宋雪健，錢麗麗，周 義，于 果，于金池，張東杰

（黑龍江八一農墾大學食品學院，黑龍江大慶163319）

近紅外漫反射光譜技術對水稻產地溯源的研究

宋雪健，錢麗麗，周 義，于 果，于金池，*張東杰

（黑龍江八一農墾大學食品學院，黑龍江大慶163319）

為實現(xiàn)對水稻產地的快速檢測，利用近紅外漫反射光譜技術對來自齊齊哈爾、建三江及五常地區(qū)的150份水稻樣品進行研究。結果表明，近紅外漫反射光譜技術具有簡單、快速、高效、無損的技術特點，并能實現(xiàn)對水稻產地溯源的準確判別。

水稻；近紅外漫反射；產地

水稻原產于我國，7 000年前我國長江流域就種植水稻，其主產區(qū)主要有東北地區(qū)、長江流域和珠江流域。水稻的類別可以分為秈稻和粳稻、早稻和中晚稻，以及糯稻和非糯稻。水稻富含多種營養(yǎng)物質，除可食用外，還可釀酒、制糖，其稻殼和稻稈可作為飼料。不同產區(qū)的水稻其外觀及理化指標較為接近，肉眼無法識別其產地。近紅外光譜技術，被廣泛應用于農產品、水果、藥材、畜產[1-4]等產地溯源的研究中。趙景輝等人[5]利用近紅外光譜技術對不同產地和種類的人參及西洋參種子樣品進行聚類鑒別，其所建立的鑒別分析模型能有效判別人參及西洋參種子的類別。夏立婭等人[5]研究發(fā)現(xiàn)，利用近紅外光譜技術能準確地對119份響水大米和90份非響水大米的產地進行判別。試驗采用近紅外漫反射光譜技術結合偏最小二乘法對來自不同產地的水稻樣品在不同狀態(tài)下對其進行產地溯源研究，為實現(xiàn)水稻產地的快速檢測提供有效方法。

1 材料與儀器

1.1 試驗樣品

試驗于2015年在五常、佳木斯、齊齊哈爾3個地區(qū)構建試驗田，分別種植相同品種的水稻，并于水稻收獲期對其進行采樣。每個品種采集10份，編號記錄，共計150份，所有樣品均為龍粳系列。

試驗田樣品信息見表1。

表1試驗田樣品信息

1.2 試驗儀器

FC2K型礱谷機，日本大竹制作所產品；VP-32型實驗碾米機，日本山本公司產品；FW100型高速萬能粉碎機，天津泰斯特儀器有限公司產品；TENSOR II型傅立葉變換近紅外光譜儀，德國布魯克（北京）科技有限公司產品。

2 試驗方法

2.1 大米樣品的前處理

將采集樣品進行統(tǒng)一的加工方式，進行脫粒、壟谷、碾米及制粉處理。對各地區(qū)隨機選取樣品總量的2/3作為建模樣品，1/3作為預測樣品，即每個地區(qū)的建模樣品數(shù)為33個，預測樣品數(shù)為17個。利用近紅外漫反射光譜儀，分別對稻谷籽粒及大米粉末進行光譜的采集。

稻谷樣品原始光譜見圖1，大米粉末樣品原始光譜見圖2。

圖1 稻谷樣品原始光譜

圖2 大米粉末樣品原始光譜

2.2 模型的建立與驗證

分別將齊齊哈爾大米賦值為1，佳木斯大米賦值為0，五常大米賦值為-1，以預測值在1±0.5之間來判斷其為齊齊哈爾大米，以此類推。為消除干擾因素對模型的干擾，故需要對原始光譜進行預處理，OPUS 7.5軟件的定量分析預處理方式主要有消除常數(shù)偏移量、減去一條直線、矢量歸一化、最小-最大歸一化、多元散射矯正、內部標準、一階導數(shù)+平滑（平滑點數(shù)為5，9，13，17，21，25點，下同）、二階導數(shù)+平滑、一階導數(shù)+減去一條直線+平滑、一階導數(shù)+矢量歸一化+平滑、一階導數(shù)+多元散射校正+平滑。采用偏最小二乘法結合交叉檢驗的方式對其進行處理，其中均方根標準誤（RMSECV）數(shù)值越小，模型的精度越高；定向系數(shù)（R2）數(shù)值越接近100%，模型的精度越高。波長及預處理方式的最優(yōu)組合，則通過軟件的自動優(yōu)化進行篩選。將建立好的模型帶入軟件中，對預測樣品集進行預測。

3 結果與分析

3.1 不同狀態(tài)樣品的建模效果

試驗通過去除異常點及自動優(yōu)化后結果表明，稻谷樣品在波長7 501.3～5 447.7 cm-1，4 600.6～4 249.8 cm-1范圍內結合矢量歸一化的預處理方式，其模型效果較好，其中RMSECV為0.175，R2為94.65，故選此來建立稻谷的判別模型。

稻谷樣品的預測值與參考值關系見圖3，稻谷樣品的RMSECV與維數(shù)的關系見圖4。

圖3 稻谷樣品的預測值與參考值關系

圖4 稻谷樣品的RMSECV與維數(shù)的關系

大米粉末樣品在波長7 501.3～4 597.8 cm-1范圍內結合最小-最大歸一化的預處理方式，其模型效果較好，其中RMSECV為0.163，R2為96.13，故選此來建立大米粉末的判別模型。

大米粉末樣品的預測值與參考值關系見圖5，米粉樣品的RMSECV與維數(shù)的關系見圖6。

圖5 大米粉末樣品的預測值與參考值關系

3.2 模型的驗證結果

定量分析模型對齊齊哈爾、佳木斯、五常3個地區(qū)稻谷樣品的正確判別率分別為82.35%，88.23%，70.58%；對3個地區(qū)大米粉末樣品的正確判別率分別為88.23%，94.12%，88.23%。

模型判別結果見表2。

圖6 大米粉末樣品的RMSECV與維數(shù)的關系

表2模型判別結果

研究表明，樣品粒徑的不同對模型的精度會產生一定的影響。

4 結論

采用近紅外漫反射光譜技術結合偏最小二乘法，對來自齊齊哈爾、佳木斯、五常地區(qū)的150份不同狀態(tài)水稻樣品進行產地判別分析。結果表明，在波數(shù)7 501.3～5 447.7 cm-1，4 600.6～4 249.8 cm-1范圍內結合矢量歸一化預處理方式建立的稻谷樣品判別模型，對齊齊哈爾、佳木斯、五常地區(qū)樣品的正確判別率分別為82.35%，88.23%，70.58%；在波數(shù)7 501.3～4 597.8 cm-1范圍內結合最小-最大歸一化的預處理方式建立的大米粉末樣品判別模型，對3個地區(qū)的正確判別率分別為88.23%，94.12%，88.23%。因此，在今后研究中模型的精度有待進一步提高，以便更好地實現(xiàn)對水稻產地的快速檢測。

[1]常冬，張毅，黃蔚霞.基于近紅外的玉米產地快速鑒別[J].中國科技成果，2015（16）：52-54.

[2]張鵬，李江闊，陳紹慧，等.近紅外光譜用于鑒別蘋果產地的研究[J].食品科技，2014（11）：305-309.

[3]李莉，李瑩，王婷媛.基于近紅外光譜技術建立不同產地駱駝蓬藥材定性判別模型[J].中國中藥雜志，2015，40（14）：2 862-2 865.

[4]張德權，張寧，李淑榮，等.近紅外光譜結合SIMCA溯源羊肉產地的初步研究[G]//第五屆全國農產品加工科研院所聯(lián)誼會暨中國農產品加工技術與產業(yè)發(fā)展研討會論文集.杭州：浙江省農業(yè)科學院，2010：365-370.

[5]趙景輝，劉旭，李方元，等.近紅外漫反射光譜法用于不同人參種子的鑒別[J].特產研究，2006，28（3）：48-50.

[6]夏立婭，申世剛，劉崢顥，等.基于近紅外光譜和模式識別技術鑒別大米產地的研究[J].光譜學與光譜分析，2013，33（1）：102-105.◇

Study on the Origin of Rice by Near Infrared Diffuse Reflectance Spectroscopy

SONG Xuejian，QIAN Lili，ZHOU Yi，YU Guo，YU Jinchi，*ZHANG Dongjie
（College of Food Science，Heilongjiang Bayi Agricultural University，Daqing，Heilongjiang 163319，China）

In order to realize the rapid detection of rice production，test using near infrared diffuse reflectance spectroscopy study of 150 rice samples from Qiqihar，Jiansanjiang and Wuchang area.The results show that the near infrared diffuse reflectance spectroscopy technology has the characteristics of simple，fast，efficient and non-destructive，and can realize the accurate identification of rice origin traceability.

rice；near infrared diffuse reflectance；origin

TS207.3

A

10.16693/j.cnki.1671-9646（X）.2017.05.005

1671-9646（2017）05a-0013-03

2017-03-12

黑龍江省教育廳科學技術研究項目資助（12541576）；黑龍江省墾區(qū)科研項目（HKN125B-13-02）；黑龍江省高等學?？萍紕?chuàng)新團隊建設計劃項目（2014TD006）；黑龍江省應用技術研究與開發(fā)計劃項目（GA14B104）。

宋雪?。?991—），男，在讀碩士，研究方向為食品加工與質量安全。

*通訊作者：張東杰（1966—），男，博士，教授，研究方向為農產品加工與安全。