王欣卉，宋雪健

（黑龍江八一農(nóng)墾大學(xué)食品學(xué)院，黑龍江大慶 163319）

近年來，發(fā)展最快的綠色分析技術(shù)之一近紅外光譜技術(shù)（Near Infrared Reflectance Spectroscopy，NIRS） 以其快速、便捷、無破壞性等優(yōu)點(diǎn)在諸多行業(yè)中被廣泛使用[1-2]。在近紅外光譜區(qū)內(nèi)（780～2 526 nm） 隱藏著豐富的主體化學(xué)鍵的光學(xué)信息和含氫基團(tuán)，如O-H、C-H、P-H 和N-H 等，由于物質(zhì)分子中原子團(tuán)的能級(jí)躍遷，引發(fā)近紅外光以非諧振性振動(dòng)而產(chǎn)生的倍頻和合頻光譜吸收區(qū)域，進(jìn)而得到不同的近紅外光譜數(shù)據(jù)[3-4]。近紅外光譜圖像會(huì)隨著物質(zhì)中分子間、分子內(nèi)構(gòu)造與成分含量的變化而改變，這樣使每種物質(zhì)具有穩(wěn)定、獨(dú)特的光譜特點(diǎn)。但是，其光譜會(huì)出現(xiàn)譜帶疊覆等因素的干擾，穩(wěn)定性、精度、靈敏度會(huì)大幅下降，因此通過與化學(xué)計(jì)量學(xué)、數(shù)學(xué)進(jìn)行結(jié)合，對(duì)原始光譜進(jìn)行處理可以改善這一問題。

化學(xué)計(jì)量學(xué)包括線性回歸方法（主成分回歸法、偏最小二乘法、多元線性回歸法） 和非線性回歸方法（ANN）[5]，其中偏最小二乘法應(yīng)用較為廣泛。Das Bappa 等人[6]研究發(fā)現(xiàn)在多元模型中，偏最小二乘回歸法對(duì)水稻作物葉片含水量的預(yù)測(cè)效果最好（訓(xùn)練和驗(yàn)證的RPD 分別為6.33 和4.06）。路輝等人[7]利用近紅外光譜技術(shù)對(duì)有粳米、糯米和秈米的90 個(gè)大米品種的營(yíng)養(yǎng)成分進(jìn)行檢測(cè)，研究表明大米直鏈淀粉、蛋白質(zhì)、脂肪、水分含量的近紅外光譜檢測(cè)模型檢測(cè)精度較高。王朝輝等人[8]利用近紅外光譜技術(shù)結(jié)合偏最小二乘法對(duì)來自松原的368 個(gè)大米樣品進(jìn)行品種鑒別研究，結(jié)果表明5 個(gè)大米品種的正確識(shí)別率為100%。

采用近紅外光譜技術(shù)結(jié)合偏最小二乘法對(duì)不同年份的大米進(jìn)行檢測(cè)鑒別，旨在為了快速高效地鑒別出不同年份的大米。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)于2019 年、2018 年、2017 年在水稻成熟后，在黑龍江省方正縣采用5 點(diǎn)隨機(jī)取樣法進(jìn)行采樣，其中各年份的樣品均為50 份，總計(jì)150 份。

1.2 儀器與設(shè)備

FC2K 型礱谷機(jī)，日本大竹制作所產(chǎn)品；VP-32型實(shí)驗(yàn)?zāi)朊讬C(jī)，日本山本公司產(chǎn)品；FW100 型高速萬能粉碎機(jī)，天津泰斯特儀器有限公司產(chǎn)品；TENSORⅡ型傅里葉變換近紅外光譜儀，德國(guó)布魯克（北京） 科技有限公司產(chǎn)品。

1.3 試驗(yàn)方法

1.3.1 大米樣品的前處理

為控制變量，將采集的稻谷進(jìn)行統(tǒng)一的加工處理，經(jīng)過晾曬、脫離、礱谷、碾米及粉碎，過100 目篩，備用。

1.3.2 樣品的分類

分別隨機(jī)將3 類樣品的2/3 作為建模集合，1/3作為驗(yàn)證集合。

樣品分類見表1。

表1 樣品分類/個(gè)

1.3.3 大米原始光譜的采集

在環(huán)境溫度為25±1 ℃，相對(duì)濕度為20%～30%的條件下，取100 g 大米于樣杯中，置于近紅外光譜儀進(jìn)行光譜采集，掃描64 次，取平均值，分辨率8 cm-1，波數(shù)范圍為12 000～4 000 cm-1。

1.3.4 檢測(cè)模型的建立與驗(yàn)證

（1） 定量分析模型的建立。將2019 年的樣品賦值為1，2018 年的樣品賦值為0，2017 年的樣品賦值為-1，對(duì)原始光譜的預(yù)處理方式有矢量歸一化、減去一條直線、多元散射矯正、一階導(dǎo)數(shù)+ 平滑（5，9，13，17，21，25，下同）、一階導(dǎo)數(shù)+ 矢量歸一化+ 平滑、一階導(dǎo)數(shù)+ 減去一條直線+ 平滑、一階導(dǎo)數(shù)+多元散射矯正+平滑、消除常數(shù)偏移量、最小-最大歸一化、內(nèi)部標(biāo)準(zhǔn)，化學(xué)計(jì)量學(xué)的方法為偏最小二乘法，其中根據(jù)均方根標(biāo)準(zhǔn)誤差（Root Mean Square Error of Cross Validation，RMSECV） 越小建模效果越好，定向系數(shù)R2越大越好。

式中：Ai——大米樣品比例的實(shí)際值；

Bi——近紅外光譜法的預(yù)測(cè)值；

n——校正集樣品數(shù)。

（2） 模型的驗(yàn)證。利用OPUS 7.5 軟件的定量分析模塊進(jìn)行測(cè)定。

2 結(jié)果與分析

2.1 大米樣品的原始光譜分析

大米樣品的原始光譜圖見圖1。

圖1 大米樣品的原始光譜圖

由圖1 可知，波數(shù)在8 696～8 000 cm-1范圍內(nèi)的8 333 cm-1吸收峰是-CH 鍵二級(jí)倍頻引起的。由-NH2的不對(duì)稱振動(dòng)所引起的7 000～6 500 cm-1處的吸收峰。在5 500～5 000 cm-1范圍內(nèi)的5 166 cm-1處吸收峰主要是糖類及蛋白等大分子中-NH 鍵、-CH鍵、-OH 鍵及C=O 鍵的合頻吸收區(qū)間[9-10]。

2.2 大米樣品的定量分析模型

在采集原始大米樣品光譜圖時(shí)，會(huì)受到高頻率的噪聲、基線漂移、散射及樣品分布不均勻的因素影響，導(dǎo)致檢測(cè)精度下降，因此需要對(duì)原始光譜進(jìn)行預(yù)處理。為了使全波長(zhǎng)（1 2000～4 000 cm-1） 范圍內(nèi)采集的信息較為全面地利用，試驗(yàn)采用在全波長(zhǎng)范圍內(nèi)建模。

不同預(yù)處理方式對(duì)定量分析模型的影響見表2。

由表2 可知，在全波長(zhǎng)范圍內(nèi)采用一階導(dǎo)數(shù)+5點(diǎn)平滑的預(yù)處理方式結(jié)合偏最小二乘法建立的定量分析模型效果較好，其RMSECV 為0.087，R2為98.85，維數(shù)為7。

表2 不同預(yù)處理方式對(duì)定量分析模型的影響

大米的預(yù)測(cè)值與真實(shí)值相關(guān)圖見圖2，定量分析模型的RMSECV 與維數(shù)相關(guān)圖見圖3。

圖2 大米的預(yù)測(cè)值與真實(shí)值相關(guān)圖

圖3 定量分析模型的RMSECV 與維數(shù)相關(guān)圖

2.3 模型的驗(yàn)證

以大米樣品的預(yù)測(cè)值在1±0.5 的區(qū)間內(nèi)為2019年的大米，以此類推。由表3 可知，定量分析模型對(duì)2019 年和2018 年的大米樣品進(jìn)行驗(yàn)證的正確率高達(dá)100%，對(duì)2017 年大米樣品的正確鑒別率為94.1%。

驗(yàn)證結(jié)果見表3。

表3 驗(yàn)證結(jié)果

3 結(jié)論

采用近紅外光譜技術(shù)對(duì)2019—2017 年的150 份大米進(jìn)行鑒別研究。結(jié)果表明，在全波長(zhǎng)范圍內(nèi)采用偏最小二乘法結(jié)合一階導(dǎo)數(shù)+5 點(diǎn)平滑的預(yù)處理方式建立的模型效果較高，對(duì)2019 年和2018 年大米樣品的正確鑒別率高達(dá)100%，對(duì)2017 年大米樣品的正確鑒別率為94.1%。因此，采用近紅外光譜技術(shù)可以實(shí)現(xiàn)對(duì)大米新陳度的快速檢測(cè)研究。