基于近紅外光譜的活性米品質檢測研究

張艷哲，于　潔，王　磊，王彥宇，劉成海，鄭先哲

(東北農業(yè)大學 工程學院，哈爾濱　150030)

?

基于近紅外光譜的活性米品質檢測研究

張艷哲，于潔，王磊，王彥宇，劉成海，鄭先哲

(東北農業(yè)大學 工程學院，哈爾濱150030)

摘要：選取105份具有代表性的活性米樣品，研究光譜范圍在918～1 045nm內12個波長點的近紅外反射光譜與其品質的相關性。利用近紅外光譜技術和多元線性回歸、主成分回歸和偏最小二乘法3種校正方法對活性米中γ-氨基丁酸、水分、蛋白質、淀粉、明度值、紅度值及黃度值進行定量分析；選出最優(yōu)校正模型，模型的預測決定系數(shù)分別為0.903、0.964、0.953、0.951、0.949、0.961、0.916，預測標準偏差分別為0.598、1.367、1.367、2.688、0.996、50.144、0.952。研究結果表明：應用近紅外光譜技術檢測活性米品質是可行性的。

關鍵詞：活性米；品質；近紅外光譜；化學計量學

0引言

活性米是糙米在適宜環(huán)境條件下發(fā)芽至適當芽長的芽體，其營養(yǎng)價值與糙米和精白米相比大大增加[1]。γ-氨基丁酸(GABA，又名氨絡酸)是活性米的特征品質，含量是糙米的3倍、大米的10倍[2-3]；淀粉是活性米中的第一大主要成分，主要為消費者提供能量來源；蛋白質提供了人體所需的必需氨基酸；活性米中還含有維生素、礦物質、膳食纖維、六磷酸肌醇和γ-谷維素等營養(yǎng)成分?；钚悦滓蚱涮赜械母郀I養(yǎng)價值引起了國內外越來越多研究者的關注。

稻谷品質檢測方法主要有熒光掃描圖譜法、化學特定鑒定法及儀器測量法等，這些鑒別方法存在著檢測周期長、鑒別成本高、缺乏穩(wěn)定性等不足[4]。近紅外光譜(near infrared spectroscopy，NIR)是一種快速、無損的分析方法，在進行稻谷品質測試時具有快捷、簡便、成本低、無破損和便于在線檢測的特點[5]。近紅外光是指波長介于可見光區(qū)與中紅外區(qū)之間的電磁波，近紅外光譜區(qū)域的波長范圍為780 ～2 526nm，波數(shù)范圍約為12 820～3 958cm-1，近紅外光譜區(qū)包括近紅外短波區(qū)(780～1 100 nm)和 近紅外長波區(qū)(1 100～2 526nm)。圖1為近紅外光譜波長范圍。

近紅外光區(qū)的吸收帶主要是由低能電子躍遷、含氫原子團(如N-H、O-H、C-H、S-H等)伸縮振動的倍頻及合頻吸收信息。活性米中的組成成分(如蛋白質、淀粉、GABA等)含有不同的近紅外活性分子，它們的倍頻和合頻的振動頻率不同，近紅外圖譜的峰位、峰數(shù)及峰強也是不同的。樣品化學差異越大，則圖譜的特征性差異越強，據此可以應用NIRS結合不同的建模方法對這些組分進行定性或定量的分析[6-9]。Takuma Genkawa等對糙米近紅外光譜進行二階導數(shù)處理，建立了游離脂肪酸的回歸模型[10]。張斌等對光譜數(shù)據預處理，研究了精米氨基酸含量的近紅外定標模型，所建模型具有較高的精度[11]。徐彥利用近紅外光譜技術結合辨別分析法建立秈稻新陳度定性分析模型，判別正確率為96.7%[12]?；钚悦椎臓I養(yǎng)與精米不同，NIRS本身對分析對象的特征有很強的依賴性，因而分析模型在不同稻谷產品間的適應性較差，需要針對性強地展開活性米產品的建模分析。目前，關于用NIRS的方法研究活性米品質檢測的報道甚少，因此，建立活性米品質的NIRS快速檢測方法對監(jiān)測活性米的質量與安全是非常必要，也具有重要應用價值。

本研究在近紅外短波區(qū)域內，嘗試利用NIRS結合3種化學計量學分析方法，建立精確的γ-氨基丁酸、水分、蛋白質、淀粉、明度值(L*)、紅度值(a*)、黃度值(b*)的紅外光譜最佳校正模型，并用外部樣品對建立校正模型預測精度和穩(wěn)定性進行驗證。

圖1　近紅外光譜波長范圍

1材料與方法

1.1　試驗原料

活性米于2014年9月15日購自黑龍江省哈爾濱市阿城區(qū)金都米業(yè)公司。

1.2　試驗設備

本試驗所用儀器設備有：ZX-888型近紅外臺式谷物、食品、乳制品分析儀，美國奧斯博國際有限公司；LAMBDA35 型紫外-可見分光光度計，美國 Perkin Elmer 公司；KN680型自動凱氏定氮儀，上海長方光學儀器有限公司；WXG-4型旋光儀，上海長方光學儀器有限公司；DC-P3型全自動測色色差計，北京市興光測色儀器公司；WD800 型LG 微波爐，天津樂金電子電器有限公司。

1.3　試驗設計

1.3.1活性米樣品制備

活性米用保鮮袋包裝后貯藏于4 ℃的冰箱中。試驗時，取出待測樣品后置于室溫(約25 ℃)中30 min，使樣品表面水分充分揮發(fā)，以減小在采集光譜信息時引起的誤差，然后將樣品進行微波干燥處理(微波強度為3W/g)；選取不同含水率的活性米樣本105份進行光譜采集，其中3/4作為校正集，1/4作為驗證集；再經高速粉碎機粉碎，過60目篩，粉碎的樣品保存于密封鋁制干燥皿中，備用。

1.3.2光譜掃描

試驗采用ZX-888近紅外臺式谷物、食品、乳制品分析儀進行活性米近紅外光譜測定。測定方法如下：開機預熱30min 后，首先進行背景掃描，以消除背景對光譜信息的影響；接下來，按活性米樣品編號次序，將樣品放入石英試樣杯中進行光譜掃描。另外，為了減少人為誤差，每次操作前搖勻并保證樣品在試樣杯中高度一致。儀器參數(shù)設定如下：測量譜區(qū)范圍為918～1 045nm的12個波長點(918、928、940、950、968、975、985、998、1 010、1 023、1 037、1 045nm)，波長間隔為10nm左右，分辨率為8 cm-1，石英試樣杯光程為13mm，采樣點為1 260，用系統(tǒng)配套軟件ZX-888 Calibration Software實時采集反射光譜，對每份樣品重復掃描5次，取平均值作為最終測量結果。光譜掃描結束后，對活性米樣品進行理化值測定。

1.3.3參考值測定

活性米中GABA的測定采用紫外分光光度法；水分含量參照GB 5009.3-2010中105 ℃恒重法測定；蛋白質參照GB 5009.5-2010凱氏定氮法測定；淀粉采用旋光法測定；色度采用DC-P3型全自動測色色差計測定，每個樣品做3個平行，取平均值。

1.3.4異常樣品辨別

在近紅外建模分析過程中，出現(xiàn)異常樣品是不可避免的，異常樣品的存在影響校正模型的預測能力。因此，必須將其從建模集中剔除。本試驗采用多元線性回歸法和預測濃度殘差的F統(tǒng)計顯著性檢驗方法來辨別濃度異常樣品。

1.3.5建模及評價方法

校正模型的建立是近紅外光譜分析的核心技術之一。建立校正模型后，只需將驗證集樣品的光譜值帶入模型便可預測相應成分含量。本文通過The Unscrambler X 10.3光譜分析軟件，利用多元線性回歸(MLR)、主成分回歸(PCR)和偏最小二乘回歸(PLSR)3種模型建立活性米品質的校正模型。

試驗中，以校正集決定系數(shù)Rc2、驗證決定系數(shù)Rv2、校正標準偏差RMSEc和驗證標準差RMSEv來綜合評價模型的預測精度和可靠性，最后通過外部驗證考察模型的準確性和適用性。當決定系數(shù)越趨近于1.00，表明模型的相關性越好；當標準偏差越趨近于0，表明模型的預測值與真實值之間的差值越小[13]。

2結果與分析

2.1　理化分析結果

采用現(xiàn)行我國國家標準檢測方法測定了活性米中GABA、水分、蛋白質、淀粉、L*值、a*值和b*值的含量并進行統(tǒng)計分析，樣品集各建模組分測定值的分析結果見表1所示。

表1　活性米品質指標分析結果

由表1可知：活性米中GABA、水分、淀粉、L*值、a*值、b*值的分布范圍相對較大，微波干燥對樣品品質含量影響較大，微波干燥處理后的樣品可以代表活性米的特性范圍。蛋白質的變化范圍相對較小，微波干燥對樣品蛋白質含量影響較小。通過數(shù)據統(tǒng)計，活性米品質指標GABA、水分、蛋白質、淀粉、表面L*值、a*值和b*值的頻數(shù)分布如圖2所示。

圖2　樣品中各成分的頻數(shù)分布

由圖2可知：GABA、蛋白質、淀粉、L*值、a*值、b*值呈明顯的正態(tài)分布，而水分的頻數(shù)分布圖的左右兩側呈正態(tài)分布，其原因為活性米的微波干燥過程分為3個階段，分別為預干燥階段、恒速干燥階段和降速干燥階段：在預干燥階段，物料含水量高, 對微波能的吸收能力較強，溫度快速上升，失水速率增大；恒速干燥階段的時間較長，活性米失水過程絕大部分處于這一階段；降速干燥階段的時間較短，物料含水率很低，水分下降逐漸減慢?；钚悦讟悠肪哂辛己玫拇硇?，能夠滿足近紅外校正模型建模條件。

2.2　活性米的特征光譜分析

105份活性米樣品的典型近紅外光譜曲線如圖3所示。從圖3可以看出：在近紅外光照射下，樣品的光譜大致趨勢一致；12個不同的波長處的各樣品具有不同的吸收峰，表明NIRS能夠反映樣品各成分含量的差異性。在740～1 080nm譜區(qū)，主要為C-H、N-H、O-H基團的三級和四級倍頻峰，活性米中淀粉和蛋白質等有機成分含有大量的C-H、O-H、N-H基團[14]。因此，活性米的信息在近紅外光譜間內存在大量的相關性，這會造成一定量的信息冗余，降低模型的預測能力。不難發(fā)現(xiàn)，在波長為950、968、975、998nm附近出現(xiàn)了活性米的特征波峰和波谷，但光譜的重疊較為嚴重，精確定量很困難，因此需要運用化學計量學方法進一步研究。

圖3　105份活性米樣本原始光譜圖

2.3　異常樣品判別

應用MLR方法和預測濃度殘差的F統(tǒng)計顯著性檢驗法來辨別濃度異常樣品，結果如表2所示。異常的活性米樣品剔除后，MLR定量模型的校正決定系數(shù)Rc2和交叉驗證決定系數(shù)Rv2均有提高，校正標準差RMSEc和交叉驗證標準差RMSEv有明顯降低，模型得到了優(yōu)化。為了建立最優(yōu)校正模型，有必要對多種化學計量學方法的建模結果進行分析對比，以優(yōu)選出預測能力最強的校正模型。

表2　異常樣品剔除前后MLR定量模型的校正和交互驗證結果

續(xù)表2

2.4　校正模型的建立與驗證

剔除樣品后，將75%的樣品進行建模，25%的樣品作為預測模型的外部驗證。本文利用MLR、PCR和PLSR3種建模方法進行分析對比，如圖4所示。其橫坐標為活性米的品質GABA、水分、蛋白質、淀粉、L*值、a*值、b*值。從圖4中可以看出：利用MLR分析的方法建立的校正模型最優(yōu)，近紅外校正模型的Rc2分別為0.903、0.964、0.953、0.951、0.949、0.961、0.916；RMSEc分別為0.598、1.367、1.367、2.688、0.996、50.144、0.952。

圖4　不同建模方法的建模結果

利用以建立的MLR模型對驗證集樣品進行驗證，Rv2分別為0.951、0.931、0.954、0.964、0.937、0.958、0.912，RMSEv分別為0.168、1.367、0.023、2.688、0.578、33.70、0.243。模型沒有出現(xiàn)過擬合或擬合不足的情況。

R2是判斷模型精確度和穩(wěn)定性的重要標準，R2在0.92～0.96的范圍內模型精確度高、穩(wěn)定性好；R2在0.66～0.81的范圍內模型是可以接受[15]。試驗結果表明：在918～1045nm譜區(qū)所建模型對樣品品質的定量檢測效果較理想。

3結論

本研究利用近紅外光譜技術預測活性米的各項品質，采用MLR方法結合濃度殘差的F檢驗方法成功剔除異常樣品，有效提高了模型預測能力。通過比較MLR、PCR、PLSR方法的建模結果，建立了活性米品質的最優(yōu)近紅外光譜定量模型，校正集和驗證集的決定系數(shù)均在0.9以上。

試驗結果表明：應用近紅外光譜技術結合MLR法建立的模型能夠有效地預測活性米的品質，預測能力和精度較高，可為活性米品質的非破壞性等級檢測提供方法和依據。

參考文獻：

[1]H.Y.Kim,I.G.Hwang,T.M.Kim.Chemical and functional components in different part of rough rice before and after germination[J].Food Chemistry,2012,13(4):288-299.

[2]孟春玲,孟慶虹,張守文.發(fā)芽糙米的營養(yǎng)功能和進一步開發(fā)應用[J].中國食品添加劑,2014,3(5):156-160.

[3]Kayahara H.Health and nutritional quality of pre- germinated brown rice[J].In 10th International Flavor Conference,2000(5):546 -551.

[4]謝新華,肖昕,李曉方.糙米蛋白質含量的近紅外透射光譜分析[J].食品工業(yè)科技,2004,25(2):142-143.

[5]P.Sirisomboon,A.Kaewkuptong,P.Study on the evalua tion of the dry rubber content of field and concent of field and concentrated latex of Para rubber by diffuse reflectance near infrared spectros copy [J].Near Infrared Spectros,2013,21(4):81-88.

[6]Kannapot Kaewsorn,Panmanas Sirisomboon.Study on evaluation of gamma oryzanol of germinated brown rice by near infrared spectroscopy[J].Journal of In novation Optical Health Sciences,2014,7(4):2-9.

[7]劉發(fā)龍,馬新剛,程福銀,等.近紅外光譜分析技術在分析上的應用[J].分析測試技術與儀器,2008(4):241-247.

[8]Alampress C,Casale M,Sinelli N,et al.Detection of minced beef adulteration with turkey meat by UV-vis, NIR and MIR spectroscopy[J].LWT-Food Science and Technology,2013,53(1):225.

[9]孫小超,吳靜珠,徐云.近紅外光譜分析技術及其在現(xiàn)代農業(yè)中的應用[M].北京:電子工業(yè)出版社,2012.

[10]Takuma Genkawa, Tofael Ahamed,Ryozo Noguchi,et al.Simple and rapid determination of free fatty acids in brown rice by FTIR spectroscopy in conj unction with a second-derivative treatment[J].Food Chemistry,2015(2):10.

[11]張斌,吳建國.稻米氨基酸含量的近紅外定標模型的創(chuàng)建及應用[D].杭州:浙江大學,2011.

[12]徐彥.近紅外光譜技術快速檢測秈稻主要成分及新陳度的研究[D].長沙:中南林業(yè)科技大學,2011.

[13]趙峰,林河通,楊江帆.基于近紅外光譜的武夷巖茶品質成分在線檢測[J].農業(yè)工程學報，2014,30 (2):269-277.

[14]陳雪英.近紅外光譜快速測定紅花逆流提取過程中羥基紅花黃色素A的含量[J].分析化學研究報告，2009,37(10):1451-1456.

[15]P.Williams.Near-infrared Technology Getting the Best Out of Light[J].PDK Projects,2007(3):62-69.

Determination of Quality in Germinated Brown Rice Based on Near-infrared Spectroscopy

Zhang Yanzhe, Yu Jie, Wang Lei, Wang Yanyu, Liu Chenghai, Zheng Xianzhe

(College of Engineering, Northeast Agricultural University, Harbin 150030, China)

Abstract：Selection of 105 representative active meters sample, the spectral 12 points within the range of 918～1045nm band correlation of near infrared spectral reflectance and its quality.Based on the near infrared spectrum data from the desktop grain analyzer for multiple linear regression ,Principal component regression and partial least squares calibration model results are compared to establish activity γ-aminobutyric acid, water ,protein, starch ,lightness value degree ,red value degree ,yellow value degree value best correction model of near infrared spectrum, forecasts determine coefficient were 0.903,0.964,0.953,0.951,0.949,0.961,0.916,the predicted standard deviation were 0.598,1.367, 1.367, 2.688, 0.996, 50.144, 0.952.Test results show that application of near infrared spectroscopy detection activity of rice quality is feasible.

Key words：germinated brown rice; quality; near infrared spectroscopy; chemometrics method

中圖分類號：S123

文獻標識碼：A

文章編號：1003-188X(2016)08-0141-05

作者簡介：張艷哲(1989-)，女，哈爾濱人，碩士研究生，(E-mail)zhangyanzhe321@163.com。通訊作者：鄭先哲(1968-)，男，吉林德惠人，教授，博士生導師。

基金項目：國家公益性行業(yè)(農業(yè))科研專項(201403063)

收稿日期：2015-07-24