現(xiàn)特征變量的變化情況。因此應(yīng)用因子化法建立的模型精度判別率高。
表4 不同預(yù)處理方法對(duì)定性鑒別分析模型效果的影響Table 4 Effect of different pretreatment methods on the qualitative discriminant analysis model
圖2 因子化法2D得分圖Fig. 2 2D score plot for factorization method
為進(jìn)一步衡量定性模型的準(zhǔn)確性,故在特征波段5 136~5 501 cm-1對(duì)隨機(jī)采樣樣品采用二階導(dǎo)數(shù)+矢量歸一化+9點(diǎn)平滑的預(yù)處理方式結(jié)合加權(quán)平均準(zhǔn)備樹形圖的方法建立聚類分析模型,如圖3所示,兩類大米均被正確分類。與定性分析不同,它不需要輸入任何信息,聚類分析只將相似光譜按組分類,進(jìn)而來(lái)確定樣品之間的親疏關(guān)系。梁劍等[27]采用不同預(yù)處理方式對(duì)160 粒水稻種子進(jìn)行聚類分析,結(jié)果表明采用二階導(dǎo)數(shù)+矢量歸一化+ 25點(diǎn)平滑的預(yù)處理方式正確鑒別率為100%。夏立婭等[28]在7 700~6 700 cm-1及5 700~4 300 cm-1的特征波段對(duì)119 個(gè)響水大米及90 個(gè)非響水大米采用聚類分析,結(jié)果表明,兩類大米均被正確分類。聚類分析方法在解決大米產(chǎn)地溯源領(lǐng)域方面具有較大的應(yīng)用前景。
圖3 不同地域大米樣品的聚類分析結(jié)果Fig. 3 Cluster analysis of rice samples from different geographical origins
2.3 定性分析模型的驗(yàn)證
調(diào)入定性分析模型(波數(shù)為5 136~5 501 cm-1,采用因子化法結(jié)合二階導(dǎo)數(shù)+矢量歸一化+9點(diǎn)平滑的預(yù)處理方式)對(duì)預(yù)測(cè)樣品進(jìn)行定性鑒別分析,結(jié)果表明,查哈陽(yáng)大米正確鑒別率為100%,非查哈陽(yáng)大米正確鑒別率為96.36%。調(diào)入聚類分析模型(波段5 136~5 501 cm-1,采用因子化法和二階導(dǎo)數(shù)+矢量歸一化+9點(diǎn)平滑的預(yù)處理方式結(jié)合加權(quán)平均準(zhǔn)備樹形圖的方法)對(duì)預(yù)測(cè)樣品進(jìn)行聚類鑒別分析,結(jié)果表明,查哈陽(yáng)大米正確鑒別率為100%,非查哈陽(yáng)大米的正確鑒別率為98.18%,如表5所示。
表5 定性分析模型鑒別結(jié)果Table 5 Results of identification with qualitative analysis model
2.4 不同波數(shù)及預(yù)處理方法的選擇對(duì)定量分析建模效果的影響
定量分析建模的目的是建立近紅外光譜與樣品組分化學(xué)值或者分類的相關(guān)聯(lián)系。采用PLS法進(jìn)行擬合結(jié)合交叉檢驗(yàn)方式在特征波段5 136~5 501 cm-1處對(duì)隨機(jī)采樣樣品光譜的預(yù)處理方式、均方根誤差(results root mean square errors of cross-validation,RMSECV)、R2(定向系數(shù))及維數(shù)的確定進(jìn)行優(yōu)化處理,得出最優(yōu)組合,如表6所示。其中R2越大表示預(yù)測(cè)含量值越接近真實(shí)值,RMSECV可以作為評(píng)價(jià)模型質(zhì)量的依據(jù),數(shù)值越小越好。結(jié)果表明:在特征波段對(duì)隨機(jī)采樣樣品采用消除常數(shù)偏移量的預(yù)處理方式建立的定量分析效果較好,其中RMSECV為0.129,R2為97.39。維數(shù)為8,如圖4、5所示。故選此方法建立定量分析模型。PLS法較其他方法建立的回歸模型更易于辨識(shí)系統(tǒng)信息與噪聲,也能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模,其模型效果相對(duì)于其他判別方法具有較高精度[29]。Davrieux等[30]采用近紅外光譜技術(shù)對(duì)泰國(guó)的香味大米和非香味大米,應(yīng)用PLS法建立檢測(cè)模型,其鑒別正確率高達(dá)97.4%。
表6 定量分析優(yōu)化結(jié)果Table 6 Results of optimization for quantitative analysis
圖4 地區(qū)預(yù)測(cè)值與真實(shí)值相關(guān)圖Fig. 4 Good correlation between predicted and reference values
圖5 RMSECV與維數(shù)的關(guān)系圖Fig. 5 Relationship between RMSECV and number of dimensions
2.5 定量分析模型的驗(yàn)證
調(diào)入定量分析模型(波數(shù)為5 136~5 501 cm-1,采用PLS法集合消除常數(shù)偏移量的預(yù)處理方式)對(duì)預(yù)測(cè)樣品進(jìn)行定量分析,結(jié)果表明,查哈陽(yáng)大米正確判別率為95.83%,非查哈陽(yáng)大米正確判別率為98.18%,如表7所示。
表7 定量分析模型判別結(jié)果Table 7 Results of identification with quantitative analysis model
大米的產(chǎn)地及品種等因素均對(duì)其近紅外光譜有顯著的影響,不同的產(chǎn)地及品種對(duì)其影響不同。實(shí)驗(yàn)選取查哈陽(yáng)、建三江、五常三地區(qū)的試驗(yàn)田大米,進(jìn)行與產(chǎn)地有關(guān)的波段的篩選,即產(chǎn)地對(duì)大米近紅外光譜的影響大于品種的影響,得出特征波數(shù)為5 136~5 501 cm-1,并將其應(yīng)用于地理標(biāo)識(shí)大米查哈陽(yáng)大米的真?zhèn)慰焖贆z測(cè),結(jié)果表明,采用定性分析模型對(duì)查哈陽(yáng)大米的正確鑒別率為100%,且采用因子化法建立的模型準(zhǔn)確率要高于采用歐式距離法,同時(shí)為進(jìn)一步確實(shí)定性分析模型的準(zhǔn)確性,建立聚類分析模型,其對(duì)查哈陽(yáng)大米的正確鑒別率為100%。采用PLS法建立的定量分析分析對(duì)查哈陽(yáng)大米的正確判別率為95.83%。本實(shí)驗(yàn)可為近紅外光譜技術(shù)在查哈陽(yáng)大米的快速檢測(cè)提供理論支持。
[1] 龐乾林. 稻米知識(shí)縱覽[J]. 中國(guó)稻米, 2004, 10(3): 44-47. DOI:10.3969/j.issn.1006-8082.2004.03.025.
[2] 張玥, 王朝輝, 張亞婷, 等. 基于主成分分析和判別分析的大米產(chǎn)地溯源[J]. 中國(guó)糧油學(xué)報(bào), 2016, 31(4): 1-5. DOI:10.3969/ j.issn.1003-0174.2016.04.001.
[3] 趙海燕, 郭波莉, 張波, 等. 小麥產(chǎn)地礦物元素指紋溯源技術(shù)研究[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2010, 43(18): 3817-3823. DOI:10.3864/ j.issn.0578-1752.2010.18.016.
[4] 張紅梅, 王俊. 電子鼻傳感器陣列優(yōu)化及其在小麥儲(chǔ)藏年限檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2006, 22(12): 164-167. DOI:10.3321/ j.issn:1002-6819.2006.12.034.
[5] 錢麗麗, 呂海峰, 鹿保鑫, 等. 地理標(biāo)志大米的仿生電子鼻分類識(shí)別[J]. 中國(guó)糧油學(xué)報(bào), 2016, 31(8): 131-137. DOI:10.3969/ j.issn.1003-0174.2016.08.024.
[6] ERNEST T. 傅里葉近紅外光譜技術(shù)和電子舌技術(shù)結(jié)合模式識(shí)別方法的可可豆定性定量分析[D]. 鎮(zhèn)江: 江蘇大學(xué), 2014.
[7] 許芳, 陳軒. 電子舌技術(shù)對(duì)不同產(chǎn)地紅茶的滋味識(shí)別[J]. 湖北農(nóng)業(yè)科學(xué), 2016(9): 2373-2376. DOI:10.14088/j.cnki.issn0439-8114.2016.09.057.
[8] 馮雪, 柳艷霞, 賀澤英, 等. 稻米代謝組學(xué)分析方法的建立及在產(chǎn)地溯源中的應(yīng)用[J]. 分析測(cè)試學(xué)報(bào), 2016, 35(5): 514-519. DOI:10.3969/j.issn.1004-4957.2016.05.003.
[9] 吳婷, 魏珊, 米麗華, 等. 不同產(chǎn)地連翹的DNA指紋圖譜構(gòu)建與聚類分析[J]. 中草藥, 2016, 47(5): 816-820. DOI:10.7501/ j.issn.0253-2670.2016.05.022.
[10] XIA L y, SHEN S G, LIU Z H, et al. Identification of geographical origins of rice with pattern recognition technique by near infrared spectroscopy[J]. Spectroscopy & Spectral Analysis, 2013, 33(1): 102-105. DOI:10.3964/j.issn.1000-0593(2013)01-0102-04.
[11] 徐霞, 成芳, 應(yīng)義斌, 等. 近紅外光譜技術(shù)在肉品檢測(cè)中的應(yīng)用和研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2009, 29(7): 1876-1880. DOI:10.3964/j.issn.1000-0593(2009)07-1876-05.
[12] 史巖, 趙田田, 陳海華, 等. 基于近紅外光譜技術(shù)的雞肉產(chǎn)地溯源[J].中國(guó)食品學(xué)報(bào), 2014, 14(12): 198-204.
[13] 劉曉曄, 湯曉艷, 孫寶忠, 等. 普通公牛肉和淘汰母牛肉的近紅外光譜鑒別方法[J]. 食品科學(xué), 2012, 33(24): 244-248.
[14] 李小龍, 馬占鴻, 趙龍蓮, 等. 基于近紅外光譜技術(shù)的小麥條銹病和葉銹病的早期診斷[J]. 光譜學(xué)與光譜分析, 2013, 33(10): 2661-2665. DOI:10.3964/j.issn.1000-0593(2013)10-2661-05.
[15] 程權(quán), 楊方, 王丹紅, 等. 近紅外光譜技術(shù)對(duì)閩南烏龍茶品種的識(shí)別研究[J]. 光譜學(xué)與光譜分析, 2014(3): 656-659. DOI:10.3964/j.is sn.1000-0593(2014)03-0656-04.
[16] ZHUANG X G, WANG L L, CHEN Q, et al. Identification of green tea origins by near-infrared (NIR) spectroscopy and different regression tools[J]. Science China Technological Sciences, 2017, 60(1): 84-90. DOI:10.1007/s11431-016-0464-0.
[17] 龐艷蘋, 劉坤, 閆軍穎, 等. 近紅外光譜法快速鑒別成安草莓[J]. 現(xiàn)代食品科技, 2013(5): 1160-1162. DOI:1673-9078(2013)5-1160-1162. [18] 黃艷艷, 朱麗偉, 馬晗煦, 等. 應(yīng)用近紅外光譜技術(shù)定量分析雜交玉米純度的研究[J]. 光譜學(xué)與光譜分析, 2011, 31(10): 2706-2710. DOI:10.3964/j.issn.1000-0593(2011)10-2706-05.
[19] SHEN Tingting, ZOU Xiaobo, SHI Jiyong, et al. Determination geographical origin and flavonoids content of Goji berry using nearinfrared spectroscopy and chemometrics[J]. Food Analytical Methods, 2016, 9(1): 68-79. DOI:10.1007/s12161-015-0175-x.
[20] 周子立, 張瑜, 何勇, 等. 基于近紅外光譜技術(shù)的大米品種快速鑒別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(8): 131-135. DOI:10.3969/ j.issn.1002-6819.2009.08.024.
[21] 周曉璇, 謝實(shí)猛, 陳全勝, 等. 基于近紅外光譜技術(shù)的大米摻偽定量判別[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016, 43(4): 503-507. DOI:10.13610/ j.cnki.1672-352x.20160712.025.
[22] 徐澤林, 金華麗. 近紅外光譜法測(cè)定大米中的淀粉含量[J]. 農(nóng)產(chǎn)品加工: 學(xué)刊, 2011(3): 74-76. DOI:10.3969/jissn.1671-9646(X).2011.03.019.
[23] 呂慧, 張正竹, 王勝鵬, 等. 基于近紅外光譜技術(shù)的大米品質(zhì)分析與種類鑒別[J]. 食品工業(yè)科技, 2012, 33(3): 322-325. DOI:1002-0306(2012)03-0322-04.
[24] 周健, 成浩, 賀巍, 等. 基于近紅外的PLS量化模型鑒定西湖龍井真?zhèn)蔚难芯縖J]. 光譜學(xué)與光譜分析, 2009, 29(5): 1251-1254. DOI:10.3964/j.issn.1000-0593(2009)05-1251-04.
[25] 杰爾·沃克曼, 洛伊斯·文依. 近紅外光譜解析實(shí)用指南[M]. 北京:化學(xué)工業(yè)出版社, 2009: 220.
[26] WU C H, NAKAI S, POWRIE W D. Preparation and properties of acid-solubilized gluten[J]. Journal of Agricultural & Food Chemistry, 1976, 24(3): 504-510. DOI:10.1021/jf60205a057.
[27] 梁劍, 劉斌美, 陶亮之, 等. 基于水稻種子近紅外特征光譜的品種鑒別方法研究[J]. 光散射學(xué)報(bào), 2013, 25(4): 423-428. DOI:10.3969/ j.issn.1004-5929.2013.04.014.
[28] 夏立婭, 申世剛, 劉崢顥, 等. 基于近紅外光譜和模式識(shí)別技術(shù)鑒別大米產(chǎn)地的研究[J]. 光譜學(xué)與光譜分析, 2013, 33(1): 102-105. DOI:10.3964/j.issn.1000-0593(2013)01-0102-04.
[29] IBRAHIM S, RAHIM H A. The assessment of amylose content using near infrared spectroscopy analysis of rice grain samples[C]// IEEE Conference on Open Systems, 2013: 32-37. DOI:10.1109/ ICOS.2013.6735043.
[30] DAVRIEUX F, OUADRHIRI Y, PONS B, et al. Discrimination between aromatic and non-aromatic rice by near infrared spectroscopy: a preliminary study[C]//Auckland: Proceedings of the 12thInternational Conference, 2007: 394-396.
Rapid Identification of Chahayang Rice Using Near Infrared Spectroscopy
QIAN Lili1, SONG Xuejian1, ZHANG Dongjie1,*, ZUO Feng1, ZHAO Haiyan2, LU Baoxin1, CHI Xiaoxing1
(1. College of Food Science, Heilongjiang Bayi Agricultural University, Daqing 163319, China; 2. College of Food Science and Engineering, Qingdao Agricultural University, Qingdao 266109, China)
Chahayang rice is a special brand of rice produced in Heilongjiang. In order to protect this brand, there is a need to establish a method for the rapid identification of Chahayang rice. In this paper, near infrared spectra of rice from a test paddy field were scanned in the full wavenumber range, and the characteristic bands for Chahayang rice were screened. Qualitative and quantitative analysis of 233 rice samples from Chahayang and other areas at the characteristic band were performed and compared. The results showed that the main factors associated with the geographical origin of Chahayang rice exhibited absorption bands in the wavenumber range of 5 136–5 501 cm-1. The rate of correct identification of Chahayang rice with the qualitative analysis model established based on the main factors was 100%, while that with the model developed through partial least squares (PLS) regression was 95.83%.
rice; near infrared spectroscopy; producing area; variety
10.7506/spkx1002-6630-201716035
O657.3
A
1002-6630(2017)16-0222-06
錢麗麗, 宋雪健, 張東杰, 等. 近紅外光譜技術(shù)快速鑒別查哈陽(yáng)大米[J]. 食品科學(xué), 2017, 38(16): 222-227. DOI:10.7506/ spkx1002-6630-201716035. http://www.spkx.net.cn
QIAN Lili, SONG Xuejian, ZHANG Dongjie, et al. Rapid identification of Chahayang rice using near infrared spectroscopy[J]. Food Science, 2017, 38(16): 222-227. (in Chinese with English abstract)
10.7506/spkx1002-6630-201716035. http://www.spkx.net.cn
2017-02-25
國(guó)家自然科學(xué)基金面上項(xiàng)目(81673170);黑龍江省墾區(qū)科研項(xiàng)目(HKN125B-13-02);黑龍江省農(nóng)墾總局“十三五”重點(diǎn)科技攻關(guān)項(xiàng)目(HNK135-06-06);黑龍江八一農(nóng)墾大學(xué)校內(nèi)培育課題(XZR2016-07)
錢麗麗(1979—),女,副教授,博士研究生,研究方向?yàn)檗r(nóng)產(chǎn)品產(chǎn)地溯源。E-mail:qianlili286@163.com
*通信作者:張東杰(1966—),男,教授,博士,研究方向?yàn)檗r(nóng)產(chǎn)品加工與安全。E-mail:byndzdj@126.com