基于近红外光谱的活性米品质检测研究

张艳哲，于　洁，王　磊，王彦宇，刘成海，郑先哲

(东北农业大学 工程学院，哈尔滨　150030)



基于近红外光谱的活性米品质检测研究

张艳哲，于洁，王磊，王彦宇，刘成海，郑先哲

(东北农业大学 工程学院，哈尔滨150030)

摘要：选取105份具有代表性的活性米样品，研究光谱范围在918～1 045nm内12个波长点的近红外反射光谱与其品质的相关性。利用近红外光谱技术和多元线性回归、主成分回归和偏最小二乘法3种校正方法对活性米中γ-氨基丁酸、水分、蛋白质、淀粉、明度值、红度值及黄度值进行定量分析；选出最优校正模型，模型的预测决定系数分别为0.903、0.964、0.953、0.951、0.949、0.961、0.916，预测标准偏差分别为0.598、1.367、1.367、2.688、0.996、50.144、0.952。研究结果表明：应用近红外光谱技术检测活性米品质是可行性的。

关键词：活性米；品质；近红外光谱；化学计量学

0引言

活性米是糙米在适宜环境条件下发芽至适当芽长的芽体，其营养价值与糙米和精白米相比大大增加[1]。γ-氨基丁酸(GABA，又名氨络酸)是活性米的特征品质，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，主要为消费者提供能量来源；蛋白质提供了人体所需的必需氨基酸；活性米中还含有维生素、矿物质、膳食纤维、六磷酸肌醇和γ-谷维素等营养成分。活性米因其特有的高营养价值引起了国内外越来越多研究者的关注。

稻谷品质检测方法主要有荧光扫描图谱法、化学特定鉴定法及仪器测量法等，这些鉴别方法存在着检测周期长、鉴别成本高、缺乏稳定性等不足[4]。近红外光谱(near infrared spectroscopy，NIR)是一种快速、无损的分析方法，在进行稻谷品质测试时具有快捷、简便、成本低、无破损和便于在线检测的特点[5]。近红外光是指波长介于可见光区与中红外区之间的电磁波，近红外光谱区域的波长范围为780 ～2 526nm，波数范围约为12 820～3 958cm-1，近红外光谱区包括近红外短波区(780～1 100 nm)和 近红外长波区(1 100～2 526nm)。图1为近红外光谱波长范围。

近红外光区的吸收带主要是由低能电子跃迁、含氢原子团(如N-H、O-H、C-H、S-H等)伸缩振动的倍频及合频吸收信息。活性米中的组成成分(如蛋白质、淀粉、GABA等)含有不同的近红外活性分子，它们的倍频和合频的振动频率不同，近红外图谱的峰位、峰数及峰强也是不同的。样品化学差异越大，则图谱的特征性差异越强，据此可以应用NIRS结合不同的建模方法对这些组分进行定性或定量的分析[6-9]。Takuma Genkawa等对糙米近红外光谱进行二阶导数处理，建立了游离脂肪酸的回归模型[10]。张斌等对光谱数据预处理，研究了精米氨基酸含量的近红外定标模型，所建模型具有较高的精度[11]。徐彦利用近红外光谱技术结合辨别分析法建立籼稻新陈度定性分析模型，判别正确率为96.7%[12]。活性米的营养与精米不同，NIRS本身对分析对象的特征有很强的依赖性，因而分析模型在不同稻谷产品间的适应性较差，需要针对性强地展开活性米产品的建模分析。目前，关于用NIRS的方法研究活性米品质检测的报道甚少，因此，建立活性米品质的NIRS快速检测方法对监测活性米的质量与安全是非常必要，也具有重要应用价值。

本研究在近红外短波区域内，尝试利用NIRS结合3种化学计量学分析方法，建立精确的γ-氨基丁酸、水分、蛋白质、淀粉、明度值(L*)、红度值(a*)、黄度值(b*)的红外光谱最佳校正模型，并用外部样品对建立校正模型预测精度和稳定性进行验证。

图1　近红外光谱波长范围

1材料与方法

1.1　试验原料

活性米于2014年9月15日购自黑龙江省哈尔滨市阿城区金都米业公司。

1.2　试验设备

本试验所用仪器设备有：ZX-888型近红外台式谷物、食品、乳制品分析仪，美国奥斯博国际有限公司；LAMBDA35 型紫外-可见分光光度计，美国 Perkin Elmer 公司；KN680型自动凯氏定氮仪，上海长方光学仪器有限公司；WXG-4型旋光仪，上海长方光学仪器有限公司；DC-P3型全自动测色色差计，北京市兴光测色仪器公司；WD800 型LG 微波炉，天津乐金电子电器有限公司。

1.3　试验设计

1.3.1活性米样品制备

活性米用保鲜袋包装后贮藏于4 ℃的冰箱中。试验时，取出待测样品后置于室温(约25 ℃)中30 min，使样品表面水分充分挥发，以减小在采集光谱信息时引起的误差，然后将样品进行微波干燥处理(微波强度为3W/g)；选取不同含水率的活性米样本105份进行光谱采集，其中3/4作为校正集，1/4作为验证集；再经高速粉碎机粉碎，过60目筛，粉碎的样品保存于密封铝制干燥皿中，备用。

1.3.2光谱扫描

试验采用ZX-888近红外台式谷物、食品、乳制品分析仪进行活性米近红外光谱测定。测定方法如下：开机预热30min 后，首先进行背景扫描，以消除背景对光谱信息的影响；接下来，按活性米样品编号次序，将样品放入石英试样杯中进行光谱扫描。另外，为了减少人为误差，每次操作前摇匀并保证样品在试样杯中高度一致。仪器参数设定如下：测量谱区范围为918～1 045nm的12个波长点(918、928、940、950、968、975、985、998、1 010、1 023、1 037、1 045nm)，波长间隔为10nm左右，分辨率为8 cm-1，石英试样杯光程为13mm，采样点为1 260，用系统配套软件ZX-888 Calibration Software实时采集反射光谱，对每份样品重复扫描5次，取平均值作为最终测量结果。光谱扫描结束后，对活性米样品进行理化值测定。

1.3.3参考值测定

活性米中GABA的测定采用紫外分光光度法；水分含量参照GB 5009.3-2010中105 ℃恒重法测定；蛋白质参照GB 5009.5-2010凯氏定氮法测定；淀粉采用旋光法测定；色度采用DC-P3型全自动测色色差计测定，每个样品做3个平行，取平均值。

1.3.4异常样品辨别

在近红外建模分析过程中，出现异常样品是不可避免的，异常样品的存在影响校正模型的预测能力。因此，必须将其从建模集中剔除。本试验采用多元线性回归法和预测浓度残差的F统计显著性检验方法来辨别浓度异常样品。

1.3.5建模及评价方法

校正模型的建立是近红外光谱分析的核心技术之一。建立校正模型后，只需将验证集样品的光谱值带入模型便可预测相应成分含量。本文通过The Unscrambler X 10.3光谱分析软件，利用多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)3种模型建立活性米品质的校正模型。

试验中，以校正集决定系数Rc2、验证决定系数Rv2、校正标准偏差RMSEc和验证标准差RMSEv来综合评价模型的预测精度和可靠性，最后通过外部验证考察模型的准确性和适用性。当决定系数越趋近于1.00，表明模型的相关性越好；当标准偏差越趋近于0，表明模型的预测值与真实值之间的差值越小[13]。

2结果与分析

2.1　理化分析结果

采用现行我国国家标准检测方法测定了活性米中GABA、水分、蛋白质、淀粉、L*值、a*值和b*值的含量并进行统计分析，样品集各建模组分测定值的分析结果见表1所示。

表1　活性米品质指标分析结果

由表1可知：活性米中GABA、水分、淀粉、L*值、a*值、b*值的分布范围相对较大，微波干燥对样品品质含量影响较大，微波干燥处理后的样品可以代表活性米的特性范围。蛋白质的变化范围相对较小，微波干燥对样品蛋白质含量影响较小。通过数据统计，活性米品质指标GABA、水分、蛋白质、淀粉、表面L*值、a*值和b*值的频数分布如图2所示。

图2　样品中各成分的频数分布

由图2可知：GABA、蛋白质、淀粉、L*值、a*值、b*值呈明显的正态分布，而水分的频数分布图的左右两侧呈正态分布，其原因为活性米的微波干燥过程分为3个阶段，分别为预干燥阶段、恒速干燥阶段和降速干燥阶段：在预干燥阶段，物料含水量高, 对微波能的吸收能力较强，温度快速上升，失水速率增大；恒速干燥阶段的时间较长，活性米失水过程绝大部分处于这一阶段；降速干燥阶段的时间较短，物料含水率很低，水分下降逐渐减慢。活性米样品具有良好的代表性，能够满足近红外校正模型建模条件。

2.2　活性米的特征光谱分析

105份活性米样品的典型近红外光谱曲线如图3所示。从图3可以看出：在近红外光照射下，样品的光谱大致趋势一致；12个不同的波长处的各样品具有不同的吸收峰，表明NIRS能够反映样品各成分含量的差异性。在740～1 080nm谱区，主要为C-H、N-H、O-H基团的三级和四级倍频峰，活性米中淀粉和蛋白质等有机成分含有大量的C-H、O-H、N-H基团[14]。因此，活性米的信息在近红外光谱间内存在大量的相关性，这会造成一定量的信息冗余，降低模型的预测能力。不难发现，在波长为950、968、975、998nm附近出现了活性米的特征波峰和波谷，但光谱的重叠较为严重，精确定量很困难，因此需要运用化学计量学方法进一步研究。

图3　105份活性米样本原始光谱图

2.3　异常样品判别

应用MLR方法和预测浓度残差的F统计显著性检验法来辨别浓度异常样品，结果如表2所示。异常的活性米样品剔除后，MLR定量模型的校正决定系数Rc2和交叉验证决定系数Rv2均有提高，校正标准差RMSEc和交叉验证标准差RMSEv有明显降低，模型得到了优化。为了建立最优校正模型，有必要对多种化学计量学方法的建模结果进行分析对比，以优选出预测能力最强的校正模型。

表2　异常样品剔除前后MLR定量模型的校正和交互验证结果

续表2

2.4　校正模型的建立与验证

剔除样品后，将75%的样品进行建模，25%的样品作为预测模型的外部验证。本文利用MLR、PCR和PLSR3种建模方法进行分析对比，如图4所示。其横坐标为活性米的品质GABA、水分、蛋白质、淀粉、L*值、a*值、b*值。从图4中可以看出：利用MLR分析的方法建立的校正模型最优，近红外校正模型的Rc2分别为0.903、0.964、0.953、0.951、0.949、0.961、0.916；RMSEc分别为0.598、1.367、1.367、2.688、0.996、50.144、0.952。

图4　不同建模方法的建模结果

利用以建立的MLR模型对验证集样品进行验证，Rv2分别为0.951、0.931、0.954、0.964、0.937、0.958、0.912，RMSEv分别为0.168、1.367、0.023、2.688、0.578、33.70、0.243。模型没有出现过拟合或拟合不足的情况。

R2是判断模型精确度和稳定性的重要标准，R2在0.92～0.96的范围内模型精确度高、稳定性好；R2在0.66～0.81的范围内模型是可以接受[15]。试验结果表明：在918～1045nm谱区所建模型对样品品质的定量检测效果较理想。

3结论

本研究利用近红外光谱技术预测活性米的各项品质，采用MLR方法结合浓度残差的F检验方法成功剔除异常样品，有效提高了模型预测能力。通过比较MLR、PCR、PLSR方法的建模结果，建立了活性米品质的最优近红外光谱定量模型，校正集和验证集的决定系数均在0.9以上。

试验结果表明：应用近红外光谱技术结合MLR法建立的模型能够有效地预测活性米的品质，预测能力和精度较高，可为活性米品质的非破坏性等级检测提供方法和依据。

参考文献：

[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,孟庆虹,张守文.发芽糙米的营养功能和进一步开发应用[J].中国食品添加剂,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]谢新华,肖昕,李晓方.糙米蛋白质含量的近红外透射光谱分析[J].食品工业科技,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]刘发龙,马新刚,程福银,等.近红外光谱分析技术在分析上的应用[J].分析测试技术与仪器,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]孙小超,吴静珠,徐云.近红外光谱分析技术及其在现代农业中的应用[M].北京:电子工业出版社,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]张斌,吴建国.稻米氨基酸含量的近红外定标模型的创建及应用[D].杭州:浙江大学,2011.

[12]徐彦.近红外光谱技术快速检测籼稻主要成分及新陈度的研究[D].长沙:中南林业科技大学,2011.

[13]赵峰,林河通,杨江帆.基于近红外光谱的武夷岩茶品质成分在线检测[J].农业工程学报，2014,30 (2):269-277.

[14]陈雪英.近红外光谱快速测定红花逆流提取过程中羟基红花黄色素A的含量[J].分析化学研究报告，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

中图分类号：S123

文献标识码：A

文章编号：1003-188X(2016)08-0141-05

作者简介：张艳哲(1989-)，女，哈尔滨人，硕士研究生，(E-mail)zhangyanzhe321@163.com。通讯作者：郑先哲(1968-)，男，吉林德惠人，教授，博士生导师。

基金项目：国家公益性行业(农业)科研专项(201403063)

收稿日期：2015-07-24