王凤花，朱海龙，杨 菊，席志勇

(1.昆明理工大学现代农业工程学院，云南昆明650500; 2.昆明理工大学工程训练中心，云南昆明650500)

荞麦又称为三角麦、乌麦、花荞，属于双子叶蓼科，荞麦属，主要分布在黄土高原高寒山区和云贵川高原山地，具有较高的营养和保健价值，被称为“食药两用”的粮食珍品［1］。荞麦营养元素种类丰富，含量平衡，荞麦中淀粉和蛋白质含量的高低，是评价荞麦营养品质的重要指标［2］。总黄酮是荞麦中重要的药理、保健功能因子之一，具有降血糖、降血脂、降尿糖、防便秘等功效［3］。因此，大力发展荞麦种植产业及荞麦的精深加工技术，提高荞麦的品质，对于增加农民经济收入具有十分重要的意义。

表1 荞麦化学组分的统计参数Table1 Buckwheat chemical constituent’s statistical paramenters

目前荞麦淀粉、蛋白质和总黄酮含量的测量仍然采用传统的化学分析方法，其具有测量精度较高的优点，但存在检测速度慢、测量成本高，需在专门的检测机构或实验室中检测等不足。近红外光谱具有分析速度快、多组分同时测定、样品不需预处理、非破坏性分析、实时分析、低分析成本以及操作简单等优点，与化学计量学相结合可实现样品组分快速无损的检测。目前近红外光谱技术已广泛应用于农产品品质检测中［4－8］，且取得了较好的分析结果。但国内外关于应用近红外光谱技术对荞麦内部成分的相关研究鲜有报道。因此，本文选取不同种植地区的8种荞麦，利用近红外光谱技术采集荞麦的光谱信息，研究光谱信息和荞麦内部品质之间的定量关系模型，建立一种快速、无损、稳定、简便的荞麦品质的评定方法，对荞麦育种、加工、检测等多个环节具有很好的理论研究意义和实际应用价值。

1 材料与方法

1.1 材料与仪器

荞麦样品 选用云南、山西、四川不同荞麦种植地区的7种苦荞籽粒和一种甜荞籽粒，分别是昆明本地荞、泸西苦荞、昭苦1号、昭苦2号、山西苦荞Y16号、西昌苦荞、大理苦荞和大理甜荞，共8种具有代表性的荞麦品种，每种荞麦选5个样品，共40个样品。每个样品经干燥、去杂后，装袋密封备用，要求粒径大小、均匀度一致。

FieldSpec 3光谱仪 美国 ASD(Analytical Spectral Device)公司;CS101－2D型电热鼓风干燥箱中外合资重庆四达实验仪器有限公司;FSD－100A型电动粉碎机 杭州大吉光电仪器有限公司;JLML砻米机 上海嘉定粮油检测仪器厂。

1.2 实验方法

1.2.1 荞麦光谱特征的采集 在对荞麦籽粒进行光谱测量时，实验装置由微机、光谱仪、采用内置光源的反射探头、校正白板等组成。光谱仪选用了美国ASD(Analytical Spectral Device)公司的FieldSpec 3光谱仪，光谱采样间隔为1nm，采样范围为350～2500nm，分辨率3.5nm。将40个荞麦样品放入直径为90mm，厚度为15mm的玻璃培养皿中，将内置光源的反射探头紧贴样品上表面，采用反射方式进行样品光谱采集。对每个样品做5个重复，每个样本扫描10次，然后采用ASD公司提供的view Spec pro软件进行平均处理，并将其按log［l/R］转换为吸光度。然后将光谱数据以ASCII码形式导出并用 ASD View Spec Pro，Unscramble V9.7和 DPS (Data Procession System For Practical Statistics)软件进行处理。

1.2.2 荞麦内部成分含量的测定 每个样本荞麦籽粒经脱壳、粉碎后过孔径为0.2mm筛，要求粒径大小、均匀度一致，采用传统化学方法测定其淀粉、蛋白质和总黄酮含量。荞麦淀粉含量采用酶水解法测量，蛋白质含量采用凯氏定氮法，荞麦总黄酮含量采用高效液相色谱法［9］测量，由云南省分析测试中心完成。

2 结果与分析

2.1 荞麦光谱特征和内部成分含量的测定结果

经上述实验方法得到荞麦原始光谱曲线如图1所示，其化学测量结果统计参数如表1所示。

图1 荞麦近红外光谱吸光度Fig.1 Absorbance graph of buckwheat near－infrared spectroscopy

2.2 数据预处理

采集的近红外光谱往往受到高频随机噪音、基线漂移、样本不均匀、光散射等影响，所以需要进行光谱预处理。经过对多种不同预处理方法的比较，最终采用平均平滑法对实验所得的荞麦原始近红外光谱进行预处理，选用平滑窗口大小为3，再进行多元散射校正(multiplicative scatter correction，简称MSC)处理，能够很好滤除各种因素产生的高频噪声。

2.3 基于主成分分析的主成分数提取

将40个样本随机分成预测集与验证集，预测集为30个，验证集为10个。样本光谱波段从350～2500nm共有2151个点，采用全谱段计算时，计算量大，而且由于有些区域样品的光谱信息很弱，与样品的组成或性质间缺乏相关关系。主成分分析是一种非常有效的数据挖掘方法，它可将原来多个波长变量转化为较少的新变量，并且这些新变量既彼此互不相关，又能综合反映原来多个波长变量的信息［10－11］。所以分别对预测集和验证集进行主成分分析，其主成分累计可信度见表2。

表2 前10个主成分累计可信度Table2 Accumulative reliabilities of the first10 PCs

2.4 基于BP神经网络的荞麦淀粉预测模型

将30个预测集由PCA提取的10个主成分的得分作为BP神经网络的输入变量，输出层为荞麦淀粉含量的测量值，经依次实验得到荞麦淀粉含量的最佳隐含层节点数为6，网络设定训练迭代次数为1000次，目标误差设定为0.0001，建模样本的拟合残差为4.1594×10－3。建立荞麦淀粉含量的校正模型，对10个验证集进行预测，预测值与测量值的相关分析见图2。误差分析结果见表3。

图2 荞麦淀粉含量预测值与测量值的相关图Fig.2 Relationship between chemical analysis values and prediction values of Buckwheat starch

表3 荞麦淀粉含量BP预测模型预测结果Table3 Prediction results for Buckwheat starch by BPmod el

由图2可知，荞麦淀粉含量BP神经网络对验证集10个样本的预测值与测量值相关度为0.8719，两者相关性较高。由表3可知，荞麦淀粉含量预测值与测量值的最大绝对误差为－2.26%，相对误差绝对平均值为1.82%，相对误差绝对平均值较小，说明该方法预测荞麦淀粉含量是可行的。

2.5 基于BP神经网络的荞麦蛋白质含量预测模型

将30个预测集由PCA提取的10个主成分的得分作为BP神经网络的输入变量，输出层为荞麦蛋白质含量的测量值，经依次实验得到蛋白质含量的最佳隐含层节点数为8，网络设定训练迭代次数为1000次，目标误差设定为0.0001，建模样本的拟合残差为8.0101×10－3。建立蛋白质含量的校正模型，对10个验证集进行预测，预测值与测量值的相关分析见图3。误差分析结果见表4。

图3 荞麦蛋白质含量预测值与测量值的相关图Fig.3 Relationship between chemical analysis values and prediction values of Buckwheat protein

表4 荞麦蛋白质含量BP预测模型预测结果Table4 Prediction results for Buckwheat protein by BPmodel

由图3可知，荞麦蛋白质含量BP神经网络对验证集10个样本的预测值与测量值相关度为0.7293。由表4可知，荞麦蛋白质含量预测值与测量值的最大绝对误差为－1.45%，相对误差绝对平均值为3.695%，其相对误差绝对平均值较小，但其预测值与测量值的相关度较低，荞麦蛋白质的预测方法还有待进一步研究。

2.6 基于BP神经网络的荞麦总黄酮含量预测模型

将30个预测集由PCA提取的10个主成分的得分作为BP神经网络的输入变量，输出层为荞麦总黄酮含量的测量值，经依次实验得到总黄酮含量的最佳隐含层节点数为6，网络设定训练迭代次数为1000次，目标误差设定为0.0001，建模样本的拟合残差为3.547×10－3。建立总黄酮含量的校正模型，对10个验证集进行预测，预测值与测量值的相关分析见图4。误差分析结果见表5。

图4 荞麦总黄酮含量预测值与测量值的相关图Fig.4 Relationship between chemical analysis values and prediction values of Buckwheat total flavonoids

表5 荞麦总黄酮含量BP预测模型预测结果Table5 Prediction results for Buckwheat total flavonoids by BPmodel

由图4可知，荞麦总黄酮含量BP神经网络对验证集10个样本的预测值与测量值相关度为0.9670。由表5可知，荞麦总黄酮含量预测值与测量值的最大绝对误差为－17.91%，相对误差绝对平均值为11.978%。其预测值与测量值的相关度较高，但其相对误差绝对平均值较大，预测效果不理想，分析主要原因为所选荞麦品种中大理甜荞的总黄酮含量较小，导致实验样本总黄酮含量变异系数为50.9，差异太大，应优选实验样本和增加样本数量进一步优化建模方法，还需进一步的研究。

3 结论与讨论

3.1 文章采用主成分分析和人工神经网络方法建立了荞麦淀粉、蛋白质和总黄酮含量人工神经网络预测模型，并对其预测结果进行验证，结果表明荞麦淀粉含量人工神经网络预测模型对验证集10个样本的预测相关度为0.8719，相对误差绝对平均值为1.82%，说明该方法预测荞麦淀粉含量是可行的。

3.2 文中建立的荞麦蛋白质含量预测模型对10个样本预测相关度为0.7293，相对误差绝对平均值为3.695%。建立的荞麦总黄酮含量预测模型对10个样本预测相关度为0.9670，相对误差绝对平均值为11.978%。研究表明，利用主成分分析和人工神经网络方法对荞麦蛋白质和总黄酮含量的预测效果不理想，分析主要原因为所选荞麦品种的蛋白质和总黄酮含量差异较大，样本数量较少，在以后的研究中应增加荞麦品种和样本数量进一步优化建模方法。本文对荞麦的营养因子蛋白质和重要药理因子总黄酮含量的快速无损检测方法的进一步研究提供了一定的基础。

［1］Kayashita J，Shimaoka I，Nakajoh M，et al.Consumption of a buckwheat protein extract retards 7，12－Dimethylbenz［alpha］anthracene－induced mammary carcinogenesis in rats.［J］.Bioscience Biotechnology Biochemistry，1999，63(10): 1837－1839.

［2］SiuMei Choi，Chingyung Ma.Structural characterization of globulin from common buckwheat(Fagopyrum esculentum Moench)using circular dichroism and Raman spectroscopy［J］.Food Chemistry，2007，102:150－160.

［3］杨政水.苦荞麦的功能特性及其开发利用［J］.食品研究与开发，2005，26(1):100－103.

［4］王冬，马智宏，潘立刚，等.近红外光谱法定量测定小麦粉中的石灰类添加物的研究［J］.光谱学与光谱分析，2013，33 (1):69－73.

［5］张巧杰，张军.基于小波变换的大米直链淀粉波长选择方法［J］.农业机械学报，2010，41(2):138－142.

［6］马东红，王锡昌，刘利平，等.近红外光谱技术在食品产地溯源中的研究进展［J］.光谱学与光谱分析，2011，31(4): 877－881.

［7］刘星，单杨，张欣，等，近红外光谱法鉴别奶牛饲料中三聚氰胺甲醛树脂的可行性研究［J］.食品科学，2012，33(12): 154－158.

［8］席志勇，王凤花.谷物品质无损检测方法研究进展［J］.食品工业科技，2012，33(15):394－396，400.

［9］张琪，刘慧灵，朱瑞，等.苦荞麦中总黄酮和芦丁的含量测定方法的研究［J］.食品科学，2003，24(7):113－116.

［10］陆婉珍.现代近红外光谱分析技术［M］.北京:中国石化出版社，2006:105－164.

［11］张淑娟，王凤花，张海红，等.基于主成分分析和BP神经网络的土壤养分近红外光谱检测［J］.山西农业大学学报，2009，29(6):483－487.