基于近红外光谱特征的赤霉病小麦籽粒SIMCA识别模型构建研究

基于近红外光谱特征的赤霉病小麦籽粒SIMCA识别模型构建

研究

关二旗;崔贵金;卞科;郑祝红

【摘要】利用近红外光谱分析仪采集2012年度江苏、安徽、河南等省份25份农户田间小麦品种籽粒样品的近红外光谱信息,对获取的近红外光谱数据分别进行均值标准化、一阶求导、二阶求导和多元散射校正处理,利用全波段(950 ～1 650 nm)和特征波长处(985、1 130、1 160、1 190、1 235、1 320、1 385、l 410 nm)的近红外光谱数据,采用离差平方和法(Ward法)聚类分析和主成分分析等化学计量学方法,构建赤霉病小麦籽粒和未病小麦籽粒的SIMCA识别模型.模型诊断和验证结果显示,构建的SIMCA识别模型对赤霉病小麦籽粒和未感病小麦籽粒的正确识别率均为100％,识别效果良好.

【期刊名称】《中国粮油学报》

【年(卷),期】2016(031)011

【总页数】6页(P124-129)

【关键词】近红外光谱;赤霉病小麦;SIMCA识别模型;分选

【作者】关二旗;崔贵金;卞科;郑祝红

【作者单位】河南工业大学粮油食品学院,郑州450001;河南省粮食作物协同创新中心,郑州450001;河南工业大学粮油食品学院,郑州450001;河南省粮食作物协同创新中心,郑州450001;河南工业大学粮油食品学院,郑州450001;河南省粮食作物

协同创新中心,郑州450001;河南工业大学粮油食品学院,郑州450001;益海嘉里(泉州)粮油食品工业有限公司,泉州362804

【正文语种】中文

【中图分类】S375

赤霉病是麦类作物世界性流行病害。小麦赤霉病的发生不仅造成粮食大幅减产，而且赤霉菌分泌产生的脱氧雪腐镰刀菌烯醇（DON，又称呕吐毒素）一旦进入人或

动物体内，往往会引起腹泻、呕吐、发烧等急性中毒症状，以及厌食、体重减轻、免疫力下降等慢性中毒症状，严重危害人和动物的健康［1-2］。为了保障食品安全，世界上一些主要国家对谷物、食品、饲料中DON的含量均有严格限量规定。GB 2715—2005《粮食卫生标准》中规定小麦及小麦粉中DON限量标准为1 000μg／kg。因此，研究构建快速、准确、简捷的赤霉病小麦籽粒识别模型，可

以为病害小麦籽粒的准确识别、分选分离提供理论依据和技术支撑，充分保障粮食的食用／饲用安全。

研究认为，生物体的近红外光谱指纹特征是其表面光学特征及内在组分化学性质的本质反映，随着生物体表面色泽和内在组分或结构的变化，其近红外光谱特征信息也发生着显著变化［3-4］。由于样品前处理简单，光谱信息采集方便、分析便捷、成本低，且能够最大限度地保留分析样本间的微小差异等优点，近红外光谱技术被广泛地应用于产品的无损检测及品质分析等［5-9］，特别是在谷物及油料籽粒品质及食品品质分析等方面，目前已有大量报道［10-15］。一些研究者还利用近红外光谱技术分析不同产地肉品、茶叶、谷物的色泽、组分差异，进而建立起判别模型，对品种和产品的原产地进行鉴别，判别效果较好［16-18］。但是，目前国内外有关近红外光谱技术用于病害小麦（赤霉病小麦）籽粒识别分选的研究报道尚不多见。鉴于近年来国内小麦赤霉病大范围爆发的现象越来越频繁，给农业生产、小

麦产品安全使用及人们的身体健康带来极大的威胁，亟需发展一种快速、高效、低廉的赤霉病小麦籽粒识别分选技术。

通过分析感病程度不同的赤霉病小麦籽粒近红外光谱特征信息及差异，构建赤霉病小麦籽粒的识别模型，利用近红外光谱分析技术对赤霉病小麦籽粒进行识别，旨在为小麦收储、贸易、加工利用过程中实现病害小麦籽粒的有效识别和分选提供参考。2012年度于江苏、安徽、河南等小麦主产省随机采集农户大田小麦品种样品25份。小麦品种样品、采样地及感病程度等详细信息列于表1。

DA7200型近红外分析仪：瑞典Perten公司。

1.3.1 小麦样品采集

2012年5月—2012年7月小麦收获期间，随机采集农户大田小麦品种样品25份，每份样品5 kg；对样品进行编号，并详细记录采样信息。

1.3.2 小麦样品预处理

人工分拣去除小麦样品中的秸秆、草籽、石子、土块等杂质后，放置于38℃烘箱中，通风干燥24 h，调节样品的含水量尽量保持一致。

赤霉病小麦籽粒样品筛选：根据小麦籽粒形态特征，采取人工分拣的方法，分别从25个小麦品种样品中挑选出具有明显红褐色特征的赤霉病小麦籽粒样品25份，

每份100粒，置于密封袋中贮存，供光谱采集使用。

未感病小麦籽粒样品筛选：根据小麦籽粒形态特征，采取人工分拣的方法，分别从25个小麦品种样品中挑选出籽粒饱满、无明显感病特征的小麦籽粒样品25份，

每份1 kg。将样品混合均匀，平铺成圆形，分成4等分，取相对的2份混合均匀，粉碎，提取DON毒素，采用高效液相色谱法（Waters 2695）测定其DON毒素含量，结果为0，确定样品为未感病小麦样品。分别从每份剩余的未感病小麦样品中选取外观形态正常的籽粒100粒，置于密封袋中贮存，供光谱采集使用。

1.3.3 小麦样品近红外光谱信息采集

将待测小麦籽粒样品置于近红外光谱分析仪上的旋转样品盘中（直径75 mm，深度25 mm），依据设定的试验条件进行光谱扫描和采集：仪器分辨率为5 nm，

光谱波长范围为950～1 650 nm，室温为26℃，每个样品重复装样及扫描4次，求平均光谱，存盘备用。其中，赤霉病小麦籽粒近红外光谱以样品编号字母加1-n （n∈N（1，100））表示，未感病小麦籽粒近红外光谱以样品编号字母加0-n

（n∈N（1，100））表示。

1.3.4 小麦样品近红外光谱信息处理

采用Unscrambler7.8光谱分析软件对获取的近红外光谱信息进行均值标准化、一阶求导、二阶求导、多元校正散射等预处理，消除基线漂移、光源散射、随机噪声等干扰因素的影响，扣除水分峰波段，采用SPSS16.0软件对剩余波段进行方差分析，采用Unscrambler 7.8软件进行主成分分析、聚类分析和判别分析，提取特

征光谱信息。

1.3.5 SIMCA 模型构建方法

分别以全波段（950～1 650 nm）光谱信息数据和特征波段光谱信息数据为输入

变量，构建赤霉病小麦籽粒及未感病小麦籽粒的SIMCA识别模型。

1.3.6 模型评估

采用各分类模型的识别率和拒绝率表征该模型的构建识别效果，计算公式：

识别率＝（识别自身类样本个数／该类样本的总个数）×100%

拒绝率＝（拒绝其他类样本个数／其他类样本的总个数）×100%

1.3.7 模型诊断与验证

随即抽取2／3的样本为校正集，1／3为验证集，将校正集样品和验证集样品光

谱数据代入各分类模型进行模型诊断与验证。

从不同小麦品种籽粒样品的近红外原始光谱图可以看出（图1），在全波段内赤霉病小麦籽粒的近红外光谱吸收值均低于未感病小麦籽粒；与未感病小麦籽粒的近红