孫曉榮，周子健，劉翠玲，付新鑫，竇 穎

光譜預處理結合模擬退火算法的小麥粉面筋含量檢測

孫曉榮，周子健，劉翠玲，付新鑫，竇 穎

（北京工商大學計算機與信息工程學院，食品安全大數(shù)據(jù)技術北京市重點實驗室，北京 100048）

為得到可靠的小麥粉中面筋含量定量分析模型，基于光譜預處理及模擬退火算法（simulated annealing algorithm，SAA）對近紅外光譜（near infrared spectroscopy，NIR）進行優(yōu)化處理。偏最小二乘（partial least squares，PLS）回歸用于建立預測模型，以決定系數(shù)R2、校正均方根誤差（root mean square error of calibration，RMSEC）、預測均方根誤差（root mean square error of prediction，RMSEP）為指標，對比在不同光譜預處理條件下建立的回歸模型與光譜預處理結合模擬退火算法優(yōu)化處理條件下的回歸模型。結果表明光譜預處理結合SAA-PLS模型能夠有效提高模型的穩(wěn)定性和預測能力，將R2從0.763 7提高到0.949 1、RMSEC從1.371 2降低到0.589 8、RMSEP從1.450 2降低到0.534 1。結果說明，光譜預處理結合模擬退火算法對光譜進行優(yōu)化處理是可行的，模型預測能力和穩(wěn)定性均優(yōu)于未處理模型和僅進行光譜預處理的模型。

近紅外光譜；模擬退火算法；光譜預處理；偏最小二乘法；面筋

小麥粉是我國最主要的主食之一，由于營養(yǎng)價值高、容易貯藏等特點，國家將其作為重要的商品糧食。面筋是指將面粉制成面團后在清水中搓洗，當?shù)矸?、麩皮微粒、可溶于水和稀NaCl溶液的蛋白質等成分洗去，最后剩余有黏性且不溶于水的膠狀物，其含量主要影響面食的彈性和黏性等[1-2]。目前最普遍使用的方法是水洗法測定，但水洗法存在許多因素影響面筋的收率及質量。目前，也有些廠家使用面筋檢測儀代替手洗法測量以減少人為誤差，但效果參差，沒有得到廣泛應用。近幾年，已經(jīng)有研究人員將近紅外光譜技術應用于小麥粉中面筋含量的檢測，但在工廠實際生產中大多還是采用耗時耗力的國標法測量。造成這種情況的因素很多，但主要還是因為針對小麥粉的近紅外定量分析模型大多只停留在驗證模型的可行性與可靠性，模型實際應用效果不理想，模型的穩(wěn)健性低不能滿足工廠實際檢驗工作要求。因此研究出一個既保證模型預測準確度又保證模型穩(wěn)健性高的定量分析模型迫在眉睫。

目前，已經(jīng)有相關研究人員將光譜分析用于面粉面筋含量的檢測，孫營偉等[3]將10 種光譜預處理方法應用于面粉中面筋含量的定量模型上，實驗證明光譜預處理可以去除部分無用的光譜信息，提高模型的預測精度；錢海波等[4]將連續(xù)投影算法用于優(yōu)化面粉中面筋含量定量分析模型，實驗說明敏感波長優(yōu)選算法能夠進一步提高模型的穩(wěn)健性和可行性。但實驗中都存在相應問題，不經(jīng)過波長優(yōu)選的模型無法讓決定系數(shù)和均方根誤差同時達到最優(yōu)，且模型復雜，計算量較大；而使用連續(xù)投影算法優(yōu)化模型則存在陷入局部最優(yōu)以及均方根誤差較大等問題。

光譜預處理結合模擬退火算法（simulated annealing algorithm，SAA）在許多領域都有應用。石吉勇等[5]將近紅外光譜結合SAA＋標準正交變換方法應用在草莓堅實度檢測中，實驗證明了模擬退火算法結合光譜預處理的定量分析模型具有很高的準確性和穩(wěn)定性，可以實現(xiàn)草莓的無損檢測。王文秀等[6]利用近紅外光譜結合SAA定量檢測了豬肉的新鮮程度，實驗結果表明SAA對模型的準確性有很大的提高。這些實例也為面粉的無損檢測提供理論借鑒。

在此基礎上，本實驗提出光譜預處理結合SAA建立偏最小二乘（partial least squares，PLS）法定量分析模型快速檢測小麥粉中的面筋含量。實驗對比多種預處理結合SAA-PLS建模的決定系數(shù)R2、校正均方根誤差（root mean square error of calibration，RMSEC）、預測均方根誤差（root mean square error of prediction，RMSEP）和相對分析誤差（relative percent deviation，RPD）等指標得到最優(yōu)模型。

1 材料與方法

1.1 材料

實驗中所用164 份小麥粉樣本均取自古船小麥粉生產廠不同批次以及不同種類的小麥粉產品，待測組分真實值均來自該小麥粉廠依據(jù)國標法測得的實驗數(shù)據(jù)，面筋含量分布范圍為27%～38%。

1.2 儀器與設備

Vertex 70傅里葉紅外光譜儀 德國布魯克公司。

1.3 方法

1.3.1 儀器參數(shù)條件

分辨率8 cm-1，樣本掃描次數(shù)64 次，背景掃描次數(shù)64 次，采集光譜范圍12 000～4 000 cm-1，光闌設置6 mm，掃描速率10 kHz。

1.3.2 PLS法

PLS法是光譜多元校正分析中應用最廣的方法之一[7]，但在建立模型時噪聲干擾不可避免，在一定范圍內嚴重影響模型質量，經(jīng)過光譜預處理和波長優(yōu)選，能夠全面提高模型的穩(wěn)定性和準確性[8-9]。

1.3.3 光譜預處理

在建模過程中，對光譜進行預處理是必不可少的。采用合適的預處理方法可以有效減少光譜采集過程中無關變量和噪聲的干擾，保留有效信息，降低模型復雜度，提高模型穩(wěn)健度[10-13]。

常用預處理方法有均值中心化、標準化、歸一化、Savitsky-Golay（SG）平滑法、導數(shù)法、標準正態(tài)變量變換（standard normalized variate，SNV）、多元散射校正（multiplicative scatter correction，MSC）、正交信號校正等[14-17]。在眾多預處理方法中，根據(jù)本實驗研究結合樣本特性和預處理方法功能，對比分析最終選擇了3 種預處理方法，分別為矢量歸一化、SG平滑法以及SNV。

1.3.4 常用波長篩選算法原理及特征

波長優(yōu)選在近紅外光譜分析檢測中有很重要的意義，一方面可以簡化模型，提高運算的效率，另一方面由于非線性變量的剔除，可以得到預測準確度高，穩(wěn)健度好的校正模型[18-21]。目前在光譜分析中，常用波長篩選方法很多，如相關系數(shù)法、方差分析法等[22-23]，隨機優(yōu)化方法有蟻群算法[24]、無信息變量消除法[25]、SAA[26-27]、遺傳算法[28-29]等，如表1所示。

表1 常用波長篩選算法原理及特征Table 1 Principle and characteristics of commonly used wavelength selection methods

無信息變量消除法適用于處理數(shù)據(jù)量很大的樣本，但算法中至關重要的主因子數(shù)沒有合適的方法來直接確定[30]。競爭性自適應權重取樣法有自適應性良好的優(yōu)點且能夠提高模型的準確度，但多用于定性模型[31]，遺傳算法和SAA是更適用于復雜性問題的全局性算法，但遺傳算法存在過早收斂的問題，并且對實驗初值設置要求很高[32]，而SAA魯棒性好可并行處理數(shù)據(jù)，且具有初始點不依賴性和一定概率接受劣質解的特點，增強了模型尋優(yōu)能力和靈活性[33-34]。所以綜合各方面考慮，為了避免專業(yè)經(jīng)驗不足對實驗結果的影響，本研究選定SAA為波長篩選方法。

1.3.5 SAA

SAA采用類似于物理退火的過程，先在一個高溫狀態(tài)下（相當于算法隨機搜索），然后逐漸退火，在每個溫度條件下（相當于算法的每一次狀態(tài)轉移）緩慢冷卻（相當于算法局部搜索），最終達到物理基態(tài)（相當于算法找到最優(yōu)解）。

1.3.5.1 固體退火過程的數(shù)學表述

在溫度T，分子停留在狀態(tài)r滿足Boltzmann概率分布，由式（1）、（2）函數(shù)確定：

式中：E為分子能量的一個隨機變量；E（r）為狀態(tài)r的能量；kB大于0為Boltzmann常數(shù)；Z（T）為概率分布的標準化因子；E（s）為狀態(tài)能量。

1.3.5.2 Metropolis接受準則

Metropolis接受準則使算法跳離局部最優(yōu)“險井”。由解i到解j的接受概率由式（3）函數(shù)確定：

式中：f（i）、f（j）分別表示解i、j的目標函數(shù)；Tk為k時刻的溫度/℃。

依據(jù)接受準則可以看出，目標函數(shù)越小越好。在本實驗中，目標函數(shù)可以選擇校正模型的決定系數(shù)R2、交互驗證均方根誤差或者RMSEP作為參數(shù)。

1.3.5.3 冷卻進度表

用冷卻進度表控制算法進程，使算法在多項式時間里給出一個近似解。降溫策略選擇指數(shù)降溫，公式為：Tk＋1=Tk×α。衰減因子α越小所需的馬爾科夫鏈越長，因此通常選取小衰減量來避免，終止條件S為溫度降到一個接近0的數(shù)值。實驗針對其中的初始溫度以及衰減因子2 個重要參數(shù)進行了不同取值的對比分析，探索適合小麥粉面筋含量的定量模型的最優(yōu)設置[35-36]。通過實驗以及參考相關文獻，研究最終選擇的冷卻進度表參數(shù)為T0為400 ℃，α為0.97，內循環(huán)次數(shù)Lk為200，S為0.000 001 ℃。

1.4 數(shù)據(jù)處理

實驗中利用OPUS7.0軟件將收集到的光譜轉換為數(shù)據(jù)點格式以及單一PLS回歸預測曲線，光譜預處理＋SAA結合PLS由Matlab 2014軟件完成。

2 結果與分析

2.1 采集樣品的近紅外光譜

實驗中共164 份小麥粉樣本，基于SPXY樣本劃分法選取其中115 份樣本作為校正集，49 份樣本作為測試集。實驗每隔半小時采集一次背景光譜，并保持室內恒溫26 ℃。光譜儀器掃描次數(shù)設置為64 次，分辨率為8 cm-1，采集部分小麥粉樣本近紅外光譜如圖1所示。小麥粉的近紅外譜區(qū)光譜嚴重重疊，近紅外光譜圖中的與成分含量相關的信息很難直接提取出來并給予合理的光譜解析，因此需要對近紅外光譜進行預處理。

圖1 部分小麥粉樣本的近紅外光譜圖Fig. 1 Near infrared spectra of wheat flour samples

2.2 結合光譜預處理的PLS定量模型對比

表2 不同預處理方法的定量模型結果對比Table 2 Comparison of PLS models developed with different pretreatment methods

如表2所示，光譜預處理后所建定量模型相較原始光譜模型準確性在一定程度上有所提升，同時保證了模型的穩(wěn)健性不受影響，優(yōu)化效果較好。但從相關系數(shù)R2、RMSEC和RMSEP可以看出優(yōu)化效果有限，模型的預測準確度達不到實際生產的水平，因此還需要借助其他優(yōu)化方法提升模型的預測精度與穩(wěn)健性。

2.3 SAA結合預處理優(yōu)化模型

實驗選定SAA對波長進行篩選。SAA思想最早由Steinbrunn等[37]提出，之后經(jīng)過Kirkpatrick等[38]研究，成功的將SAA引入組合優(yōu)化領域。SAA的基本觀念來源于金屬的退火原理，算法基于Monte-Carlo迭代求解策略，將固體加熱至高溫，原子脫離原始位置隨機在其他位置移動，之后伴隨溫度參數(shù)的不斷下降，結合概率突跳特性在解空間中隨機尋找目標函數(shù)的全局最優(yōu)解。相比于其他波長優(yōu)選算法，SAA有以下特點：描述簡單、運行效率高和較少受到初始條件約束等優(yōu)點；其能夠保證局部尋優(yōu)的精度，且還能夠避免陷入局部最優(yōu)；SAA采用并行策略優(yōu)化提升了解的質量；具有良好的魯棒性適合搜索復雜空間[39-40]。

將面筋全譜PLS定量模型采用各光譜預處理方法以及SAA優(yōu)化模型，優(yōu)化結果如表3所示。

表3 近紅外光譜經(jīng)預處理結合SAA優(yōu)化模型結果Table 3 Comparison of PLS models developed with spectral data pretreatment combined with SAA

經(jīng)SAA優(yōu)化光譜后，模型的預測準確度明顯提升，其中結合歸一化預處理方法的優(yōu)化模型結果最好，其余模型參數(shù)也整體大幅提升。歸一化結合SAA建立的面筋PLS定量模型R2為0.949 1，RMSEC為0.589 8，RMSEP為0.534 1，驗證集RPD為4.828 7，波數(shù)由2 074個點篩選為80 個點，所建定量分析模型校正集與檢驗集，如圖2所示。

圖2 歸一化結合SAA的面筋PLS校正集（A）和測試集（B）定量模型Fig. 2 Comparison of actual and PLS model predicted values of gluten content in wheat flour samples in calibration (A) and test (B) sets

本研究在模型評價方面，除使用最常見的決定系數(shù)R2和RMSEP外，還引入穩(wěn)健性參數(shù)RMSEP/RMSEC和RPD兩個評價指標來評價模型的預測準確性。在光譜采集過程中，待測樣本光譜會受到環(huán)境和儀器等因素的不可抗干擾，模型的穩(wěn)健性即抗干擾能力反映了光譜變動時模型的包容力。國際谷物化學組織規(guī)定在正常容變范圍之內RMSEP/RMSEC應小于1.2，若穩(wěn)健性參數(shù)大于1.2則表示模型穩(wěn)健性不足；RPD=SD/RMSEP（SD為驗證集標準偏差），RPD可以對預測精度進行進一步評價：如果RPD不大于2.5，則說明模型精確度不足因此不適合進行近紅外光譜定量分析；如果RPD在2.5與3之間，說明預測精度基本滿足但仍需進一步提高，可進行近紅外光譜定量分析；如果RPD不小于3，說明預測精度良好，建立的定量分析模型滿足實際檢測的要求[41-43]。

3 結 論

研究在不同光譜預處理組合方式與波長篩選方法做了大量實驗，旨在優(yōu)化小麥粉近紅外光譜定量分析模型，使模型具備良好的預測準確性與穩(wěn)健性。在實驗過程中探討了4 種光譜預處理及組合方式和5 種光譜預處理結合SAA對模型評價參數(shù)的影響。

近紅外光譜不經(jīng)過任何的預處理和波長優(yōu)化，其模型的決定系數(shù)R2較低、RMSEC和RMSEP都較高，說明不經(jīng)過優(yōu)化處理的PLS模型無法滿足實際生產檢測的需要；模型經(jīng)過光譜預處理后決定系數(shù)R2、RMSEC和RMSEP都得到一定的降低，誤差基本滿足生產檢測的要求，但模型的穩(wěn)健性和預測能力無法滿足實際需求；再將光譜預處理結合SAA優(yōu)化波長，處理后的模型無論是3 個指標還是預測能力都得到了顯著提高且預測精度良好，其中歸一化結合模擬退火優(yōu)化波長所建立的模型效果最好。因此可以將模型應用于小麥粉中面筋含量的快速檢測中，并且該模型具有綠色環(huán)保的特點。

[1] 王玉庭. 中國小麥消費現(xiàn)狀及趨勢分析[J]. 中國食物物與營養(yǎng),2010(5): 47-50. DOI:10.3969/j.issn.1006-9577.2010.05.013.

[2] 朱小喬, 劉通訊. 面筋蛋白及其對面包品質的影響[J]. 糧油食品科技, 2001, 22(8): 90-93. DOI:10.3969/j.issn.1007-7561.2001.04.007.

[3] 孫營偉, 周萍. 面粉濕面筋近紅外定量分析中的光譜預處理方法研究[J]. 中國釀造, 2016, 35(1): 137-140. DOI:10.11882/j.issn.0254-5071.2016.01.030.

[4] 錢海波, 孫來軍, 王樂凱, 等. 基于連續(xù)投影算法的小麥濕面筋近紅外校正模型優(yōu)化[J]. 中國農學通報, 2011, 27(18): 51-56.

[5] 石吉勇, 殷曉平, 鄒小波, 等. 基于模擬退火波長優(yōu)化的草莓堅實度近紅外光譜檢測[J]. 農業(yè)機械學報, 2010, 41(9): 99-103.DOI:10.3969/j.issn.1000-1298.2010.09.020.

[6] 王文秀, 彭彥昆, 劉媛媛. 基于近紅外光譜的豬肉新鮮度無損檢測方法的改進[J]. 食品安全質量檢測學報, 2015, 6(8): 3007-3013.

[7] 陸洪濤. 偏最小二乘回歸數(shù)學模型及其算法研究[D]. 北京: 華北電力大學, 2014: 2-40.

[8] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展, 2004, 16(4): 528-542. DOI:10.3321/j.issn:1005-281X.2004.04.008.

[9] 褚小立. 化學計量學方法與分子光譜分析技術[M]. 北京: 化學工業(yè)出版社, 2011: 83-84.

[10] 陳添兵, 劉木華, 黃林, 等. 不同光譜預處理對激光誘導擊穿光譜檢測豬肉中鉛含量的影響[J]. 分析化學, 2016, 44(7): 1029-1034.DOI:10.11895/j.issn.0253-3820.160040.

[11] 孫營偉, 周萍. 面粉濕面筋近紅外定量分析中的光譜預處理方法研究[J]. 中國釀造, 2016, 35(1): 137-140. DOI:10.11882/j.issn.0254-5071.2016.01.030.

[12] 黎文兵, 藥林桃, 劉木華, 等. 光譜預處理對LIBS檢測臍橙中Cu的偏最小二乘定量模型影響[J]. 光譜學與光譜分析, 2015, 35(5): 1392-1397. DOI:10.3964/j.issn.1000-0593(2015)05-1392-06.

[13] 張麗華, 郝莉花, 李順峰, 等. 基于支持向量機的近紅外光譜技術快速鑒別摻假羊肉[J]. 食品工業(yè)科技, 2015, 36(23): 289-293.DOI:10.13386/j.issn1002-0306.2015.23.051.

[14] 竇穎, 孫曉榮, 劉翠玲, 等. 基于拉曼光譜技術的小麥粉品質快速檢測[J]. 食品科學, 2014, 35(22): 185-189. DOI:10.7506/spkx1002-6630-201422035.

[15] 褚小立, 劉慧穎, 燕澤程. 近紅外光譜分析技術實用手冊[M]. 北京:機械工業(yè)出版社, 2016: 115-117.

[16] 劉永, 楊華蓉, 林大勝, 等. 近紅外光譜法測定三七通舒膠囊粉末的混合均勻度[J]. 華西醫(yī)學雜志, 2012, 27(4): 418-420. DOI:10.13375/j.cnki.wcjps.2012.04.013.

[17] 鄒昊, 田寒友, 劉飛, 等. 近紅外光譜的預處理對羊肉TVB-N模型的影響[J]. 食品科學, 2016, 37(22): 180-186. DOI:10.7506/spkx1002-6630-201622027

[18] 劉澤蒙, 張瑞, 張廣明, 等. 基于離散螢火蟲算法的近紅外波長優(yōu)選方法研究[J]. 光譜學與光譜分析, 2016, 36(12): 3931-3936.DOI:10.3964/j.issn.1000-0593(2016)12-3931-06.

[19] 於海明, 李石, 吳威, 等. 稻谷千粒質量近紅外光譜預測模型的波長選擇方法[J]. 農業(yè)機械學報, 2015, 46(11): 275-279. DOI:10.6041/j.issn.1000-1298.2015.11.037.

[20] SUN X, ZHANG H, GONG Z, et al. Spectral pretreatment and wavelength selection for soluble solids content in Gannan navel orange[J]. Sensor Letters, 2010, 8(1): 140-144. DOI:10.1166/sl.2010.1216.

[21] 秦善知, 陳斌, 陸道禮, 等. 基于便攜式近紅外光譜儀檢測梨可溶性固形物[J]. 江蘇農業(yè)科學, 2014, 42(8): 284-286. DOI:10.3969/j.issn.1002-1302.2014.08.105.

[22] 黃承偉, 戴連奎, 董學鋒. 結合SNV的分段直接標準化方法在拉曼光譜模型傳遞中的應用[J]. 光譜學與光譜分析, 2011, 31(5): 1279-1282. DOI:10.3964/j.issn.1000-0593(2011)05-1279-04.

[23] ZOU X B, ZHAO J W. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2): 14-23.DOI:10.1016/j.aca.2010.03.048.

[24] 郭亮, 吉海彥. 蟻群算法在近紅外光譜定量分析中的應用研究[J].光譜學與光譜分析, 2007, 27(9): 1703-1705.

[25] 郭成, 馬月, 梁夢醒, 等. 基于近紅外光譜結合波長優(yōu)選檢測單顆葡萄的SSC含量[J]. 食品與機械, 2016, 32(9): 39-43. DOI:10.13652/j.issn.1003-5788.2016.09.009.

[26] 張昊, 陶然, 李志勇, 等. 基于自適應模擬退火遺傳算法的特征選擇方法[J]. 兵工學報, 2009, 30(1): 82-85. DOI:10.3321/j.issn:1000-1093.2009.01.015.

[27] 谷筱玉, 徐可欣, 汪曣. 波長選擇算法在近紅外光譜法中藥有效成分測量中的應用[J]. 光譜學與光譜分析, 2006, 26(9): 1618-1620.DOI:10.3321/j.issn:1000-0593.2006.09.013.

[28] 陳紅艷, 趙庚星, 張曉輝, 等. 基于遺傳算法結合偏最小二乘的潮土堿解氮高光譜特征及含量估測[J]. 中國農學通報, 2015, 31(2): 209-214. DOI:10.11924/j.issn.1000-6850.2014-0934.

[29] 馬永杰, 云文霞. 遺傳算法研究進展[J]. 計算機應用研究, 2012 ,29(4): 1201-1206. DOI:10.3969/j.issn.1001-3695.2012.04.001.

[30] 陳斌, 陳蛋. 無信息變量消除法在近紅外光譜測定的應用[J]. 光譜儀器與分析, 2005(4): 26-30.

[31] 鄭劍, 周竹, 仲山民, 等. 基于近紅外光譜與CARS-PLS-LDA的褐變板栗識別[J]. 食品工業(yè), 2016, 37(2): 134-138.

[32] 曹道友. 基于改進遺傳算法的應用研究[D]. 合肥: 安徽大學, 2010.DOI:10.7666/d.d157960.

[33] 宋祥珍, 張尊建, 徐建平. 廣義模擬退火優(yōu)化及其在計算分光光度分析中的應用[J]. 中國藥科大學學報, 1997, 28(5): 294-297.DOI:10.3321/j.issn:1000-5048.1997.05.012.

[34] CHEN X J, LEI X X. Application of a hybrid variable selection method for determination of carbohydrate content in soy milk powder using visible and near infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2009, 57(2): 334-340. DOI:10.1021/jf8025887.

[35] XIN Z. The principle of simulated annealing algorithm and some problems in applications[J]. Journal of Beijing University of Posts and Telecommunications, 1991, 14(2): 91-100.

[36] XIE Y. Principle and realization of the simulated annealing algorithm[J]. Numerical Mathematies a Journal of Chinese Universities, 1999(3): 212-218.

[37] STEINBRUNN M, MOERKOTTE G, KEMPER A. Heuristic and ran domized optimization for the join ordering problem[J]. The VLDB Journal, 1997, 6(3): 8-17.

[38] KIRKPATRICK S, GELATT C D, VECCHI M P J R. Optimization by simulated annealing[J]. Science, 1983, 220: 671-680.

[39] 楊瑋, 李民贊, 鄭立華, 等. 冬棗氮素含量預測模型中特征波長選擇方法的應用[J]. 農業(yè)工程學報, 2015, 31(增刊2): 164-168.DOI:10.11975/j.issn.1002-6819.2015.z2.025.

[40] 陳孝敬, 吳迪, 虞佳佳, 等. 一種用于可見-近紅外光譜特征波長選擇的新方法[J]. 光學學報, 2008, 28(11): 2153-2158. DOI:10.11975/j.issn.1002-6819.2015.z2.025.

[41] 付苗苗, 劉梅英, 牛智有, 等. 基于近紅外光譜法的水稻秸稈可溶性糖快速檢測[J]. 華中農業(yè)大學學報, 2016, 35(2): 115-121.DOI:10.13300/j.cnki.hnlkxb.2016.02.018.

[42] 王曉琴, 候會絨, 孫芝楊, 等. 石榴花色苷近紅外光譜定量分析模型[J].食品科學, 2013, 34(13): 75-78. DOI:10.7506/spkx1002-6630-201313016.

[43] 林新, 牛智有. 綠茶茶多酚近紅外光譜定量分析模型優(yōu)化研究[J]. 食品科學, 2009, 30(10): 144-148. DOI:10.3321/j.issn:1002-6630.2009.10.028.

Near Infrared Spectroscopic Detection of Gluten Content in Wheat Flour Based on Spectral Pretreatment and Simulated Annealing Algorithm

SUN Xiaorong, ZHOU Zijian, LIU Cuiling, FU Xinxin, DOU Ying
(Beijing Key Laboratory of Big Data Technology for Food Safety, School of Computer and Information Engineering,Beijing Technology and Business University, Beijing 100048, China)

This study aimed to establish a reliable predictive model for quantitative analysis of gluten in wheat fl our using near infrared (NIR) spectroscopy. The optimal spectral pretreatment method combined with simulated annealing algorithm(SAA) was obtained by comparison of the partial least squares (PLS) regression models developed after different spectral pretreatments alone and combined with SAA based on their coefficient of determination (R2), root mean square error of calibration (RMSEC) and root mean square error of prediction (RMSEP). The results indicated that the stability and prediction performance of the PLS model were greatly improved by using spectral pretreatment combined with SAA, as demonstrated by an increase in R2from 0.763 7 to 0.949 1, a reduction in RMSEC from 1.371 2 to 0.589 8, and a decrease in RMSEP from 1.450 2 to 0.534 1. The combination of spectral pretreatment and SAA was feasible for the development of a predictive model for quantitative analysis of gluten. Moreover, the optimized model exhibited better stability and prediction performance than the unoptimized model and the one developed with spectral pretreatment alone.

near infrared spectroscopy; simulated annealing algorithm (SAA); spectral pretreatment; partial least squares(PLS); gluten

10.7506/spkx1002-6630-201802035

TS211.7

A

1002-6630（2018）02-0222-05

孫曉榮, 周子健, 劉翠玲, 等. 光譜預處理結合模擬退火算法的小麥粉面筋含量檢測[J]. 食品科學, 2018, 39(2): 222-226.

DOI:10.7506/spkx1002-6630-201802035. http://www.spkx.net.cn

2017-03-24

北京市教委科研計劃重點項目（KZ201310011012）；北京市教委科技創(chuàng)新平臺建設項目（PXM_2012_014213_000023）；北京市自然科學基金項目（4142012）；北京市優(yōu)秀人才資助項目（2012D005003000007）；北京市大學生科研訓練計劃深化項目

孫曉榮（1976—），女，副教授，碩士，研究方向為智能測量技術與數(shù)據(jù)處理、系統(tǒng)建模與仿真方法、智能控制方法。E-mail：sxrchy@sohu.com

SUN Xiaorong, ZHOU Zijian, LIU Cuiling, et al. Near infrared spectroscopic detection of gluten content in wheat flour based on spectral pretreatment and simulated annealing algorithm[J]. Food Science, 2018, 39(2): 222-226. (in Chinese with English abstract)

10.7506/spkx1002-6630-201802035. http://www.spkx.net.cn