一种稻米品质的近红外检测方法与应用技术

本发明专利技术属于农产品成分检测技术领域，具体涉及一种稻米品质的近红外检测方法与应用。与稻米理化分析技术领域相关。本发明专利技术的特征在于：将待测样品进行近红外扫描，得到基于波长的吸光值原始波谱图，然后将原始波谱图进行消噪处理和预处理，从处理后的波谱中筛选特征波长，再将特征波长代入样品品质指标的预测模型中，得到样品品质的近红外检测值。所述的稻米包括稻谷、糙米和精米，检测品质包括蛋白质、脂肪、水分、总糖、灰分，以及稻米的碎米率、脱壳率、糠粉率和整精米率。所述的检测应用包括：(1)用模型预测稻米的品质；(2)模型的修正。本发明专利技术具有测试速度快、对样品无损等突出优点。

【技术实现步骤摘要】

本专利技术属于农产品品质分析
，具体涉及一种稻米品质的近红外检测方法 与应用。
技术介绍
稻米是我国主要的粮食作物，含有蛋白质、脂肪、水分、总糖、灰分等多种营养成 分，这些成分的检测具有操作复杂、费时和费力的缺点。近红外光是波长介于可见光区与中 红外区之间的电磁波，美国材料检测协会（ASTM)将近红外光谱区定义为780-2526nm的区 域。近红外光谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迀时产生， 记录含氢基团（C-H，N-H，〇-H)振动的合频和倍频吸收。稻米中的品质含有丰富的含氢基 团，在近红外光谱区段有较强的响应。 近红外光谱分析已应用于检测稻谷直链淀粉的含量，稻谷、稻米中蛋白质、脂肪、 水分和总糖的含量，在国外，Delwiche S Rm等利用近红外光谱技术建立稻谷的直链淀粉 的定标模型，相关系数达到〇. 95,取得了较好的效果；Himmerlsbachra等利用近红外光谱 技术建立精米的蛋白质的定标模型，实测值和预测值的相关系数达0.992 ;在国内，吕慧等利用近红外光谱技术，筛选最佳谱区范围建立了大米水分、蛋白质和直链淀粉的定量分 析模型，预测模型的决定系数高达〇. 992 ;郭咏梅等基于近红外光谱分析技术，采用偏 最小二乘法，并筛选最佳谱区范围建立糙米蛋白质预测的校正模型，决定系数为0.9289。 申请号号2013105009402 文献公布了一种快速检测稻米中直链淀粉含量的方法，采用 的是850nm-1045nm的近红外光谱信息，运用偏最小二乘法建立近红外校正模型，申请号 201110187788. 8 文献公布了一种利用近红外快速检测米糠脂肪酶活性的方法，采用的是 800nm-2500nm的近红外光谱信息，运用主成分回归和偏最小二乘法建立模型。 但是这些研究尚存在光谱的冗余信息较多，光谱特征波长不明确，预测模型报道 少，同时对稻米的碎米率、谷壳率、糠粉率和整精米率的近红外模型报道少等问题。
技术实现思路
本专利技术的目的是在于克服现有技术的缺陷，提供一种稻米品质的近红外检测方法 与应用。本专利技术快速、无损和简便，以找到稻米品质的近红外光谱特征，通过建立预测模型 的方法，为稻米品质的检测提供一种利用近红外检测稻米品质的方法。 本专利技术通过以下技术方案实现： 本专利技术挑选稻米品质的特征波长，且特征波长数量少，运用特征波长建立稻米品 质的近红外模型的方法，在相同预测精度的情况下，本专利技术的预测速度快。同时本专利技术建立 的稻米碎米率、谷壳率、糠粉率和整精米率的近红外预测模型的方法，对稻米品质分析比较 全面。 具体地，本专利技术提供的稻米品质的近红外检测方法，包括如下步骤： ，包括下列步骤： 将待测样品进行近红外扫描，得到基于波长的吸光值原始波谱图，然后将原始波 谱图进行消噪处理和预处理，从处理后的波谱中筛选特征波长，再将特征波长代入样品品 质指标的预测模型中，得到样品品质的近红外检测值。 其中：所述预测模型的构建方法如下所述： (1)收集有代表性的稻米样品，包括稻谷、糙米、精米、谷壳、米糠或碎米； (2)对所收集的样品进行化学测试，将所得的化学测试值记为ynu，其中：m是第m 个指标，m = 1，2, 3，…，20 ;当m = 1时记为稻谷水分含量，m = 2时记为稻谷蛋白质含量， m = 3时记为稻谷脂肪含量，m = 4时记为为稻谷总糖含量，m = 5时记为稻谷灰分含量，m =6时记为谷壳率，m = 7时记为糙米含碎率，m = 8时记为碎米率，m = 9时记为糠粉率， m = 10时记为整精米率，m = 11时记为糙米水分含量，m = 12时记为糙米蛋白质含量，m =13时记为糙米脂肪含量，m = 14时记为糙米总糖含量，m = 15时记为糙米灰分含量，m =16时记为精米水分含量，m = 17时记为精米蛋白质含量，m = 18时记为精米脂肪含量， m = 19时记为精米总糖含量，m = 20时记为精米灰分含量；j为第j个样品，共η个样品， n ^ 40 ; ⑶对样品进行近红外扫描，吸光值为Xl]，其中i表示第i个波长，波长i = lOOOnm，lOOlnm，1002nm，…，1799nm ; ⑷消噪处理和预处理：用小波消噪法将Xlj进行消噪处理，得到消噪吸光值，然后 再用归一化、一阶导数、二阶导数中的一种或多种的组合处理方法对消噪吸光值进行预处 理，得到预处理吸光值Al j; (5)筛选近红外光谱特征波长：运用竞争性自适应重加权采样（CARS)方法和偏最 小二乘法（PLS)法筛选近红外光谱特征波长，建立稻米品质的预测模型：?= b"+ Σ BnilB1, 其中％为稻米品质的近红外检测值，B为A u中第j个样品的吸光值，b "、&ηι1为回归系数， 预测模型的评价指标为决定系数R2和定标标准差RMSEC，回归系数的显著性用T检验，当系 数Bnil的显著性即t值大于0. 05时，则令a "= 0, a 0处所对应的波长i为特征波长； 特征波长如下： 稻谷水分：131〇11111、140211111、159311111、173811111和 177211111; 稻谷蛋白质：1206nm、1254nm、1274nm、1563nm 和 1752nm ; 稻谷脂肪：1343nm、1369nm、1489nm、1574nm 和 1583nm ; 稻谷总糖：108611111、127311111、127911111、157711111和 164311111; 稻谷灰分：1079nm、1181nm、1417nm、1426nm 和 1494nm ; 糖米水分：1026nm、1102nm、1213nm、1313nm 和 1746nm ; 糖米蛋白质：1168nm、1170nm、1250nm、1780nm 和 1779nm ; 糖米脂肪：1625nm、1536nm、1712nm、1026nm 和 1042nm ; 糖米总糖：1008nm、1326nm、1377nm、1525nm 和 1599nm ; 糖米灰分：1073nm、1068nm、1141nm、1259nm 和 1785nm ; 精米水分：1060nm、1274nm、1293nm、1328nm 和 1408nm ; 精米蛋白质：1254nm、1285nm、1516nm、1554nm 和 1717nm ; 精米脂肪：1018nm、1536nm、1608nm、1625nm 和 1712nm ; 精米总糖：1304nm、1338nm、1617nm、1726nm 和 1745nm ; 精米灰分：1452nm、1472nm、1481nm、1724nm 和 1759nm ; 谷壳率：1127nm、1264nm、1446nm、1495nm 和 1597nm ; 糖米含碎率：1123nm、1301nm、1317nm、1326nm 和 1681nm ; 碎米率：1183nm、1243nm、1579nm、1584nm 和 1723nm ; 糠粉率：115711111、160211111、172311111、172811111和173〇11111; 整精米率：1114nm、1151nm、1257nm、1659nm 和 1680nm ; 本文档来自技高网...

【技术保护点】
一种稻米品质的近红外检测方法，其特征在于，包括下列步骤：将待测样品进行近红外扫描，得到基于波长的吸光值原始波谱图，然后将原始波谱图进行消噪处理和预处理，从处理后的波谱中筛选特征波长，再将特征波长代入样品品质指标的预测模型中，得到样品品质的近红外检测值；其中：预测模型的构建方法如下：(1)收集有代表性的稻米样品，包括稻谷、糙米、精米、谷壳、米糠或碎米；(2)对所收集的样品进行化学测试，将所得的化学测试值记为ymj，其中：m是第m个指标，m＝1,2,3，…，20；当m＝1时记为稻谷水分含量，m＝2时记为稻谷蛋白质含量，m＝3时记为稻谷脂肪含量，m＝4时记为为稻谷总糖含量，m＝5时记为稻谷灰分含量，m＝6时记为谷壳率，m＝7时记为糙米含碎率，m＝8时记为碎米率，m＝9时记为糠粉率，m＝10时记为整精米率，m＝11时记为糙米水分含量，m＝12时记为糙米蛋白质含量，m＝13时记为糙米脂肪含量，m＝14时记为糙米总糖含量，m＝15时记为糙米灰分含量，m＝16时记为精米水分含量，m＝17时记为精米蛋白质含量，m＝18时记为精米脂肪含量，m＝19时记为精米总糖含量，m＝20时记为精米灰分含量；j为第j个样品，共n个样品，n≥40；(3)对样品进行近红外扫描，吸光值为xij，其中i表示第i个波长，波长i＝1000nm，1001nm，1002nm，…，1799nm；(4)消噪处理和预处理：用小波消噪法将xij进行消噪处理，得到消噪吸光值，然后再用归一化、一阶导数、二阶导数中的一种或多种的组合处理方法对消噪吸光值进行预处理，得到预处理吸光值Aij；(5)筛选近红外光谱特征波长：运用竞争性自适应重加权采样(CARS)方法和偏最小二乘法(PLS)法筛选近红外光谱特征波长，建立稻米品质的预测模型：zm＝bm+∑amiBi，其中zm为稻米品质的近红外检测值，Bi为Aij中第j个样品的吸光值，bm、ami为回归系数，预测模型的评价指标为决定系数R2和定标标准差RMSEC，回归系数的显著性用T检验，当系数ami的显著性即t值大于0.05时，则令ami＝0，ami≠0处所对应的波长i为特征波长；特征波长如下：稻谷水分：1310nm、1402nm、1593nm、1738nm和1772nm；稻谷蛋白质：1206nm、1254nm、1274nm、1563nm和1752nm；稻谷脂肪：1343nm、1369nm、1489nm、1574nm和1583nm；稻谷总糖：1086nm、1273nm、1279nm、1577nm和1643nm；稻谷灰分：1079nm、1181nm、1417nm、1426nm和1494nm；糙米水分：1026nm、1102nm、1213nm、1313nm和1746nm；糙米蛋白质：1168nm、1170nm、1250nm、1780nm和1779nm；糙米脂肪：1625nm、1536nm、1712nm、1026nm和1042nm；糙米总糖：1008nm、1326nm、1377nm、1525nm和1599nm；糙米灰分：1073nm、1068nm、1141nm、1259nm和1785nm；精米水分：1060nm、1274nm、1293nm、1328nm和1408nm；精米蛋白质：1254nm、1285nm、1516nm、1554nm和1717nm；精米脂肪：1018nm、1536nm、1608nm、1625nm和1712nm；精米总糖：1304nm、1338nm、1617nm、1726nm和1745nm；精米灰分：1452nm、1472nm、1481nm、1724nm和1759nm；谷壳率：1127nm、1264nm、1446nm、1495nm和1597nm；糙米含碎率：1123nm、1301nm、1317nm、1326nm和1681nm；碎米率：1183nm、1243nm、1579nm、1584nm和1723nm；糠粉率：1157nm、1602nm、1723nm、1728nm和1730nm；整精米率：1114nm、1151nm、1257nm、1659nm和1680nm；上述特征波长允许有±2nm的偏差；(6)预测模型的修正：增加1个样本，使样本数n＝n+1，对新增加的样本进行化学测试、近红外扫描、消噪处理和预处理，得到新的Aij，按步骤(5)中所述的近红外特征波长，得到新的稻米品质的近红外检测值zm的预测模型。...

【技术特征摘要】

【专利技术属性】
技术研发人员：黄汉英，赵思明，胡月来，熊善柏，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：湖北;42