基于nirs技術的小麥脂肪酸值近紅外分析

基于nirs技術的小麥脂肪酸值近紅外分析

中國每年的小麥產量約為1萬噸，占全國糧食總產量的23%。因此，小麥質量的質量得到了很好的控制。脂肪酸值的變化常用做小麥的儲藏品質優(yōu)劣評定指標之一,新收獲的小麥脂肪酸值較低,隨著儲藏時間的延長而增大。小麥儲藏過程中脂肪酸值的檢測對小麥的安全儲藏具有重要的指導意義。小麥脂肪酸值測定結果的影響因素很多,如粉碎細度、提取時間、CO2、滴定終點的判定等[3~5]。由于脂肪酸是弱酸,且在提取液中H+濃度很低,滴定接近終點時突變不明顯,使滴定終點滯后,從而造成測定結果偏高,加上操作者的個體差異,使得滴定終點難以把握[6~7]。近紅外光譜技術具有分析簡便、快速、無損分析及多組分同時測定等優(yōu)點,近年來該技術在許多領域中都得到了應用。在國外,近紅外光譜技術已成為糧食品質分析的重要手段。目前近紅外光譜分析技術在小麥中已用于分析小麥樣品的水分、粗蛋白、賴氨酸含量、硬度、濕面筋含量及Zeleny沉降值等品質[9~10]。本文將近紅外光譜技術應用到儲藏小麥脂肪酸值的快速測定中,為快速檢測小麥的儲藏品質,指導小麥合理輪換,確保國家糧食安全提供一種方法參考。1材料和方法1.1樣本來源從河南省各個地區(qū)采集儲藏1~4年的小麥樣品125份1.2瑞國際貿易有限公司FOSSInfratec1241近紅外谷物分析儀,上海瑞玢國際貿易有限公司;101-2型電熱鼓風恒溫干燥箱,上海浦鴻儀器廠;HY-2調速多用振蕩器,金壇市杰瑞爾電器有限公司;JXFM110錘式旋風磨,中國上海賽霸精密儀器有限公司。1.3方法1.3.1樣品制備除去小麥樣品的秸稈、土塊等雜質后,混合均勻置于自封袋內,放于冰箱中備用。1.3.2脂肪酸值的測量參照GB/T5510-1985測定125份小麥粉樣品的脂肪酸值。1.3.3掃描帶的掃描掃描前,光譜儀開機預熱。然后取小麥籽粒,倒入光譜儀樣品傳送帶上,進行掃描。光譜采集條件為:掃描范圍為570~1098nm,光譜間隔點為2nm,子樣品設定為10,采集10個子樣品的圖譜,每個樣品重復掃描兩次平均,以克服樣品的不均勻性。1.3.4種散射數據處理利用儀器自帶WinISI分析軟件進行定標模型的構建。為了校正吸收基線并減少樣品散射對光譜的影響,利用軟件對原始光譜進行預處理。光學處理選用無散射處理(None)、標準正常化結合散射處理(SNVandDetrend)、標準正常化處理(SNVonly)、去散射處理(Detrendonly)、標準化多元散射校正(StandardMSC)、重力多元離散校正(WeightMSC)、反相多元離散校正(InverseMSC)七種散射處理技術;數學處理:(1)二階導數處理,導數處理光譜間隔點為1nm平滑光譜間隔點為1nm,不做二次平滑,即(2,1,1,1);(2)四階導數處理,導數處理光譜間隔點為1nm,一次平滑光譜間隔點為1nm,不做二次平滑,即(4,1,1,1);采用修正偏最小二乘法(MPLS)、最小二乘法(PLS)和主成分分析(PCA)三種回歸技術。通過比較模型的定標相關系數RSQ和交叉驗證相關系數(1-VR)等參數,從中選出最優(yōu)模型,作為定標模型。1.3.5定標模型預測準確性檢驗用外部檢驗法來評價定標模型的可靠性,選擇一些與定標樣品集無關的樣品,通過比較這些樣品預測值與化學測定值的差異來判斷模型預測的準確性,即定標樣品集與驗證樣品集相關系數越大,檢驗標準偏差(SEP)越小,且t檢驗無顯著性的差異,那么定標模型的預測可靠性好。2結果與分析2.1結果表明，脂肪酸的化合值2.1.1清除自樣品前的樣品異常樣品是指脂肪酸值標準差或光譜數據存在較大誤差的樣品,其對定標模型的有著不良影響,因此在建模前必須將其從樣品集中剔除。利用WinISIⅢ對光譜文件進行聚類分析,分析方式采用PL1(利用掃描數據矩陣及一列成分的實驗室數據計算得分,解釋光譜間差異)方式,即利用掃描數據矩陣及小麥脂肪酸值含量的實驗室數據計算得分,解釋光譜間差異,馬氏距離超過3.0的樣品被視為異常樣品,均被剔除。2.1.2小麥脂肪酸值的分布將經過異常剔除后的樣品按小麥脂肪酸值含量梯度采用隔三選一法進行分集,定標集和驗證集樣品個數比例3:1,最終樣品集的選擇如表1所示,同時保證測量值的最大值和最小值歸為定標集。由表1可知小麥的脂肪酸值的分布范圍很廣,其中最大值為0.7313mgKOH/g,最小值為0.1806mgKOH/g,脂肪酸值的梯度分布較均勻。小麥樣品脂肪酸值的區(qū)分度很大,這樣通過近紅外掃描的光譜圖的差異性就會很突出,所包含的信息量也會增加,為后面的分析建模就提供了便利的條件,模型的穩(wěn)定性和相關性也會隨之提高。2.2光譜預處理由圖1可以看出不同脂肪酸值的小麥樣品吸收光譜波形相似,但又不完全重合,既顯示了不同樣品之間的差異,又顯示了大樣本群體的一致性。導數處理可以消除基線漂移、強化譜帶特征、提高光譜的精細度,多元散射校正可以減少顆粒大小、均勻性等因素對光譜的影響。但導數處理會造成光譜數據中的噪音被放大,因此在導數處理之前要對光譜進行平滑處理,圖2是原始光譜圖經一階導數、平滑、多元散射校正處理后的光譜圖,可以看出光譜的精細度明顯提高,基線的不穩(wěn)定和漂移有一定程度的減小,能更精確的反映樣品的光譜特征。2.3小麥脂肪酸值的近紅外校正為了校正吸收基線和減少樣品散射對光譜的影響,利用軟件對原始光譜進行數學處理與散射校正,然后用修正偏最小二乘法(MPLS)、偏最小二乘法(PLS)、主成份回歸法(PCR)三種回歸技術分別建立小麥脂肪酸值得近紅外校正模型。不同條件下定標方程的參數如表2。從上述處理的結果中選出最優(yōu)模型作為小麥脂肪酸值的定標模型,其最佳條件參數:建模方法采用修正偏最小二乘法;光譜預處理方法采用4111和StandardMSC;光譜范圍為570~1098nm,所建立模型的定標相關系數RSQ為0.9026,交叉驗證相關系數(1-VR)為0.6278,定標標準偏差SEC為3.8735,交叉驗證標準偏差SECV為7.0908。2.4模型驗證2.4.1實測值與預測值的關系對所參與校正的樣品進行內部驗證,得到脂肪酸值含量實測值和預測值之間的相關性圖。定標模型實測值和預測值的相關系數為0.9026,定標集實測值平均值為0.4044mgKOH/g干基,預測值平均值為0.4047mgKOH/g干基,二者十分接近;定標集的預測值與化學測定值之間具有良好的線性關系。2.4.2定標方程檢驗一個定標模型建好后,除了用它自身的定標相關系數RSQ和交叉驗證相關系數(1-VR)大小衡量外,還需要外部檢驗來評價所建模型的可靠性,來證明模型在實際使用中的效果。本實驗中選用未參與定標的一組樣品30份對定標方程進行檢驗。測定結果表明,樣品中脂肪酸實測值與預測值之間的檢驗相關系數r為0.948,實測值的平均值為0.4060mgKOH/g干基,預測值的平均值為0.4049mgKOH/g干基,二者接近,表明近紅外預測值與實測值之間具有良好的相關性。對模型預測值和實測值進行t檢驗,得到t檢驗值為1.345(P<0.05),5%顯著性水平內差異顯著。檢驗標準偏差(SEP)為3.8709,定標標準偏差(SEC)為3.8735,兩者之間差異不大,說明該預測方程可靠性較高。30份樣品的實測值與預測值的平均絕對偏差為0.25,定標模型的預測準確性較好。3準民主化處理3.1本文運用近紅外光譜分析技術建立了小麥脂肪酸值的近紅外分析模型,并用內部檢驗和外部檢驗驗證了模型的精確度。最佳的建模參數為:光學處理采用標準正常化處理(StandardMSC),數學處理技術采用“4,1,1,1”。得定標方程的交叉驗