基于近红外光谱技术的大米品质分析与种类鉴别

论文摘要

近红外光谱（NIRS）是介于可见光谱区和中红外光谱区之间的电磁波。近年来，近红外光谱技术以其分析快速、简便、绿色环保等优点而迅速发展成为一种新兴的分析与研究手段。由于社会生活水平的普遍提高，大米的食味品质越来越受到人们的关注。对大米品质的分析除了考察色泽、形状和气味等外部特征的感官分析方法外，主要通过化学方法，分析大米的水分、蛋白质和直链淀粉的质量分数，进而判断大米食味品质的优劣，而对大米品种的鉴别则主要依赖于感官经验判断。由于化学检测方法操作繁琐、费工费时，感官分析方法主观因素干扰大，因此开发大米品质检测和品种鉴别的快速分析方法极为迫切。近红外光谱技术是一种新兴的分析与研究手段，通过提取大米全光谱信息，借助数学方法建立能充分反映全谱区光谱特征与大米品质专有属性关系的数学模型，找出被众多错综复杂的共性所掩盖着的专属特征，就有可能定量或定性地描述不同样品谱图间的相似程度，从而对样品快速而客观地分型划类，这是近红外光谱技术可以用于大米品质分析与种类鉴别的原因所在。本文选用102份大米样品，探讨了利用近红外光谱分析技术，对大米样中的3种主要成分进行了检测（国家标准检测方法），再结合近红外光谱建立了定量分析模型。在建立模型的过程中，采用光谱预处理的方法包括消除常数偏移量、减去一条直线、矢量归一化、最小-最大归一化、多元散射校正、一阶导数、二阶导数、一阶倒数+矢量归一化、一阶倒数+多元散射校正、一阶导数+减去一条直线或没有光谱预处理等11种光谱预处理方法。随机选取80%的样品建模，剩余20%样品用于对模型进行外部检测。采用偏最小二乘法（PLS）建立了大米水分、蛋白质和直链淀粉定量分析模型，对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数（R2）分别为：0.992、0.9792和0.9736；内部交叉验证标准差（RMSECV）分别为：0.141、0.201和0.209；模型外部验证决定系数（R2）分别为0.9861、0.912和0.9373；外部验证标准差（RMSEP）分别为0.179、0.206和0.243。同时采用标准法通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异，对不同属性和不同产地的大米进行了定性聚类分析，可以准确地将不同属性和不同产地的样品聚类。结果表明， NIRS分析技术可以用于对大米品质和种类的快速无损检测。

论文目录

• 摘要
• Abstract
• 1 文献综述
• 1.1 近红外光谱分析技术
• 1.1.1 近红外光谱分析技术发展简介
• 1.1.2 近红外光谱分析技术基本原理
• 1.1.3 近红外光谱分析技术的分析步骤
• 1.1.4 近红外光谱分析技术的优点与局限性
• 1.2 近红外光谱定量分析模型的评价指标
• 1.2.1 决定系数
• 1.2.2 内部交叉验证标准差
• 1.2.3 外部验证标准差
• 1.2.4 相对分析误差
• 1.3 大米简介
• 1.3.1 大米的种类
• 1.3.2 大米的食味品质
• 2 引言
• 2.1 论文的主要研究内容及意义
• 2.2 化学分析法作为大米品质分析方法的局限性
• 2.3 感官评价法作为大米种类鉴别方法的局限性
• 2.4 近红外光谱技术应用于大米品质分析与种类鉴别的可行性
• 3 材料与方法
• 3.1 材料
• 3.1.1 试剂和药品
• 3.1.2 仪器设备
• 3.1.3 大米样品
• 3.2 试验方法
• 3.2.1 大米样品近红外光谱采集方法
• 3.2.2 大米内 3 种主要成分定量检测方法
• 3.2.3 数据分析方法
• 4 结果与分析
• 4.1 102 份大米样品近红外光谱图
• 4.2 试验数据
• 4.3 原始光谱与平均光谱对 PLS 校正模型及预测性能的影响
• 4.4 大米内 3 种主要成分的定量预测结果及分析
• 4.4.1 大米内水分质量分数校正模型
• 4.4.2 大米内蛋白质质量分数校正模型
• 4.4.3 大米内直链淀粉质量分数校正模型
• 4.5 定性聚类结果及分析
• 4.5.1 不同属性大米样品的聚类分析
• 4.5.2 不同产地粳米的聚类分析
• 4.5.3 7 种不同种类样品的聚类分析
• 5 讨论
• 5.1 定量预测模型结果讨论
• 5.2 定性聚类模型结果讨论
• 5.3 其他因素对模型构建准确度的影晌
• 6 结论
• 6.1 平均光谱建模效果较好
• 6.2 近红外光谱技术可以实现对大米内含物的快速定量检测
• 6.3 近红外光谱技术可以实现对大米种类的快速鉴定
• 参考文献
• 致谢
• 作者简介