吕 慧，张正竹，*，王胜鹏，戚 丽，林茂先

（1.安徽农业大学茶叶生物化学与生物技术教育部重点实验室，安徽合肥230036；2.合肥美亚光电技术有限责任公司，安徽合肥230038）

基于近红外光谱技术的大米品质分析与种类鉴别

吕 慧1，张正竹1，*，王胜鹏1，戚 丽2，林茂先2

（1.安徽农业大学茶叶生物化学与生物技术教育部重点实验室，安徽合肥230036；2.合肥美亚光电技术有限责任公司，安徽合肥230038）

应用近红外光谱（NIRS）技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱，采用偏最小二乘法（PLS）建立了大米水分、蛋白质和直链淀粉定量分析模型，对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数（R2）分别为：0.992、0.9792和0.9736；内部交叉验证标准差（RMSECV）分别为：0.141、0.201和0.209；模型外部验证决定系数（R2）分别为0.9861、0.912和0.9373；外部验证标准差（RMSEP）分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异，对不同属性和不同产地的大米进行了定性聚类分析，种类识别准确率达到100%。结果表明，NIRS分析技术可以用于对大米品质和种类的快速无损检测。

近红外光谱，大米，偏最小二乘法，品质分析，聚类分析，种类鉴别

1 材料与方法

1.1 实验材料

样品 采集102份大米样品，其中包括粳米66份（安徽粳米33份、东北粳米25份、泰国粳米8份），糯米13份（安徽糯米9份、湖北糯米1份、吉林糯米1份、江苏糯米2份），籼米6份（安徽籼米5份、江苏籼米1份），黄米6份（山西黄米1份、山东黄米1份、吉林黄米1份、辽宁黄米2份、黑龙江黄米1份），黑米5份（吉林黑米1份、黑龙江黑米2份、辽宁黑米1份、吉林黑米1份），红米4份（江苏红米2份、河南红米1份、吉林红米1份），高粱米2份（河北高粱米1份、山西高粱米1份）。

1.2 样品的近红外光谱采集

样品在粉碎后利用德国Bruker公司的近红外光谱仪采集光谱，工作谱区范围选择12500～3600cm-1，扫描次数32次，分辨率为8cm-1，97mm样品杯配套自动旋转样品台，每个样品重复装样3次，扫描后利用OPUS6.5/QUANT定量分析软件计算平均光谱，以减少装样造成的误差。得到的粉碎后的样品近红外原始光谱图和平均光谱图如图1所示。

1.3 样品化学值测定

水分质量分数分析方法采用国家标准“GB/T 21305-2007/ISO 712：1998谷物及谷物制品水分的测定常规法”；蛋白质质量分数的测定采用国家标准“GB/T 5511-2008/ISO 20483：2006谷物和豆类氮含量测定和粗蛋白质含量计算凯氏法”；直链淀粉质量分数的测定采用国家标准“GB/T 15683-2008/ISO 6647-1：2007大米直链淀粉含量的测定”。

1.4 NIRS预测模型的建立

图1 用97mm样品杯采集到的102份粉碎后大米样品的近红外原始光谱（a）与平均光谱图（b）Fig.1 Original near infrared reflectance spectra（a）and average near infrared reflectance spectra（b）of 102 crushed rice samples collected with a 97mm specimen cup

采用德国Bruker公司OPUS6.5/QUANT定量分析软件进行谱区选择、光谱预处理和回归统计分析。将样品随机地分为定标集和检验集，先用定标集样品通过内部交叉验证建立预测模型，再用检验集样品进行外部验证，其中水分和蛋白质定标集为80份样品，用于建立预测模型，检验集为22份样品，用于验证所建模型。由于不同属性的大米直链淀粉的质量分数相差很大，所以直链淀粉的建模样品只选取粳米，其中定标集为50份样品，检验集为16份样品。样品的选取规则：将各个化学指标按其各自的范围划分为许多不同的子范围，然后统计落入各个子范围内的样品数，最后在这些子范围内根据落入样品数的多少随机选取样品。根据内部交叉验证决定系数R2和外部验证决定系数R2，内部交叉验证标准差RMSECV、外部验证标准差RMSEP等指标确定最优定标模型。

2 结果与分析

2.1 样品化学值测定

采用平行对照实验的方法对所有样品的水分、蛋白质和直链淀粉的化学值进行了准确测定，结果见表1。由表1可见，样品中水分、蛋白质和直链淀粉质量分数变化幅度分别为12.39%～19.87%、6.27%～13.08%和11.56%～16.95%，基本上涵盖了大米可能出现的不同品质等级的变化范围，具有较好的代表性，能满足建立近红外光谱品质分析的要求。

表1 定标集和检验集样品中水分、蛋白质和直链淀粉质量分数分布Table 1 Distribution of the contents of water，protein and amylose in rice samples used for calibration set and validation set

2.2 近红外定标模型的建立

采用化学计量学方法，将样品的光谱数据和化学值进行关联，确定两者之间的定量关系，建立NIRS定标模型。对样品的光谱数据进行适当预处理并筛选建模的谱区范围，以优化模型、提高模型的预测准确性[22]。

应用偏最小二乘法（PLS）建立预测模型，利用OPUS 6.5/QUANT软件中的自动优化功能，筛选建模的最佳谱区范围、光谱预处理方法和主成分维数。经过内部交叉验证，自动优化后比较不同谱区范围组合与光谱预处理方法所得到的交叉验证决定系数R2、内部交叉验标准差RMSECV作为衡量定标模型质量优劣的指标。决定系数越大、标准差越小，表明模型的预测精度越高，依此选择最佳谱区、最佳光谱预处理方法和最佳主成分维数。不同预处理方法得到的决定系数R2和内部交叉验标准差RMSECV见表2。由表2得出，水分、蛋白质和直链淀粉的近红外定标模型所对应的最佳预处理方法分别为二阶导数、一阶导数+MSC和一阶导数+MSC，在上述最佳建模条件下，采用内部交叉验证方法分别构建3个定量预测模型。大米水分质量分数、蛋白质质量分数和直链淀粉质量分数的近红外光谱预测模型的内部交叉验证决定系数R2分别为0.992、0.9792和0.9736；内部交叉验证标准差RMSECV分别为0.141、0.201和0.209（见表3），表明各参数定标效果良好，所建模型的各项决定系数和标准差已满足样品分析对准确度的要求。偏最小二乘法的原理和算法参考朱尔一[23]的报道。

表2 建立近红外定标模型的不同预处理方法Table 2 Different preprocessing for establishing NIRS calibration models

表3 模型的内部交叉验证与外部验证结果Table 3 The results of models in cross validation and external validation

2.3 近红外定标模型的验证

用所建立的NIRS定标模型对检验集样品中水分、蛋白质和直链淀粉的质量分数进行预测，以考察NIRS定标模型的预测精度。

近红外光谱检验模型的外部验证决定系数R2分别为0.9861、0.912和0.9373；外部验证标准差RMSEP分别为0.179、0.206和0.243；由此可见各参数校正模型的预测精度较高，NIRS预测值与化学值比较接近。

如图2所示，采用一元线性回归的方法，分别得到定标集和检验集样品中水分、蛋白质和直链淀粉质量分数的真值与NIRS模型预测值之间的相关关系。

图2 大米水分（a）、蛋白质（b）和直链淀粉（c）定标集及检验集化学值与近红外预测值的相关散点图Fig.2 Prediction between NIRS and chemical analysis results for wate（ra），protein（b）and amylose（c）in calibration set and testing set

2.4 近红外近红外光谱定性聚类分析

本文采用标准方法计算光谱间的距离，即利用欧氏距离来表示。标准法原理：设有两张光谱图a和b，一张是测试谱，另一张是参考谱，光谱距离D与两条曲线之间的面积成比例。标准方法所使用的欧氏距离公式表示如下：

式中：a（k）和b（k）是谱图a和b的纵坐标的值，其和是从所选全部数据点k得到的。分析过程中，算法将测试谱图同所有参考谱图进行比较。比较结果即是匹配值，也对应为谱图距离D。两张谱图越匹配，则距离越短，完全相同的谱图匹配值为零。

2.4.1 光谱预处理 谱区选择仪器的波长扫描范围为12500～3600cm-1，通过全谱区扫描发现，在8744～3764.5cm-1范围内信息量丰富，本实验取此谱区进行数据处理。

将NIRS原谱及原谱经一、二阶导数预处理后得到的一、二阶导数光谱分别用于鉴别，发现原谱的鉴别效果最差，二阶导数光谱的鉴别效果最佳，本实验选取NIRS二阶导数光谱进行分析。

2.4.2 不同样品组合的近红外光谱聚类分析 从102份样品中选取30份样品，其中1～6号为糯米，7～10号为籼米，11～30号为粳米。在20份粳米样品中11、12号、14～16号为安徽粳米；13号、20～22号为泰国粳米；17～19号、23～30号为东北粳米。不同属性的大米在形状和色泽上有所差异，根据外部特征采用感官分析法比较容易将其分开。本实验应用近红外光谱聚类分析法对预处理后的光谱数据进行了聚类分析，不同属性的样品组合得到了正确的归类（图3）。对于不同产地同种属性的粳米，由于色泽、形状等外部特征差异很小肉眼不易区分开，采用感官分析法很难将其准确分类，近红外光谱聚类分析法能准确地将样品组合区分开（图4）。

图3 不同属性样品的聚类分析树状图Fig.3 Clustering analysis tree of rice samples with different category

图4 不同产地样品的聚类分析树状图Fig.4 Clustering analysis tree of rice samples with different origin

3 结论

3.1 本文应用近红外光谱技术结合偏最小二乘法（PLS）建立了测定大米中水分、蛋白质和直链淀粉质量分数的定量分析模型，模型经过选择有效的光谱区域和适合的预处理方法得到优化，应用此模型对检验采集样品水分、蛋白质和直链淀粉的质量分数进行预测，预测结果较好。可以实现大米内水分、蛋白质和直链淀粉的快速定量检测，从而达到快速判断大米食味品质优劣的目的。

3.2 采用近红外光谱技术结合聚类分析法对不同属性和不同产地的大米进行了种类鉴别，借助聚类分析方法，提取各种类大米的近红外光谱特征，可以达到直观鉴别分类的目的。由于本文采集的大米样品数量和种类有限，无法覆盖大米种类的多样性，有待进一步收集补充不同属性及产地的大米样品，以增加该方法的适用范围。

[1]庞乾林.稻米知识纵览[J].中国稻米，2004（3）：44-45.

[2]迟明梅.大米食用品质的研究进展[J].粮食加工，2005（1）：48-51．

[3]高杨，范必威.大米品质的评价及其主要影响因素[J].广东微量元素科学，2005，12（12）：12-16．

[4]孙颖.近红外光谱分析技术及应用进展[J].山东化工，2010，39（2）：24-26．

[5]陆婉珍.现代近红外光谱分析[M].第二版.北京：世界地图出版社，2007．

[6]严衍禄，赵龙莲，韩东海.近红外光谱分析基础与应用[M].北京：中国轻工业出版社，2005.

[7]Williams P C．Implementation of nearinfrared technology[C]．American Association of Cere Chemist，2001：145-169．

[8]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．

[9]黄艳，王锡昌，邓德文，等.利用近红外光谱技术快速测定白鲢鱼糜中的水分含量[J].食品工业科技，2008（2）：282-284．

[10]柴玉华，谭客竹.基于近红外分析技术检测大豆脂肪酸含量的研究[J].农业工程学报，2007，23（1）：238-241．

[11]Misra J B，Mathur R S，Bhatt D M.Near-infrared trans mittance spectroscopy：A potential tool for non-destructive determination of oil content in groundnuts[J].Journal of the Since of Food and Agriculture，2000，80（2）：237-240．

[12]Wesley I J，Larroque O．Measurement of gliadin and glutenin content of flour by NIR[J].Spectroscopy.Journal of Cereal Science，2001，34：125-133．

[13]Peter R Shewry．Improving the protein content and composition of cereal grain[J].Journal of Cereal Science，2007，11（3）：239-250．

[14]Carlomagno G，Capozzo L，Attolico G.Non-destructive grading of peaches by near-infrared spectroscopy[J].Infrared Physics and Technology，2004（46）：23-29．

[15]Danial G Fraser，Robert B Jordan，Rainer Ktinnemeyer，et al．Light distribution inside mandarin fruit during intend nudity assessment by NIR spectroscopy[J]．Postharvest and Technology，2003（27）：185-196．

[16]Landau S，Glasser T，Muklada H，et al．Fecal NIRSprediction of dietary protein percentage and in vi tro dry matter digestibility in diets ingested by goats in Mediter ranean scrubland[J].Small Ruminant Research，2005，59（2-3）：251-263．

[17] Stuth J，Jama A，Tolleson D.Direct and indirect means of predicting forage quality through nearinfrared reflectance spectroscopy[J].Field Crops Research，2003，84（1-2）：45-56．

[18]Xiccato G，Trocino A，De Boever J L，et al．Prediction of chemical composition，nutritive value and ingredientcomposition of European compound feeds for rabbits by near infrared reflectance spectroscopy（NIRS）[J].Animal Feed Science and Technology，2003，104（1-4）：153-168．

[19]张楠，程玉来，李东华，等.近红外透射光谱测定水晶梨糖度的初步研究[J].食品工业科技，2007，28（3）：215-216．

[20]刘文生，燕晓辉，李明珠．鸭梨褐变的近红外反射光谱分析[J]．食品工业科技，2006，27（10）：178-180．

[21]胡茶根，赵红霞，边文亮.近红外技术在茶叶快速无损检测方面的研究与应用[J].食品科学，2007，28（10）：638-641．

[22]许禄，邵学广.化学计量学方法[M].北京：科学出版社，2004.

[23]朱尔一.化学计量学技术及应用[M].北京：科学出版社，2001．

Quality analysis and category identification of rice based on the near infrared spectroscopy（NIRS）

LV Hui1，ZHANG Zheng-zhu1，*，WANG Sheng-peng1，QI Li2，LIN Mao-xian2
（1.Institute Key Laboratory of Tea Biochemistry and Biotechnology，Ministry of Education，Anhui Agricultural University，Hefei 230036，China；2.Hefei Meiya Optoelectronic Technology Co.，Ltd.，Hefei 230038，China）

The methods for rice eating quality analysis and category identification of rice were established based on the near infrared spectroscopy（NIRS）.A total number of 102 rice samples from different origins with different category were collected，and the crushed rice samples were applied for near infrared spectra collection.Quantitative analysis models of rice moisture，protein and amylose were developed by partial least square（PLS）.The accuracy of the prediction result was evaluated.Internal cross-validation decided coefficient（R2）of prediction model was 0.992，0.9792 and 0.9736，respectively.Internal cross-validation RMSECV was 0.141，0.201and 0.209，respectively.External validation determination coefficient（R2）of model was 0.9861，0.912 and 0.9373，respectively.External validation RMSEP was 0.179，0.206 and 0.243，respectively.The differences among samples could be tested by calculation of the euclidean distance between near infrared spectra of samples.The differences of category of rice samples were evaluated by cluster analysis.The accurate for the category identification reached to 100%.Results showed that NIRS，a rapid and non-destructive analytical technique，can be used for rice quality and category analysis.

near infrared reflectance spectra（NIRS）；rice；partial least squares algorithm（PLS）；quality analysis；clustering analysis；category identification

TS210.1

A

1002-0306（2012）03-0322-04

大米是世界上一半以上人口的主食。我国稻谷年消耗量在1.90亿吨左右，有60%以上的人以大米为主食[1]。由于社会生活水平的普遍提高，大米的食味品质越来越受到人们的关注。大米的食味品质指大米在蒸煮和食用过程中所表现的各种理化及感官特性，如吸水性、溶解性、延伸性、糊化性、膨胀性以及热饭及冷饭的柔软性、弹性、色、香、味等[2]。大米中含有水分、蛋白质、淀粉、脂肪、矿物质和维生素等，这些成分质量分数的高低直接影响大米的食味品质。由于脂肪、矿物质和维生素的质量分数较小，所以对大米食味品质的影响较小。影响大米食味品质的化学成分主要有淀粉、蛋白质和水分[3]。对大米品质的分析除了考察色泽、形状和气味等外部特征的感官分析方法外，主要通过化学方法，分析大米的水分、蛋白质和直链淀粉的质量分数，进而判断大米食味品质的优劣，而对大米品种的鉴别则主要依赖于感官经验判断。由于化学检测方法操作繁琐、费工费时，感官分析方法主观因素干扰大，因此开发大米品质检测和品种鉴别的快速分析方法极为迫切。近红外光谱（Near Infrared Reflectance Spectroscopy，NIRS）分析技术采用化学计量手段，将近红外光谱与被测对象性质直接关联，建立起两者之间的函数关系，反映了含氢基团分子振动的特征信息[4]。具有操作简便、测定速度快、多组分同时测定、成本低、绿色环保和样品制备简单等优点[5-7]。在农业[8-15]、饲料[16-18]、食品[19-20]、和茶叶[21]等行业得到广泛的重视和应用。本文应用近红外光谱（NIRS）技术，建立了大米的近红外光谱定量模型，快速检测大米内水分、蛋白质和直链淀粉的质量分数，达到快速分析大米食味品质的目的，同时通过对样品的近红外光谱聚类分析实现样品种类的快速鉴别。

2011-02-24 *通讯联系人

吕慧（1983-），女，硕士研究生，研究方向：食品科学。

安徽省优秀青年基金（08040106804）。