本站小編為你精心準備了可見/近紅外光譜快速測定研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《中國糧油學報》2016年第三期

摘要

采用可見/近紅外光譜對小麥粉質特性參數進行了快速測定研究。在小麥粉廠收集強、中和弱筋小麥粉樣品共180份，采用標準方法測定了其粉質特性參數值，然后在波長570～1080nm下采集了樣品的光譜。對原始光譜進行多元散射校正及一階導數處理后，首先在全譜范圍內建立了形成時間、穩定時間、吸水率、弱化度4個參數的PLS定量預測模型，以吸水率結果最優，其Rp=0.99，RMSEP=1.02;其次是形成時間和弱化度，其Rp值分別為0.97和0.93，RMSEP值分別為0.48和10.01;穩定時間結果稍差，其Rp=0.80，RMSEP=2.40。然后采用SPA方法分別提取了各粉質特性參數的光譜特征變量，對應建立了MLR模型，所建模型和PLS方法結果接近。表明可見/近紅外光譜在小麥粉粉質特性評價中具有可行性，同時也為專用便攜儀器的研制及小麥粉品質在線設備的開發提供了初步的理論依據。

關鍵詞

可見/近紅外；小麥粉；粉質特性

粉質特性是反映小麥粉內在品質的重要指標，能夠確定小麥粉產品的最終用途，因此小麥粉企業常將其作為對小麥原料進行質量評價以及對生產工藝進行調整的重要依據［1］。目前粉質特性的測定主要依賴粉質儀，這種方法所用樣品量大，操作繁瑣費時，測定人員需要經過專業培訓，對于小麥粉企業日常批量樣品的重復測定，需要耗費大量人力物力，而且測定結果滯后不能有效指導生產。近紅外光譜技術由于具有快速、高效、制樣簡單、無污染等優點，廣泛應用于農業、制藥、石油、化工、紡織等領域并發揮了巨大優勢［2－5］。其在小麥粉質量評價中最初主要集中在水分、灰分、蛋白質含量測定上。Cocch等［6］對不同種類特性的面包粉進行了判別，通過對光譜的小波變換結合模式識別方法能夠準確地區分2大類小麥粉。在粉質特性測定應用中，Miralbes等［7］較早地進行了初步研究，開創了小麥粉流變學近紅外測定的先河，參數測定也比較全面，然而該研究樣品量較少，樣品不夠系統。Silvia等［8］僅對面團的延伸性及韌性進行了研究報道，取得了較好的效果。目前對光譜特征信息探討較少，應用到在線監測中存在諸多困難。本研究在河南多個小麥粉廠不同粉路系統中廣泛收集強、中和弱筋小麥粉樣品，采用標準方法測定其粉質特性指標，并對樣品光譜進行敏感特征變量提取，盡可能的建立簡潔而穩健的應用模型，為實現小麥粉品質的快速及在線監測提供理論參考。

1材料與方法

1.1樣品與主要儀器在河南多個小麥粉廠不同粉路系統中收集強、中、弱筋小麥粉樣品各60份，樣品總計180份。小麥粉質特性參數測定采用Farinograph－AT粉質儀:德國BrabenderGmbH＆Co．KG;可見/近紅外光譜采集采用Infratec－1241光譜儀:丹麥FOSS公司。

1.2試驗方法

1.2.1粉質參數測定小麥粉質特性參數為形成時間、穩定時間、吸水率、弱化度依據GB/T14614—2006進行測定。

1.2.2光譜采集采用Infratec－1241光譜儀透射方式測量，光譜采集范圍為570～1080nm，波長間隔2nm，子樣品集設定為3，每個樣品重復測量2次，取平均光譜作為該樣品的原始光譜，所得樣品原始光譜圖見圖1。

1.2.3光譜處理與數據分析近紅外光譜主要是倍頻和合頻的吸收，光譜信息重疊嚴重，除了樣品自身的信息外，還包含了高頻隨機噪聲、基線漂移、樣本不均勻、光散射等干擾，因此在建立模型前需要對原始光譜進行預處理。試驗數據利用TQAnalystV7.2、和MATLAB7.0軟件進行數據處理和分析。

2結果與分析

2.1樣品粉質特性情況表1為樣品的粉質參數實測值分布情況，可以看出強、中、弱筋粉的性能參數有很大的差異性，樣品范圍寬，涵蓋廣，為穩健的近紅外模型的建立奠定了良好的基礎。

2.2光譜分析從圖1可以看出原始光譜存在明顯的基線漂移，主要由于小麥粉顆粒的散射所造成。原始光譜下方強筋小麥粉居多，上方弱筋小麥粉居多，強筋小麥粉聚集的趨勢不明顯。樣品原始光譜形狀類似，譜圖吸收趨勢較為平緩，在640、920、1000nm有顯著的吸收峰。640nm處為可見光譜區，主要反映樣品色澤信息;920nm處主要為C－H鍵的三級倍頻吸收;1000nm主要為N－H鍵的三級倍頻吸收。這些峰的吸收和樣品的狀態及組成密切相關。

2.3PLS定量模型建立偏最小二乘方法是近紅外光譜分析中應用最多、比較經典的建模方法，其將因子與回歸分析相結合，能夠克服成分間相互干擾、吸收波段重疊引起的線性偏離，建立的模型相對比較穩健。近紅外模型評價的參數主要有建模相關系RC、預測相關系數Rp、建模標準差RMSEC、預測標準差RMSEP。當RC與Rp越大，RMSEC與RMSEP越小且兩者差別不大時，模型性能越好［9］。在TQAnalystV7.2軟件中，首先對樣品進行分集，將樣品各參數值從小到大進行排序，每3個樣品中選取2個作為建模集、另外1個劃入驗證集，最終建模集樣品為120個，驗證集樣品為60個。然后在全譜范圍內進行模型構建，為消除光譜的基線漂移，采用多元散射校正對原始光譜進行了預處理，然后又進行了其他預處理，結果發現一階導數處理結果最好，所建模型最優。表2為PLS模型結果統計表，可以得出，吸水率的建模效果最優，其次是形成時間和弱化度，這3個參數模型實際應用結果較為準確;穩定時間結果最差，可以對樣品進行初步的篩查。

2.4SPA－MLR定量模型建立近紅外光譜全譜建模模型比較復雜，運算量大，運行速度慢，而且全譜除含有待測目標信息外還含諸多干擾因素。本研究為了探尋小麥粉粉質特性參數的光學特征信息變量，為便攜專用儀器設備的研制提供理論依據，探討了連續投影算法進行有效波長的提取，然后結合多元線性回歸方法(MLR)進行定量模型的構建。SPA是一種新的光譜特征變量選取方法，它能夠利用向量的投影分析，從光譜變量中尋找含有最低限度的冗余信息的變量組，使得變量之間的共線性達到最小，同時能大大減少建模所用變量的個數，提高建模的速度和效率［10］。其基本思想是逐個選入對輸出結果有顯著影響的變量，每選入1個新變量后，對選入的各變量逐個進行顯著性檢驗，并剔除不顯著變量。如此反復選入、檢驗、剔除，直至無法剔除且無法選入為止。本研究在Matlab軟件中進行SPA編程運算，形成時間的SPA變量選擇計算結果如圖2和圖3所示，當變量為6時，模型運算最佳(RMSE=0.43)，所選特征變量在全譜中對應位置如圖3，所選的波長分別為582、664、778、956、982和1062nm。所選波長582、664nm位于可見光譜區，位于640nm峰兩側，和樣品的色澤有關。778、956、982和1062nm位于近紅外光譜區，778、956和982nm處為O—H鍵的3倍頻吸收，1062nm處為C—H、N—H鍵的2倍、3倍頻吸收，與樣品成分密切相關。選用該6個特征變量建立MLR定量模型，其Rc=0.97，Rp=0.95，RM-SEC=0.46，RMSEP=0.53。建模結果和PLS全譜范圍結果相當，而光譜變量則大為減少。同樣對穩定時間、弱化度和吸水率進行了SPA變量選擇及MLR模型構建，穩定時間最優變量為8個，分別為590、616、796、833、851、966、974和1012nm，其MLR模型參數Rc=0.80，Rp=0.78，RMSEC=2.14，RMSEP=3.03。弱化度最優變量為7個，分別為570、746、778、933、941、965和1043，其MLR模型參數Rc=0.93，Rp=0.92，RMSEC=10.08，RMSEP=10.96。吸水率最優變量為5個，分別為633、760、948、956和1058nm，其MLR模型參數Rc=0.97，Rp=0.97，RMSEC=1.03，RMSEP=1.12。所建模型與PLS方法教接近。

3結論

本研究對小麥粉粉質特性參數的可見/近紅外光譜快速測定進行了探討。首先在全譜范圍內建立了形成時間、穩定時間、吸水率、弱化度4個參數的PLS定量預測模型，以吸水率結果最優，其Rp=0.99，RMSEP=1.02;形成時間和弱化度模型結果良好，形成時間Rp=0.97，RMSEP=0.48;弱化度Rp=0.93，RMSEP=10.01。穩定時間結果稍差，Rp=0.80，RMSEP=2.40，可以實現對樣品的快速篩查。然后采用SPA方法分別探討了粉質特性參數的光譜特征響應變量并進行了提取，建立了簡潔的MLR模型，所建模型和全譜PLS定量方法結果接近。結果表明可見/近紅外光譜在小麥粉質特性評價中具有可行性，同時也為專用便攜儀器的研制及小麥粉品質在線設備的開發提供了初步的理論依據。

作者：黃亞偉 楊壯 單位：河南工業大學糧油食品學院 河南中儲糧質量檢測中心有限公司