基于近紅外光譜特征的赤霉病小麥籽粒SIMCA識別模型構建研究

關二旗 崔貴金 卞 科 鄭祝紅

基于近紅外光譜特征的赤霉病小麥籽粒SIMCA識別模型構建研究

關二旗1，2崔貴金1，2卞 科1，2鄭祝紅1，3

（河南工業(yè)大學糧油食品學院1，鄭州 450001）
（河南省糧食作物協(xié)同創(chuàng)新中心2，鄭州 450001）
（益海嘉里（泉州）糧油食品工業(yè)有限公司3，泉州 362804）

利用近紅外光譜分析儀采集2012年度江蘇、安徽、河南等省份25份農(nóng)戶田間小麥品種籽粒樣品的近紅外光譜信息，對獲取的近紅外光譜數(shù)據(jù)分別進行均值標準化、一階求導、二階求導和多元散射校正處理，利用全波段（950 ～1 650 nm）和特征波長處（985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm）的近紅外光譜數(shù)據(jù)，采用離差平方和法（Ward法）聚類分析和主成分分析等化學計量學方法，構建赤霉病小麥籽粒和未病小麥籽粒的SIMCA識別模型。模型診斷和驗證結果顯示，構建的SIMCA識別模型對赤霉病小麥籽粒和未感病小麥籽粒的正確識別率均為100%，識別效果良好。

近紅外光譜 赤霉病小麥 SIMCA識別模型 分選

赤霉病是麥類作物世界性流行病害。小麥赤霉病的發(fā)生不僅造成糧食大幅減產(chǎn)，而且赤霉菌分泌產(chǎn)生的脫氧雪腐鐮刀菌烯醇（DON，又稱嘔吐毒素）一旦進入人或動物體內(nèi)，往往會引起腹瀉、嘔吐、發(fā)燒等急性中毒癥狀，以及厭食、體重減輕、免疫力下降等慢性中毒癥狀，嚴重危害人和動物的健康［1-2］。為了保障食品安全，世界上一些主要國家對谷物、食品、飼料中DON的含量均有嚴格限量規(guī)定。GB 2715—2005《糧食衛(wèi)生標準》中規(guī)定小麥及小麥粉中DON限量標準為1 000μg／kg。因此，研究構建快速、準確、簡捷的赤霉病小麥籽粒識別模型，可以為病害小麥籽粒的準確識別、分選分離提供理論依據(jù)和技術支撐，充分保障糧食的食用／飼用安全。

研究認為，生物體的近紅外光譜指紋特征是其表面光學特征及內(nèi)在組分化學性質(zhì)的本質(zhì)反映，隨著生物體表面色澤和內(nèi)在組分或結構的變化，其近紅外光譜特征信息也發(fā)生著顯著變化［3-4］。由于樣品前處理簡單，光譜信息采集方便、分析便捷、成本低，且能夠最大限度地保留分析樣本間的微小差異等優(yōu)點，近紅外光譜技術被廣泛地應用于產(chǎn)品的無損檢測及品質(zhì)分析等［5-9］，特別是在谷物及油料籽粒品質(zhì)及食品品質(zhì)分析等方面，目前已有大量報道［10-15］。一些研究者還利用近紅外光譜技術分析不同產(chǎn)地肉品、茶葉、谷物的色澤、組分差異，進而建立起判別模型，對品種和產(chǎn)品的原產(chǎn)地進行鑒別，判別效果較好［16-18］。但是，目前國內(nèi)外有關近紅外光譜技術用于病害小麥（赤霉病小麥）籽粒識別分選的研究報道尚不多見。鑒于近年來國內(nèi)小麥赤霉病大范圍爆發(fā)的現(xiàn)象越來越頻繁，給農(nóng)業(yè)生產(chǎn)、小麥產(chǎn)品安全使用及人們的身體健康帶來極大的威脅，亟需發(fā)展一種快速、高效、低廉的赤霉病小麥籽粒識別分選技術。

通過分析感病程度不同的赤霉病小麥籽粒近紅外光譜特征信息及差異，構建赤霉病小麥籽粒的識別模型，利用近紅外光譜分析技術對赤霉病小麥籽粒進行識別，旨在為小麥收儲、貿(mào)易、加工利用過程中實現(xiàn)病害小麥籽粒的有效識別和分選提供參考。

1 材料與方法

1.1 供試材料

2012年度于江蘇、安徽、河南等小麥主產(chǎn)省隨機采集農(nóng)戶大田小麥品種樣品25份。小麥品種樣品、采樣地及感病程度等詳細信息列于表1。

表1 赤霉病小麥樣品及采樣地信息表

1.2 儀器設備

DA7200型近紅外分析儀：瑞典Perten公司。

1.3 試驗方法

1.3.1 小麥樣品采集

2012年5月—2012年7月小麥收獲期間，隨機采集農(nóng)戶大田小麥品種樣品25份，每份樣品5 kg；對樣品進行編號，并詳細記錄采樣信息。

1.3.2 小麥樣品預處理

人工分揀去除小麥樣品中的秸稈、草籽、石子、土塊等雜質(zhì)后，放置于38℃烘箱中，通風干燥24 h，調(diào)節(jié)樣品的含水量盡量保持一致。

赤霉病小麥籽粒樣品篩選：根據(jù)小麥籽粒形態(tài)特征，采取人工分揀的方法，分別從25個小麥品種樣品中挑選出具有明顯紅褐色特征的赤霉病小麥籽粒樣品25份，每份100粒，置于密封袋中貯存，供光譜采集使用。

未感病小麥籽粒樣品篩選：根據(jù)小麥籽粒形態(tài)特征，采取人工分揀的方法，分別從25個小麥品種樣品中挑選出籽粒飽滿、無明顯感病特征的小麥籽粒樣品25份，每份1 kg。將樣品混合均勻，平鋪成圓形，分成4等分，取相對的2份混合均勻，粉碎，提取DON毒素，采用高效液相色譜法（Waters 2695）測定其DON毒素含量，結果為0，確定樣品為未感病小麥樣品。分別從每份剩余的未感病小麥樣品中選取外觀形態(tài)正常的籽粒100粒，置于密封袋中貯存，供光譜采集使用。

1.3.3 小麥樣品近紅外光譜信息采集

將待測小麥籽粒樣品置于近紅外光譜分析儀上的旋轉(zhuǎn)樣品盤中（直徑75 mm，深度25 mm），依據(jù)設定的試驗條件進行光譜掃描和采集：儀器分辨率為5 nm，光譜波長范圍為950～1 650 nm，室溫為26℃，每個樣品重復裝樣及掃描4次，求平均光譜，存盤備用。其中，赤霉病小麥籽粒近紅外光譜以樣品編號字母加1-n（n∈N（1，100））表示，未感病小麥籽粒近紅外光譜以樣品編號字母加0-n（n∈N（1，100））表示。

1.3.4 小麥樣品近紅外光譜信息處理

采用Unscrambler7.8光譜分析軟件對獲取的近紅外光譜信息進行均值標準化、一階求導、二階求導、多元校正散射等預處理，消除基線漂移、光源散射、隨機噪聲等干擾因素的影響，扣除水分峰波段，采用SPSS16.0軟件對剩余波段進行方差分析，采用Unscrambler 7.8軟件進行主成分分析、聚類分析和判別分析，提取特征光譜信息。

1.3.5 SIMCA 模型構建方法

分別以全波段（950～1 650 nm）光譜信息數(shù)據(jù)和特征波段光譜信息數(shù)據(jù)為輸入變量，構建赤霉病小麥籽粒及未感病小麥籽粒的SIMCA識別模型。

1.3.6 模型評估

采用各分類模型的識別率和拒絕率表征該模型的構建識別效果，計算公式：

識別率＝（識別自身類樣本個數(shù)／該類樣本的總個數(shù)）×100%

拒絕率＝（拒絕其他類樣本個數(shù)／其他類樣本的總個數(shù)）×100%

1.3.7 模型診斷與驗證

隨即抽取2／3的樣本為校正集，1／3為驗證集，將校正集樣品和驗證集樣品光譜數(shù)據(jù)代入各分類模型進行模型診斷與驗證。

2 結果與討論

2.1 不同小麥籽粒近紅外光譜特征分析

從不同小麥品種籽粒樣品的近紅外原始光譜圖可以看出（圖1），在全波段內(nèi)赤霉病小麥籽粒的近紅外光譜吸收值均低于未感病小麥籽粒；與未感病小麥籽粒的近紅外光譜圖相比，赤霉病小麥籽粒的近紅外光譜圖變化較為平緩，但二者光譜曲線變化趨勢相似?？鄢治辗宓墓庾V信息數(shù)據(jù)，對2類小麥籽粒近紅外光譜信息預處理后的數(shù)據(jù)作方差分析的結果表明，二者近紅外光譜信息存在顯著差異。

圖1 不同小麥籽粒的近紅外原始光譜圖

2.2 光譜預處理及特征波段確定

為消除樣品籽粒粒度大小差異、特征吸收峰重疊等因素的影響，采用S.Golay二階求導對全波段近紅外光譜數(shù)據(jù)進行處理。從光譜預處理的結果可以看出，經(jīng)二階求導處理后，赤霉病小麥籽粒與未感病小麥籽粒的近紅外光譜特征在1 100～1 200 nm、1 180～1 200 nm、1 290～1 320 nm等多個波段范圍內(nèi)存在顯著差異。

圖2 不同小麥籽粒近紅外原始光譜S.Golay二階求導處理圖

剔除冗余變量，采用Unscrambler 7.8光譜分析軟件優(yōu)化分析模型，對全波段近紅外光譜數(shù)據(jù)進行主成分分析。結果顯示，第一主成分貢獻率為96.4%（表2），這說明第一主成分表達了該光譜圖所攜帶的95.0%以上的光譜信息。因此，根據(jù)第一主成分確定出赤霉病小麥籽粒的近紅外光譜特征吸收峰波長依次為：985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm（圖3）。

表2 主成分累積貢獻率

圖3 第一主成分載荷圖

2.3 小麥籽粒近紅外光譜聚類分類分析

采用Ward法系統(tǒng)聚類分析方法對赤霉病小麥籽粒和未感病小麥籽粒的全波段、特征波長處的光譜數(shù)據(jù)信息進行聚類分析，結果表明，采用全波段和特征波長處的光譜數(shù)據(jù)均能很好地將赤霉病小麥籽粒和未感病小麥籽粒區(qū)分開來（圖4、圖5）。這說明利用近紅外光譜識別赤霉病小麥籽粒和未感病小麥籽粒是可行的。

圖4 全波段光譜數(shù)據(jù)WARD法聚類分析樹形圖

圖5 特征波段光譜數(shù)據(jù)WARD法聚類分析樹形圖

2.4 SIMCA 模型構建

選取全波段和特征波長處近紅外光譜數(shù)據(jù)，分別構建赤霉病小麥籽粒的SIMCA識別模型。隨機抽取2／3的樣本為校正集，1／3為驗證集，采用交互驗證法選取最佳主成分數(shù)，對已知小麥分類校正集樣品分別構建主成分回歸分類模型。結果顯示，全波段光譜范圍內(nèi)赤霉病小麥籽粒模型及未感病小麥籽粒模型最佳主成分數(shù)分別為3和7，特征波長處赤霉病小麥籽粒模型及未感病小麥籽粒模型最佳主成分數(shù)均為4（圖6）。以最佳主成分數(shù)為輸入變量，構建各分類模型并保存?zhèn)溆谩?/p>

圖6 各分類模型主成分數(shù)-剩余殘差圖

2.5 SIMCA模型的診斷與驗證

將校正集樣品和驗證集樣品的近紅外光譜數(shù)據(jù)分別代入各分類SIMCA模型進行模型診斷與驗證，并對識別結果進行顯著性檢驗（表3）。同時，采用模型識別率與拒絕率統(tǒng)計各模型的識別效果，統(tǒng)計結果列于表4。

表3 SIMCA模型診斷與驗證結果

表4 SIMCA模型識別效果評估表

從模型診斷與驗證的顯著性檢驗結果可以看出，構建的SIMCA模型對赤霉病小麥籽粒樣品和未感病小麥籽粒樣品的歸屬均做出了正確識別。模型識別效果評估結果顯示，依據(jù)全波段和特征波長處光譜數(shù)據(jù)構建的各分類模型對校正集及驗證集小麥樣品的識別率或拒絕率均為100%，這表明各模型對被識別樣品是否屬于自身樣本具有良好的識別效果。因此，通過獲取赤霉病小麥籽粒和未感病小麥籽粒的近紅外光譜數(shù)據(jù)信息所構建的SIMCA模型識別效果佳。

3 結論

赤霉病小麥籽粒與未感病小麥籽粒的近紅外光譜存在顯著差異。本研究利用25份來自于國內(nèi)小麥主產(chǎn)區(qū)的農(nóng)戶田間小麥品種樣品進行近紅外光譜采集，依據(jù)化學計量學方法構建了全波段（950～1 650 nm）和特征波長處（985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm）赤霉病小麥籽粒和未感病小麥籽粒的SIMCA識別模型，模型識別正確率均為100%，識別效果良好。結果表明，近紅外光譜技術用于赤霉病小麥籽粒的識別分選是可行的。

［1］James J P.Deoxynivalenol：toxicity，mechanisms and animal health risks［J］.Animal Feed Science Technology，2007，137（3）：283-298

［2］關二旗，崔莉，卞科，等.赤霉病麥粒中脫氧雪腐鐮刀菌烯醇消解方法研究進展［J］.麥類作物學報，2012，32（3）：585-588

Guan Erqi，Cui Li，Bian Ke，et al.Study on methods to reduce the deoxynivalenol toxin in wheat seeds infected by-Fusarium head blight［J］.Journal of Triticeae Crops，2012，32（3）：585-588

［3］Osborne B G，F(xiàn)earn T，Hindle P H.Practical NIR spectroscopy with applications in food and beverage analysis［M］.London：Longman Scientific and Technical，1993：226-228

［4］趙海燕，郭波莉，魏益民，等.近紅外光譜對小麥產(chǎn)地來源的判別分析［J］.中國農(nóng)業(yè)科學，2011，44（7）：1451-1456

Zhao Haiyan，Guo Boli，Wei Yimin，et al.Identification of geographical origins of wheat with discriminant analysis by near infrared spectroscopy［J］.Scientia Agricultura Sinica，2011，44（7）：1451-1456

［5］王雪蓮，薛雅琳，趙會義，等.近紅外測定大豆脂肪酸值方法的研究［J］.中國糧油學報，2009，24（8）：152-154

Wang Xuelian，Xue Yalin，Zhao Huiyi，et al.Measurement of soybean fatty acid value by near-infrared spectroscopy technique［J］.Journal of the Chinese Cereals and Oils Association，2011，44（7）：1451-1456

［6］彭建，張正茂.小麥籽粒淀粉和直鏈淀粉含量的近紅外漫反射光譜法快速檢測［J］.麥類作物學報，2010，30（2）：276-279

Peng Jian，Zhang Zhengmao.Rapid determination of starch and amylose content in whole wheat seeds by near infrared reflectance spectroscopy（NIRS）［J］.Journal of Triticeae Crops，2010，30（2）：276-279

［7］Mutlu A C，Boyaci I H，Genis H E，et al.Prediction of wheat quality parameters using near-infrared spectroscopy and artificial neural networks［J］.European Food Research and Technology，2011，233（2）：267-274

［8］李娟，李忠海，付湘晉.稻谷新陳度近紅外快速無損檢測的研究［J］.光譜學與光譜分析，2012，33（8）：2126-2130

Li Juan，Li Zhonghai，F(xiàn)u Xiangjin.Study on rapid non-destructive detection of the freshness of paddy based on NIRS［J］.Spectroscopy and Spectral Analysis，2011，233（2）：267-274

［9］徐新剛，趙春江，王紀華，等.基于可見光-近紅外新光譜特征和最優(yōu)組合原理的大麥葉片氮含量監(jiān)測［J］.紅外與毫米波學報，2013，32（4）：351-359

Xu Xingang，Zhao Chunjiang，Wang Jihua，et al.Associating new spectral features from visible and near infrared regions with optimal combination principle to monitor leaf nitrogen concentration in barley［J］.Journal of Infrared and Millimeter Waves，2013，32（4）：351-359

［10］Delwiche SR.Protein content of single kernels of wheat by near-infrared reflectance spectroscopy［J］.Journal of Cereal Science，1998，27（3）：241-254

［11］原姣姣，王成章，陳虹霞.近紅外透射光譜分析油茶籽油摻入豆油的研究［J］.中國糧油學報，2012，27（3）：110-114

Yuan Jiaojiao，Wang Chengzhang，Chen Hongxia，Study on the quantitative analysis of camellia oil adulterated with soybean oil by near infrared transmittance spectroscopy（NITS）［J］.Journal of the Chinese Cereals and Oils Asso-ciation，2012，27（3）：110-114

［12］Delwiche RS，Graybosch RA，Peterson CJ.Predicting protein composition，biochemical properties，and dough-handling properties of hard red winter wheat by near-infrared reflectance［J］.Cereal Chemistry，1998，75：412-416

［13］Miralbés C.Prediction chemical composition and alveograph parameters on wheat by near-infrared transmittance spectroscopy ［J］.Journal of Agricultural and Food Chemistry，2003，51：6335-6339

［14］Miralbés C.Discrimination of European wheat varieties using nearinfrared reflectance spectroscopy［J］.Food Chemistry，2008，106：386-389

［15］郝學飛，蘇東民，余大杰，等.近紅外方法預測饅頭品質(zhì)［J］.中國糧油學報，2014，29（4）：113-117

Hao Xuefei，Su Dongmin，Yu Dajie，et al.Assessment of steamed bun quality by near infrared reflectance method［J］.Journal of the Chinese Cereals and Oils Association，2014，29（4）：113-117

［16］陳宵娜，張德權，張柏林.羊肉色澤傅立葉變換近紅外光譜定量分析方法研究［J］.核農(nóng)學報，2010，24（2）：336-340

Chen Xiaona，Zhang Dequan，Zhang Bolin，Establishment of quatified analysis method of fresh mutton color with fourier transform near-Infrared spectroscopy［J］.Journal of Nuclear Agricultural Sciences，2010，24（2）：336-340

［17］周健，成浩，曾建明，等.基于近紅外的多相偏最小二乘模型組合分析實現(xiàn)茶葉原料品種鑒定與溯源的研究［J］.光譜學與光譜分析，2010，30（10）：2650-2653

Zhou Jian，Cheng Hao，Zeng Jianming，et al.Study on identification and traceability of tea material cultivar by combined analysis of multi partial least squares models based on near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2010，30（10）：2650-2653

［18］賈仕強，郭婷婷，唐興田，等.應用近紅外光譜進行玉米單籽粒品種真實性鑒定的光譜測量方法研究［J］.光譜學與光譜分析，2012，32（1）：103-107

Jia Shiqiang，Guo Tingting，Tang Xingtian，et al.Study on spectral measurement methods in identification of maize varity authenticity based on near infrared spectra of single kernels［J］.Spectroscopy and Spectral Analysis，2012，32（1）：103-107.

SIMCA Identification Model Establishment of Gibberellic Disease Wheat Grain Based on Near Infrared Spectrum Characteristics

Guan Erqi1，2Cui Guijin1，2Bian Ke1，2Zheng Zhuhong1，3
（College of Food Science and Technologe，Henan University of Technology1，Zhengzhou 450001）
（Henan Food Crop Collaborative Innovation Center2，Zhengzhou 450001）
（Yihai Kerry （Quanzhou）Oil，Grain ＆ Foodstuffs Industries Co.，Ltd3，Quanzhou 362804）

A total of 25 wheat kernel samples collected in 2012 from Jiangsu，Anhui and Henan Province of China were analyzed by near infrared reflectance spectroscopy （NIRS）.After normalization，first derivative，second derivative and multiplicative scattering correction treatment were conducted for wheat kernel samples spectral data，using the total spectra area（950 ～1 650 nm）and NIR data in the characteristic wavelength area（985，1 130，1 160，1 190，1 235，1 320，1 385，1 410 nm），systematic cluster analysis and principal component analysis of sum of squares of deviations were applied to build the SIMCA identification model to classify the wheat kernel samples infected or not by Fusarium Graminearum Schw．Model diagnosis and validation results showed that the correct identification rate of SIMCA identification model to classify the wheat kernel samples infected or not by Fusarium Graminearum Schw was 100%，and identification effect was excellent.

NIRS，gibberellic disease wheat，SIMCA identification model，sorting

S375

A

1003-0174（2016）11-0124-06

國家自然科學基金（31401523），國家糧食公益性行業(yè)科研專項（201313005-04），國家現(xiàn)代農(nóng)業(yè)（小麥）產(chǎn)業(yè)技術體系專項（CARS-03）

2015-03-06

關二旗，男，1982年出生，講師，谷物科學與技術，農(nóng)產(chǎn)品質(zhì)量與食物安全

卞科，男，1960年出生，教授，谷物化學，農(nóng)產(chǎn)品加工與貯藏工程