叶 沁 赵紫薇 徐明雅 张烝彦 孙 佳 孟祥河

(浙江工业大学海洋学院1, 杭州 310014) (杭州市粮油中心检验监测站2, 杭州 310009)

精米的主要成分是淀粉，而直链淀粉含量是评价精米蒸煮品质和食味品质的重要指标之一。直链淀粉含量越高，黏性越小，米饭越硬，饭粒干燥而蓬松，色泽发暗[1]。随着人们生活水平的不断提高，对精米的品质要求也越来越高。目前，精米中直链淀粉的测定方法主要有碘比色法、电流滴定法、电压滴定法和凝胶过滤法等化学方法[2]，这些方法在实际操作过程中存在周期长，操作复杂，需要消耗大量的化学试剂等缺点，且容易产生偶然误差，难以实现准确快速、实时在线监测的目标[3]。

红外光谱技术是近些年发展起来的一种现代分析新技术，因其分析快速，操作简单，不需要任何化学试剂，对样品无损伤，便于实现在线分析的特点，已经成为大米品质分析的一种重要方法[4]。而关于红外光谱技术在测定稻米中淀粉含量的研究目前主要集中在近红外光谱技术上。例如Xie等[5]利用近红外光谱技术结合改进的偏最小二乘法对米粉中的直链淀粉含量进行了测定，所建模型的校正均方差(SEC)为1.14，相关系数为0.919 2；交叉相互验证校正均方差为1.36，相关系数为0.888 7。此外，近红外透射光谱扫描与光谱分析技术在测定稻米中直链淀粉含量方面得到了广泛的应用[3,6-7]。然而，近红外光谱法在直链淀粉建模上虽然研究已较多，但仍无法克服近红外光谱灵敏度低，无法直观给出特征基团信息等缺点。因此，寻找一种更为准确的直链淀粉快速分析方法十分必要。中红外光谱可以依据化合物基团振动峰，快速鉴别其结构信息，进而结合化学计量学方法构建相关定量模型，其灵敏度相比近红外光谱会有明显提高。但是目前，关于利用中红外漫反射技术快速检测大米中直链淀粉的研究还少有报道。

因此本实验将基于中红外漫反射光谱技术，结合偏最小二乘法(PLS)、主成分分析法(PCR)、经典最小二乘法(CLS)、逐步多元线性回归法(SMLR)4种化学计量学方法以及多种波谱预处理方法，并且通过向后区间偏最小二乘法(biPLS)进行波谱区间优化，构建精米中直链淀粉定量检测模型，实现精米中直链淀粉的准确、快速、无损、在线检测，同时为相关检测部门提供重要的技术支持。

1 材料与方法

1.1 材料与试剂

供试的195份稻米样品，均由杭州粮油中心检验检测站提供，包括50份粳稻谷、65份晚籼稻谷，80份早籼稻谷。所用样品经过砻谷机、高速实验粉碎磨研磨成精米，经150目筛子过筛处理后，贮于4 ℃冰箱备用。

95%乙醇溶液、乙酸、碘试剂(碘与和碘化钾混合试剂)、马铃薯直链淀粉标准溶液、氢氧化钠溶液，这些试剂均为分析纯。

1.2 仪器与设备

BRUKER TENSOR 27傅里叶变换红外光谱仪：德国布鲁克公司；3100型高速实验粉碎磨研磨仪：瑞典波通公司；UV-1800PC 分光光度计：上海美谱达仪器有限公司。

1.3 直链淀粉理化值的测定

精米直链淀粉含量理化值的测定按照GB/T 15683—2007 进行测定。每个样品测定3次，取其平均值。

1.4 红外光谱的采集

利用BRUKER TENSOR 27 傅里叶变换红外光谱仪(配有漫反射采样系统)采集样品光谱。为了减少测试误差，在采集红外光谱时，严格控制了每一个样品上样量为80 μg，选用样品杯的规格为直径10 mm，深度2.3 mm，使样品状态尽量保持一致。红外光谱测定范围4 000～400 cm-1，扫描次数32次，分辨率为4 cm-1，测量环境的湿度小于70%，温度保持在25 ℃。以KBr作为背景，光谱数据以log(1/R) 形式表示。为了减少样品光谱采集误差，每个精米样品采集3次光谱。

1.5 模型的建立

采用TQ Aanlyst 光谱分析软件对所得的红外光谱进行预处理及模型的构建。本实验选取样品总数的2/3作为建模集，其余1/3作为预测集，分别采用PLS，PCR，CLS，SMLR进行定量建模。为了进一步提高模型的稳定性，本实验通过波谱预处理对模型进行优化，预处理方法包括矢量标准归一化(SNV)，多元散射校正(MSC)，一阶导数(FD)，二阶导数(SD)，同时通过剔除异常值，采用经验偏最小二乘法，biPLS进行波谱区间选择[8]，实现模型的优化。其主要的验证指标有校正相关系数R，校正均方差(RMSEC)和预测均方差(RMSEP)。模型的效果越好，R越接近1，而RMSEC和RMSEP的值越小。

1.6 数据处理与分析

所得红外光谱分别通过TQ Analyst 分析软件结合PLS，传统偏最小二乘法和区间偏最小二乘法进行相应的波谱模型分析，同时利用Origin 8.0 进行分析。

2 结果与分析

2.1 理化指标

各精米样品直链淀粉含量的理化指标检测结果如表1所示。

表1 精米样品中直链淀粉的理化检测结果

2.2 光谱分析及建模方法的确立

图1 精米的中红外漫反射光谱图

基于精米的红外波谱特性，本实验分别用PLS、PCR、CLS、SMLR构建直链淀粉定量模型，各模型相应的稳定性如表2所示。从表2可以看出，与PCR、CLS、SMLR相比，基于PLS构建的直链淀粉定量模型效果最优，其相关系数R为0.771 6，RMESC为2.13，RMSEP为3.00。因此本实验将选用PLS作为直链淀粉定量模型构建的建模方法。谢新华等[6]在利用近红外透射光谱技术测定精米直链淀粉含量研究中采用了改进的偏最小二乘法(MPLS)、PLS、PCR进行建模，同样得出用PLS技术建立线性回归方程最佳的结果。

表2 4种化学计量学方法对直链淀粉模型稳定性的影响

注：N.S.：样品数量。

2.3 光谱预处理

利用TQ Analyst 软件在全波段范围内(4 000～600 cm-1)对采集的光谱分别进行SNV、MSC、FD、SD等波谱预处理，并拟合建立相应的红外模型，所得结果列于表3中。由表3可以看出，光谱经过一阶导数、二阶导数处理后，所得模型的RMSEC和RMSEP未见改善。而经过SNV、MSC处理后，所得模型的稳定性均有提高。且以经过MSC处理后的模型的效果为最优，此时模型的相关系数R、RMESC、RMSEP分别为0.895 7、1.49、3.02。这说明MSC对于消除因米粒颗粒不均、装填密度、湿度等物理因素造成的散射误差是有效的[5]。

表3 光谱预处理对直链淀粉模型稳定性的影响

2.4 异常样品的剔除

异常样品指浓度值或光谱数据存在较大误差的样品。异常样品对所构建的标准集模型影响很大，因此在建立标准集模型时，须将异常值样品从标准集样品中剔除。本实验采用马氏距离[11]，通过Dison检验来剔除。剔除4个异常值后，模型的RMSEC由原来的1.49降低至1.22，RMSEP由原来的3.02降至2.34，模型的准确性明显提高。

2.5 波谱区间优化

为了进一步提高模型的稳定性，需对建模区间进行相应的选择优化。波谱区间选择优化法主要包括传统偏最小二乘法、经验偏最小二乘法、区间偏最小二乘法(iPLS)、向前偏最小二乘法(fiPLS)和biPLS[12-14]。本实验主要通过经验偏最小二乘法和biPLS-34(即将全波谱分为34个等区间)对波谱区间进行优化选择，相应的建模区间及模型效果见表4。

表4 波谱区间优化对直链淀粉模型效果的影响

由表4可以看出，与全波谱以及经验PLS方法相比，biPLS-34优化的模型效果均有不同程度的改善。这可能是因为经验PLS是基于化合物的某些特征基团，根据经验选择相应的波谱区间，这种方法简便快速，但是所选区间通常无法较全面的涵盖化合物所有的特征基团，例如本实验中所选用的3 100～2 800、1 400～1 000 cm-1波段，因未包含3 600 cm-1附近直链淀粉中典型的O—H伸缩振动峰，以及930 cm-1附近的α-(1,4)糖苷键，导致所建模型的相关系数R仅为0.159 6。而biPLS则是在区间偏最小二乘法(iPLS)基础上，依次剔除校正均方差RMSEC最低值对应的区间，以余下的区间组合建模，比较组合区间模型效果[12-14]，与全波谱相比，波谱区间选择针对性更强，模型预测效果更理想。

图2 精米直链淀粉标准集与预测集的红外预测值与真实值之间的线性关系

2.6 模型的检验

模型建立后，选用34个样品作为预测集样品，验证已建模型的预测能力。结果发现样品直链淀粉化学值和FTIR预测值的相关系数为0.994 9，模型RMESC为0.222，RMSEP为1.32。图3为验证集样品的预测值与真实值之间的线性关系图，其线性方程为Y=0.994X+0.068，说明验证集样品的红外预测值与真实值之间高度线性相关所构建的直链淀粉定量模型准确可靠。徐泽林等[3]在利用近红外构建淀粉模型后，同样选取了验证集样品用于外部验证，所得模型预测值与化学值之间的相关线性关系为Y=1.002X-0.222，相关系数为0.949 8。Bao等[25]基于近红外光谱技术结合改进的PLS，以及不同的数学处理方法，同时构建了碾米和小麦粉直链淀粉等多项指标的定量模型，并对其进行了外部验证。结果显示碾米中直链淀粉定量模型在经过SNV，平滑，导数优化后，其模型性能方差(SEP)的值在3.47～3.53。而面粉中直链淀粉定量模型在经过同样的预处理方法优化后，其SEP的值在1.83～2.10。上述模型的验证结果的相关系数均低于本实验结果，这可能是由于在本实验中，所建模型经过MSC波谱预处理，消除了因米粒颗粒不均、装填密度、湿度等物理因素造成的散射误差。此外，本实验还通过剔除异常值，biPLS法优化建模区间，模型的性能得到了很大的改善，从而在一定程度上提高了模型的预测准确性。

图3 验证集样品红外预测值与真实值之间的线性关系

3 结论

本研究证实了DR-FTIR分析大米直链淀粉含量是可行的。当选用PLS法建模，通过MSC，剔除异常值，biPLS波谱选择优化后，所得模型效果最优。此时建模区间为3 800～3 500、 3 100～3 000、 2 900～2 400、 2 300～1 300、 1 000～900 cm-1，相应的R为0.995 6，RMSEC、RMSEP分别为0.291、1.23。此外，在模型的准确性验证实验中，验证集样品的红外预测值与真实值高度相关，相关系数R为0.994 9，线性方程为Y=0.994X+0.068，说明本研究所建的模型有效。该方法具有准确、简便、经济等优点，适合于大米直链淀粉的常规、快速分析，对大米品质的质量监控和监管具有重要的指导意义。

[1]JULIANO B O.Rice chemistry and technology[M]. AACC,St.Paul, MN,1985:443-524

[2]王仪春, 张小明, 石春海. 稻米直链淀粉含量测定方法的探讨[J].中国农学通报, 2001, 17(5): 30-32 WANG Y C, ZHANG X M，SHI C H. Studies on the analyzing method of amylose contents in rice[J]. Chinese Agricultural Science Bulletin, 2001,17(5):30-32

[3]徐泽林, 金华丽. 近红外光谱法测定大米中的淀粉含量[J]. 农产品加工, 2011, 3(3): 74-76 XU Z L, JIN H L. Determination of starch content in rice by near-infrared spectroscopy[J]. Academic Periodical of Farm Products Processing, 2011,3: 74-76

[4]陆婉珍.现代近红外光谱分析技术[M]. 北京:中国石化出版社, 2007 :1-11 LU W Z.Modern near infrared spectroscopy analysis technology [M]. Beijing: Sinopec Press, 2007:1-11

[5]XIE L H, TANG S Q, CHEN N, et al. Optimisation of near-infrared reflectance model in measuring protein and amylose content of rice flour[J]. Food Chemistry, 2014, 142: 92-100

[6]谢新华, 肖昕, 李晓方，等. 用近红外透射光谱技术测定精米直链淀粉含量研究[J]. 食品科学, 2004, 25(1): 118-121 XIE X H, XIAO X, LI X F，et al. Study on calibration of polished rice amylose by NITS[J]. Food Science, 2004, 25(1):118-121

[7]肖昕，谢新华, 陈奕,等. 应用近红外透射光谱法测定水稻种子直链淀粉含量的初步研究[J]. 中国农业科学, 2004, 37(11): 1709-1712 XIAO X, XIE X H, CHEN Y, et al. Application of near infrared transmittance spectroscopy to the determination of amylose content of rice grain[J]. Scientia Agricultura Sinica, 2004,37(11):1709-1712

[8]LEARDI R, NøRGAARD L. Sequential application of backward interval partial least squares and genetic algorithms for the selection of relevant spectral regions[J]. Journal of Chemometrics, 2004, 18(11): 486-497

[10]XIE X J, LIU Q, CUI S W. Studies on the granular structure of resistant starches (type 4) from normal, high amylose and waxy corn starch citrates[J]. Food Research International, 2006, 39(3): 332-341

[11]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 YAN Y L, ZHAO L L, HAN D H. Basic and application of near infrared spectroscopy analysis[M]. Beijing: China Light Industry Press, 2005

[12]BALABIN R M, SMIRNOV S V. Variable selection in near-infrared (NIR) spectroscopy: Benchmarking of feature selection methods on biodiesel data[J]. Analytica Chimica Acta, 2011, 692: 63-72

[13]NIU X Y, ZHAO Z L, JIA K J, et al. A feasibility study on quantitative analysis of glucose and fructose in lotus root powder by FT-NIR spectroscopy and chemometrics[J]. Food Chemistry, 2012, 133: 592-597

[14]MÜLLER L H A, FLORES M M, MÜLLER I E, et al. Attenuated total reflectance with Fourier transform infrared spectroscopy (ATR/FTIR) and different PLS algorithms for simultaneous determination of clavulanic acid and amoxicillin in powder pharmaceutical formulation[J]. Journal of the Brazilian Chemical Society. 2011, 22: 1903-1912[15]孟令芝，龚淑玲，何永炳.有机波谱分析[M]. 武汉：武汉大学出版社，2003, 194-294 MENG L Z, GONG S L, HE Y B. Organic spectral analysis[M]. Wuhang: WuHan University Press, 2003,194-294

[16]JIANG Q Q, GAO W Y, LI X, et al. Characteristics of native and enzymatically hydrolyzed Zea mays L., Fritillaria ussuriensis Maxim. and Dioscorea opposita Thunb.Starches[J]. Food Hydrocolloids, 2011, 25(3): 521-528

[17]WANG I A, JABEEN M, GEELANI H, et al. Effect of gamma irradiation on physicochemical properties of Indian Horse Chestnut (Aesculus indica Colebr.) starch[J]. Food Hydrocolloids, 2014, 35(3):253-263

[18]AADRADE-MAHECHA M M, TAPIA-BLCIDO D R, FLORENCIA C M Physical-chemical, thermal, and functional properties of achira (Canna indica L.) flour and starch from different geographical origin[J]. Starch/Starke, 2012, 64(5): 348-358

[19]SANTHA N, SUDHA K G,Vijayakumari K P, et al. Raman and infrared spectra of starch samples of sweet potato and cassava[J]. Journal of Chemical Sciences, 1990, 102(5): 705-712

[20]LIAN X J, ZHANG K S, LUO Q F, et al. A possible structure of retrograded maize starch speculated by UV and IR spectra of it and its components[J]. International Journal of Biological Macromolecules,2012, 50(1) :119-124[21]LIAN X J, SUN H B, LI L, et al. Characterizing the chemical features of the lipid and protein in sweet potato and maize starches[J]. Starch/Starke,2013, 65(6):1-9

[22]LIAN X J, ZHU W, WEN Y, et al. Screening of seeds prepared from retrograded potato starch to increase retrogradation rate of maize starch[J]. International Journal of Biological Macromolecules, 2013, 60(9): 181-185

[23]LIAN X J, ZHU W, WEN Y, et al. Effects of soy protein hydrolysates on maize starch retrogradation studied by IR spectra and ESI-MS analysis[J]. International Journal of Biological Macromolecules, 2013, 59(8): 143-150

[24]LIAN X J, WANG C J, ZHANG K S, et al. The retrogradation properties of glutinous rice and buckwheat starches as observed with FT-IR, 13C NMR and DSC[J]. International Journal of Biological Macromolecules, 2014, (643): 288-293

[25]BAO J S, WANG Y F, SHEN Y. Determination of apparent amylose content, pasting properties and gel texture of rice starch by near-infrared spectroscopy[J]. Journal of the Science of Food and Agriculture, 2007, (87): 2040-2048.