雷加容　余敖　歐俊梅等

摘 要：采用凱氏定氮法測試了216份小麥子粒的粗蛋白含量，用近紅外儀采集數據，選擇113份建立了數學模型。結果：最佳主成分數（Rank）=6，內部交叉驗證均方差（RMSECV）=0.377，決定系數（R2）=96.89。為了驗證模型的可靠性，對預測集樣品進行預測，結果粗蛋白的預測均方差（RMSEP）=0.950，相對偏差（RSEP，%）=8.40。

關鍵詞：小麥子粒；近紅外光譜；數學模型；粗蛋白含量

中圖分類號 S512.1 文獻標識碼 A 文章編號 1007-7731（2015）03-04-22-02

Abstract：Bruker fourier transform near-infrared spectroscopy （FT-NIRS） used 113 seeds to establish math model of crude protein. The result on this model showed that the Rank was 6 and the RMSECV was 0.377 and R2 was 96.89. 54 samples were used to test this model，The result on model validation showed that the RMSEP was 0.950 and the RSEP（%） was 8.40.

Key words：Wheat；FT-NIRS；Math model；Crude protein

近紅外光譜分析技術具有快速、方便、簡單、準確以及同時可分析多種成分的優(yōu)點，是一種非破壞性的“瞬間分析”技術，它能夠為小麥品質育種快速和準確地提供有關品質參數。目前該技術已廣泛應用于農業(yè)[1-4]、工業(yè)[5-6]、食品業(yè)[7-8]等行業(yè)，在小麥[9-15]、果蔬[16-18]、油菜種子[19]等不同作物的品質檢測中得到了運用。用近紅外光譜法分析小麥子粒粗蛋白含量，難點在于近紅外光譜法要從復雜、重疊、變動的背景中提取弱信息，建立數學模型。而要建立優(yōu)秀的數學模型，就需要擁有大量品質資源，從大量樣品中選擇代表性樣品，從而建立準確、穩(wěn)定的數學模型。為此，筆者收集了216份小麥子粒樣品進行粗蛋白含量的分析，結果篩選出113份材料初步建立了粗蛋白FT-NIRS分析數學模型。

1 材料與方法

1.1 供試材料 小麥子粒樣品216份。

1.2 化學分析 粗蛋白含量分析：采用凱氏定氮法測試小麥子粒的粗蛋白含量。

1.3 近紅外分析

1.3.1 儀器 近紅外光譜品質分析儀為德國Bruker公司MATRIX-I型傅立葉變換近紅外光譜品質分析儀。

1.3.2 實驗條件 運用OPUS系統(tǒng)建立模型時，在Measurement狀態(tài)下的Advanced 工作頁選擇參數如下：Resolution為16cm-1，Sample Scan Time為64，Background Scan為64，Save Date From 為12 000～4 000cm-1，Result Spectrum 為Absorbance。其余工作頁設定正確的參數。定量建模算法：偏最小二乘法。

1.4 模型建立 利用OPUS/QUANT軟件優(yōu)化、建立小麥子粒粗蛋白的近紅外分析模型。

2 結果與分析

2.1 建小麥粗蛋白FT-NIRS定量分析模型的樣品光譜集 小麥子粒樣品的近紅外光譜圖集（圖1）。

2.3 評價校正方程 為了驗證模型的可靠性，對預測集樣品進行預測（表1），結果粗蛋白的預測均方差（RMSEP）=0.950；相對偏差（RSEP，%）=8.40。

3 結論與討論

（1）用近紅外儀采集數據，選擇113份建立了數學模型。結果：最佳主成分數（Rank）=6，內部交叉驗證均方差（RMSECV）=0.377，決定系數（R2）=96.89。為了驗證模型的可靠性，對預測集樣品進行預測，結果粗蛋白的預測均方差（RMSEP）=0.950；相對偏差（RSEP，%）=8.40。

（2）FT-NIRS的方法測定小麥子粒的粗蛋白含量與采用凱氏定氮法測試小麥子粒的粗蛋白含量相比，快速、無損，預測結果比較準確，通過適量的校正樣品建立起來的數學模型之后，可快速準確地測試未知樣品的相關指標，特別適用于大批樣品的分析測定，為FT-NIRS技術應用于農作物育種篩選材料提供了可能。

（3）建模時樣品數量和樣品代表性直接影響分析結果。本研究樣品數量雖有113個來建模，但樣品的代表性方面有待進一步完善。

參考文獻

[1]文婷，張翔，張浩勤，等.近紅外光譜在農業(yè)中的應用[J].農業(yè)技術與裝備，2009（20）：20，22.

[2]林新，牛智有.基于近紅外光譜茶葉種類的快速識別[J].華中農業(yè)大學學報，2008，27（2）：326-330.

[3]高洪智，盧啟鵬，丁海泉，等.基于連續(xù)投影算法的土壤總氮近紅外特征波長的選取[J].光譜學與光譜分析，2009，29（11）：2951-2954.

[4]段焰青，陶鷹，者為，等.近紅外光譜分析技術在煙葉產地鑒別中的應用[J].云南大學學報（自然科學版），2011，33（1）：77-82.

[5]柴金朝，金尚忠.近紅外光譜技術在紡織品定性檢測中的應用[J].紡織學報，2009，30（4）：55-58.

[6]歐陽愛國，劉軍.基于近紅外與拉曼光譜的甲醇汽油定量分析[J].西南師范大學學報（自然科學版），2012，37（9）：98-101.

[7]穆同娜，吳燕青，冰婷.近紅外光譜分析技術在食品質量安全檢測分析中的應用[J].現代儀器，2010（2）：20-23.

[8]齊龍，朱克衛(wèi)，馬旭，等.近紅外光譜技術在大米檢測中的應用[J].農機化研究，2011（7）：18-21.

[9]劉寧濤.利用近紅外光譜儀測定小麥品質指標曲線的準確性分析[J].黑龍江農業(yè)科學，2010（1）：21-24.

[10]高居榮，樊廣華，李圣福，等.近紅外光譜技術分析小麥品質的應用研究[J].實驗技術與管理，2009，26（3）：42-44.

[11]金華麗，王金水.近紅外光譜法檢測小麥粉中灰分含量的研究[J].河南工業(yè)大學學報（自然科學版），2010，31（1）：14-17，21.

[12]孫來軍，王樂凱，錢海波，等.基于近紅外透射光譜分析技術的小麥蛋白質含量測定[J].中國農學通報，2011，27（3）：35-39.

[13]錢海波，孫來軍，王樂凱，等.基于連續(xù)投影算法的小麥濕面筋近紅外校正模型優(yōu)化[J].中國農學通報，2011，27（18）：51-56.

[14]朱大洲，黃文江，馬智宏，等.基于近紅外網絡的小麥品質監(jiān)測[J].中國農業(yè)科學，2011，44（9）：1806-1814.

[15]趙海燕，郭波莉，魏益民，等.近紅外光譜對小麥產地來源的判別分析[J].中國農業(yè)科學，2011，44（7）：1451-1456.

[16]馬蘭，夏俊芳，張戰(zhàn)鋒，等.光譜預處理對近紅外光譜無損檢測番茄可溶性固形物含量的影響[J].華中農業(yè)大學學報，2008，27（5）：672-675.

[17]劉垚，萬輝，朱煥庭.近紅外光譜分析技術在果品品質無損檢測中的應用[J].廣東農業(yè)科學，2009（3）：157-158，163.

[18] 郭蕊，王金水，金華麗，等.近紅外光譜分析技術測定芝麻水分含量的研究[J].現代食品科技，2011，27（3）：366-369.

[19]朱文秀，趙繼獻，張品，等.近紅外光譜分析與化學方法檢測油菜種子品質參數的比較[J]，安徽農學通報，2010，16（17）：182-183.

（責編：張宏民）