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境中吸 水受潮，進而加速米粒的陳化與發霉變質。此外，水分含量也是評價大米食味和品質的重要指標，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。有研究表明：大米 品質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６４次，采樣點數１１５４。大米樣本的 近紅外光譜如圖１所示。

１．３．３ 組合區間偏最小二乘法

ＳｉＰＬＳ是一種優選特 征光譜區間的 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 間，然 后 依 據 指 定 的組合區間個 數，按 照 排 列 組 合 的 思 想 依 次 聯 合 各 子 區間隨機組合，對每組組合區間建立 ＰＬＳ回歸模型，并 對結果進行比 較，最 后 依 據 交 互 驗 證 均 方 根 誤 差 篩 選 出最佳組合區間。

１．３．４ 移動窗口偏最小二乘法

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

１．３．５ 模型的評價

模型的評價參數主要為相關系數（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分析結果如表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 模型對變化數據的適應性。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 Ｒ 和 ＲＭＳＥＣＶ 作為評判標準，考察了多元散射校正 （ＭＳＣ）、標準正態交換（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 出最優的光譜預處理方法。結果如表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，采用二階導數法預處理光譜建立的ＳｉＰＬＳ模型獲得了最優的結果，采用多光 散射校正加一階導數（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 結論

本文分別采用偏最小二乘法、組合區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，建模過程中對不同光譜預處理方法和特征波長區間進行了篩選。結果表 明：ＳｉＰＬＳ和 ＭＷＰＬＳ算法均可以剔除噪聲過大的譜區，相較于全譜建模，選擇合適的光譜區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，對 ＭＷＰＬＳ定標模型進 行驗證時，預測集相關系數達到了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，如涉及作品版權問題需要我方刪除，請聯系我們，我們會在第一時間進行處理。