近红外光谱法测定大米中的淀粉含量
第３期（总第２３８期）２（）１１年３月
Ａｃａｄｅｍｉｃ农产品加丁・学刊
ＰＰｒｉ（ｘｉｉｃａｌｏｆＦａ咖ＰｎｘＩｕｒｔｓＰｒｏｃｅｓ９ｉｎｇ
Ｎｏ．３
Ｍａｒ
文章编号：１６７１—９６４６（２０１１）０３一（）０７４－０３
近红外光谱法测定大米中的淀粉含量
徐泽林，金华丽
（河南一ｒ＝业大学粮油食品学院。河南郑州４５００５２）
摘要：用化学方法测定６４个大米样品中的淀粉含量，利用近红外谷物分析仪采集样品的近红外光谱，选择合适的光谱区间和光谱预处理方法。５０个定标集样品的近红外光谱经■阶导数及标准多元离散校正（ｓｔ跏ｄａｒｄＭｓｃ）预处理，结合偏最小二乘法（ＰＬＳ）建立ｒ大米中的淀粉含量测定的定标模型，其相父系数为ｏ．８７８０。１４个验证集样品用于外部检验，大米中的淀粉含量的模型预测值与化学值之间的相关系数为ｏ．９４９关键词：近红外光谱法；淀粉含量；定标模型；大米
８。
中图分类号：鸭２１
文献标志码：Ａ
ｄｏｉ：ｌＯ．３９６９／ｉｉｓ叽．１６７ｌ一９６４６（）【）．２０１１．０３．０１９
Ｄｅｔｅｎｎｉｎａｔｉｏｎ０ｆＭａｒｃｈＣｏｎｔｅｎｔｉｎＲｉｃｅｂｙ
ＸｕＺｅｌｉｒＬ。恤ＨＩｍＩｉ
（ＣｏⅡｅｇｅ
０ｆ
ｔＩＩｅ
Ｎｅａ卜ｉⅢ．ｒａｒｅｄ
Ｓｐｅｃｔｒｏｓｃｏｐｙ
０ｆ队＇ｄ
ｓ锄ｐｌｅｓ
Ｓｃｉｅｎｃｅ蚰ｄｎｃｈｎｏｌｏｇ）ｒ，Ｈｅ’ｎａｎＵｎｉｖｅｒｓ时０ｆｎｃｈｎｏｌｏｇｙ。ｚｈｅｎ铲ｈ伽，Ｈｅ’ｎ锄４５００５２，Ｃｈｉｎ８）
ｉｎ６４
Ａｂ８Ⅱａｃｔ：Ｔｈｅｍａｒｃｈｓｐｅｃｔｍ
ｃｏｎｔｅｎｔ
ｓ砌ｐｌｅｓ
ｂｙ
ｏｆｒｉｃｅｔｈｅ
ａｒｅ
ａｎａｌｖｚｅｄｂｙｔｈｅｓｔａｎｄａｒｄｃｈｅｍｉｃａｌ明ａｌｖｓｉｓｍｅｔｈｏｄ．Ｔｈｅ
ｎｅａｒ
ｉｎｆｉａｒｅｄｓｐｅｃｔＩｕｍ
ａｒｅ
ｃｏⅡｅｒｔｅｄＮｅａｒ
ｌ血甜ｅｄ
ｓｐｅｃｔｒａ
Ｇｒａｊｎ
ＡｎａＪｙｚｅｒ．
ｎｅ
ｐｍｐｅｒ
ａｒｅ
ｓｐｅｃ删
ｍｎｇｓ
粕ｄ
ｐｍ—ｔｒｅａｔｍｅｎｔｍｅｔｈｏｄｓａｎｄＳｔａｎｄａｒｄ
（：ｏｎｔｅｎｔ
ａｒｅ
ｓｅｌｅｃｔｅｄ．Ｔｈｅ
ｎｅａｒ
ｉⅢｈｍｄｏｆ５０ｃ８ｌｉｂｒａｔｉｏｎｓａｍｐｌｅｓｐｒ；ｅｔｒｅａｔｅｄｈｙｔｈｅｓｅｃｏｎｄｄｅｒｉｖａｔｉｖｅｏｆｔｌｌｅ
ｃａＩｉｂｒａｔｉｏｎｍｏｄｅｌ０ｆｍａｒｃｈ
ｓｅｔｓ
ａｒｅ
ＭＳＣ．锄ｄ
ｔｈｅｃａｌｉｈｒａｔｉｏｎｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ
ｐａｒｔｉａＪｌｅａｓｔ
ｃｏｎｔｅｎｔ
ｓｑｕａｒｅ
ｄｅｔｅ册ｉｎａｄｏｎｃｏｅｍｒｉ朗ｔ
ｔｈａｔ出ｅ
ｉｎｒｉｃｅｅｓｔａｂｌｉｓｈｅｄｂｙ
ｔｏ
（ＰＬｓ）ｉｓＯ．８７８０．１４ｓａｍｐｌｅｓｉｎｔｈｅｖａｌｉｄａｔｉｏｎ
ｕｓｅｆ量Ｒ＂ｅｘｔｅｍａｌ
ｔｎｌｅ
ｉｎｓＤｅ‘：ｔｉｏｎｆｈＩ－ｃａｓｔｔｈｅｍａｒｃｈｉｎｒｉｃｅ．Ｔｈｅｒ℃ｓｕｌｔｓｉｎｄｉｃａｔｅｃｏｒＩｅｌａｔｉｏｎｃｆ，ｅ历ｃｉｅｍｏｆｔＩｌｅｖａＪｕｅａｎｄ
Ｄｒｅｄｉ（：ｔｉｏｎｖａｌｕｅｉｓ０．９４９８．
‰ｙｗｏｒｄ８：Ｎｅａ卜ｉｒｄ．ｒａｒｅｄｓｐｅ（：协Ｄｓｃｏｐｙ；Ｍａｒｃｈｃｏｎｔｅｎｔ；Ｇａｌｉｂｍｔｉｏｎｍ（ｍｅｌ；ｒｉｃｅ
０引言
大米的主要成分是淀粉，它与米饭的胀性、柔韧性、光泽度和黏性有密切关系，是影响稻米食用品质的重要因素川。随着人们生活水平的不断改善和提高，对大米的品质要求愈来愈高。大米淀粉的测定方法主要有酸水解法、酶水解法、旋光法等，这些方法都是根据淀粉的理化性质而建立的，是比较经典的测量方法。然而这些方法测鼍周期长，手下操作复杂，且容易产生偶然误差，难于实现准确快速、在线实时监测的目标∞Ｊ。
１材料与方法１．１样品与仪器
６４份大米样品均收集自国内，其产地、品种、存放时间等不同。
Ｉｎｆｒａｔｅｃｌｌ２４１型近红外谷物分析仪，ＦＯＳＳ公司提供。
１．２淀粉的化学分析方法
参照ＧＢ厂ｒ５５１４—２００８《粮食、油料中淀粉含量测是参用。
１．３水分的化学分析方法
参照ＧＢ法》【８１。
近红外光谱技术（ＮＩＲＳ）是依据被检测样品中某一化学成分对近红外光谱的特征吸收而进行定量检
测的一种手段，可以用ｊＦ有机物的定性定量分析。近红外光谱分析法是一项物理测试技术，不需破坏大米的完整性，可缩短检测时间，减少成本，从而实现无
５４９７一１９８５（馓食、油料检验水分测定
１．４近红外光谱分析方法
样品原始光谱数据的采集：对６４份大米样品在波长５７０—ｌ
０９８
ｎｍ范围采集光谱，采样间隔２．０
ｎｍ，
损、快速检测㈣。本试验主要讨论近红外法测定大
米籽粒中淀粉含量的准确性，探究近红外法用于实际检测的可行性。
收稿日期：２０１０—ｌｌ一２５
光程１８，扫描１０次，并做样品平行试验，取平均光谱值用于近红外光谱分析。
近红外光谱分析模型的建立：利用定标样品集，
作者简介：徐泽林（１９８７一），男．河南人，在读硕十，研究方向：小麦加工和蒸制面食。Ｅ—ｍａｉｌ：ｘｕｚｅｌｉｎ２０ｌＯ＠１２６一ｍ。
万方数据
２０１１年第３期
徐泽林，等：近红外光谱法测定大米中的淀粉含量
比较不同光谱区间和光谱预处理方法对模型定标相关系数的影响，选择合适光谱区Ｉ司和较优光谱预处理方
法，以便建立准确定标模型。
近红外光谱定标模型的验证：以验证集样品作为
未知样品进行预测，比较预测值和化学值的相关性，
通过相关系数的大小验证模型的预测能力。
２结果与分析
２．１大米籽粒淀粉含量的化学法测定
大米籽粒的千基淀粉质量分数见表ｌ。
表１大米干基淀粉质量分数
，％
编号薯釜编号莩誓编号霎鍪编号霎鍪编号霎誓
ｌ８６．０８１４
８３．２８２７７５．２５４０
８４．５５５３８４．５ｌ２８８．１７１５
８４．１４
２８８５．０９４ｌ
８３．５８５４８４．３７３８６．６０１６
８５．２７
２９８０．４４４２８５．６４
５５８４．０５４
８６．９５１７８９．８５
３０７８．４５４３８０．８２５６８２．８６５
８５．９８１８８８．１９
３ｌ１９０．９４４４
８３．３ｌ５７
８３．８４６
８６．２０１９
８３．３７３２９０．３７
４５
８３．６４
５８
８５．０８
７
８５．８８２０８２．３８３３９１．０８
４６８７．１２５９
８４．１１
８８５．１８２１８８．５２３４９２．７０
４７８８．２７６０
８８．２７９８５．２３２２８７．２９３５８９．６７
４８
８１．０５
６ｌ８３．２９ｌＯ
８３．７６２３
８１．２８３６９０．７７４９
７７．２６６２８４．１５１１
８４．３２
２４
８３．７２
３７８６．１６
５０｛１４．４６６３８４．６８１２ｌ｝４．０９
２５
８６．３６
３８
８２．７５
５ｌ８６．８２ｆ弭
９０．０４
１３
８５．６４２６
８５．９３３９
８２．（）６
５２
｛；４．４５
注：其中ｌ～５０号样品作为定标集．其余１４种样品作为验证集。
由表１可知，干基淀粉质量分数最小值为７５．２５％，最大值为９２．７０％，大多分布在８０％。９０％。可见，所选样品的淀粉含量范围覆盖面大，数据分布较为合理，表明选取的样品具有代表性【９１。
２．２近红外分析模型的建立２．２．１近红外光谱的采集
用近红外谷物分析仪在波长５７０～１
０９８
ｎｍ扫描
６４个大米样品（扫描温度控制在２１～２５℃）。大米籽粒的原始近红外光谱为图ｌ，二阶导处理后的近红外光谱见图２。
４．４４１
３．６７６
吨
黎２．９１ｌ
督
２．１４７
１．３８２
５７０
７０２
８３４
９６６
波长从１ｍ
图１
大米籽粒的原始近红外光谱
万方数据
波长Ａ，ｎｍ
图２二阶导处理后的近红外光谱
由图ｌ看出，所得光谱曲线在波长５７０—８（）０
ｎｍ
之间一致性较差，而在波长大于８（）（）ｎｍ时，光谱趋势相同，一致性较好，未出现光谱异常现象，可以选取波长大于８００ｎｍ的光谱区间用于光谱分析，这里
不做异常样品剔除处理【１０１。
２．２．２光谱范围的选择
淀粉的吸收强度在不同光谱区间是有差异的，因此选择的光谱区问直接影响所建分析模型的准确度。由图１和图２可以看出，在波长５７０一８５０ｎｍ光谱区
间内，光谱曲线一致性较差，求导后的曲线出现
杂乱。
不同光谱区间下的定标效果见表３。
表３不同光谱区间下的定标效果
由表３可知，光谱区间在波长８５０—ｌ
０４８
ｎｍ时，
定标相关系数最大（０．８６９２），标准偏差最小（０５２６７）。
因此，选择波长８５０～ｌ
０４８
ｎｍ作为建立分析模型的
光谱区间。
２．２．３数据处理方法的选择
为减弱或消除基线漂移、散射等各种非目标因素对光谱的影响，对近红外光谱仪采集的大米光谱进行光谱预处理是必要的『ＩｌＩ。本试验在所选择光谱区间波长８５０．１０４８ｎｍ，依次比较了不同数学计算方法、
导数处理方法、散射校正方法等对定标模型的影响，
并根据相关系数最大、标准偏差最小的原则，依次确
定各预处理方法。
不同数据预处理方法对定标模型的影响见表４。
由表４可知，采用ＰＬｓ计算方法、二阶导处理以及标准多元离散校正三者相结合进行光谱预处理，
所建立分析模型的相关系数为０．８７８Ｏ，标准偏差为
０．７２０５。
・７６・
农产品加Ｌ・学刊２０１１年第３期
表４不同光谱预处理方法对定标效果的影响
２．３定标模型的验证
利用验证样品集的１４个样品，验证所建立的近红外光谱定标模型的预测精度和可靠性。通过线性回归，得到大米籽粒蛋白质含量化学分析值和模型预测值之间的相关关系。
验证集样品淀粉的化学值和模型预测值见表５，验证样品的化学值和预测值之间的相关性见图３。
可以看到，趋势线的斜率为１．０（）ｌ９，相关系数为Ｏ．９４９８，二者均接近于１，说明显著性水平较高，所建立的模型具有良好的预测性【９Ｊ。３结论
本试验验证集样品的模型预测值和化学分析值之
间的相关系数为０．９４９８，说明所建定标模型具有较高的预测准确性【研，较相关文献报道中的测定准确度
高【旧。影响近红外分析准确性的因素有很多［１３】，包括
样品的组分含量、样品数量、样品的物性、样品预处
注：Ｍｃｘ｛ｉｆｉｅｄＰＬｓ一改进偏最小二乘法；ＰＬＳ一偏最小二乘法；ＰｃＲ一主成分分析法。
理方法、测试条件和仪器自身等因素。充分考虑各因
素的影响，并采取相应的预防措施，所建立的预测模型将具有更高的可靠性与适用性。总之，近红外光谱
表５验证集样品淀粉的化学值和模型预测值
，％
编号
５ｌ
化学值
８４．５ｌ８４．３７
８４．０５
预测值
８４．８２８３．９ｌ８３．５０８２．４ｌ
８４．５０
差值
一Ｏ．３１Ｏ．４６０．５５０４５—Ｏ．６６
编号
５６
５７５８５９
化学值
８５．０９
预测值
８５．４７
差值
－０１３８０．６７Ｏ．９５－ｏ．８６－０．１５
编号
６１
６２
化学值
８４．６８
预测值
８３．９４９０．６６
９（）．７４
差值
Ｏ．７５
５２５３５４
５５
８４．１１８８．２７８３．２９８４．１５
８３．４４８７．３２８４．１５８４．２９
９０．０５
９０．７７
—０，６ｌＯ．０３－０．Ｏｌ
６３６４
８２．８６８３．８４
８３．６４８３．６５
６０
Ｈ】
袋、ｊ四
谢新华，肖听。李晓方，等．近红外光谱技术在粮油检测中的应用闭．粮食与食品工业，２００３（４）：５６—５８．庞林江，路兴花。王俊．近红外技术及其在农业物料检测中的应用叨．中国农机化，２００３（５）：１９—２１．刘爱秋，邓晓建，王平荣，等．近红外光谱分析技术及其在农业领域的应用叨．西南农业学报，２００３，１６（２）：
９８一１０２．
侈１砸】
露匿副
辎
ｐ
化学值，％
ＧＢ厂Ｉ’５５１４—２００８．粮食、油料中淀粉含量测定【Ｓ】．北
图３验证样品的化学值和预测值之间的相关性
哆ｐ
法具有方便、快速、准确、无损、无污染的特点，是
一种非常值得推广的绿色分析方法，其应用于大米籽粒淀粉含量测定是可行的。参考文献：
【ｌ】【２】ｆ３】
陈峰，孙公臣．Ｎｒｒｓ测定稻米表观茳链淀粉含量的研究ｆＪｌ．中网稻米，２００９（２）：３８—３９．
大连轻工学院，华南理丁大学，郑州轻Ｔ业学院等合编．食品分析［Ｍ１．北京：中国轻丁业出版社。２００６．林家水，范维燕，邢邯．近红外光谱技术在稻米品质分析中的应用【ｊ】．农业质茸标准，２００８，２３（３）：２２—２６．
｛
ｌ２３
京：中国标准出版社，２００９：ｌ＿４．
ＧＢ
５４９７一１９８５，粮食、油料检验水分测定方法【ｓ】．
北京：中国标准ｆ｝｛版社，１９８５：２２３—２２５．
王之安．ＡＯＡＣ公定分析方法【ＭＪ．北京：中国科学技术出版社，１９９１．
闵顺耕，李宁，张明祥．近红外光谱分析中异常值的判别与定量模型优化叨．光谱学与光谱分析，２００４，２４（１０）：
ｌ２０５一ｌ２０９．
ｎＯ
ｎ阻Ⅱ
陆婉珍，袁洪福，徐广通，等．现代近红外光谱分析技术ｆＭ】．北京：中国石化出版社，２０００．
朱苏文。何瑰。李展．玉米籽粒直链淀粉含奄的近红外透射光谱无损检测闭．中围粮油学报，２００７。２２（３）：１４４－１４８．李勇，魏益民，王锋．影响近红外光谱分析结果准确性的因素【Ｊ】．核农学报，２００５，１９（３）：２３“２４０．
万方数据