張園 趙遠程 姜文艷 李偉 王能軍

摘要：大豆中包含諸多營養(yǎng)物質(zhì)，是我國植物油主要來源之一，同時還可將其制作成豆制品及飼料，是國家關(guān)鍵經(jīng)濟作物及最大進口量農(nóng)產(chǎn)品。伴隨我國大豆產(chǎn)量逐步提升，其品質(zhì)標準及檢測價值逐步突顯，現(xiàn)階段檢驗主要依靠人眼識別及化學檢測技術(shù)，但均不適合運用在大規(guī)模檢測中，而光譜分析及成像技術(shù)中涉及化學計量學方式，能夠查看農(nóng)作物中各種成分含量。本文將對大豆品質(zhì)標準及檢測技術(shù)進行研究，從而使此項工作高效完成。

關(guān)鍵詞：大豆品質(zhì) 標準 檢測技術(shù)

引 言

近年來，在我國大豆產(chǎn)業(yè)逐步發(fā)展進程中，光譜分析和光譜成像技術(shù)已被廣泛使用到大豆品質(zhì)檢測技術(shù)的各環(huán)節(jié)中，其能夠融合化學計量學模式，查驗大豆物質(zhì)成分實際含量。同時此項技術(shù)有著速度快、精準度高、無損壞研究等特點，可與被測物質(zhì)間形成數(shù)學關(guān)聯(lián)，從中取得被檢測樣品最終結(jié)果，已經(jīng)大規(guī)模應用到瓜果蔬菜、肉類、茶葉及其他農(nóng)作物品質(zhì)檢測中，且得到一定認可。

一、大豆品質(zhì)標準

依據(jù)國家標準，按照顏色可將大豆分為黃、青、黑類大豆和其他大豆以及飼料豆，同時針對互相混合限度及雜大豆做出明確規(guī)定。上述大豆根據(jù)其純糧率可劃分成五個等級，一到五等級最低標準分別為：96.0%、93.5%、91.0%、88.5%、86.0%，且雜質(zhì)1.0%，水分東北及華北地區(qū)均是13.0%，我國其他地區(qū)14.0%，并要求色澤氣味正常。此外還提出：第一，各品種大豆應將3等作為中等標準，若低于5等則視作等外大豆；第二，大豆外皮脫離、子葉保持完整且種皮存在白蒲并沒有損害子葉的都是好粒；第三，所收取大豆水分而定最大限額與大豆正常儲存水分標準，由各省、自治區(qū)、直轄市制定；第四，衛(wèi)生標準和動植物檢疫項目必須遵循國家有關(guān)規(guī)定實施。

二、大豆品質(zhì)標準及檢測技術(shù)

（一）水分檢測

大豆中水分含量影響儲藏時長形成，是鑒定大豆品質(zhì)的核心指標，有專家借助近紅外光譜儀，收集我國各區(qū)域大豆近紅光譜信息154份，創(chuàng)建出的水分模型具有較高預測作用。同時還有國外學者采用傅里葉近紅光譜技術(shù)，針對上百份巴西大豆水分以及營養(yǎng)物質(zhì)含量實施預測，使用MSC、SNC等技術(shù)，有效處理平均光譜，同時構(gòu)建預測模型，對于大豆中水分及蛋白質(zhì)預測效果較為明顯。我國專家積極探索大豆水分及粗脂肪含量檢測，創(chuàng)設(shè)出MSC-PLSR及Nor-PLSR兩個模型，能夠分別定量且有效研究出水分及粗脂肪總量，從中得出的相應系數(shù)是0.9055及0.9295。為使預測結(jié)果真實有效，上述研究內(nèi)容均將大豆樣品實施粉碎，但針對大豆整體及單粒水分測驗，還需要不斷分析鉆研，其中光譜波段保持在400nm至2500nm間，通常情況下使用PLS模型^[1]。

（二）蛋白質(zhì)和脂肪檢測

蛋白質(zhì)和脂肪含量是作為判斷大豆質(zhì)量優(yōu)劣的兩個關(guān)鍵指標，在以往對其進行檢測時，通常采用凱氏定氮技術(shù)及索氏抽提技術(shù)，檢測結(jié)果精確度高，然而也有著操作繁雜、損害樣品和污染環(huán)境等不定之處。這兩種營養(yǎng)物質(zhì)在近紅外區(qū)具有充足吸收普帶，能夠呈現(xiàn)特有光譜特點，因此，現(xiàn)階段在對其檢測時較常應用近紅外光譜技術(shù)。我國學者研究數(shù)學處理方法、去散射校正技術(shù)回歸方法等對模型精確性的影響因素，從而構(gòu)建出大豆蛋白質(zhì)及粗脂肪含量近紅外預測模型；還有學者通過二階導數(shù)及Norris導數(shù)濾波技術(shù)針對近紅外光譜數(shù)據(jù)展開預處理，同時對大豆干物質(zhì)、粗蛋白質(zhì)和脂肪等分別構(gòu)建PLS預測模型，針對上述前三種物質(zhì)在大豆中含量具有比較精確的預測結(jié)果，而針對最后一種物質(zhì)含量測量精準性需要提升。

（三）營養(yǎng)成分檢測

1. 脂肪酸。大豆中脂肪酸種類較多，且其含量和配比直接影響著大豆油質(zhì)量，也決定著大豆油營養(yǎng)成分、儲藏及加工，由此可知，對此進行有效檢測是大豆培育新品種過程中，選擇優(yōu)質(zhì)種子及大豆油加工的核心因素。在過去對其檢測時，通常使用高效液相色譜法及氣相色譜法，然而這兩種技術(shù)需要大量時間、再加上成本較高，無法滿足大批量樣品檢測需求。對此部分相關(guān)專業(yè)專家及學者針對此進行光譜檢測技術(shù)的研究，其中有學者收集黑龍江省各區(qū)域大豆樣品二十多種的光譜信息，并借助多元性回歸算法及偏最小二乘法構(gòu)建立定標模型，同時分別結(jié)合傳統(tǒng)檢測方式得出脂肪酸最終含量，這兩項檢測技術(shù)相關(guān)性是95.63%，差距是0.378。國外專家借助近紅外光譜法針對大豆子葉中包含的各種氨基酸含量實施定量研究，在這五種含量中成功檢測出其中四種含量。此外還有層析法及氣相色譜法，前者即便檢測成本較低，然而由于較難定量，因此較少應用，而后者也是主要應用方式，其屬于一種較為準確的測量技術(shù)，同時還是國際及國家規(guī)準方法，應用較為廣泛，其主要工作原理就是：首先將大豆油中脂肪酸甘油酯轉(zhuǎn)變成脂肪酸甲酯，并將樣品放到氣化室中進行氣化，其伴隨流動相融入色譜柱，在通過固定相時，因其各組分在性質(zhì)與結(jié)構(gòu)方面有著一定差異，在上述部分停留時間不相同，就會按照相應次序從中流出，進而融入到檢測器中實施檢測、分離及研究各組分。按照色譜峰滯留時長定性，且遵循大豆油樣品色譜峰面積，判定各脂肪酸含量，最后依據(jù)樣品色譜峰及外表色譜峰兩者面積明確決定含量^[2]。

2. 異黃酮。光譜分析及成像技術(shù)能夠精準檢測總異黃酮含量，然而對其各組分無法清晰預測，我國部分學者嘗試著檢測傅里葉近紅外光譜查看大豆中總異黃酮可操作性，但由于各異黃酮組分的近紅外模型系數(shù)都小于0.75，無法進行精準檢測。還有研究人員根據(jù)高光譜成像技術(shù)，找到大豆高光譜成像，并從中搜集到光譜數(shù)據(jù)，挑選出特征波長后，借助支持矢量回歸計算方式，構(gòu)建其含量預測模型，最終效果較為理想。國外專家通過近紅外光譜儀收集三千兩百個單粒大豆光譜信息，構(gòu)建最優(yōu)預測模型，其中總皂苷成分檢測效果較差，但總異黃酮總量檢測效果較為優(yōu)良。

3. 氨基酸。經(jīng)常使用的氨基酸檢測技術(shù)大致有兩種類型：其一是氨基酸分析儀測定技術(shù)，其主要工作原理就是借助氨基酸專用分析儀進行分離，隨后針對衍生出的反映實施檢測，其結(jié)果精準性較高，同時也是當前國家標準及ISO規(guī)準模式，然而由于此儀器價格極為昂貴，且使用途徑單一，通常實驗室較少引進，因此，使用頻次較少；其二是高效液相色譜法，國內(nèi)專家利用傅里葉近紅外光譜技術(shù)針對通過高效液相色譜法研究的接近200份大豆的18種氨基酸總量實施預測，從中得到此種方式能夠?qū)偭枯^多的15種氨基酸展開精準檢測，但對含量較少的3種氨基酸檢測成效不佳^[3]。

4. 膳食纖維。國外學者以傳統(tǒng)檢測模式作依據(jù)，通過VIP算法選用變量后，借助近紅外光譜信息構(gòu)建的PLS模型，能夠精準測量出巴西大豆總膳食纖維含量。

5. 磷脂和花青素。部分學者借助近紅外光譜技術(shù)查看大豆磷脂實際含量，通過偏最小二乘回歸技術(shù)構(gòu)建光譜與磷脂成分濃度間的模型，還有專家采用傅里葉近紅外光譜及其紅外光譜技術(shù)，高效檢測出單顆大豆總花青素及其他種類此營養(yǎng)成分總量。

（四）大豆品種檢測

我國大豆種類繁多，精準、迅速判定大豆品種對確保農(nóng)民利益、檢測種子品質(zhì)和確保國家糧食食品安全至關(guān)重要，國內(nèi)諸多此領(lǐng)域?qū)W者針對大豆品種鑒定進行深層次研究。分析范圍大多是在400nm到1000nm波段之間，且較常使用高光譜成像技術(shù)，其中反向傳播神經(jīng)網(wǎng)絡(luò)、極限學習機等模型對其檢測結(jié)果精準性較好，經(jīng)常應用到的模型就是前者，然而其所建立的模型需針對特定品種，且還需正確調(diào)整及多次使用檢驗后，才可對其他品種進行檢測。我國學者對大豆育種環(huán)節(jié)中早代快速篩選問題展開研究，圍繞SIMCAN技術(shù)對單顆種粒紅外光譜信息創(chuàng)設(shè)立定性研究模型，可精準判別墾鑒豆43及中黃13型大豆種子。此外還有學者收集10類品種大豆高光譜圖像，并對其實施預處理從中獲得特殊波長，察覺到MSC-CARS-EL模型判定準確率最高。

（五）轉(zhuǎn)基因及非轉(zhuǎn)基因檢測

一直以來轉(zhuǎn)基因大豆安全性受到國民高度重視，鉆研轉(zhuǎn)基因和非轉(zhuǎn)基因大豆的判定及檢測技術(shù)有著極為關(guān)鍵的意義及影響。我國學者對大豆近紅外反射光譜信息展開預處理，創(chuàng)設(shè)出PCA-反向傳播神經(jīng)網(wǎng)絡(luò)模式，對22個大豆樣品進行檢測，準確率高達100%，然而這其中僅僅是對單一轉(zhuǎn)基因大豆種類實施鑒定；還有學者對非轉(zhuǎn)基因大豆親本和其轉(zhuǎn)基因大豆種類展開鑒定，借助近紅外光譜成像技術(shù)，根據(jù)預處理和未預處理全譜、特征波長創(chuàng)設(shè)出PLS-DA模型，獲得較高鑒定成功率。然而因研究包含的轉(zhuǎn)基因大豆種類比較少，若想使研究成果得到加強，就需要擴寬轉(zhuǎn)基因大豆種類范疇，并且深挖高光譜中圖像各種信息數(shù)據(jù)，使其和光譜信息有機融合，進一步優(yōu)化轉(zhuǎn)基因大豆種子鑒別技術(shù)^[4]。

（六）病蟲害檢測

借助光譜分析及成像技術(shù)檢驗大豆病蟲害的相關(guān)研究較少，國外該方面專家結(jié)合軟X射線以及近紅外高光譜成像技術(shù)構(gòu)建分析模型，借此查看大豆是否遭到豇豆象甲危害，通過此種技術(shù)形成的LDA分類模型，針對未曾受到侵染和已經(jīng)遭到侵染種子的精準率是86%和87%之上，隨后采用QDA分析模型針對79%以上的兩種種子實施正分化。

（七）外觀檢測

相關(guān)工作者針對采用大豆外觀等級劃分展開分析，其中有學者借助高光譜成像技術(shù)針對其厚度實施查驗，共收集兩百份此大豆高光譜圖像，同時融合數(shù)字化游標卡尺檢測其厚度，隨后使用MSC及SNV對400nm至1000nm之間的光譜數(shù)據(jù)予以預處理，借助采用PLS與MLR構(gòu)建其厚度定量分析模型，最終結(jié)果顯示經(jīng)過MSC預處理后的PLS模型預測精準度最佳。另外，也有外國專家借助近紅外光譜等技術(shù)，針對影響大豆種子開裂因素展開研究，其精準率達到80%。（下轉(zhuǎn)第47頁）（上接第35頁）

結(jié) 論

綜上所述，近些年光譜分析技術(shù)及光譜成像技術(shù)的大多數(shù)研究結(jié)合探究提取特征波段并創(chuàng)建最佳模型實施，從中得出針對光譜展開預處理，能夠去除無意義信息及噪音，從而使預測效果逐步提升。而為對大豆品質(zhì)進行高效檢測，需要創(chuàng)建魯棒性較為良好的模型，建立更多樣品，擴寬分析大豆品種范疇，盡可能降低人為和儀器誤差，確保檢驗結(jié)果科學準確，對優(yōu)質(zhì)種子資源形成保障作用，為我國大豆種植事業(yè)提供強有力的支撐。

參考文獻：

[1]姜妍，蒙何，趙熠榮等.青飼大豆主要品質(zhì)參數(shù)的近紅外光譜快速分析[J].光譜學與光譜分析，2022，42（03）：919-923.

[2]羅琴娟.基于高光譜技術(shù)的種子品質(zhì)檢測方法研究[D].北京林業(yè)大學，2021.

[3]魏劍.基于BP神經(jīng)網(wǎng)絡(luò)的大豆種子外觀品質(zhì)質(zhì)量檢測技術(shù)研究[J].黑龍江科學，2021，12（16）：12-16.

[4]賈鵬禹.植物激素與品質(zhì)高效檢測方法的建立及其在大豆中的應用[D].黑龍江八一農(nóng)墾大學，2021.

（作者單位：中儲糧合肥油脂庫有限公司、中央儲備糧敦化直屬庫有限公司）

第一作者：張園（1998-），男，大學本科，安徽潛山助理工程師，研究方向為糧油儲藏及檢測。

通訊作者：趙遠程（1990-），男，漢族，助理工程師，大學本科，研究方向為糧油儲藏及檢測。