基于便攜式近紅外技術(shù)的高粱品種無(wú)損鑒別研究

摘 要：不同高粱品種直接決定其所釀醬香型白酒的品質(zhì)高低，因此高粱品種的鑒別尤為重要。本研究利用便攜式近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)方法建立高粱品種鑒別模型，采集了25、45、65 ms三個(gè)積分時(shí)間下的粳高粱和糯高粱在完整以及粉末兩種狀態(tài)的光譜數(shù)據(jù)，利用單一及組合光譜預(yù)處理方法消除光譜中存在的干擾，結(jié)合無(wú)監(jiān)督識(shí)別方法主成分分析（principal component analysis，PCA）和3種有監(jiān)督模式識(shí)別方法線性判別式分析（linear discriminant analysis，LDA）、偏最小二乘判別分析（partial least square discriminant analysis，PLS-DA）以及軟獨(dú)立模式識(shí)別法（soft independent mode classification analysis，SIMCA）分別構(gòu)建了不同品種高粱的鑒別模型。結(jié)果表明，光譜預(yù)處理方法能夠有效消除干擾；無(wú)監(jiān)督方法無(wú)法實(shí)現(xiàn)不同品種高粱鑒別，有監(jiān)督模式識(shí)別方法結(jié)果能實(shí)現(xiàn)高粱品種鑒別，其中LDA＞PLS-DA＞SIMCA；三個(gè)積分時(shí)間下，粉末高粱結(jié)果優(yōu)于完整高粱；三個(gè)有監(jiān)督鑒別模型的65 ms的結(jié)果較差，45 ms積分時(shí)間下的鑒別結(jié)果最佳，原始光譜均能達(dá)到100%鑒別。以上結(jié)果表明，便攜式近紅外光譜儀結(jié)合模式識(shí)別方法可以實(shí)現(xiàn)糯高粱和粳高粱的準(zhǔn)確無(wú)損鑒別。

關(guān)鍵詞：糯高粱；粳高粱；近紅外光譜；模式識(shí)別；無(wú)損鑒別；智能檢測(cè)

中圖分類(lèi)號(hào)：O561.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-1038（2025）01-0001-07

DOI：10.19590/j.cnki.1008-1038.2025.01.001

Research on Nondestructive Identification of Sorghum Varieties

Based on Portable Near-infrared Technology

YANG Liping1， QIU Xiwen1， YANG Qinghua2， ZHAN Jiaqi1， TANG Hui3， LI Pao1，3*， DU Guorong4*

（1. College of Food Science and Technology， Hunan Agricultural University， Changsha 410128， China; 2. China Certification amp; Inspection Group Hunan Co.， Ltd.， Changsha 410021， China; 3. Guangdong Provincial Key Laboratory of Utilization and Conservation of Food and Medicinal Resources in Northern Region， Shaoguan 512005， China; 4. Shanghai Tobacco Group Co.， Ltd.， Technical Center Beijing Workstation， Beijing 101121， China）

Abstract： Different sorghum varieties directly determine the quality of Baijiu， so the identification of sorghum varieties is particularly important. This study used portable near-infrared （NIR） spectroscopy combined with chemometric methods to establish a sorghum varieties identification model. Spectra of japonica sorghum and glutinous sorghum in both intact and powdered states were collected at three integration times of 25， 45 ms， and 65 ms. Single and combined spectral preprocessing methods were used to eliminate interference in the spectra. Unsupervised recognition methods， PCA， and three supervised pattern recognition methods， LDA， PLS-DA， and SIMCA， were used to construct identification models for different varieties of sorghum. The results indicated that spectral preprocessing methods could effectively eliminate interference. Unsupervised methods could not achieve the identification of different varieties of sorghum， while supervised pattern recognition methods could achieve the identification of sorghum varieties， where LDA＞PLS-DA＞SIMCA. Under three integration times， the results of powdered sorghum were better than those of intact sorghum. The results of the three supervised discrimination models at 65 ms were poor， the best discrimination result achieved at 45 ms integration time， and the original spectra were able to achieve 100% discrimination. The above results indicated that the combination of portable near-infrared spectrometer and pattern recognition method could achieve accurate and non-destructive identification of glutinous sorghum and japonica sorghum.

Keywords： Glutinous sorghum; japonica sorghum; near-infrared spectroscopy; nondestructive testing; nondestructive identification; intelligent detection

高粱為禾本科一年生植物，具有高糖分積累、高生物質(zhì)生產(chǎn)潛力、優(yōu)異的氨源利用效率和廣泛的栽培適應(yīng)性等諸多優(yōu)良特性[1-4]。醬香型白酒作為我國(guó)白酒十二大香型之一，憑借釀造工藝和獨(dú)特風(fēng)味受到大眾喜愛(ài)[5]。高粱是釀造醬香型白酒的主要原料，富含淀粉、脂肪、蛋白質(zhì)等營(yíng)養(yǎng)物質(zhì)，適合釀酒，但這些物質(zhì)含量的多少將會(huì)直接影響到釀造的全過(guò)程和白酒的酒質(zhì)[6-7]。高粱按照品種一般分為糯高粱和粳高粱，兩者的淀粉含量不同[8]。而在醬香型白酒的釀造中一般只選用支鏈淀粉含量高，易于糊化的糯高粱[9]，粳高粱因?yàn)橹ф湹矸酆康?，糊化特性等因素?huì)影響醬香型白酒的酒質(zhì)[10]。為了保證醬香型白酒的風(fēng)味及品質(zhì)，一般在釀造前需要對(duì)高粱的品種以及是否存在高粱摻雜進(jìn)行檢測(cè)。傳統(tǒng)的高粱品種鑒別方法主要依靠人工目視觀測(cè)和簡(jiǎn)單的化學(xué)試劑檢測(cè)，王紅梅等[11]利用超高效液相色譜-復(fù)合四極桿軌道阱質(zhì)譜法實(shí)現(xiàn)了對(duì)不同品種高粱的鑒別，但這些傳統(tǒng)檢測(cè)方法多存在耗時(shí)長(zhǎng)、具有破壞性且缺乏及時(shí)性等問(wèn)題，也無(wú)法檢測(cè)高粱是否摻雜[12]。因此，亟需開(kāi)發(fā)一種快速、無(wú)損、可持續(xù)發(fā)展的綠色智能鑒別方法。

近紅外（near-infrared，NIR）光譜技術(shù)屬于現(xiàn)代光譜分析技術(shù)，與傳統(tǒng)的鑒別分析方法如色譜法、化學(xué)滴定法等相比，具有高效、無(wú)損、綠色無(wú)污染等優(yōu)點(diǎn)[13]。通過(guò)結(jié)合化學(xué)計(jì)量學(xué)方法，NIR光譜技術(shù)已被廣泛用于食品、藥品等領(lǐng)域的鑒別分析。由于在光譜采集過(guò)程中經(jīng)常受到環(huán)境、儀器以及操作人員的影響，使光譜出現(xiàn)基線漂移、噪聲等干擾，因此，需要采用光譜預(yù)處理方法消除干擾[14-15]。近年來(lái)，近紅外光譜技術(shù)發(fā)展迅速，已經(jīng)用于許多食品的鑒別分析[16-17]。邵春甫等[18]和范明順等[19]等通過(guò)光譜法實(shí)現(xiàn)了高粱淀粉（支鏈淀粉、直鏈淀粉）的定量分析?，F(xiàn)有檢測(cè)方法已經(jīng)能夠基本實(shí)現(xiàn)對(duì)高粱成分的定量分析，但對(duì)于近紅外高粱品種鑒別方面的檢測(cè)鮮有報(bào)道。本研究旨在基于便攜式近紅外技術(shù)結(jié)合無(wú)監(jiān)督和有監(jiān)督的模式識(shí)別方法建立高粱鑒別模型，從而實(shí)現(xiàn)對(duì)糯高粱和粳高粱的無(wú)損鑒別分析。

1 材料與方法

1.1 材料與儀器

粳高粱主要產(chǎn)自遼寧、吉林和華北地區(qū)，糯高粱主要產(chǎn)自西南地區(qū)，本試驗(yàn)購(gòu)買(mǎi)了遼寧粳高粱和貴州糯高粱。每個(gè)樣品各準(zhǔn)備100份，共計(jì)200份樣品，室溫保存。

i-Spec Plus光柵型便攜式近紅外光譜儀，必達(dá)泰克光電科技（上海）有限公司生產(chǎn)。

1.2 光譜采集

實(shí)驗(yàn)在溫度25 ℃、相對(duì)濕度50%的環(huán)境下進(jìn)行，光譜采集前需預(yù)熱儀器，調(diào)好設(shè)備參數(shù)。采集樣品光譜信息時(shí)，用鑷子將樣品置于石英瓶中，每次操作必須確保樣品完全覆蓋光斑，每個(gè)高粱樣品掃描3次，取平均值，作為高粱NIR的原始光譜數(shù)據(jù)。

1.3 化學(xué)計(jì)量學(xué)分析

采用了去偏移校正（de-bias）、 標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation，SNV）、去趨勢(shì)校正（detrend，DT）、最大最小歸一化（maximum and minimum normalization，Min-Max）、一階導(dǎo)數(shù)（first derivative，1st）、多元散射校正（multiplicative scatter correction，MSC）、二階導(dǎo)數(shù)（second derivative，2nd）和連續(xù)小波變化（continuous wavelet transform，CWT）8種單一預(yù)處理方法；以及采用5種組合預(yù)處理方法（1st＋DT、1st＋SNV、1st＋MSC、CWT＋MSC、CWT＋SNV）消除粳高粱和糯高粱原始光譜中的基線漂移、噪聲以及譜峰重疊等干擾，再結(jié)合主成分分析（principal component analysis，PCA）和3種有監(jiān)督模式識(shí)別方法線性判別式分析（linear discriminant analysis，LDA）、軟獨(dú)立模式識(shí)別法（soft independent mode classification analysis，SIMCA）和偏最小二乘判別分析（partial least square discriminant analysis，PLS-DA）建立不同品種高粱無(wú)損鑒別模型。

化學(xué)計(jì)量學(xué)方法由MATLAB R2022a（The Mathworks，Natick，USA）軟件實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 糯高粱和粳高粱的原始光譜圖及PCA結(jié)果

圖1、2分別為不同積分時(shí)間下完整、粉末形態(tài)下糯高粱和粳高粱的原始光譜。由圖可知，光譜圖譜線走勢(shì)基本趨于一致，整體來(lái)說(shuō)光譜之間的差別不大，均在波長(zhǎng)6 900 nm和8 400 nm處有明顯吸收峰。此外從高粱原始光譜圖中看出有明顯的基線漂移和譜峰重疊等干擾問(wèn)題，無(wú)法依靠原始光譜將糯高粱和粳高粱的準(zhǔn)確產(chǎn)地分開(kāi)。

圖3、4是不同積分時(shí)間下完整、粉末形態(tài)下糯高粱和粳高粱的PCA圖，采用無(wú)監(jiān)督的PCA方法挖掘糯高粱和粳高粱光譜數(shù)據(jù)差異信息，完整高粱比粉末狀態(tài)下的重疊嚴(yán)重，PCA方法無(wú)法實(shí)現(xiàn)對(duì)糯高粱和粳高粱的準(zhǔn)確綠色智能鑒別。

2.2 基于SIMCA的糯高粱和粳高粱鑒別結(jié)果

為了實(shí)現(xiàn)糯高粱和粳高粱的綠色智能鑒別，采用3種監(jiān)督模式識(shí)別方法分析。SIMCA的主要目標(biāo)是通過(guò)建立各個(gè)類(lèi)別的統(tǒng)計(jì)模型，識(shí)別不同類(lèi)別的數(shù)據(jù)樣本，為數(shù)據(jù)分析提供一種強(qiáng)有力的工具，能有效處理和分類(lèi)復(fù)雜的數(shù)據(jù)。與PCA技術(shù)相比，SIMCA不僅關(guān)注數(shù)據(jù)的主要變異，還專(zhuān)注于建立分類(lèi)模型，能夠?qū)颖居行У胤诸?lèi)到不同的類(lèi)別中，而PCA主要用于降維和數(shù)據(jù)可視化。圖5、6為SIMCA經(jīng)單一預(yù)處理和組合預(yù)處理方法后的鑒別結(jié)果。由圖可知，完整和粉末狀態(tài)下，SIMCA均可以實(shí)現(xiàn)對(duì)高粱品種的鑒別，其鑒別率達(dá)到100%，其中45 ms積分時(shí)間下的完整高粱未經(jīng)預(yù)處理原始光譜結(jié)果已達(dá)到100%。粉末狀態(tài)下，25 ms積分時(shí)間下原始光譜結(jié)果也能達(dá)到100%鑒別，但兩種狀態(tài)下65 ms積分時(shí)間下鑒別率略有差別，其中經(jīng)2nd預(yù)處理后的粳高粱和糯高粱鑒別率降到最低，可能是SIMCA模式識(shí)別下的2nd預(yù)處理剔除了大部分有效信息。

2.3 基于PLS-DA的糯高粱和粳高粱鑒別結(jié)果

為進(jìn)一步提高糯高粱和粳高粱鑒別率，采用了PLS-DA進(jìn)一步識(shí)別分析。圖7、8是經(jīng)原始光譜和8種單一預(yù)處理和5種組合預(yù)處理方法結(jié)合PLS-DA所建立的糯高粱和粳高粱的鑒別模型。PLS-DA的目標(biāo)是通過(guò)線性組合的方法，找到一個(gè)低維空間來(lái)最大化樣本類(lèi)別之間的方差，同時(shí)最小化類(lèi)別內(nèi)的方差，從而實(shí)現(xiàn)有效的分類(lèi)，進(jìn)而提升鑒別率。由圖可知，粉末狀態(tài)下的PLS-DA鑒別率優(yōu)于完整狀態(tài)下，其中25 ms和45 ms積分時(shí)間下的粉末高粱未經(jīng)預(yù)處理原始光譜均能達(dá)到100%。完整高粱在45 ms積分時(shí)間下原始光譜達(dá)到100%鑒別。但65 ms積分時(shí)間下，粉末狀態(tài)下的高粱無(wú)法實(shí)現(xiàn)100%鑒別，而在完整狀態(tài)下的高粱多數(shù)使用組合預(yù)處理才能實(shí)現(xiàn)100%鑒別。

2.4 基于LDA的糯高粱和粳高粱鑒別結(jié)果

鑒于PLS-DA鑒別結(jié)果不是很樂(lè)觀，為了提高鑒別率，本實(shí)驗(yàn)采取了LDA方法，LDA是一種用于分類(lèi)和降維的監(jiān)督學(xué)習(xí)技術(shù)，主要目標(biāo)是找到一個(gè)投影方向，使不同類(lèi)別的數(shù)據(jù)在這個(gè)方向上盡可能分開(kāi)，同時(shí)同一類(lèi)別的數(shù)據(jù)盡可能聚集。圖9、10是糯高粱和粳高粱經(jīng)過(guò)8種單一預(yù)處理和5種組合預(yù)處理優(yōu)化后結(jié)合LDA模型的鑒別結(jié)果。由圖可知，LDA優(yōu)于SIMCA和PLS-DA監(jiān)督識(shí)別方法，幾乎能實(shí)現(xiàn)對(duì)糯高粱和粳高粱100%鑒別率，對(duì)不同品種高粱鑒別率得到了大幅度提升。其中，45 ms積分時(shí)間下完整和粉末狀態(tài)的高粱都能達(dá)到100%鑒別，粉末狀態(tài)在25 ms積分時(shí)間下也能達(dá)到100%鑒別。其中65 ms積分時(shí)間下的完整和粉末狀態(tài)下高粱品種鑒別結(jié)果大大提高，其中，未經(jīng)光譜預(yù)處理的原始光譜均能達(dá)到100%鑒別。

3 結(jié)論

本研究基于便攜式近紅外光譜技術(shù)聯(lián)合化學(xué)計(jì)量學(xué)方法，建立了綠色、無(wú)損、快速鑒別糯高粱和粳高粱的方法。所采用的四種模式識(shí)別方法PCA、SIMCA、PLS-DA、LDA，有監(jiān)督識(shí)別方法優(yōu)于無(wú)監(jiān)督識(shí)別，有監(jiān)督識(shí)別模型中SIMCA、PLS-DA、LDA在不同積分時(shí)間下經(jīng)過(guò)合適單一預(yù)處理或組合預(yù)處理后，糯高粱和粳高粱鑒別率達(dá)到了100%。綜上所述，便攜式光譜技術(shù)結(jié)合模式識(shí)別方法可以實(shí)現(xiàn)糯高粱和粳高粱的綠色智能鑒別，近紅外光譜技術(shù)為不同品種高粱鑒別提供了一個(gè)新方法。

參考文獻(xiàn)：

[1] 王志偉， 閆鳳霞， 徐嘉良， 等. 3種高粱品種淀粉特性和釀造黃酒的風(fēng)味品質(zhì)分析[J]. 食品科學(xué)， 2019， 40（13）： 45-51.

[2] 陳振家， 琚魏波， 陳瓊玲， 等. 超高壓處理對(duì)高粱淀粉理化性質(zhì)的影響[J/OL]. 中國(guó)糧油學(xué)報(bào)， 1-17[2024-12-25]. https：//kns.cnki.net/kcms2/article/abstract？v=KrjhrmY9aOVw5Bjmwhqtu2XF0XjKt-jboi54nXkNs2THHx8ykhleO3E-zAfawwn7NgNBwTzZEGWvNYv-K7yI4wlK4DNp9-bxz2p9zgyxqR9cuBOuEnNywNwy-XRyHXxHshYEihyPsFksqHG7trrn9LBh9gqpmWtCjBiDUQMSaTmUV0sNxksJ2R4p2Vjq7mR2amp;uniplatform=NZKPTamp;language=CHS

[3] TARI I， LASKAY G， TAKACS Z， et al. Response of sorghum to abiotic stresses： A review[J]. Journal of Agronomy and Crop Science， 2013， 199（4）： 264-274.

[4] 劉秋霞， 董二偉， 黃曉磊， 等. 不同生態(tài)區(qū)高粱籽粒產(chǎn)量和品質(zhì)對(duì)氮肥施用的響應(yīng)[J]. 作物學(xué)報(bào)， 2023， 49（10）： 2766-2776.

[5] 蔣倩兒， 陳文浩， 孫金沅， 等. 醬香型白酒大曲微生物研究進(jìn)展[J]. 中國(guó)釀造， 2021， 40（12）： 1-5.

[6] 張明贊， 賀彪， 田輝， 等. 醬香型白酒生產(chǎn)過(guò)程中微生物對(duì)白酒風(fēng)味物質(zhì)影響的研究進(jìn)展[J]. 農(nóng)產(chǎn)品加工， 2024（6）： 108-111.

[7] 袁蕊， 敖宗華， 劉小剛， 等. 南北方幾種高粱釀酒品質(zhì)分析[J]. 釀酒科技， 2011（12）： 33-36.

[8] 丁延慶， 周棱波， 汪燦， 等. 醬香型酒用糯高粱研究進(jìn)展[J]. 生物技術(shù)通報(bào)， 2019， 35（5）： 28-34.

[9] 劉民萬(wàn)， 尹鳳瑋， 葛瑞蘭， 等. 醬香型白酒有關(guān)生產(chǎn)技術(shù)的探討[J]. 釀酒， 2015， 42（3）： 54-57.

[10]" 詹鵬杰， 張福耀， 王瑞， 等. 不同淀粉類(lèi)別高粱品種釀酒相關(guān)性能分析[J]. 山西農(nóng)業(yè)科學(xué)， 2013， 41（9）： 897-898， 952.

[11]" 王紅梅， 李哲， 王松濤， 等. 基于理化性質(zhì)和代謝組學(xué)的西南地區(qū)常規(guī)釀酒高粱與雜交高粱鑒別分析[J]. 食品工業(yè)科技， 2024， 45（19）： 256-267.

[12]" UlBRICH M， DALER J M， FLOTER E. Acid hydrolysis of corn starch genotypes. I. Impact on morphological and molecular properties[J]. Carbohydrate Polymers， 2019， 219： 172-180.

[13]" ZHAO Y， ZHU C， JIANG H. Quantitative detection of zearalenone in wheat using intervals selection coupled to near-infrared spectroscopy[J]. Infrared Physics amp; Technology， 2024， 136： 105004.

[14]" 張欣欣， 李尚科， 李跑， 等. 近紅外光譜的不同產(chǎn)地柑橘無(wú)損鑒別方法[J]. 光譜學(xué)與光譜分析， 2021， 41（12）： 3695-3700.

[15]" 李跑， 譚惠珍， 謝叔娥， 等. 基于近紅外光譜技術(shù)有監(jiān)督模式識(shí)別的青皮產(chǎn)地溯源分析[J]. 輕工學(xué)報(bào)， 2024， 39（2）： 54-59.

[16]" 李嘉儀， 余梅， 李脈泉， 等. 近紅外光譜和模式識(shí)別的菊花品種無(wú)損鑒別[J]. 光譜學(xué)與光譜分析， 2022， 42（4）： 1129-1133.

[17]" 余梅， 李尚科， 戴雪婧， 等. 一種基于近紅外光譜技術(shù)的不同品種及摻假三七的無(wú)損鑒別分析研究[J]. 分析測(cè)試學(xué)報(bào)， 2021， 40（9）： 1374-1379.

[18]" 邵春甫， 李長(zhǎng)文， 王珊， 等. 近紅外光譜應(yīng)用于高粱中總淀粉、直鏈淀粉與支鏈淀粉的定量分析[J]. 糧油食品科技， 2016， 24（2）： 60-64.

[19]" 范明順， 張崇玉， 張琴， 等. 雙波長(zhǎng)分光光度法測(cè)定高粱中的直鏈淀粉和支鏈淀粉[J]. 中國(guó)釀造， 2008（21）： 85-86.