可见/近红外光谱快速测定研究范文

本站小编为你精心准备了可见/近红外光谱快速测定研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《中国粮油学报》2016年第三期

摘要

采用可见/近红外光谱对小麦粉质特性参数进行了快速测定研究。在小麦粉厂收集强、中和弱筋小麦粉样品共180份，采用标准方法测定了其粉质特性参数值，然后在波长570～1080nm下采集了样品的光谱。对原始光谱进行多元散射校正及一阶导数处理后，首先在全谱范围内建立了形成时间、稳定时间、吸水率、弱化度4个参数的PLS定量预测模型，以吸水率结果最优，其Rp=0.99，RMSEP=1.02;其次是形成时间和弱化度，其Rp值分别为0.97和0.93，RMSEP值分别为0.48和10.01;稳定时间结果稍差，其Rp=0.80，RMSEP=2.40。然后采用SPA方法分别提取了各粉质特性参数的光谱特征变量，对应建立了MLR模型，所建模型和PLS方法结果接近。表明可见/近红外光谱在小麦粉粉质特性评价中具有可行性，同时也为专用便携仪器的研制及小麦粉品质在线设备的开发提供了初步的理论依据。

关键词

可见/近红外；小麦粉；粉质特性

粉质特性是反映小麦粉内在品质的重要指标，能够确定小麦粉产品的最终用途，因此小麦粉企业常将其作为对小麦原料进行质量评价以及对生产工艺进行调整的重要依据［1］。目前粉质特性的测定主要依赖粉质仪，这种方法所用样品量大，操作繁琐费时，测定人员需要经过专业培训，对于小麦粉企业日常批量样品的重复测定，需要耗费大量人力物力，而且测定结果滞后不能有效指导生产。近红外光谱技术由于具有快速、高效、制样简单、无污染等优点，广泛应用于农业、制药、石油、化工、纺织等领域并发挥了巨大优势［2－5］。其在小麦粉质量评价中最初主要集中在水分、灰分、蛋白质含量测定上。Cocch等［6］对不同种类特性的面包粉进行了判别，通过对光谱的小波变换结合模式识别方法能够准确地区分2大类小麦粉。在粉质特性测定应用中，Miralbes等［7］较早地进行了初步研究，开创了小麦粉流变学近红外测定的先河，参数测定也比较全面，然而该研究样品量较少，样品不够系统。Silvia等［8］仅对面团的延伸性及韧性进行了研究报道，取得了较好的效果。目前对光谱特征信息探讨较少，应用到在线监测中存在诸多困难。本研究在河南多个小麦粉厂不同粉路系统中广泛收集强、中和弱筋小麦粉样品，采用标准方法测定其粉质特性指标，并对样品光谱进行敏感特征变量提取，尽可能的建立简洁而稳健的应用模型，为实现小麦粉品质的快速及在线监测提供理论参考。

1材料与方法

1.1样品与主要仪器在河南多个小麦粉厂不同粉路系统中收集强、中、弱筋小麦粉样品各60份，样品总计180份。小麦粉质特性参数测定采用Farinograph－AT粉质仪:德国BrabenderGmbH＆Co．KG;可见/近红外光谱采集采用Infratec－1241光谱仪:丹麦FOSS公司。

1.2试验方法

1.2.1粉质参数测定小麦粉质特性参数为形成时间、稳定时间、吸水率、弱化度依据GB/T14614—2006进行测定。

1.2.2光谱采集采用Infratec－1241光谱仪透射方式测量，光谱采集范围为570～1080nm，波长间隔2nm，子样品集设定为3，每个样品重复测量2次，取平均光谱作为该样品的原始光谱，所得样品原始光谱图见图1。

1.2.3光谱处理与数据分析近红外光谱主要是倍频和合频的吸收，光谱信息重叠严重，除了样品自身的信息外，还包含了高频随机噪声、基线漂移、样本不均匀、光散射等干扰，因此在建立模型前需要对原始光谱进行预处理。试验数据利用TQAnalystV7.2、和MATLAB7.0软件进行数据处理和分析。

2结果与分析

2.1样品粉质特性情况表1为样品的粉质参数实测值分布情况，可以看出强、中、弱筋粉的性能参数有很大的差异性，样品范围宽，涵盖广，为稳健的近红外模型的建立奠定了良好的基础。

2.2光谱分析从图1可以看出原始光谱存在明显的基线漂移，主要由于小麦粉颗粒的散射所造成。原始光谱下方强筋小麦粉居多，上方弱筋小麦粉居多，强筋小麦粉聚集的趋势不明显。样品原始光谱形状类似，谱图吸收趋势较为平缓，在640、920、1000nm有显著的吸收峰。640nm处为可见光谱区，主要反映样品色泽信息;920nm处主要为C－H键的三级倍频吸收;1000nm主要为N－H键的三级倍频吸收。这些峰的吸收和样品的状态及组成密切相关。

2.3PLS定量模型建立偏最小二乘方法是近红外光谱分析中应用最多、比较经典的建模方法，其将因子与回归分析相结合，能够克服成分间相互干扰、吸收波段重叠引起的线性偏离，建立的模型相对比较稳健。近红外模型评价的参数主要有建模相关系RC、预测相关系数Rp、建模标准差RMSEC、预测标准差RMSEP。当RC与Rp越大，RMSEC与RMSEP越小且两者差别不大时，模型性能越好［9］。在TQAnalystV7.2软件中，首先对样品进行分集，将样品各参数值从小到大进行排序，每3个样品中选取2个作为建模集、另外1个划入验证集，最终建模集样品为120个，验证集样品为60个。然后在全谱范围内进行模型构建，为消除光谱的基线漂移，采用多元散射校正对原始光谱进行了预处理，然后又进行了其他预处理，结果发现一阶导数处理结果最好，所建模型最优。表2为PLS模型结果统计表，可以得出，吸水率的建模效果最优，其次是形成时间和弱化度，这3个参数模型实际应用结果较为准确;稳定时间结果最差，可以对样品进行初步的筛查。

2.4SPA－MLR定量模型建立近红外光谱全谱建模模型比较复杂，运算量大，运行速度慢，而且全谱除含有待测目标信息外还含诸多干扰因素。本研究为了探寻小麦粉粉质特性参数的光学特征信息变量，为便携专用仪器设备的研制提供理论依据，探讨了连续投影算法进行有效波长的提取，然后结合多元线性回归方法(MLR)进行定量模型的构建。SPA是一种新的光谱特征变量选取方法，它能够利用向量的投影分析，从光谱变量中寻找含有最低限度的冗余信息的变量组，使得变量之间的共线性达到最小，同时能大大减少建模所用变量的个数，提高建模的速度和效率［10］。其基本思想是逐个选入对输出结果有显著影响的变量，每选入1个新变量后，对选入的各变量逐个进行显著性检验，并剔除不显著变量。如此反复选入、检验、剔除，直至无法剔除且无法选入为止。本研究在Matlab软件中进行SPA编程运算，形成时间的SPA变量选择计算结果如图2和图3所示，当变量为6时，模型运算最佳(RMSE=0.43)，所选特征变量在全谱中对应位置如图3，所选的波长分别为582、664、778、956、982和1062nm。所选波长582、664nm位于可见光谱区，位于640nm峰两侧，和样品的色泽有关。778、956、982和1062nm位于近红外光谱区，778、956和982nm处为O—H键的3倍频吸收，1062nm处为C—H、N—H键的2倍、3倍频吸收，与样品成分密切相关。选用该6个特征变量建立MLR定量模型，其Rc=0.97，Rp=0.95，RM-SEC=0.46，RMSEP=0.53。建模结果和PLS全谱范围结果相当，而光谱变量则大为减少。同样对稳定时间、弱化度和吸水率进行了SPA变量选择及MLR模型构建，稳定时间最优变量为8个，分别为590、616、796、833、851、966、974和1012nm，其MLR模型参数Rc=0.80，Rp=0.78，RMSEC=2.14，RMSEP=3.03。弱化度最优变量为7个，分别为570、746、778、933、941、965和1043，其MLR模型参数Rc=0.93，Rp=0.92，RMSEC=10.08，RMSEP=10.96。吸水率最优变量为5个，分别为633、760、948、956和1058nm，其MLR模型参数Rc=0.97，Rp=0.97，RMSEC=1.03，RMSEP=1.12。所建模型与PLS方法教接近。

3结论

本研究对小麦粉粉质特性参数的可见/近红外光谱快速测定进行了探讨。首先在全谱范围内建立了形成时间、稳定时间、吸水率、弱化度4个参数的PLS定量预测模型，以吸水率结果最优，其Rp=0.99，RMSEP=1.02;形成时间和弱化度模型结果良好，形成时间Rp=0.97，RMSEP=0.48;弱化度Rp=0.93，RMSEP=10.01。稳定时间结果稍差，Rp=0.80，RMSEP=2.40，可以实现对样品的快速筛查。然后采用SPA方法分别探讨了粉质特性参数的光谱特征响应变量并进行了提取，建立了简洁的MLR模型，所建模型和全谱PLS定量方法结果接近。结果表明可见/近红外光谱在小麦粉质特性评价中具有可行性，同时也为专用便携仪器的研制及小麦粉品质在线设备的开发提供了初步的理论依据。

作者：黄亚伟 杨壮 单位：河南工业大学粮油食品学院 河南中储粮质量检测中心有限公司