测定大米中水分的研究（精宏DHG-9246A使用）

大米含水量直接关系到大米的储藏安全，由于没有外壳的保护，大米在储藏过程中极易在环境中吸 水受潮，进而加速米粒的陈化与发霉变质。此外，水分含量也是评价大米食味和品质的重要指标，水分 含量小的大米蒸煮后会引起表面龟裂，使米饭黏性增加，丧失弹性，进而影响食味品质。有研究表明：大米 品质的感官评价值会随着大米水分含量下降而降低，故如何使大米含水量在安全储藏和食味品质之间 找到一个平衡点至关重要，为此需要建立一种快速、准确检测大米中水分的方法。

１ 实验部分

１．１ 仪器

ＭＡＴＲＩＸ－Ｉ型傅里叶变换近红外光谱仪（德国，Ｂｒｕｋｅｒ公司），配有 ＯＰＵＳ６．５软件；ＭＡＴＬＡＢ２０１７ｂ 软件（美国，ＭａｔｈＷｏｒｋｓ公司）；ＪＮＭＪ３型检验碾米机（台州市粮仪厂）；高速万能粉碎机（天津市泰斯特仪 器有限公司）；上海精宏DHG-9246A型电热恒温鼓风干燥箱（上海精宏实验设备有限公司）；ＪＡ５００３型 电 子 天 平 （长沙湘平科技发展有限公司）。

１．２ 材料

供试水稻材料由湖南省水稻研究所提供，选用的材料均为目前广泛推广的水稻品种，包括了籼稻、粳 稻样本共３２７份。

１．３ 方法

１．３．１ 大米中水分的测定

采用国家标准（ＧＢ５００９．３－２０１６）《食品安全国家标准 食品中水分的测定》中 的直接干燥法测定大米中水分含量。

１．３．２ 近红外光谱的采集

将样品均匀装入样品杯中，置于样品台上扫描。采样方式为积分球漫反射， 每个样品均重复２次装样扫描，平均得到一条近红外光谱，以消除样品不均匀性带来的干扰。光谱采集条 件为：光谱扫描范围４０００～１２０００ｃｍ－１，分辨率１６ｃｍ－１，扫描次数６４次，采样点数１１５４。大米样本的 近红外光谱如图１所示。

１．３．３ 组合区间偏最小二乘法

ＳｉＰＬＳ是一种优选特 征光谱区间的 化 学 计 量 学 方 法，该 方 法 的 原 理 是 首 先 将整个光谱范 围 划 分 为ｎ 个 等 分 区 间，然 后 依 据 指 定 的组合区间个 数，按 照 排 列 组 合 的 思 想 依 次 联 合 各 子 区间随机组合，对每组组合区间建立 ＰＬＳ回归模型，并 对结果进行比 较，最 后 依 据 交 互 验 证 均 方 根 误 差 筛 选 出最佳组合区间。

１．３．４ 移动窗口偏最小二乘法

ＭＷＰＬＳ采用单个窗 口区间的数据 建 模，根 据 模 型 的 性 能 决 定 窗 口 区 间 大 小和选取的区间范围。其基本原理是截取一定宽度的 一个区间，以窗口的形式沿光谱波长轴连续移动，并基 于每个窗口内的数据建立一系列 ＰＬＳ模型，由交互验证均方根误差（ＲＭＳＥＣＶ）作为区间的优劣评价标 准，选择 ＲＭＳＥＣＶ 最小的窗口区间进行模型建立。

１．３．５ 模型的评价

模型的评价参数主要为相关系数（Ｒ）、校正集均方根误差（ＲＭＳＥＣＶ）、预测集均方 根误差（ＲＭＳＥＰ）和相对分析误差（ＲＰＤ）等。在模型评价中，若 ＲＰＤ＞３，表示定量分析模型预测能力良 好，具有较强的适用性；若２．５＜ＲＰＤ＜３，则表示模型精确度有待提高；当 ＲＰＤ＜２．５时，表示模型预测效 果较差。一般来说，Ｒ 值越大，ＲＰＤ越大，ＲＭＳＥ值越小，模型的预测效果越好。

２ 结果与讨论

采用 Ｋｅｎｎａｒｄ－Ｓｔｏｎｅ法将样本集划分为校正集和预测集，其中校正集２８２个样本，预测集４０个样 本。３２２份样本的水分含量的常规分析结果如表１所示，校正集样品大米含水量的变化范围在９．１％～ １６．２％之间，预测集样品含水量在８．１％～１７．７％之间，校正集是预测集的子集，能更好的验证所建立的 模型对变化数据的适应性。本实验选取的大米样品水分含量范围分布较广，基本上覆盖了大米中可能出现的水分含量。

２．２ 光谱预处理

为了消除光谱信息中的噪声和干扰，对原始近红外光谱进行预处理是十分必要的。本文分别采用 ＰＬＳ、ＳｉＰＬＳ和 ＭＷＰＬＳ作为建模方法，以相关系数 Ｒ 和 ＲＭＳＥＣＶ 作为评判标准，考察了多元散射校正 （ＭＳＣ）、标准正态交换（ＳＮＶ）、归一化（Ｎｏｒｍａｌｉｚｅ）等多种光谱预处理方法对模型建立的影响，旨在筛选 出最优的光谱预处理方法。结果如表２所示，采用 ＲａｎｇｅＮｏｒｍａｌｉｚａｔｉｏｎ法预处理光谱建立的 ＰＬＳ模型 获得了最小的 ＲＭＳＥＣＶ 值，采用二阶导数法预处理光谱建立的ＳｉＰＬＳ模型获得了最优的结果，采用多光 散射校正加一阶导数（ＭｕｌｔｉｐｌｉｃａｔｉｖｅＳｃａｔｔｅｒＣｏｒｒｅｃｔｉｏｎ＋ＦｉｒｓｔＤｅｒｉｖａｔｉｖｅ，ＭＳＣ＋ＦＤ）法预处理光谱建立 的 ＭＷＰＬＳ模型最佳，故本文分别将 ＲａｎｇｅＮｏｒｍａｌｉｚａｔｉｏｎ、二阶导数法和 ＭＳＣ＋ＦＤ 法确定为 ＰＬＳ、Ｓｉ－ ＰＬＳ和 ＭＷＰＬＳ建模时的光谱预处理方法。

３ 结论

本文分别采用偏最小二乘法、组合区间偏最小二乘法和移动窗口偏最小二乘法对大米中水分含量进 行了建模和选优，建模过程中对不同光谱预处理方法和特征波长区间进行了筛选。结果表 明：ＳｉＰＬＳ和 ＭＷＰＬＳ算法均可以剔除噪声过大的谱区，相较于全谱建模，选择合适的光谱区间建模能有效的提高模型 的预测精度和准确度。且 ＭＷＰＬＳ算法比ＳｉＰＬＳ进一步减少了模型的变量个数，对 ＭＷＰＬＳ定标模型进 行验证时，预测集相关系数达到了０．９６１７，平均预测回收率为１００．６４％，说明采用 ＭＷＰＬＳ法建立的定 标模型具有良好的预测能力。



 

免责声明：文章仅供学习和交流，如涉及作品版权问题需要我方删除，请联系我们，我们会在第一时间进行处理。