陈坤杰 龚红菊 李毅念

(南京农业大学工学院，南京 210031)

基于近红外光谱的大米加工精度等级快速判定

陈坤杰 龚红菊 李毅念

(南京农业大学工学院，南京 210031)

将30个粳稻、36个籼稻品种糙米碾削20～95 s，得到不同糙出白率的白米。分别采用称重法和染色法测出每个样本的糙出白率和加工精度等级，用FT－NIR近红外光谱仪采集每个样本的近红外光谱，以偏最小二乘法建立稻谷糙出白率的定标模型并对模型进行验证，得到最小预测误差(RMSEP)为0．032 4%，相应的决定系数(R2)为0．999 5;对稻米加工精度等级与糙出白率关系进行统计分析，发现随着稻米加工精度等级的提高，糙出白率呈对数关系降低。基于预测得到的糙出白率，建立稻米加工精度等级判定模型，结果显示，对数模型的预测精度为82．5%，采用马氏距离判别法建立的模型预测精度可达98．33%。

近红外光谱 糙出白率 大米等级

稻谷经清理、砻谷、碾米等工序后制成大米。大米品质，除与品种、产地、生长气候等因素有关外，还与加工精度密切相关。市场上销售的大米，一般都按照大米表面糠粉的碾削程度，即大米的加工精度分成不同等级后销售。美国农业部根据大米碾削程度，将大米分成4个等级［1］。根据大米粒面和背沟的留皮程度将大米分成特级、标一、标二和标三4个等级［2］。通常，大米表面残留的糠粉越少，其精度等级就越高，外观品质也就越好，越受消费者欢迎。大米精度等级是影响大米感观质量、淀粉糊化温度、大米出品率以及销售价格的一个重要指标［3－8］。目前，中国对大米精度等级的测定，主要采用基于人类视觉的直接比较法和品红石碳酸溶液染色比较法比较法［9－10］，前者是将试样与标准样品放在一起，通过观察、对比试样与标准样品的留皮程度来决定试样的等级;后者则是在大米品质检验中，用特定的染色液将待测样品染色，使试样的表征、属性等凸现出来，然后再与标准样品进行比较从而确定等级。这两种方法都是基于人类的视觉感官进行大米精度等级的判定，主观性强、缺乏定量标准、准确性较差且耗时长，已不能满足大米加工企业对大米精度检测的快速、准确、方便等要求。

近红外光谱分析是一种无损检测技术，具有快速、方便、绿色等优点，过去二十年已在农业、食品、石油化工等各个行业获得广泛应用［11－14］。在大米品质检测方面，近红外光谱分析被用于蛋白质、氨基酸及脂肪等成分含量的定量分析以及大米白度、蒸煮特性检测等方面的研究［4，15－17］，是一种既可以用于定量分析又可以用于定性分析的现代检测技术。本研究利用近红外光谱对稻米糙出白率进行测定，探讨糙出白率与大米加工精度等级之间的关系，建立基于糙出白率的大米加工精度判别模型，实现对大米加工精度等级的快速测定。

1 材料与方法

1．1 材料与设备

采用湖南省湘潭市兴农种子有限责任公司提供的具有代表性的早、中、晚共66个品种的稻谷为试验样本，其中30个粳稻品种，36个籼稻品种。

JLGJ4．5型检验砻谷机:浙江省台州市粮仪厂;JNMJ3型检验碾米机:浙江省台州市粮仪厂;Vector22/N型傅里叶变换近红外光谱分析仪:德国Bruker公司。

1．2 样本的准备

首先用人工方法去除粳稻、籼稻样品中的未成熟粒、碎米和病虫害粒，用砻谷机对样品进行砻谷，得到糙米，然后用两种方法分别对糙米进行碾削加工。一种是从每一品种的糙米中取2份试样，每份样品约200 g加入碾米机，从预先设定的15、25、30、35、40、45、50、55、60、65、70、75、80、85、90 和 95 s 共计15个碾削时间段中，随机抽取2个时间段进行碾削，制备成132份具有不同糙出白率的样本组成定标集(训练集);另一种方法是从每一品种的糙米中取1份约200 g加入碾米机，从预先设定的30、35、40、45、50、55、60、65、70、75、80、85 和 90 s共计 11 个碾削时间段中随机抽取1个时间段进行碾削，制成66份具有不同糙出白率的样本组成检验集(预测集)。

1．3 糙出白率的测定

糙出白率通常用经过碾削的出机大米质量与进机净糙米质量的比值来表示，即:

式中:C为糙出白率;M0为出机大米质量;Mi为出机大米质量。

每个样品测量3次，取3次糙出白率的平均值作为测定值，保留小数点后1位。

1．4 加工精度等级的测定

根据《GB/T5502—1985粮食、油料检验米类加工精度检验法》，采用国家标准0．1%品红石碳酸溶液染色法对所有大米样品进行加工精度等级判断。由3位大米精度等级评定人员组成一个评定小组，按照国家标准中描述的等级划分原则对每个样本进行等级评定，取3人的平均评定等级作为评定结果，确定每一个样本的精度等级。

1．5 近红外光谱(NIR)分析

从每个准备好的样品中取约20 g，放入石英样品杯，置于近红外光谱分析仪进行近红外光谱扫描。扫描范围4 000 ～12 000 cm－1，分辨率 8 cm－1，扫描次数64次，取平均光谱存于计算机用于后续建模。建模前，分别采用一阶导数、二阶导数、线性补偿差减法、直线差减法、矢量归一化、最小－最大归一化、乘法散射校正法对光谱进行预处理，然后用偏最小二乘法建立稻米糙出白率的定标模型，最后以外部检验集对模型进行验证，根据预测标准差SEP和决定系数判别模型的预测能力。

1．6 判别分析

设总体G=(X1，X2，…，Xm)T是 m 元总体(考察m 个指标)，其中样本 X=(x1，x2，…，xm)T。令 μi=E(Xi)，i=1，2，…，m，则总体均值向量为 μ =(μ1，μ2，…，μm)T。总体 G=(X1，X2，…，Xm)T的协方差矩阵为:

Σ=Cov(G)=E［(G－μ)(G－μ)T］廓则样本 X=(x1，x2，…，xm)T与总体 G 的马氏(Mahalanobis)距离定义为:

d2(X，G)=(X － μ)TΣ－1(X － μ)

根据国家标准，大米的加工精度分为特级(1)、标一(2)、标二(3)、标三(4)4个等级，将达不到上述4个等级的大米定为标外(5)，以这5级大米加工精度作为 5 个不同的总体 G1、G2、G3、G4和 G5，已知来自总体Gi(i=1，2…，5)的训练样本为(i=1，2…，5;t=1，2，…，ni)，其中 ni是取自Gi的样本个数，总体Gi的均值向量μi的估计量为:

总体Gi的协方差矩阵Σi的估计为组内协方差矩阵 Si，即

当Σ1=Σ2=…，=Σ时，反映分散性的协方差矩阵Σ的无偏估计为

对给定的待判样本 X=(x1，x2，…，xm)T，分别计算样本X到5个总体的马氏距离d2(X，Gi):

d2(X，Gi)=(X － X—(i))TS－1(X － X—(i))=XTS－1X－2Yi(X)(i=1，2，…，5)

其中Yi(X)是X的线性函数。对于给定的待判样本X，计算其到各总体的马氏距离，只须计算Yi(X)即可。

则5个总体的距离判别准则为

1．7 数据分析

光谱采集、最佳建模光谱区间的确定、最佳光谱预处理方法的选择、定标建模及模型验证等，均由近红外光谱分析仪附带的近红外光谱分析软件OPSU5．0自动完成。简单统计分析、回归分析及判别分析采用SPSS16．0统计分析软件完成。

2 结果与讨论

2．1 糙出白率的NIR测定

采用称量法得到样本的糙出白率统计结果如表1所示。

表1 糙出白率分析结果

采用所述的7种方法对采集的近红外光谱进行预处理后，利用PLS方法建立定标模型，然后对定标方程进行内部交叉检验，结果显示，一阶导数法+乘法散射校正法(MSC)为最佳光谱预处理方法，6 101．7～4 246．5 cm－1为最佳谱区，最佳主成分维数为4，交叉验证决定系数(R2)为0．993 2，交叉验证误差(RMSECV)为0．174。

用检验集的60个样本对最佳定标模型进行验证，得到决定系数(R2)为0．987 1，预测误差(RMSEP)为0．172%;真值与预测值之间的相关系数(r)为0．996，相关性达到极显著水平。对糙出白率真值与预测值进行双尾t检验，t计算值为1．469，t临界值为2．110(α =0．05)，t计算值小于临界值，表明通过NIR定标模型预测得到的糙出白率与称量法得到的糙出白率没有显著差别，可以用NIR光谱分析法对对未知样品的糙出白率进行精确预测。

2．2 糙出白率与加工精度等级的关系

采用染色法对定标集中132个样本的精度等级进行评定，不同等级样本的糙出白率均值、变化范围及标准差如表2所示。平均糙出白率随精度等级的变化如图1所示，随着精度等级的提高，糙出白率显著降低。对平均糙出白率与精度等级的关系做回归分析，糙出白率随精度等级的变化关系可以描述为:

Grade=48．3ln(DOM)－214．4 (R2=0．969 5)

表2 糙出白率与加工精度等级的统计分析

图1 加工精度等级的糙出白率箱线图

利用上述模型对检验集样本的精度等级进行预测，正确率为82．5%。表明虽然糙出白率与精度等级呈现显著的对数关系，但是利用简单的对数模型，难以对大米的精度等级进行精确预测，若要提高预测的精度等级，需要建立更加复杂的预测模型。

2．3 加工精度等级的判别分析

以糙出白率作为距离判别分析模型的判别因子，建立距离判别模型。

为了使模型训练更加有效，首先对样本数据采取归一化处理。

式中:x-为归一化处理后的样本数据;x为原始测试数据;xmin为原始数据最小值;xmax为原始数据最大值。

以4个加工精度的大米及标外大米为5个不同的总体，并假定5个总体的协方差阵相等。按照前面提出的距离判别分析方法，以校正集样本的132个样本数据进行模型训练，得到对特级米、标一米、标二米、标三米及标外米5个等级大米的判别函数为:

将检验集60个样本数据代入上式，利用回代估计法对模型预测精度进行检验，结果显示，利用上述判别函数对60个样本等级的判别中，只有1个样本判断错误，模型的判别正确率为98．33%，远高于利用对数模型的判别结果，表明采用基于糙出白率的判别分析方法，可以实现对大米加工精度等级的即时测定。

3 结论

3．1 采用一阶导数法和乘法散射校正法对大米的近红外光谱进行预处理后，利用偏最小二乘法在6 101．7 ～4 246．5 cm－1谱区建立大米糙出白率的定标模型，再对定标模型进行验证，得到决定系数(R2)为0．987 1，预测误差(RMSEP)为0．172%，较高的决定系数和较低的预测误差表明可以利用近红外光谱对大米的糙出白率进行测定。

3．2 随着稻米加工精度等级的提高，糙出白率显著降低，稻米加工精度等级与糙出白率之间呈对数关系。利用对数模型对大米加工精度进行判别，预测正确率为82．5%。

3．3 基于近红外光谱定标模型预测得出的糙出白率，采用马氏距离判别法建立大米加工精度等级的判别模型，模型预测的正确率为98．33%，显示通过近红外光谱和判别分析的方法，可以快速、准确的判别大米加工精度等级。

［1］USDA．Inspection handbook for the sampling，inspection，grading，and certification of rice．HB918 － 11［M］．USDA Agricultural Marketing Service:Washington，DC，1979

［2］GB5502—1985粮食、油料检验米类加工精度检验法［S］

［3］Kwon Y W，Jeon W B．Effect of period and storehouse－grade in grain storage and degree of milling on the sensory taste of cooked rice［J］．Crop Science，1991，36:271 －279

［4］Liu K L，Cao X H，Bai Q Y，et al．Relationships between physical properties of brown rice and degree of milling and loss of selenium［J］．Journal of Food Engineering，2009，94:69－74

［5］Tran T U，Suzuki K，Okadome H，et al．Analysis of the tastes of brown rice and milled rice with different milling yields using a taste sensing system［J］．Food Chemistry，2004，88:557－566

［6］Ha T Y，Ko S N，Lee S M，et al．Changes in nutraceutical lipid components of rice at different degree of milling［J］．European Journal Lipid Science and Technology，2006，108:175－181

［7］Chen M H，Bergman C J．Influence of Kernel Maturity，Milling Degree，and Milling Quality on Rice Bran Photochemical Concentrations［J］．Cereal Chemistry，2005，82:4 －8

［8］Park J K，Kim S S，Kim K O．Effects of milling ratio on sensory properties of cooked rice and on physiochemical properties of milled and cooked rice［J］．Cereal Chemistry，2001，78:151－156

［9］金增辉．大米加工精度的检验及其管理实践，粮食与饲料工业［J］，1992，3:9 ～13

［10］黄星奕，方如明，吴守一．大米加工精度检测方法的研究进展［J］，江苏理工大学学报，1998，19(3):6～9

［11］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

［12］史波林，赵镭，刘文，等．苹果内部品质近红外光谱检测的异常样本分析［J］，农业机械学报，2010，41(2):132－137

［13］张淑娟，王凤花，张海红，等．鲜枣品种和可溶性固形物含量近红外光谱检测［J］，农业机械学报，2010，40(4):139－142

［14］金航峰，黄凌霞，金佩华，等．不同贮存温度蜂花粉的可见－近红外光谱鉴别［J］，农业机械学报，2010，40:134－137

［15］Delwiche S R，Mckenzie K S，Webb B D．Quality characteristics in rice by near－infrared reflectance analysis of whole－ grain milled samples［J］．Cereal Chemistry．199678，257－263

［16］Kawamura S，Itoh M N．Determination of undried rough rice constituent content using near－infrared transmission spectroscopy．Transactions of the ASAE 1999，42:813 －818

［17］Gangidi R R，Proctor A，Meullenet J F．Milled rice surface lipid measurement by diffuse reflectance Fourier transform infrared spectroscopy(DRIFTS)［J］．Journal of the American Oil Chemists＇Society．2002，79:7 －12．

Instantaneous Determination of Milled Rice Grade Using NIR Spectroscopy and Discrimination Analysis

Chen Kunjie Gong Hongju Li Yinian

(College of Engineering，Nanjing Agricultural University，Nanjing 210031)

The feasibility of instantaneously determining rice grade by using NIR spectroscopy and discrimination analysis was investigated．Sixty－six varieties of brown rice were milled for durations from 20s to 95s and a total of 198 rice samples with different milling yields were obtained and used in this study．The weighing and the staining methods were utilized to determine the milling yield and rice grade of each sample，respectively．The NIR spectra of each sample were selected by using a Fourier transform near infrared spectroscopy(FT－NIR)system．The partial least square(PLS)was used to establish the calibration model for milling yield．Applying the calibration equation to the independent prediction set resulted in the lowest root mean squared error of prediction(RMSEP)of 0．0324%and the highest determination coefficient(R2)of 0．999 5．The relationship between rice grade and milling yield was discussed．It was found that the milling yield reduced logarithmically with the increase of the rice grade．Based on the predicted milling yield data by NIR calibration equation，the classification models of rice grade were developed with regression and discrimination analyses，respectively．The validation results show that the correct classification percents are 82．5%for the logarithmic model and 98．33%for the Mahalanobis distance discrimination model．

near－infrared spectrum，milling yield，rice grade

TS212．7

A

1003－0174(2011)03－0105－05

江苏省农机局和南京农业大学工学院合作基金(gxz 09007)

2010－04－28

陈坤杰，男，1963年出生，教授，博士生导师，农产品质量检测