大米含水量直接關系到大米的儲藏安全，由于沒有外殼的保護，大米在儲藏過程中極易在環(huán)境中吸 水受潮，進而加速米粒的陳化與發(fā)霉變質(zhì)。此外，水分含量也是評價大米食味和品質(zhì)的重要指標，水分 含量小的大米蒸煮后會引起表面龜裂，使米飯黏性增加，喪失彈性，進而影響食味品質(zhì)。有研究表明：大米 品質(zhì)的感官評價值會隨著大米水分含量下降而降低，故如何使大米含水量在安全儲藏和食味品質(zhì)之間 找到一個平衡點至關重要，為此需要建立一種快速、準確檢測大米中水分的方法。

１ 實驗部分

１．１ 儀器

ＭＡＴＲＩＸ－Ｉ型傅里葉變換近紅外光譜儀（德國，Ｂｒｕｋｅｒ公司），配有 ＯＰＵＳ６．５軟件；ＭＡＴＬＡＢ２０１７ｂ 軟件（美國，ＭａｔｈＷｏｒｋｓ公司）；ＪＮＭＪ３型檢驗碾米機（臺州市糧儀廠）；高速萬能粉碎機（天津市泰斯特儀 器有限公司）；上海精宏DHG-9246A型電熱恒溫鼓風干燥箱（上海精宏實驗設備有限公司）；ＪＡ５００３型 電 子 天 平 （長沙湘平科技發(fā)展有限公司）。

１．２ 材料

供試水稻材料由湖南省水稻研究所提供，選用的材料均為目前廣泛推廣的水稻品種，包括了秈稻、粳 稻樣本共３２７份。

１．３ 方法

１．３．１ 大米中水分的測定

采用國家標準（ＧＢ５００９．３－２０１６）《食品安全國家標準 食品中水分的測定》中 的直接干燥法測定大米中水分含量。

１．３．２ 近紅外光譜的采集

將樣品均勻裝入樣品杯中，置于樣品臺上掃描。采樣方式為積分球漫反射， 每個樣品均重復２次裝樣掃描，平均得到一條近紅外光譜，以消除樣品不均勻性帶來的干擾。光譜采集條 件為：光譜掃描范圍４０００～１２０００ｃｍ－１，分辨率１６ｃｍ－１，掃描次數(shù)６４次，采樣點數(shù)１１５４。大米樣本的 近紅外光譜如圖１所示。

１．３．３ 組合區(qū)間偏最小二乘法

ＳｉＰＬＳ是一種優(yōu)選特 征光譜區(qū)間的 化 學 計 量 學 方 法，該 方 法 的 原 理 是 首 先 將整個光譜范 圍 劃 分 為ｎ 個 等 分 區(qū) 間，然 后 依 據(jù) 指 定 的組合區(qū)間個 數(shù)，按 照 排 列 組 合 的 思 想 依 次 聯(lián) 合 各 子 區(qū)間隨機組合，對每組組合區(qū)間建立 ＰＬＳ回歸模型，并 對結(jié)果進行比 較，最 后 依 據(jù) 交 互 驗 證 均 方 根 誤 差 篩 選 出最佳組合區(qū)間。

１．３．４ 移動窗口偏最小二乘法

ＭＷＰＬＳ采用單個窗 口區(qū)間的數(shù)據(jù) 建 模，根 據(jù) 模 型 的 性 能 決 定 窗 口 區(qū) 間 大 小和選取的區(qū)間范圍。其基本原理是截取一定寬度的 一個區(qū)間，以窗口的形式沿光譜波長軸連續(xù)移動，并基 于每個窗口內(nèi)的數(shù)據(jù)建立一系列 ＰＬＳ模型，由交互驗證均方根誤差（ＲＭＳＥＣＶ）作為區(qū)間的優(yōu)劣評價標 準，選擇 ＲＭＳＥＣＶ 最小的窗口區(qū)間進行模型建立。

１．３．５ 模型的評價

模型的評價參數(shù)主要為相關系數(shù)（Ｒ）、校正集均方根誤差（ＲＭＳＥＣＶ）、預測集均方 根誤差（ＲＭＳＥＰ）和相對分析誤差（ＲＰＤ）等。在模型評價中，若 ＲＰＤ＞３，表示定量分析模型預測能力良 好，具有較強的適用性；若２．５＜ＲＰＤ＜３，則表示模型精確度有待提高；當 ＲＰＤ＜２．５時，表示模型預測效 果較差。一般來說，Ｒ 值越大，ＲＰＤ越大，ＲＭＳＥ值越小，模型的預測效果越好。

２ 結(jié)果與討論

采用 Ｋｅｎｎａｒｄ－Ｓｔｏｎｅ法將樣本集劃分為校正集和預測集，其中校正集２８２個樣本，預測集４０個樣 本。３２２份樣本的水分含量的常規(guī)分析結(jié)果如表１所示，校正集樣品大米含水量的變化范圍在９．１％～ １６．２％之間，預測集樣品含水量在８．１％～１７．７％之間，校正集是預測集的子集，能更好的驗證所建立的 模型對變化數(shù)據(jù)的適應性。本實驗選取的大米樣品水分含量范圍分布較廣，基本上覆蓋了大米中可能出現(xiàn)的水分含量。

２．２ 光譜預處理

為了消除光譜信息中的噪聲和干擾，對原始近紅外光譜進行預處理是十分必要的。本文分別采用 ＰＬＳ、ＳｉＰＬＳ和 ＭＷＰＬＳ作為建模方法，以相關系數(shù) Ｒ 和 ＲＭＳＥＣＶ 作為評判標準，考察了多元散射校正 （ＭＳＣ）、標準正態(tài)交換（ＳＮＶ）、歸一化（Ｎｏｒｍａｌｉｚｅ）等多種光譜預處理方法對模型建立的影響，旨在篩選 出最優(yōu)的光譜預處理方法。結(jié)果如表２所示，采用 ＲａｎｇｅＮｏｒｍａｌｉｚａｔｉｏｎ法預處理光譜建立的 ＰＬＳ模型 獲得了最小的 ＲＭＳＥＣＶ 值，采用二階導數(shù)法預處理光譜建立的ＳｉＰＬＳ模型獲得了最優(yōu)的結(jié)果，采用多光 散射校正加一階導數(shù)（ＭｕｌｔｉｐｌｉｃａｔｉｖｅＳｃａｔｔｅｒＣｏｒｒｅｃｔｉｏｎ＋ＦｉｒｓｔＤｅｒｉｖａｔｉｖｅ，ＭＳＣ＋ＦＤ）法預處理光譜建立 的 ＭＷＰＬＳ模型最佳，故本文分別將 ＲａｎｇｅＮｏｒｍａｌｉｚａｔｉｏｎ、二階導數(shù)法和 ＭＳＣ＋ＦＤ 法確定為 ＰＬＳ、Ｓｉ－ ＰＬＳ和 ＭＷＰＬＳ建模時的光譜預處理方法。

３ 結(jié)論

本文分別采用偏最小二乘法、組合區(qū)間偏最小二乘法和移動窗口偏最小二乘法對大米中水分含量進 行了建模和選優(yōu)，建模過程中對不同光譜預處理方法和特征波長區(qū)間進行了篩選。結(jié)果表 明：ＳｉＰＬＳ和 ＭＷＰＬＳ算法均可以剔除噪聲過大的譜區(qū)，相較于全譜建模，選擇合適的光譜區(qū)間建模能有效的提高模型 的預測精度和準確度。且 ＭＷＰＬＳ算法比ＳｉＰＬＳ進一步減少了模型的變量個數(shù)，對 ＭＷＰＬＳ定標模型進 行驗證時，預測集相關系數(shù)達到了０．９６１７，平均預測回收率為１００．６４％，說明采用 ＭＷＰＬＳ法建立的定 標模型具有良好的預測能力。



 

免責聲明：文章僅供學習和交流，如涉及作品版權(quán)問題需要我方刪除，請聯(lián)系我們，我們會在第一時間進行處理。