雷 菁，萬智巍,2,*，鞠 民,2

（1.江西師范大學地理與環(huán)境學院，江西南昌 330022；2.鄱陽湖濕地與流域研究教育部重點實驗室，江西南昌 330022）

中國是世界上主要的雜糧生產中心[1]，各地有著豐富的雜糧消費傳統(tǒng)[2]。由于雜糧具有獨特的營養(yǎng)功能[3?6]，很多種類的雜糧被開發(fā)成為功能性食品和保健品[7?9]，如蕎麥加工的降糖食品、燕麥加工的富含纖維食品等。這些雜糧深加工產品較好地滿足了市場上有關降糖、降脂、減肥等消費需求[10?11]。淀粉是雜糧中主要的營養(yǎng)成分，很多雜糧也是通過粉化處理后再進行食用[12]。同時，雜糧粉也作為食品功能添加成分成為其他食品加工的原料[13]。由于粉化后雜糧的來源較難直接判斷，并且不同比例組成的雜糧粉也有著不同的質量要求。因此雜糧淀粉的鑒定在食品檢驗檢疫、雜糧食品真?zhèn)蔚确矫嬗兄匾淖饔肹14?15]。相關研究表明[16?17]，不同作物淀粉粒具有不同的形態(tài)特征，可以利用淀粉粒形態(tài)特征對淀粉粒種屬來源進行鑒定[18]。

近年來，隨著形態(tài)計量學相關學科的發(fā)展[19]，很多學者開始利用這一技術進行動物形態(tài)鑒定[20]、考古出土器物鑒定[21]、人臉識別系統(tǒng)設計[22]等領域的研究。形態(tài)計量學方法通過對物體的形態(tài)進行多指標定量化處理，可以方便地與多元統(tǒng)計方法進行結合，提高了物體識別和鑒定的效率和準確度。也有相關學者利用形態(tài)計量學方法對相關主要糧食作物和經濟類作物的淀粉粒進行了分析[23]，研究結果表明該方法可以較好的對淀粉粒形態(tài)進行定量化鑒定。主成分分析的結果顯示[24?25]，形態(tài)計量學方法所得到的主要形態(tài)參數(shù)可以較好的反映不同作物淀粉粒之間的差異，為淀粉粒的量化鑒定提供了依據(jù)。因此，本研究利用形態(tài)計量學方法對我國主要的雜糧品種，如高粱、小米和豆類等進行形態(tài)分析，獲得這些雜糧的淀粉粒形態(tài)量化特征。同時，結合多元統(tǒng)計分析中常用的典范對應分析（Canonical Correspondence Analysis，CCA）方法對雜糧淀粉粒形態(tài)進行識別和鑒定。研究可以為今后的雜糧淀粉品質檢測和不同淀粉來源鑒定等提供基礎數(shù)據(jù)和測試方法。

1 材料與方法

1.1 材料與儀器

高粱、小米、蕎麥、燕麥和薏米 取自北京市首航超市所出售的散裝糧食；綠豆、豌豆和扁豆 取自南昌市深圳農貿市場所出售的散裝糧食。

Nikon Eclipse 50iPOL 顯微鏡 日本尼康；離心機（LXJ-II-B） 上海飛鴿；IKA MS3 振蕩器 德國艾卡。

1.2 樣品分析方法

雜糧樣品的淀粉粒處理和提取過程參考文獻[24]中的方法。淀粉粒照片通過Nikon Eclipse 50iPOL 顯微鏡和MicroShot v1.2 圖像處理軟件獲取，每種雜糧的淀粉粒拍照個數(shù)參考文獻[26]中的標準，在顯微鏡下依據(jù)不同視野內所包括的淀粉粒數(shù)量，逐一進行選取和拍照測量。每種雜糧的淀粉粒選取個數(shù)為30 粒，如一個視野中數(shù)量不夠則進行多次拍照以保證數(shù)量。

1.3 形態(tài)計量指標

形態(tài)計量指標按照文獻[26?28]中的標準，主要選取粒徑均值、粒徑標準差、盒維數(shù)、輪廓線均值、輪廓線標準差、層紋、凹坑、擠壓面、裂隙、臍點、小波譜、Hu 不變矩（Hu1～Hu7）等，指標的計算使用Geomorph 軟件[29]和Matlab 2012a 軟件進行處理。粒徑值通過顯微鏡測量獲得，一般情況下可以直接通過顯微鏡目鏡中的標尺進行數(shù)據(jù)讀取；盒維數(shù)是一種通過不同尺度正方形網格所定義的曲線分形維數(shù)，可以用來反映曲線的分形幾何特征，該數(shù)據(jù)通過Matlab 軟件中的Sandbox 軟件包進行求?。惠喞€均值、輪廓線標準差等通過Geomorph 軟件獲得，用以表示輪廓線的相對變化程度；層紋、凹坑、擠壓面、裂隙、臍點等指標表示淀粉粒的表面基本形貌，屬于名義變量，如淀粉具有這一特征則記為1、不具備則記為0；小波譜指標為輪廓曲線經過小波分析轉換所得的二維圖譜，具有類似于波峰和波谷特征，以形態(tài)上存在的閉合曲線個數(shù)進行定義，小波譜值的計算通過Matlab 軟件中的Wavelet Toolbox 工具箱進行求取；Hu 不變矩是圖像數(shù)字化的統(tǒng)計特征，區(qū)域的矩可以根據(jù)區(qū)域范圍內的點的位置進行計算，用以反映整體圖像的特征[30]，Hu 系列指標通過Matlab 軟件中的Hu1-7 軟件包進行求取。

1.4 典范對應分析（CCA）

典范對應分析（CCA）是多元統(tǒng)計分析的一種，可以對樣本及其環(huán)境因子進行綜合分析，了解不同影響因子下的樣本排序，以及不同影響因子之間的相互關系。本次研究使用VEGAN 軟件包[31]中的CCA函數(shù)進行分析。計算過程中所使用的參數(shù)為粒徑均值、粒徑標準差、盒維數(shù)、輪廓線均值、輪廓線標準差、層紋、凹坑、擠壓面、裂隙、臍點、小波譜、Hu1-7 等共計18 類參數(shù)。

1.5 數(shù)據(jù)處理

淀粉粒形態(tài)計量指標的獲取與數(shù)據(jù)處理過程參照圖1進行，主要包括二值化、輪廓提取、極坐標處理、外形輪廓曲線生成和小波譜分析等步驟，最終結合其他觀察指標和Matlab 2012a 軟件進行數(shù)據(jù)處理。

圖1 淀粉粒形態(tài)計量與數(shù)據(jù)處理流程圖Fig.1 Flow chart of starch grain morphometric data processing

2 結果與分析

2.1 基本幾何形態(tài)

本次8 種雜糧淀粉粒提取結果顯示（圖2），不同類型的雜糧淀粉粒在整體形貌、粒徑大小等方面具有一定的差異。高粱、小米、蕎麥和薏米的淀粉粒具有較為明顯的多邊形特征，在其淀粉粒周邊存在部分擠壓面。燕麥的淀粉除部分較小的瞬時淀粉外，多具有半橢圓形特征，并具有較為明顯的臍點。綠豆、豌豆和扁豆淀粉粒在整體形貌上呈不規(guī)則橢圓形，并具有層紋和裂隙。在淀粉粒粒徑方面（圖3），豆類植物的粒徑較大，其中豌豆最大，粒徑均值為24.008 μm；綠豆粒徑均值為23.895 μm；扁豆粒徑均值為21.001 μm。高粱、薏米和小米的淀粉粒平均粒徑較為接近，分別為18.931、13.499 和13.482 μm。蕎麥和燕麥的淀粉粒平均粒徑較小，分別為7.194 和4.861 μm。相關研究表明[32]不同植物由于基因和生長環(huán)境的差異，其淀粉粒具有不同的形態(tài)。同時，由于不同植物形成淀粉粒的儲存器官細胞結構不同，導致具有不同的粒徑。由于本研究主要從形態(tài)學角度對不同雜糧淀粉粒進行分析，因此不涉及淀粉粒形態(tài)與淀粉性質之間的關系。

圖2 8 種雜糧的淀粉粒形態(tài)圖譜Fig.2 Morphological map of starch grains of 8 kinds of coarse grain

圖3 8 種雜糧淀粉粒粒徑分布箱型圖Fig.3 Box-whisker plot of the particle size distribution of 8 kinds of coarse grain

2.2 外形輪廓量化

淀粉粒外形輪廓曲線量化結果顯示（圖4），不同雜糧淀粉粒外形輪廓曲線差異較大。整體而言，高粱、小米、蕎麥和薏米等多邊形淀粉粒的輪廓曲線具有較為明顯的折線和鋸齒。綠豆、豌豆和扁豆等豆類淀粉粒則具有不規(guī)則的波動曲線特征，這也與其淀粉粒輪廓較為光滑有關。燕麥淀粉粒的輪廓曲線的變化特征則介于這兩種形態(tài)之間。由于淀粉粒形態(tài)較為復雜，因此直觀的判斷具有一定的不確定性。外形輪廓通過定量轉化之后的外形輪廓曲線可以將不同樣品的淀粉粒置于同一坐標系中進行比較，可以較為直觀的進行分析。

圖4 8 種雜糧淀粉粒輪廓曲線Fig.4 Contour curves of starch grains of 8 kinds of coarse grain

2.3 小波圖譜分析

淀粉粒輪廓線的小波圖譜分析結果表明（圖5），不同雜糧的淀粉粒輪廓線小波圖譜差異較大。由小波波譜值高值區(qū)和低值區(qū)構成的譜值閉合區(qū)個數(shù)可以看出，豆類淀粉粒具有較為光滑的淀粉粒形態(tài)，其小波譜閉合區(qū)也最為規(guī)律，其中綠豆和豌豆淀粉粒輪廓線具有完整的4 個小波譜閉合區(qū)，扁豆的小波譜也較為規(guī)律，具有4.5 個小波譜閉合區(qū)。燕麥由于具有半橢圓形的形態(tài)，其輪廓線小波譜也具有4 個閉合區(qū)，但是存在一個閉合區(qū)特征不明顯。高粱、小米、蕎麥和薏米的淀粉粒具有多邊形特征，因此其小波譜閉合區(qū)表現(xiàn)較為復雜，往往具有不同大小的閉合區(qū)。這其中，薏米的淀粉粒形態(tài)雖然屬于多邊形，但是表面較為光滑，因此其小波譜也具有6 個較為明顯的閉合區(qū)。小波圖譜可以將一維曲線轉化為二維的圖形，該圖形類似于地形分析中常用的等高線系統(tǒng)，也存在波峰區(qū)和波谷區(qū)。如圖5所示，在小波譜值的高值區(qū)和低值區(qū)即對應為波峰區(qū)和波谷區(qū)。這一明顯的圖譜特征可以為我們進一步分析不同類型的淀粉粒提供一個量化參數(shù)。

圖5 8 種雜糧淀粉粒形態(tài)輪廓線小波譜圖Fig.5 Wavelet spectrogram of morphological contour line of starches from 8 kinds of coarse grain

2.4 聚類分析

依據(jù)形態(tài)計量學方法所得到的特征參數(shù)作為聚類分析的變量因子，對8 種雜糧淀粉粒進行分層聚類分析，結果如圖6所示。三種豆類淀粉粒，綠豆、扁豆和豌豆聚為第一類；蕎麥和高粱聚為第二類；薏米和小米聚為第三類；燕麥單獨成為一類。這一聚類結果較好的體現(xiàn)了淀粉粒形態(tài)分析，以及其他淀粉粒形態(tài)計量參數(shù)的分析結果。三種豆類淀粉粒形態(tài)上更為接近，具有較為接近的粒徑大小，多出現(xiàn)層紋和表面裂隙等。薏米、小米、蕎麥和高粱淀粉粒都是多邊形，因此在形態(tài)上也較為接近。燕麥由于具有較小的粒徑均值，并且在形態(tài)上與其他雜糧淀粉粒差異較大，因此單獨歸為一類。

圖6 8 種雜糧淀粉粒聚類分析結果Fig.6 Cluster analysis results of 8 kinds of coarse grain

2.5 判別分析

對8 種雜糧淀粉粒相關形態(tài)參數(shù)進行主成分分析，結果顯示在前3 個主成分軸的方差貢獻率分別為38.554%、30.372%和25.261%，累積解釋方差貢獻率為94.187%，可以較好地反映原始數(shù)據(jù)所攜帶的信息。因此，按照3 個主成分軸對8 種雜糧淀粉粒進行坐標投影，結果如圖7所示。利用SPSS 24 軟件，對主成分分析的結果進行判別方程的構建，方程組為：

圖7 8 種雜糧淀粉粒判別分析投影圖Fig.7 Projection diagram of discriminant analysis of 8 kinds of coarse grain

Y1=0.083a+0.081b?0.020c?0.100d+0.110e+0.107f?0.118g?0.006h+0.026i?0.112j?0.103k?0.035l+0.074m+0.029n?0.125o+0.102p+0.105q+0.119r

Y2=0.163a+0.154b+0.089c+0.091d?0.049e+0.110f+0.051g?0.187h+0.090i?0.057j+0.061k?0.172l?0.082m-0.194n+0.063o+0.051p?0.016q?0.074r

Y3=0.074a+0.009b+0.254c?0.164d+0.143e?0.007f?0.117g?0.132h+0.190i+0.067j+0.121k+0.155l+0.208m+0.126n+0.116o?0.054p?0.106q?0.129r

式中，a=粒徑均值，b=粒徑標準差，c=盒維數(shù)，d=輪廓線均值，e=輪廓線標準差，f=層紋，g=凹坑，h=擠壓面，i=裂隙，j=臍點，k=小波譜，l～r 分別代表Hu 不變矩1～7。其中，參數(shù)a～e 和k～r 為數(shù)量值，取值范圍為具體數(shù)值；f～j 為名義變量，取值范圍為0（未出現(xiàn)）或1（出現(xiàn)）。

2.6 影響因素分析

對8 種雜糧淀粉粒形態(tài)特征參數(shù)的CCA 分析顯示（圖8a），代表粒徑均值（Mean）、粒徑標準差（Std）、Hu 不變矩3（Hu3）、擠壓面（JY）和Hu 不變矩1（Hu1）等特征的因子箭頭長度最長，說明這些特征是影響淀粉粒形態(tài)差異的主要因素。另外，與前述因子相垂直方向上，Hu 不變矩4（Hu4）、輪廓線均值（Lk_mean）、Hu 不變矩7（Hu7）和輪廓線標準差（Lk_std）等指標也具有較大的影響。將各個影響因子變量線進行延長，8 種雜糧淀粉粒樣本垂直投影在相應射線上，其投影落點越靠近箭頭方向說明其受該因子影響就越大。以淀粉粒粒徑均值為例，綠豆、豌豆和扁豆的投影落點靠近箭頭，說明其影響較大，而燕麥的投影落點離箭頭最遠，說明其受該因子影響最小。由此可見，在進行淀粉粒區(qū)分是，當某一種因子不好進行淀粉粒識別和鑒定時，可以選擇其所受最大影響的因子進行分析。各影響因素之間的相關分析結果顯示（圖8b），全部影響因素可以分為兩大類，不同類型因子之間的相關系數(shù)存在差異，這也為今后在選取不同因素分別進行淀粉粒鑒定時提供了參考。

圖8 8 種雜糧淀粉粒CCA 分析和相關系數(shù)熱圖Fig.8 Canonical correspondence analysis and correlation coefficient heat map of 8 kinds of coarse grain

3 結論與討論

綜合利用淀粉粒形態(tài)計量相關參數(shù)指標，對中國常見8 種雜糧進行淀粉粒形態(tài)進行識別與鑒定。不同類型的雜糧淀粉粒在整體形貌、粒徑大小等方面具有一定的差異。高粱、薏米、小米和蕎麥的淀粉粒為多邊形，粒徑均值和標準差為18.931±4.720、13.499±2.183、13.482±3.699 和7.194±1.599 μm；豌豆、綠豆和扁豆淀粉粒為不規(guī)則橢圓形，粒徑均值和標準差為24.008±7.327、23.895±4.706 和21.001±4.943 μm；燕麥淀粉粒為半橢圓形，粒徑均值和標準差為4.861±0.951 μm。輪廓曲線量化分析結果顯示，谷類雜糧的多邊形淀粉粒的輪廓曲線具有較為明顯的折線和鋸齒，其小波譜閉合區(qū)表現(xiàn)較為復雜；豆類淀粉粒輪廓線具有波動曲線特征，其小波譜閉合區(qū)則較為規(guī)律；燕麥的輪廓曲線和小波譜閉合區(qū)的相關特征則介于谷類雜糧和豆類之間。淀粉粒形態(tài)參數(shù)的聚類分析和判別分析的結果則顯示，8 種雜糧可以被區(qū)分為4 大類，并且不同淀粉?？梢酝ㄟ^判別方程得到較好的區(qū)分。CCA 分析和相關系數(shù)熱圖顯示不同影響因子之間具有一定的差異性，代表粒徑均值、粒徑標準差、Hu 不變矩3、擠壓面和Hu 不變矩1 等特征的因子箭頭長度最長，說明這些特征是影響淀粉粒形態(tài)差異的主要因素。在進行淀粉粒形態(tài)鑒定時CCA 分析可以為不同淀粉粒的鑒定提供影響因子選擇標準。

本次研究嘗試利用形態(tài)計量學方法獲得相關形態(tài)參數(shù)，結合CCA 分析等方法對8 種雜糧的淀粉粒形態(tài)進行了研究。不同類型雜糧的淀粉粒具有不同的形態(tài)，相關研究也顯示[33]，高粱、薏米、小米的淀粉粒呈多邊形；豆類淀粉粒則大部分屬于橢圓形[34]，并且具有較為明顯的層紋和裂隙。輪廓曲線的研究同樣顯示[23]，水稻和玉米等多邊形淀粉粒的輪廓較為曲折、土豆和山藥等偏橢圓形的淀粉粒輪廓則較為平滑，這也與本次研究的結果一致。不同植物的淀粉粒形態(tài)由于基因和環(huán)境的差異具有不同的形態(tài)特征[32]，如何利用定量化的方法實現(xiàn)淀粉粒的自動鑒定具有重要的意義。今后的研究可以收集更多類型的雜糧以及其他植物樣品，系統(tǒng)研究常見植物淀粉粒形態(tài)并構建數(shù)據(jù)庫，以期為相關植物和食品鑒定提供依據(jù)。