光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)測定大米中淀粉和蛋白含量

周子立+馮雷

摘要：為了滿足消費市場對大米品質(zhì)快速實時檢測的需要，對未經(jīng)過粉碎、過篩等處理的大米，采集了4000cm-1—12500cm-1范圍的近紅外光譜。通過計算機數(shù)據(jù)處理，研究了大米的光譜數(shù)據(jù)，建立了一階微分光譜數(shù)據(jù)與淀粉含量和蛋白質(zhì)含量之間的偏最小二乘回歸法定量分析模型。試驗分析表明：淀粉的預測相關(guān)系數(shù)為0.912，預測標準偏差SEP為0.084，預測均方根誤差為RMSEP為0.058；蛋白質(zhì)的預測相關(guān)系數(shù)為0.898，SEP為0.095，RMSEP為0.121。表明采用一階微分光譜數(shù)據(jù)分析法可以較好地預測經(jīng)簡單處理后的大米中淀粉含量和蛋白質(zhì)含量，該結(jié)論為日后大米品質(zhì)的快速特性光譜測量奠定了基礎。

關(guān)鍵詞：近紅外光譜；數(shù)據(jù)處理；偏最小二乘；淀粉；蛋白質(zhì)

中圖分類號：S123,S15 文獻標識碼：A

Determination of Starch Contents and Protein Contents in Rice Using Spectroscopy

Combined with Data Processing Technique

ZHOU Zili1,FENG Lei2

(1.Zhejiang Institute of Mechanical & Electrical Engineering,Hangzhou 310053,China;

2.College of Biosystems Engineering and Food Science,Zhejiang University,Hangzhou 310029,China)

Abstract:The aim of this study is to investigate the potential of the near infrared spectroscopy technique for non-destructive measurement of rice starch contents and protein contents to meet the needs of consumer markets.Spectral properties of 100 simply treated rice samples were analyzed.The quantitative analysis models were founded to determine the starch contents and protein contents.The correlation coefficients are 0.912 and 0.898,standard errors of prediction are 0.084 and 0.095, and root mean standard errors of prediction are 0.058 and 0.121, respectively.The results show that it can predict starch contents and protein contents commendably with the first derivate spectra.This research lays the basis for field experiment by using infrared spectroscopy technique to fast measurement of rice starch contents and protein contents.

Keywords:near infrared spectroscopy;DP;partial least square;starch; protein

1 引 言(Introduction)

隨著消費市場對食品品質(zhì)要求的不斷提高，對大米品質(zhì)的快速檢測已成為國內(nèi)外學者研究的一個重要方向[1,2]，快速獲取大米信息符合消費者對大米品質(zhì)了解的實際需求。以往的大米成分檢測分析即耗時、費工、有害又對周邊環(huán)境產(chǎn)生污染，很難在田間分析測定[3]。采用光譜技術(shù)結(jié)合計算機數(shù)據(jù)處理法因其簡潔、高效、低成本等優(yōu)點已經(jīng)受到學者們的重視，此方法還可以對多組待測試大米進行同時測定。隨著近紅外光譜技術(shù)的不斷推廣和應用，采用近紅外光譜技術(shù)獲取大米成分信息，再通過計算機數(shù)據(jù)處理技術(shù)對原始的光譜信息做進一步的處理，可以快速得到大米品質(zhì)高低的鑒定結(jié)果，對保護消費者權(quán)益，防止以次充好，規(guī)范消費市場都有積極的作用。在現(xiàn)有大米成分品質(zhì)研究時大多需要一些烘干、篩選等預處理，所有研究也都是在室內(nèi)進行，同時對大米測試樣品的要求高(粒徑小而均勻)。而對沒有進行預處理的大米進行測試時，其預測效果就很差。這說明傳統(tǒng)的測試方法只能對滿足條件的室內(nèi)測試有效，不具備實用性和推廣價值，如何找到一種實用有效的針對田間實際環(huán)境中檢測大米的成分含量的方法很有必要。針對上述的問題，本文采用計算機數(shù)據(jù)處理技術(shù)中偏最小二乘回歸分析方法定量分析大米淀粉和蛋白含量，并以此建立了一階微分光譜數(shù)據(jù)與淀粉含量和蛋白質(zhì)含量之間的定量分析模型。既滿足了室外檢測需求，又保證了研究的通用性，值得推廣。

2 材料與方法(Materials and methods)

2.1 大米樣本的獲取

從市場上采購東北大米作為大米品質(zhì)測量的樣品。為保證測量的準確性和代表性特選取了同一個廠家在不同日期加工生產(chǎn)的大米，共得到100個大米樣品。將大米樣品分成三份，先后用于室內(nèi)光譜分析、室外光譜分析和室內(nèi)化學分析。對于光譜分析的大米樣品，不需要進行任何預處理，而化學分析的大米樣品則需要進行顆粒直徑大小的統(tǒng)一篩選，費時費力。通過化學測量法得到大米樣本的淀粉含量分布范圍為65%-85%；蛋白質(zhì)含量的分布范圍為3.29%-3.96%。

2.2 測量儀器及方法

實驗使用美國尼高力(Nicolet)儀器公司的傅立葉變換光譜儀，波數(shù)范圍為：4000cm-1—12500cm-1，分辨率為：0.1—16cm-1。具體測試方法是：根據(jù)實驗儀器對環(huán)境溫度、濕度的要求，實驗室溫度應保持在22℃左右，濕度保持在45%左右，以保證實驗數(shù)據(jù)的可靠性。先取出光譜儀中的光纖，將光纖固定在一個支架上，再把大米樣品倒入直徑為15cm的圓形玻璃器皿中后放置在同一支架上。測試時，通過旋轉(zhuǎn)圓形玻璃器皿從0°、90°、180°、270°四個不同角度對大米樣品進行光譜數(shù)據(jù)的獲取，再通過運行光譜儀自帶的OMNIC6.1軟件進行光譜數(shù)據(jù)處理并將處理后的數(shù)據(jù)保存起來，以便后期對比驗證。實際測試時每個角度掃描三次，取其平均值作為該大米樣品的光譜數(shù)據(jù)值，這樣做的好處是可以減少圓形玻璃器皿對光譜測量的干擾。

2.3 定量分析方法

將100個大米樣品分成兩部分，70個樣品作為校正樣品用于測試數(shù)據(jù)并以此建立分析模型。30個樣品作為預測樣品用于檢驗模型的正確性和測試效率。大米樣品的選取沒有任何限制，只要保證其溫度濕度滿足測試要求即可。

采用光譜技術(shù)結(jié)合數(shù)據(jù)分析技術(shù)測定大米成分的關(guān)鍵所在是建立定量分析模型。早前的大米品質(zhì)分析中運用的多元線性回歸法[4](MLR)、主成分回歸法[5](PCR)等方法。雖然方法簡單，物理意義明確，但這些方法多受使用變量數(shù)的限制，在建立校正模型時分析過程中會丟失許多光譜數(shù)據(jù)信息?；蚴窃诮⒛Ｐ瓦^程中并不能保證大米樣品的主成分一定與被測組分或性質(zhì)相關(guān)。人工神經(jīng)網(wǎng)絡(ANN)功能強大，但由于計算量大，而且輸入神經(jīng)元數(shù)不能過多等因素，使得ANN的使用通常需要結(jié)合主成分分析(PCA)等方法進行，這樣做的結(jié)果就是計算量更大。本文采用偏最小二乘(PLS)方法，經(jīng)過對光譜測試數(shù)據(jù)進行處理就可以對簡單處理過的大米樣品做大米淀粉含量和蛋白質(zhì)含量的分析并建立與其光譜吸光度之間的定量分析模型。確定最佳主成分數(shù)可以通過計算交互驗證法(Cross-Validation)結(jié)合預測殘差平方和(PRESS)的方法來實現(xiàn)。評定分析模型效果好壞的標準為：好的模型需要有較低的建模和預測均方根誤差(RMSEC和RMSEP)，以及較高的相關(guān)系數(shù)(r)。而為了避免建立分析模型時過于擬合，則要求預測標準偏差(SEP)和建模標準偏差(SEC)盡量接近。

endprint

3 試驗結(jié)果與分析

依據(jù)上述測試方式得到的大米樣品光譜圖如圖1所示。圖1中顯示，隨著光譜波數(shù)的不斷增加，大米樣品吸光度數(shù)值逐漸增大，而且在5000cm-1和7000cm-1左右處出現(xiàn)明顯的由于大米成分不同引起的光波吸收峰現(xiàn)象。

圖1 大米光譜圖

Fig.1 The spectrum of the rice

3.1 大米淀粉含量的預測

大米淀粉含量是大米的重要組成部分，是衡量大米品質(zhì)質(zhì)量的一個重要指標[6]。由于人為因素造成的誤差，使得在化學法測量淀粉含量時出現(xiàn)三個大米樣品無效，在淀粉含量的預測過程中，大米樣品的數(shù)量仍為30個，但參與校正的樣品總數(shù)則只有67個。先確定在4050cm-1—10000cm-1對測量到的原始光譜進行一階微分處理和基線校正，然后建立大米淀粉含量和光譜吸光度之間的PLS模型。當主成分數(shù)為3時，PRESS值達到最小(0.642)。建模效果為：R為0.899；RMSEC為0.086，SEC為0.053。再用此模型對其余30個大米樣品進行預測。預測結(jié)果為：R為0.912；RMSEC為0.084，SEC為0.058。可見，大米樣品的淀粉含量定量分析模型有較高的預測和校正系數(shù)，比較低的預測和校正偏差，而校正和預測之間的差距也小，實踐證明，通過此模型預測大米樣品的淀粉含量是準確的。由于本文研究的大米樣品未經(jīng)過任何篩選等預處理，所建立的大米成分分析模型能夠在實際應用中使用，本研究也更接近實際。圖2是大米淀粉含量測試校正樣品與預測樣品比較關(guān)系圖。

(a)校正樣本 (b)預測樣本

圖 2淀粉含量建模與預測情況

Fig.2 The model and prediction of starch content

2.2 大米蛋白質(zhì)含量的預測

大米蛋白作為大米主要成分之一，在近紅外光譜照射下可以直接對應分子的振動吸收光譜的一定頻帶，所以近紅外光譜能夠定量分析大米蛋白的含量[7]，并對不同大米樣品的蛋白含量進行準確預測。在運用PLS建立分析模型前，必須對異常的大米樣品進行剔除，以保證分析模型的可靠性。當主成分數(shù)為3時，PRESS值達到最低，此時建立的大米蛋白含量與光譜吸光度之間的PLS模型及大米蛋白的定量校正模型最合適。圖3是對大米樣品蛋白質(zhì)含量分析時，校正樣品的預測殘差圖。圖中顯示大米樣品的預測殘差基本上都是以零水平線為中心軸，且分布均勻，另有3個大米樣品的預測殘差值明顯偏離中心軸線，所以在定量分析時，將這3個大米樣品按異常樣品剔除。此后，對正常樣品進行光譜基線校正、Savitzky-Golay卷積平移、一階導數(shù)處理等處理，在光譜波數(shù)為4050cm-1—10000cm-1，蛋白質(zhì)測量值與預測值之間的R達到0.899，SEC為0.098，RMSEC為0.099。并對校正樣品中大米的蛋白含量與大米吸光度之間的關(guān)系進行了分析。同時，采用PLS模型對預測樣品進行預測，預測結(jié)果的R達到0.898，SEP為0.095，RMSEP為0.121。二者的SEC和SEP值都比較低而且相關(guān)系數(shù)都比較高，因此可以認為利用PLS模型對大米蛋白含量的預測也是比較成功的。從圖4可見，本研究結(jié)果數(shù)值相對較低，其主要原因大米中含水量較少，且蛋白質(zhì)含量范圍的方差較小，這些都對蛋白含量預測產(chǎn)生影響。

圖3 蛋白質(zhì)預測殘差圖

Fig.3 Protein prediction residual plot

(a)校正樣本(b)預測樣本

圖4 蛋白質(zhì)含量建模與預測情況

Fig.4The model and prediction of protein content

4 結(jié)論(Conclusion)

(1)在4000cm-1—12500cm-1的光譜波數(shù)范圍內(nèi)對未經(jīng)任何篩選處理的大米進行了測試，通過對測試得到的原始光譜數(shù)據(jù)的處理，得到了大米樣品的光譜特性。結(jié)果表明，隨著光譜波數(shù)的增加，吸光度數(shù)值也逐漸增大，并且在5000cm-1和7000cm-1附近產(chǎn)生明顯的吸收峰，這主要由大米水分引起的。

(2)在4050cm-1—10000cm-1的波數(shù)范圍內(nèi)，對測試的大米樣品光譜數(shù)據(jù)進行一階微分處理和基線校正處理后，應用PLS建立了大米淀粉含量和吸光度之間的定量校正模型。校正模型的R、RMSEC和SEC分別為0.899、0.086和0.053。采用此模型對其余30個樣本進行預測，其預測樣本的R、SEP和RMSEP分別為0.912、0.084和0.058。這表明應用光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)預測大米樣品中的淀粉含量是可行的。由于本文測試的大米樣品未經(jīng)過任何預先處理，所以結(jié)果更接近實際情況。

(3)在4050cm-1—10000cm-1的波數(shù)范圍內(nèi)，對測試的大米樣品光譜數(shù)據(jù)經(jīng)基線校正、一階導數(shù)處理和Savitzky-Golay卷積平移后，應用PLS建立了大米樣品的蛋白含量與吸光度之間的定量校正模型。校正模型的R、SEC和RMSEC分別為0.899、0.098和0.099。采用此模型對預測大米樣品的蛋白含量進行預測，預測的R、SEP和RMSEP為0.898、0.095和0.121。這表明應用光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)可準確地預測未經(jīng)過預先篩選處理的大米蛋白含量。

(4)本文介紹的光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)分析研究大米淀粉和蛋白含量，通過分析模型的建立可以準確的預測出未經(jīng)任何篩選處理的大米樣品淀粉和蛋白含量，這在農(nóng)副產(chǎn)品的成分品質(zhì)鑒別中有其十分重要的實際作用和推廣價值。

參考文獻 (References)

[1] 胡濤.模式識別在大米品質(zhì)檢測中的應用[J].農(nóng)業(yè)網(wǎng)絡信息,2010,10:44-46.

[2] 陳建偉.基于機器視覺技術(shù)大米品質(zhì)檢測[J].糧食與油脂,2008,5:39-41.

[3] 何劍飛,陳召桂.不同品種的大米品質(zhì)評價分析[J].福建稻麥科技,2009,27(4):31-33.

[4] 張嫻,等.正交信號校正應用于多元線性回歸建模的研究[J].光譜學與光譜分析,2011,31(12):3228-3231.

[5] 劉旭華,等.有監(jiān)督主成分回歸法在近紅外光譜定量分析中的應用研究[J].光譜學與光析,2009,11:2959-2961.

[6] 寧希燁,劉亞偉,劉曉峰.大米淀粉特性及修飾作用對其食用功能的影響[J].糧食與飼料工業(yè),2011,3:35-38.

[7] 王遠宏,常若葵,張偉玉.基于近紅外光譜的大米蛋白質(zhì)含量的研究[J].農(nóng)產(chǎn)品加工學刊,2009,7:30-32.

作者簡介:

周子立(1963-),男,本科,高級工程師,副教授.研究領(lǐng)域:計算機信息處理及計算機應用技術(shù).

馮 雷(1971-),男,博士,副教授.研究領(lǐng)域:光譜技術(shù),數(shù)據(jù)挖掘,協(xié)同(云)計算,移動互聯(lián).

endprint

3 試驗結(jié)果與分析

依據(jù)上述測試方式得到的大米樣品光譜圖如圖1所示。圖1中顯示，隨著光譜波數(shù)的不斷增加，大米樣品吸光度數(shù)值逐漸增大，而且在5000cm-1和7000cm-1左右處出現(xiàn)明顯的由于大米成分不同引起的光波吸收峰現(xiàn)象。

圖1 大米光譜圖

Fig.1 The spectrum of the rice

3.1 大米淀粉含量的預測

大米淀粉含量是大米的重要組成部分，是衡量大米品質(zhì)質(zhì)量的一個重要指標[6]。由于人為因素造成的誤差，使得在化學法測量淀粉含量時出現(xiàn)三個大米樣品無效，在淀粉含量的預測過程中，大米樣品的數(shù)量仍為30個，但參與校正的樣品總數(shù)則只有67個。先確定在4050cm-1—10000cm-1對測量到的原始光譜進行一階微分處理和基線校正，然后建立大米淀粉含量和光譜吸光度之間的PLS模型。當主成分數(shù)為3時，PRESS值達到最小(0.642)。建模效果為：R為0.899；RMSEC為0.086，SEC為0.053。再用此模型對其余30個大米樣品進行預測。預測結(jié)果為：R為0.912；RMSEC為0.084，SEC為0.058?？梢?，大米樣品的淀粉含量定量分析模型有較高的預測和校正系數(shù)，比較低的預測和校正偏差，而校正和預測之間的差距也小，實踐證明，通過此模型預測大米樣品的淀粉含量是準確的。由于本文研究的大米樣品未經(jīng)過任何篩選等預處理，所建立的大米成分分析模型能夠在實際應用中使用，本研究也更接近實際。圖2是大米淀粉含量測試校正樣品與預測樣品比較關(guān)系圖。

(a)校正樣本 (b)預測樣本

圖 2淀粉含量建模與預測情況

Fig.2 The model and prediction of starch content

2.2 大米蛋白質(zhì)含量的預測

大米蛋白作為大米主要成分之一，在近紅外光譜照射下可以直接對應分子的振動吸收光譜的一定頻帶，所以近紅外光譜能夠定量分析大米蛋白的含量[7]，并對不同大米樣品的蛋白含量進行準確預測。在運用PLS建立分析模型前，必須對異常的大米樣品進行剔除，以保證分析模型的可靠性。當主成分數(shù)為3時，PRESS值達到最低，此時建立的大米蛋白含量與光譜吸光度之間的PLS模型及大米蛋白的定量校正模型最合適。圖3是對大米樣品蛋白質(zhì)含量分析時，校正樣品的預測殘差圖。圖中顯示大米樣品的預測殘差基本上都是以零水平線為中心軸，且分布均勻，另有3個大米樣品的預測殘差值明顯偏離中心軸線，所以在定量分析時，將這3個大米樣品按異常樣品剔除。此后，對正常樣品進行光譜基線校正、Savitzky-Golay卷積平移、一階導數(shù)處理等處理，在光譜波數(shù)為4050cm-1—10000cm-1，蛋白質(zhì)測量值與預測值之間的R達到0.899，SEC為0.098，RMSEC為0.099。并對校正樣品中大米的蛋白含量與大米吸光度之間的關(guān)系進行了分析。同時，采用PLS模型對預測樣品進行預測，預測結(jié)果的R達到0.898，SEP為0.095，RMSEP為0.121。二者的SEC和SEP值都比較低而且相關(guān)系數(shù)都比較高，因此可以認為利用PLS模型對大米蛋白含量的預測也是比較成功的。從圖4可見，本研究結(jié)果數(shù)值相對較低，其主要原因大米中含水量較少，且蛋白質(zhì)含量范圍的方差較小，這些都對蛋白含量預測產(chǎn)生影響。

圖3 蛋白質(zhì)預測殘差圖

Fig.3 Protein prediction residual plot

(a)校正樣本(b)預測樣本

圖4 蛋白質(zhì)含量建模與預測情況

Fig.4The model and prediction of protein content

4 結(jié)論(Conclusion)

(1)在4000cm-1—12500cm-1的光譜波數(shù)范圍內(nèi)對未經(jīng)任何篩選處理的大米進行了測試，通過對測試得到的原始光譜數(shù)據(jù)的處理，得到了大米樣品的光譜特性。結(jié)果表明，隨著光譜波數(shù)的增加，吸光度數(shù)值也逐漸增大，并且在5000cm-1和7000cm-1附近產(chǎn)生明顯的吸收峰，這主要由大米水分引起的。

(2)在4050cm-1—10000cm-1的波數(shù)范圍內(nèi)，對測試的大米樣品光譜數(shù)據(jù)進行一階微分處理和基線校正處理后，應用PLS建立了大米淀粉含量和吸光度之間的定量校正模型。校正模型的R、RMSEC和SEC分別為0.899、0.086和0.053。采用此模型對其余30個樣本進行預測，其預測樣本的R、SEP和RMSEP分別為0.912、0.084和0.058。這表明應用光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)預測大米樣品中的淀粉含量是可行的。由于本文測試的大米樣品未經(jīng)過任何預先處理，所以結(jié)果更接近實際情況。

(3)在4050cm-1—10000cm-1的波數(shù)范圍內(nèi)，對測試的大米樣品光譜數(shù)據(jù)經(jīng)基線校正、一階導數(shù)處理和Savitzky-Golay卷積平移后，應用PLS建立了大米樣品的蛋白含量與吸光度之間的定量校正模型。校正模型的R、SEC和RMSEC分別為0.899、0.098和0.099。采用此模型對預測大米樣品的蛋白含量進行預測，預測的R、SEP和RMSEP為0.898、0.095和0.121。這表明應用光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)可準確地預測未經(jīng)過預先篩選處理的大米蛋白含量。

(4)本文介紹的光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)分析研究大米淀粉和蛋白含量，通過分析模型的建立可以準確的預測出未經(jīng)任何篩選處理的大米樣品淀粉和蛋白含量，這在農(nóng)副產(chǎn)品的成分品質(zhì)鑒別中有其十分重要的實際作用和推廣價值。

參考文獻 (References)

[1] 胡濤.模式識別在大米品質(zhì)檢測中的應用[J].農(nóng)業(yè)網(wǎng)絡信息,2010,10:44-46.

[2] 陳建偉.基于機器視覺技術(shù)大米品質(zhì)檢測[J].糧食與油脂,2008,5:39-41.

[3] 何劍飛,陳召桂.不同品種的大米品質(zhì)評價分析[J].福建稻麥科技,2009,27(4):31-33.

[4] 張嫻,等.正交信號校正應用于多元線性回歸建模的研究[J].光譜學與光譜分析,2011,31(12):3228-3231.

[5] 劉旭華,等.有監(jiān)督主成分回歸法在近紅外光譜定量分析中的應用研究[J].光譜學與光析,2009,11:2959-2961.

[6] 寧希燁,劉亞偉,劉曉峰.大米淀粉特性及修飾作用對其食用功能的影響[J].糧食與飼料工業(yè),2011,3:35-38.

[7] 王遠宏,常若葵,張偉玉.基于近紅外光譜的大米蛋白質(zhì)含量的研究[J].農(nóng)產(chǎn)品加工學刊,2009,7:30-32.

作者簡介:

周子立(1963-),男,本科,高級工程師,副教授.研究領(lǐng)域:計算機信息處理及計算機應用技術(shù).

馮 雷(1971-),男,博士,副教授.研究領(lǐng)域:光譜技術(shù),數(shù)據(jù)挖掘,協(xié)同(云)計算,移動互聯(lián).

endprint

3 試驗結(jié)果與分析

依據(jù)上述測試方式得到的大米樣品光譜圖如圖1所示。圖1中顯示，隨著光譜波數(shù)的不斷增加，大米樣品吸光度數(shù)值逐漸增大，而且在5000cm-1和7000cm-1左右處出現(xiàn)明顯的由于大米成分不同引起的光波吸收峰現(xiàn)象。

圖1 大米光譜圖

Fig.1 The spectrum of the rice

3.1 大米淀粉含量的預測

大米淀粉含量是大米的重要組成部分，是衡量大米品質(zhì)質(zhì)量的一個重要指標[6]。由于人為因素造成的誤差，使得在化學法測量淀粉含量時出現(xiàn)三個大米樣品無效，在淀粉含量的預測過程中，大米樣品的數(shù)量仍為30個，但參與校正的樣品總數(shù)則只有67個。先確定在4050cm-1—10000cm-1對測量到的原始光譜進行一階微分處理和基線校正，然后建立大米淀粉含量和光譜吸光度之間的PLS模型。當主成分數(shù)為3時，PRESS值達到最小(0.642)。建模效果為：R為0.899；RMSEC為0.086，SEC為0.053。再用此模型對其余30個大米樣品進行預測。預測結(jié)果為：R為0.912；RMSEC為0.084，SEC為0.058?？梢姡竺讟悠返牡矸酆慷糠治瞿Ｐ陀休^高的預測和校正系數(shù)，比較低的預測和校正偏差，而校正和預測之間的差距也小，實踐證明，通過此模型預測大米樣品的淀粉含量是準確的。由于本文研究的大米樣品未經(jīng)過任何篩選等預處理，所建立的大米成分分析模型能夠在實際應用中使用，本研究也更接近實際。圖2是大米淀粉含量測試校正樣品與預測樣品比較關(guān)系圖。

(a)校正樣本 (b)預測樣本

圖 2淀粉含量建模與預測情況

Fig.2 The model and prediction of starch content

2.2 大米蛋白質(zhì)含量的預測

大米蛋白作為大米主要成分之一，在近紅外光譜照射下可以直接對應分子的振動吸收光譜的一定頻帶，所以近紅外光譜能夠定量分析大米蛋白的含量[7]，并對不同大米樣品的蛋白含量進行準確預測。在運用PLS建立分析模型前，必須對異常的大米樣品進行剔除，以保證分析模型的可靠性。當主成分數(shù)為3時，PRESS值達到最低，此時建立的大米蛋白含量與光譜吸光度之間的PLS模型及大米蛋白的定量校正模型最合適。圖3是對大米樣品蛋白質(zhì)含量分析時，校正樣品的預測殘差圖。圖中顯示大米樣品的預測殘差基本上都是以零水平線為中心軸，且分布均勻，另有3個大米樣品的預測殘差值明顯偏離中心軸線，所以在定量分析時，將這3個大米樣品按異常樣品剔除。此后，對正常樣品進行光譜基線校正、Savitzky-Golay卷積平移、一階導數(shù)處理等處理，在光譜波數(shù)為4050cm-1—10000cm-1，蛋白質(zhì)測量值與預測值之間的R達到0.899，SEC為0.098，RMSEC為0.099。并對校正樣品中大米的蛋白含量與大米吸光度之間的關(guān)系進行了分析。同時，采用PLS模型對預測樣品進行預測，預測結(jié)果的R達到0.898，SEP為0.095，RMSEP為0.121。二者的SEC和SEP值都比較低而且相關(guān)系數(shù)都比較高，因此可以認為利用PLS模型對大米蛋白含量的預測也是比較成功的。從圖4可見，本研究結(jié)果數(shù)值相對較低，其主要原因大米中含水量較少，且蛋白質(zhì)含量范圍的方差較小，這些都對蛋白含量預測產(chǎn)生影響。

圖3 蛋白質(zhì)預測殘差圖

Fig.3 Protein prediction residual plot

(a)校正樣本(b)預測樣本

圖4 蛋白質(zhì)含量建模與預測情況

Fig.4The model and prediction of protein content

4 結(jié)論(Conclusion)

(1)在4000cm-1—12500cm-1的光譜波數(shù)范圍內(nèi)對未經(jīng)任何篩選處理的大米進行了測試，通過對測試得到的原始光譜數(shù)據(jù)的處理，得到了大米樣品的光譜特性。結(jié)果表明，隨著光譜波數(shù)的增加，吸光度數(shù)值也逐漸增大，并且在5000cm-1和7000cm-1附近產(chǎn)生明顯的吸收峰，這主要由大米水分引起的。

(2)在4050cm-1—10000cm-1的波數(shù)范圍內(nèi)，對測試的大米樣品光譜數(shù)據(jù)進行一階微分處理和基線校正處理后，應用PLS建立了大米淀粉含量和吸光度之間的定量校正模型。校正模型的R、RMSEC和SEC分別為0.899、0.086和0.053。采用此模型對其余30個樣本進行預測，其預測樣本的R、SEP和RMSEP分別為0.912、0.084和0.058。這表明應用光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)預測大米樣品中的淀粉含量是可行的。由于本文測試的大米樣品未經(jīng)過任何預先處理，所以結(jié)果更接近實際情況。

(3)在4050cm-1—10000cm-1的波數(shù)范圍內(nèi)，對測試的大米樣品光譜數(shù)據(jù)經(jīng)基線校正、一階導數(shù)處理和Savitzky-Golay卷積平移后，應用PLS建立了大米樣品的蛋白含量與吸光度之間的定量校正模型。校正模型的R、SEC和RMSEC分別為0.899、0.098和0.099。采用此模型對預測大米樣品的蛋白含量進行預測，預測的R、SEP和RMSEP為0.898、0.095和0.121。這表明應用光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)可準確地預測未經(jīng)過預先篩選處理的大米蛋白含量。

(4)本文介紹的光譜技術(shù)結(jié)合數(shù)據(jù)處理技術(shù)分析研究大米淀粉和蛋白含量，通過分析模型的建立可以準確的預測出未經(jīng)任何篩選處理的大米樣品淀粉和蛋白含量，這在農(nóng)副產(chǎn)品的成分品質(zhì)鑒別中有其十分重要的實際作用和推廣價值。

參考文獻 (References)

[1] 胡濤.模式識別在大米品質(zhì)檢測中的應用[J].農(nóng)業(yè)網(wǎng)絡信息,2010,10:44-46.

[2] 陳建偉.基于機器視覺技術(shù)大米品質(zhì)檢測[J].糧食與油脂,2008,5:39-41.

[3] 何劍飛,陳召桂.不同品種的大米品質(zhì)評價分析[J].福建稻麥科技,2009,27(4):31-33.

[4] 張嫻,等.正交信號校正應用于多元線性回歸建模的研究[J].光譜學與光譜分析,2011,31(12):3228-3231.

[5] 劉旭華,等.有監(jiān)督主成分回歸法在近紅外光譜定量分析中的應用研究[J].光譜學與光析,2009,11:2959-2961.

[6] 寧希燁,劉亞偉,劉曉峰.大米淀粉特性及修飾作用對其食用功能的影響[J].糧食與飼料工業(yè),2011,3:35-38.

[7] 王遠宏,常若葵,張偉玉.基于近紅外光譜的大米蛋白質(zhì)含量的研究[J].農(nóng)產(chǎn)品加工學刊,2009,7:30-32.

作者簡介:

周子立(1963-),男,本科,高級工程師,副教授.研究領(lǐng)域:計算機信息處理及計算機應用技術(shù).

馮 雷(1971-),男,博士,副教授.研究領(lǐng)域:光譜技術(shù),數(shù)據(jù)挖掘,協(xié)同(云)計算,移動互聯(lián).

endprint