NIR光谱法快速预测小麦籽粒干物质含量

NIR光谱法快速预测小麦籽粒干物质含量
何鸿举;王玉玲;乔红;欧行奇;刘红;王慧;蒋圣启;王魏
【摘要】通过采集百农201、百农207、百农307、百旱207、AK-58、冠麦1号、周麦18等7个不同品种完整小麦籽粒的近红外光谱(900～ 1700 nm)信息,经高斯滤波平滑(Gaussian Filtering Smoothing,GFS)、标准化校正(Normalization Correction)和卷积平滑(Savitzky-Golay Convolution Smoothing,SGCS)三种预处理后,利用偏最小二乘回归(Partial Least Squares Regression,PLSR)算法寻找光谱信息与小麦籽粒干物质含量之间的定量关系.结果显示,经GFS预处理的近红外光谱(100个波长)构建的全波段PLSR模型(PLSR)预测相关系数(Rp)为0.952,预测误差(RMSEP)为0.158％,RMSEC与RMSEP绝对值差(ΔE)为0.082,预测效果优于其他两种预处理光谱.从GFS光谱中经PLSR-β法筛选获得17个最优波长,构建的优化模型(O-PLSR)Rp为0.928,RMSEP为0.191％,ΔE为0.049,其预测效果接近于PLSR模型.试验表明,利用900～ 1700 nm光谱可被潜在用于快速无损预测小麦籽粒干物质含量.
【期刊名称】《海南师范大学学报（自然科学版）》
【年(卷),期】2019(032)001
【总页数】6页(P33-38)
【关键词】光谱;检测;小麦;干物质
【作者】何鸿举;王玉玲;乔红;欧行奇;刘红;王慧;蒋圣启;王魏
【作者单位】河南科技学院食品学院,河南新乡 453003;河南科技学院生命科技学院,河南新乡 453003;新乡市农乐种业有限责任公司,河南新乡 453003;河南科技
学院生命科技学院,河南新乡 453003;海南师范大学化学与化工学院, 海南海口571158;河南科技学院食品学院,河南新乡 453003;河南科技学院食品学院,河南新乡 453003;河南科技学院食品学院,河南新乡 453003
【正文语种】中文
【中图分类】TS210.2
小麦作为我国主要粮食作物之一，其具有较高的淀粉和蛋白质含量，不仅可以为人体提供能量，还可增强人体的抗病能力[1-2]。

随着居民生活水平不断提高，人们
对优质小麦粉和专用小麦粉的需求量不断增加。

众多小麦品质指标中，干物质含量直接影响小麦的贮藏期，进而影响小麦粉加工工艺与技术参数[3-4]。

干物质的常
规检测方法一般都是采用直接干燥，此法耗时长、测量效率低，且需要破坏小麦籽粒，缺点明显。

近红外光谱（Near-infrared spectroscopy，NIRS）技术具有（1）样品无需前
处理、无污染、方便快捷；（2）无接触、无破坏性；（3）多组分同时检测；（4）在线快速检测；（5）低成本、操作要求较低等优点，在食品快速检测方面获得广泛研究及应用[5-8]。

相比传统方法反复试验且破坏原料获取数据，NIR光谱信息
更容易获取、信息量更丰富、数据计算结果速度更快。

NIRS目前已被广泛应用于小麦和稻谷的灰分、淀粉、蛋白质等成分检测[9-12]，而测定小麦籽粒干物质的研究报道较少。

本文采用NIRS技术对不同品种的小麦干物质含量进行快速无损研究，为实现小麦快速、无损的在线监测技术提供理论依据。

1 材料与方法
1.1 小麦样品
小麦品种包括：百农201、百农207、百农307、百旱207、AK-58、冠麦1号、
周麦18，均由新乡市农乐种业有限责任公司。

1.2 仪器与设备
近红外光谱仪量测系统：台湾五铃光电科技有限公司，主要部件包括：5WDZ卤
素光源（ISUZU OPTICS CORP，Taiwan，China），NIRR1光谱仪（ISUZU OPTICS CORP，Taiwan，China）、NIRez数据采集软件（ISUZU OPTICS CORP，Taiwan，China）；The Unscrambler 9.7建模软件：挪威CAMO公司。

1.3 试验方法
1.3.1 近红外光谱数据采集
试验前，提前30 min将近红外光谱系统打开预热，待光源稳定之后进行光谱信息采集，将小麦籽粒（约20g）装于玻璃平皿（直径60 mm，高10 mm）中，设
置曝光时间为0.63 ms，检测波长范围为900～1700 nm，扫描5次取平均值，
即获得小麦籽粒的平均反射光谱信息。

1.3.2 小麦干物质含量测定
小麦籽粒干物质的含量测定采用以下公式进行，测量三次，取平均值。

1.3.3 光谱预处理
采集光谱数据的过程中，仪器会受到自身噪声以及外界环境的影响，而使采集的光谱数据中不仅包含样品光谱信息而且还含有噪声信号[13]。

为了降低这些因素给数据带来的不良影响，本试验利用高斯滤波平滑（Gaussian Filtering Smoothing，GFS）、标准化校正（Normalization Correction，NC）和卷积平滑（Savitzky-Golay Convolution Smoothing，SGCS）三种方法预处理原始光谱。

GFS可以
除去密集噪声点对光谱信息的影响[14]，NC和SGCS均能消除散射影响，以提高光谱信噪比[15-16]。

1.3.4 模型构建及评价
偏最小二乘回归（Partial Least Squares Regression，PLSR）是一种新型多元数据分析方法，将因子分析和回归分析结合的方法，很好地解决了许多以往用普通多元线性回归难以解决的问题。

PLSR能够在自变量存在严重多重相关性的条件下进行回归建模，允许在样本点个数少于变量个数的条件下进行回归建模，最终模型中将包含原有的所有自变量，更易于辨识系统信息与噪声，每一个自变量的回归系数将更容易解释[17]。

本试验中将小麦籽粒干物质参考值作为因变量，将900～1700 nm波长作为自变量，通过回归，建立小麦籽粒干物质的预测模型。

PLSR
模型可通过相关系数（R）和均方根误差（Root Mean Square Error）进行性能
评价[18]。

R越接近1，RMSE越接近于0，PLSR模型的预测性能越好[19]。

1.3.5 波长选择与模型优化
全波段光谱信息庞大，存在大量冗余信息，同时也会存在共线性问题，将会影响模型性能。

通过最优波长选择，筛选提取贡献量最大信息，可提高建模效率。

本试验采用PLSR-β法筛选最优波长，以最优波长作为输入变量，重新运算，建立优化的PLSR模型（O-PLSR），同样以R和RMSE评价模型性能。

波长筛选及模型构建均在软件Unscrambler 9.7中完成。

2 结果与分析
2.1 小麦籽粒干物质测定结果
试验小麦籽粒的干物质含量测量结果如表1所示。

参照宦克为等[20]研究方法，将所有干物质测量值依照从小到大排序，按每4个样品中随机取一个样品（1/4）选入预测集，剩余样品（3/4）选入校正集。

表1 小麦籽粒干物质测量结果统计Table 1 Statistical results of measured dry matter in wheat grain指标干物质样品集校正集预测集样品数/个82 28最小值（g/100g）90.005 90.029最大值（g/100g）92.314 92.200平均值（g/100g）91.205 91.211标准差（g/100g）0.500 0.514
2.2 小麦籽粒光谱特征
采用近红外光谱成像系统软件NIRez提取的110个小麦样品的平均光谱特征分别如图1所示，分别为原始光谱、GFS光谱、NC光谱、SGCS光谱。

由图1，所有样品的总体趋势一致，只有光谱曲线高低位置不同，这主要源于不同品种小麦的化学组分含量不同所致。

近红外光谱出现吸收峰是源于小麦籽粒化学组分中的O-H、N-H和C-H等基团的所发生的伸缩、振动、弯曲等运动造成的[21]。

由于小麦籽粒中的水分吸收，近红外吸收峰分别出现在980 nm（O-H的倍频吸收带）、1200 nm（O-H的合频吸收带）和1450 nm（O-H的倍频吸收带）处[22]。

2.3 基于全波段光谱的PLSR预测小麦籽粒干物质含量的结果
预试验结果表明，采用原始光谱构建的PLSR模型预测小麦籽粒干物质含量效果较差，而经光谱预处理后所建模型预测效果改善明显。

因此，本试验基于3种不同预处理全波段光谱信息，采用PLSR算法挖掘干物质与光谱信息之间的相关性。

结果如表2所示。

由表2可得，全波段原始光谱经三种预处理后所构建的PLSR模型预测效果不同。

三种预处理结果相比较，其中经GFS光谱构建的PLSR模型预测小麦干物质含量相关系数最高（RP=0.952），预测误差最低（RMSEP=0.158%），预测效果优于其他两种预处理。

因此，后续波长筛选及模型优化仅采用GFS光谱。

2.4 PLSR-β法筛选最优波长结果
PLSR-β法筛选最优波长结果如表3和图2所示。

由表3可知，筛选出的17个最优波长分别为920.03、929.13、993.46、1011.25、1074.01、1091.37、1134.34、1194.7、1310.61、1461、1521.83、1558.4、1573.89、1602.51、1630.76、1659.6和1680.24 nm，与全波段光谱比，波长数量减少了83%，这大大提高了建模效率及数据的运算速度。

最优波长的具体的位置如图2所示。

图1 小麦籽样品的平均光谱（a）原始光谱，（b）GFS光谱，（c）NC光谱，（d）SGCS光谱Figure 1 Average spectral profiles of wheat grain
samples(a)Raw spectra,(b)MFS spectra,(c)NC spectra,(d)SGCS spectra
表2 PLSR模型预测小麦籽粒干物质结果Table 2 Performance of PLSR model for predicting wheat dry matter content注RC：校正集相关系数；RMSEC：
校正集均方根误差；RCV：交叉验证集相关系数；RMSECV：交叉验证集均方根
误差；RP：预测集相关系数；RMSEP：预测集均方根误差；GFS：高斯滤波平滑；NC：标准化校正；SGCS：卷积平滑；ΔE：RMSEC与RMSEP绝对值差。

下表4同。

0.082 0.093 0.079预处理GFS NC SGCS波长数100 100 100潜变量13 11 12交叉验证集校正集RC 0.988 0.965 0.958 RMSEC/%0.076 0.132 0.143 RCV ΔE 0.929 0.875 0.856 RMSECV/%0.187 0.245 0.262预测集RP 0.952 0.916 0.905 RMSEP/%0.158 0.225 0.222
表3 回归系数法筛选最优波长结果比较Table 3 Results of optimal wavelengths selected by PLSR-β method指标干物质预处理GFS总波长数
100最优波长数17波长减少量83%
2.5 全波段PLSR模型优化结果
图2 GFS光谱中PLSR-β法筛选出的最优波长具体位置Figure 2 The specific location of the optimal wavelength selected by PLSR-β method in GFS pretreatment spectrum
将上述筛选出的17个最优波长作为输入变量，重新运算，建立优化的PLSR模型（O-PLSR），结果如表4。

与PLSR模型相比，O-PLSR模型预测相关系数略有
下降（RP=0.928），预测误差略有上升（RMSEP=0.158%），但鲁棒性
（ΔE=0.049）却有所提升。

O-PLSR模型预测结果显示近红外光谱技术预测小麦
籽粒干物质含量潜力巨大。

表4 O-PLSR预测小麦干物质结果Table 4 Results of O-PLSR models for predicting wheat dry matter content预处理波长数校正集交叉验证集预测集
ΔE RC RCV RP GFS 17浅变量130.958 RMSEC(%)0.1420.932
RMSECV(%)0.1830.928 RMSEP(%)0.1910.049
3 结论
基于3种不同预处理光谱信息（GFS、NC、SGCS）构建全波段PLSR模型预测小麦籽粒干物质含量，经GFS光谱所构建PLSR模型预测效果最好（RP=0.952，RMSEP=0.158%）。

采用PLSR-β法从GFS光谱中筛选出17个最优波长（920.03、929.13、993.46、1011.25、1074.01、1091.37、1134.34、1194.7、1310.61、1461、1521.83、1558.4、1573.89、1602.51、1630.76、1659.6和1680.24 nm）优化PLSR模型，优化效果良好（RP=0.928，RMSEP=0.158%）。

试验表明采用900～1700 nm光谱信息构建PLSR模型可潜在快速测量小麦籽粒
干物质含量。

参考文献：
【相关文献】
[1]龙杰，徐学明，沈军，等.发芽过程对小麦营养成分及抗氧化活性的影响[J].粮食与油脂，2017，30（10）：33-39.
[2]李春江，徐赵红，施清平，等.冬闲田种植3种小麦的产量营养价值及青贮效果[J].中国农业科学，2016，49（2）：399-406.
[3]吴宜芬.小麦粉水分测量不确定度的评定[J].现代面粉工业，2018，32（4）：20-23.
[4]李树高.面粉灰分含量对面制品的影响[J].粮食与食品工业，2008（5）：11-18.
[5]刘友华，白亚斌，邱祝福，等.基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究[J].
海南师范大学学报（自然科学版），2015，28（3）：265-269.
[6]白亚斌，刘友华，丁崇毅，等.基于高光谱技术的牛肉-猪肉掺假检测[J].海南师范大学学报（自
然科学版），2015，28（3）：270-273.
[7]张晓青，牛鹤颖，何云啸，等.基于红外光谱技术快速检测椰子油氧化指标的研究[J].海南师范大学学报（自然科学版），2016，29（3）：293-296，332.
[8]富彩霞，石玉芳，孙金鱼，等.2-氨基-1-环戊烯-1-二硫代羧酸缩芳醛希夫碱的红外光谱研究[J].
海南师范大学学报（自然科学版），2015，28（2）：183-185.
[9]韦紫玉，斯中发，王月.基于近红外漫反射光谱技术的小麦蛋白质含量检测[J].轻工科技，2018，34（5）：41-42，57.
[10]孙晓荣，周子健，刘翠玲，等.基于GA-PLSR算法的小麦粉灰分含量快速检测[J].传感器与微系统，2018，37（5）：135-137，143.
[11]罗曦，吴方喜，谢鸿光，等.近红外光谱的水稻抗性淀粉含量测定研究[J].光谱学与光谱分析，2016，36（3）：697-701.
[12]鞠兴荣，后其军，袁建，等.基于近红外光谱技术测定稻谷含水量研究[J].中国粮油学报，2015，30（11）：120-124.
[13]高荣强，范世福，严衍禄，等.近红外光谱的数据预处理研究[J].光谱学与光谱分析，2004，24（12）：1563-1565.
[14]RINNAN A，BERG F V D，ENGELSEN S B.Review of the most common pre-processing techniques for near-infrared spectra[J].TrAC Trends in Analytical Chemistry，2009，28（10）：1201-1222.
[15]CHENG W，SUN D W，CHENG J H.Pork biogenic amine index(BAI)determination based on chemometric analysis of hyperspectral imaging data[J].LWT-Food Science and Technology，2016，73：13-19.
[16]DAI Q，SUN D W，XIONG Z，et al.Recent advances in data mining techniques and their applications in hyperspectral image processing for the food
industry[J].Comprehensive Reviews in Food Science and Food Safety,2014，13（5）：891-905.
[17]宋高阳.偏最小二乘回归的研究[D].杭州：浙江大学，2009.
[18]XIONG Z，SUN D W，DAI Q，et al.Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J].Food Analytical Methods,2015，8（2）：380-391.
[19]KANDPAL L M，LEE H，KIM M S，et al.Hyperspectral reflectance imaging technique for visualization of moisture distribution in cooked chicken breast[J].Sensors，2013，13（10）：13289-13300.
[20]宦克为.小麦内在品质近红外光谱无损检测技术研究[D].长春：长春理工大学，2014.
[21]HE H J，WU D，SUN D W.Non-destructive and rapid analysis of moisture distribution in farmed Atlantic salmon(Salmo salar)fillets using visible and near-infrared hyperspectral imaging[J].Innovative Food Science&Emerging Technologies，2013，18（2）：237-245. [22]SU W H，HE H J，SUN D W.Non-destructive and rapid evaluation of staple foods
quality by using spectroscopic techniques:a review[J].Critical Reviews in Food Science&Nutrition,2015,57（5）：1039-1051.。