基于近紅外光譜分析技術測定小麥淀粉的含量

王曉瓊，陳 麗，向娜娜，紀昌正，潘子幸，楊 露，黎鴻彬，譚會澤，張 瑜

(溫氏食品集團股份有限公司//農業(yè)部動物營養(yǎng)與飼料學重點實驗室，廣東 云浮 527400)

小麥作為飼料能量原料在畜禽飼糧中的應用十分廣泛，而淀粉是小麥主要的碳水化合物成分，是畜禽所需能量的重要來源。因此，在畜禽飼糧生產(chǎn)中，實時監(jiān)測小麥淀粉含量，對原料的擇優(yōu)采購及飼料精準配方起著非常重要的作用。目前，淀粉的國家標準檢測方法非常復雜，步驟繁瑣、耗費試劑、檢測時間長，且對操作人員技術水平要求高，因此，小麥的淀粉含量往往無法做到每批次實時監(jiān)測。

近紅外光譜分析技術具有檢測速度快、不損耗樣品、對環(huán)境無污染、可多組分同時定性定量分析等優(yōu)點，在農作物品質分析中應用越來越廣泛[1-2]。其中在小麥上的研究與應用已有較多的報導[3-6]，但到目前為止沒有見到利用3種不同制樣方式建立近紅外小麥淀粉(干基)預測模型對比的報導。本研究旨在研究通過對比3種預處理方式建立的小麥淀粉近紅外模型的預測效果及可行性，為小麥淀粉的測定提供準確可靠、便捷、經(jīng)濟的分析檢測途徑。

1 試驗儀器與材料

1.1 主要試驗儀器及參數(shù)設定

德國布魯克MATRIX-I近紅外分析儀：掃描范圍4 000～12 000 cm-1、分辨率16 cm-1、掃描次數(shù)64次；美國魯?shù)婪駻PI旋光儀：溫度控制20±0.5℃、波長589 nm、樣品池200 nm；萊馳ZM200超離心粉碎機：篩孔徑0.5 mm；泰斯特FW135中草藥粉碎機。

1.2 試驗材料

本研究收集2019年生產(chǎn)的國內不同產(chǎn)地、品種的小麥顆粒，共計181個樣品。

2 分析方法和步驟

2.1 制樣方式

為確保濕化學檢測值與掃描的樣品對應，本研究中3種制樣方式的樣品都是使用同一份掃描杯里的樣品，因此3種樣品處理并不是同步進行的。具體操作為：小麥顆粒去除雜質即為顆粒原樣樣品，近紅外掃描后使用中藥粉碎機進行間歇式粉碎，共粉碎1 min，得到中藥粉碎機粉碎樣品，近紅外掃描后從中取適量樣品使用萊馳粉碎機過0.5 mm篩粉碎，得到0.5 mm粉碎樣品。

2.2 濕化學值檢測

由于小麥在粉碎過程中會有不同程度的水分損失，因此本研究的淀粉結果以干基計算。濕化學檢測項目水分和淀粉參考方法分別為GB/T 6435—2014《飼料中水分的測定》和GB/T 20194—2018《動物飼料中淀粉含量的測定 旋光法》，檢測樣品均為0.5 mm篩粉碎樣品。

2.3 光譜數(shù)據(jù)采集

在近紅外光譜數(shù)據(jù)采集中，同一份樣品不同的裝樣方式會使樣品在掃描杯的松緊度和杯底平鋪樣品的均勻度不一樣，導致采集的光譜會有細微的差別，因此要統(tǒng)一裝樣方式。每份小麥顆粒樣品采集5張平行光譜數(shù)據(jù)，取平均光譜，中藥粉碎機粉碎樣品和0.5 mm粉碎樣品各采集1張光譜數(shù)據(jù)。

2.4 NIR模型建立與驗證

模型建立使用德國布魯克OPUS 8.1軟件，隨機將光譜數(shù)據(jù)類型設置為校正光譜和測試光譜，光譜數(shù)量分別為144個和37個，分別用于建立和驗證模型。模型的建立使用偏最小二乘法(PLS)，采用交叉檢驗，剔除異常數(shù)據(jù)，使用優(yōu)化功能對譜區(qū)范圍、光譜預處理方法、維數(shù)等參數(shù)進行最優(yōu)化的選擇，建立模型，然后通過檢驗集檢驗，驗證模型的精準度和可靠性，最終以交叉驗證決定系數(shù)R2、交叉驗證均方根誤差RMSECV、檢驗集均方根誤差RMSEP和交叉驗證殘留預測偏差RPD作為評價指標，進行綜合評價，選擇最適用的模型。

3 結果與分析

3.1 淀粉檢測結果

本研究檢測的181個小麥樣品淀粉(干基)質量分數(shù)檢測數(shù)據(jù)是61.72%～70.29%，數(shù)據(jù)具體情況如圖1所示。從圖中我們可以看出，小麥淀粉質量分數(shù)跨度相對較大，但樣品淀粉質量分數(shù)主要集中在65%～69%，65%以下及70%以上的樣品數(shù)量相對較少，在后期模型的維護中應多加入這部分樣品，以提高模型的預測效果。

圖1 小麥樣品淀粉(干基)質量分數(shù)及相應樣品個數(shù)

3.2 模型的建立與驗證

通過OPUS 8.1軟件，對得到的濕化學值和光譜數(shù)據(jù)進行模型建立，3種樣品處理方式建立的模型參數(shù)如表1所示。3個模型校正樣品集和驗證樣品集的預測情況見圖2～圖7。

表1 小麥3種處理方式建立的模型相關參數(shù)

注：R282.38，RMSECV0.649，RPD2.38，偏移-0.010 6。

注：R287.68，RMSECV 0.534，RPD 2.85，偏移-0.006 97。

注：R290.37，RMSEP0.509，RPD3.23，偏移-0.022。

注：R286.16，RMSECV 0.568，RPD 2.69，偏移-0.001 76。

注：R292.87，RMSEP 0.467，RPD 3.8，偏移-0.077。

由表1可見，3個模型的R2均大于0.8，說明函數(shù)模型擬合度較好，樣品數(shù)據(jù)間相關性較強；RMSECV均低于0.7，表示模型的預測誤差相對較??；23時，模型的穩(wěn)健性強和預測能力高[7]；RMSEP均小于0.6，代表3個模型實際預測效果較好，準確度相對較高。以上數(shù)據(jù)說明3種模型均能滿足日常的檢測需求。通過進一步對比發(fā)現(xiàn)，粉碎制樣的模型優(yōu)于原樣模型，其中0.5 mm粉碎模型在盲樣驗證中，預測效果更好。

由圖2～圖7可見，預測值與化學值的吻合度較高，模型效果較好。隨機選擇的盲樣比較有代表性，數(shù)值從低到高都有涉及到，通過盲樣驗證證明3種不同預處理方式建立的小麥淀粉NIR模型的預測結果準確度都比較高。

4 結論

小麥可以使用顆粒原樣、中藥粉碎機粉碎和0.5 mm過篩粉碎3種樣品狀態(tài)建立淀粉(干基)近紅外預測模型，且3種模型均能滿足日常檢測需求，其中顆粒原樣不需要制樣，檢測更便捷，但模型預測準確度不如粉碎模型，其中0.5 mm粉碎建立的模型預測更精準。對于預測結果精準度要求較高的，可以選擇粉碎制樣，但粉碎制樣在實際應用中，如果使用0.5 mm過篩，則粉碎儀器成本相對中藥粉碎機要高十至上百倍，對于子公司較多的大型飼料企業(yè)，整體成本會比較高，而且制樣過程較耗時繁瑣。因此，可以參考本研究，使用中藥粉碎機制樣進行模型的建立與應用。本研究中小麥代表性樣品還相對較少，尤其是淀粉(干基)質量分數(shù)65%～69%的樣品，在模型后期的應用中應繼續(xù)進行優(yōu)化，以提高模型的預測能力與穩(wěn)健性。