近紅外漫反射光譜技術(shù)對(duì)小米產(chǎn)地溯源的研究

宋雪健，錢麗麗，周義，于果，于金池，張東杰

（黑龍江八一農(nóng)墾大學(xué)食品學(xué)院，黑龍江大慶163319）

近紅外漫反射光譜技術(shù)對(duì)小米產(chǎn)地溯源的研究

宋雪健，錢麗麗，周義，于果，于金池，張東杰*

（黑龍江八一農(nóng)墾大學(xué)食品學(xué)院，黑龍江大慶163319）

為建立小米產(chǎn)地溯源的快速檢測(cè)技術(shù)，更好的維護(hù)地方名優(yōu)小米品牌效益，試驗(yàn)利用近紅外漫反射光譜技術(shù)對(duì)不同狀態(tài)小米進(jìn)行產(chǎn)地溯源鑒別，試驗(yàn)分別選取來(lái)自肇源和肇州兩個(gè)小米主產(chǎn)區(qū)的144份小米樣品，應(yīng)用近紅外漫反射光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)對(duì)不同狀態(tài)下的小米進(jìn)行產(chǎn)地溯源研究，結(jié)果表明：在全波長(zhǎng)范圍內(nèi)采用因子化法建立的定性分析模型和在特征波段范圍內(nèi)采用偏最小二乘法（PLS）建立的定量分析模型，對(duì)肇源、肇州兩個(gè)小米主產(chǎn)區(qū)的小米籽粒和小米粉末的正確鑒別率均在90%以上，其中小米粉末的模型正確預(yù)測(cè)率要高于小米籽粒。因此，應(yīng)用近紅外漫反射光譜技術(shù)對(duì)不同狀態(tài)小米產(chǎn)地溯源的鑒別具有一定的可行性。

近紅外漫反射光譜技術(shù)；小米；因子化法；偏最小二乘法（PLS）；產(chǎn)地溯源

小米作為我國(guó)重要的糧食作物之一，含有豐富的營(yíng)養(yǎng)成分，其中蛋白質(zhì)的含量比大米要高，維生素B1的含量位居所有糧食之首。其功能不僅可以作為主食還可以釀酒、制作飴糖等，同時(shí)還具有助于睡眠的功能[1]，小米熬粥的營(yíng)養(yǎng)價(jià)值極其豐富，素有“代參湯”之美稱。但是與其他糧食相比較，我國(guó)的小米產(chǎn)業(yè)發(fā)展較為滯后[2]，因此對(duì)小米育種、品質(zhì)、加工及產(chǎn)地等方面的檢測(cè)提出更高的要求。肇源的古龍小米和肇州的托古小米其營(yíng)養(yǎng)成分更加豐富獨(dú)特，色味俱佳，品質(zhì)遠(yuǎn)在“貢米”之上，深得廣大消費(fèi)者喜愛(ài)，具有廣闊的市場(chǎng)，因此一些不法分子進(jìn)行制售假冒產(chǎn)品，以此來(lái)謀取暴利，因此對(duì)兩地小米產(chǎn)地溯源的研究在其產(chǎn)業(yè)發(fā)展領(lǐng)域凸顯出重要地位。傳統(tǒng)的形態(tài)學(xué)特征鑒定小米產(chǎn)地具有主觀性強(qiáng)、標(biāo)準(zhǔn)不統(tǒng)一等不足；而化學(xué)法鑒定小米產(chǎn)地則存在檢測(cè)方法賦值、用時(shí)較長(zhǎng)、需要大量有機(jī)試劑、對(duì)環(huán)境造成污染等缺點(diǎn)。

目前應(yīng)用于農(nóng)產(chǎn)品產(chǎn)地溯源的較為先進(jìn)的研究方法主要有質(zhì)譜技術(shù)[3]、分離技術(shù)[4]、分子生物學(xué)技術(shù)[5]、電子鼻/舌[6]、光譜技術(shù)[7]等。近紅外光譜技術(shù)是利用近紅外光譜區(qū)有機(jī)分子中含氫基團(tuán)（O-H、N-H、C-H）振動(dòng)的合頻和各級(jí)倍頻的吸收區(qū)相一致，通過(guò)掃描樣品的近紅外光譜可得到樣品中有機(jī)分子含氫基團(tuán)的特征信息[8]，其中近紅外光譜技術(shù)因具有快速、高效和無(wú)損的檢測(cè)特點(diǎn)在玉米[9]、麻黃[10]、枸杞[11]等領(lǐng)域的農(nóng)產(chǎn)品產(chǎn)地鑒別中得到廣泛的應(yīng)用。但對(duì)小米產(chǎn)地溯源的研究卻鮮有報(bào)導(dǎo)，目前，僅應(yīng)用近紅外光譜技術(shù)對(duì)小米營(yíng)養(yǎng)成分進(jìn)行檢測(cè)。王少立[12]利用近紅外光譜技術(shù)結(jié)合偏最小二乘法（PLS）對(duì)59種小米進(jìn)行主要成分含量分析，結(jié)果表明，粗蛋白、丙氨酸等18種主要成分均能準(zhǔn)確分析，其中粗蛋白模型均方根誤差（RMSECV）為0.342，R2為0.979的檢測(cè)效果最佳。本文通過(guò)應(yīng)用傅里葉變換近紅外漫反射光譜法結(jié)合化學(xué)計(jì)量學(xué)以產(chǎn)地溯源判別率為指標(biāo)，建立不同狀態(tài)下小米的近紅外光譜定性及定量分析模型，為其在小米產(chǎn)地溯源的研究中提供理論支持。

1 材料與儀器

1.1 材料

試驗(yàn)于2013年小米成熟后在黑龍江省肇源及肇州兩地，采用5點(diǎn)取樣法進(jìn)行隨機(jī)采樣，編號(hào)小米樣品，每份樣品采集2 kg，并記錄采樣信息，樣本詳細(xì)信息如表1。

表1 樣品信息Table 1 Samples Source

1.2 儀器

FW100高速萬(wàn)能粉碎機(jī)：天津泰斯特儀器有限公司；TENSOR II型傅立葉變換近紅外光譜儀：德國(guó)布魯克（北京）科技有限公司。

2 試驗(yàn)方法

2.1 樣品的制備及光譜的采集

將采集回來(lái)的小米樣品先進(jìn)行脫粒、脫殼處理得到小米籽粒待用，將傅立葉變換近紅外光譜儀打開預(yù)熱30 min，打開OPUS7.5軟件，經(jīng)檢查信號(hào)保存峰位，掃描背景單通道光譜（每間隔1 h掃描一次背景，以消除外界信息干擾保證光譜的穩(wěn)定性）等操作，將小米籽粒樣品倒入特制燒杯中，測(cè)量籽粒樣品單通道采集樣品光譜。測(cè)量時(shí)環(huán)境溫度為室溫（25±1）℃，相對(duì)濕度為 30%～50%。光譜波段范圍：12 000 cm-1～4 000 cm-1。分辨率：8 cm-1。掃描次數(shù)：64次。

待小米籽粒樣品的近紅外圖譜掃描完畢，將其進(jìn)行粉碎、過(guò)篩，得到小米粉末后，重復(fù)以上掃描光譜的操作。

2.2 材料的選取

試驗(yàn)樣品的選取參照表1。分別隨機(jī)選擇兩類全部樣品數(shù)量的2/3作為建模樣品用于模型的建立，1/3作為預(yù)測(cè)樣品集用于模型的驗(yàn)證。為保證試驗(yàn)的統(tǒng)一性小米籽粒與小米粉末所選用的建模樣品及預(yù)測(cè)樣品相同。詳細(xì)信息見(jiàn)表2。

表2 建模樣品與預(yù)測(cè)樣品Table 2 Modeling and predicting samples

2.3 小米產(chǎn)地溯源的模型建立

2.3.1 基于定性分析對(duì)小米產(chǎn)地溯源模型的建立

采用傅里葉變換近紅外漫反射光譜技術(shù)對(duì)樣品進(jìn)行信息采集，雖然能夠在較大范圍內(nèi)收集樣品信息，但是也會(huì)受到噪聲、基線漂移和樣品不均勻等外界因素的干擾。因此，為了消除外界因素的干擾，降低誤差提高模型的準(zhǔn)確率需要對(duì)原始光譜進(jìn)行預(yù)處理[13]。定性分析中預(yù)處理方式主要有矢量歸一化、一階導(dǎo)數(shù)+平滑、一階導(dǎo)數(shù)+矢量歸一化+平滑、二階導(dǎo)數(shù)+平滑、二階導(dǎo)數(shù)+矢量歸一化+平滑，其中平滑點(diǎn)數(shù)為5、9、13、17、21、25點(diǎn)，下同。在全波長(zhǎng)范圍內(nèi)對(duì)采集的兩類原始光譜分別進(jìn)行預(yù)處理，并結(jié)合因子化法進(jìn)行光譜距離的計(jì)算，根據(jù)S值的大小來(lái)衡量模型的精確度，其中S值表示兩地區(qū)樣品之間的“距離”，數(shù)值越大，表征兩地區(qū)樣品距離越遠(yuǎn)，差異越顯著。進(jìn)而來(lái)確定小米籽粒及小米粉的定性分析模型。

2.3.2 基于定量分析對(duì)小米產(chǎn)地溯源模型的建立

用1，-1分別對(duì)小米籽粒及小米粉末中的肇源和肇州樣品進(jìn)行賦值，以0作為衡量指標(biāo)，預(yù)測(cè)樣品值大于1被判斷為肇源地區(qū)，小于1被判定為肇州地區(qū)[14]。與定性分析方法不同的是定量分析方法中建模波段的選擇是通過(guò)系統(tǒng)自動(dòng)在全波段范圍的基礎(chǔ)上篩選出特殊波段和最佳的預(yù)處理方式。其光譜的預(yù)處理方式有消除常數(shù)偏移量、減去一條直線、矢量歸一化、最小-最大歸一化、多元散射矯正、內(nèi)部標(biāo)準(zhǔn)、一階導(dǎo)數(shù)+平滑、二階導(dǎo)數(shù)+平滑、一階導(dǎo)數(shù)+減去一條直線+平滑、一階導(dǎo)數(shù)+矢量歸一化+平滑、一階導(dǎo)數(shù)+多元散射校正（MSC）+平滑，定量分析計(jì)算方法為偏最小二乘法（PLS），采用交叉檢驗(yàn)方式進(jìn)行建模，根據(jù)RMSECV、定向系數(shù)R2及維數(shù)來(lái)衡量模型的好壞，其中RMSECV數(shù)值越小越好，R2數(shù)值越接近100%其預(yù)測(cè)值愈接近真值，同時(shí)維數(shù)應(yīng)是先下降達(dá)到最低值后趨于平緩表示模型精度高。進(jìn)而來(lái)確定小米籽粒及小米粉的定量分析模型。

2.4 模型驗(yàn)證方法

利用OPUS 7.5軟件分別選擇定性分析和定量分析工具欄，將建立好的模型調(diào)入，調(diào)入預(yù)測(cè)樣品光譜圖，測(cè)定，得出結(jié)果。

3 結(jié)果與分析

3.1 原始光譜分析

利用傅里葉近紅外漫反射光譜儀采集的小米籽粒及粉末樣品的原始光譜圖，如圖1、圖2所示。

圖1 小米籽粒樣品近紅外光譜圖Fig.1 Near infrared spectra of millet grain samples

圖2 小米粉末樣品近紅外光譜圖Fig.2 Near infrared spectra of millet powder samples

由圖1、圖2可知小米籽粒及小米粉末的原始光譜存在多出共同的吸收峰，在8 320 cm-1處的吸收峰是由C-H鍵的二級(jí)倍頻振動(dòng)引起的，在6 826 cm-1處的吸收峰是由蛋白質(zhì)（-CONHR）二級(jí)倍頻振動(dòng)引起的，在5 169 cm-1處的吸收峰是由RCOR的合頻振動(dòng)引起的，在4 710 cm-1處的吸收峰是由-RNH的合頻振動(dòng)引起的。

3.2 不同預(yù)處理方式對(duì)定性分析模型的影響

對(duì)兩類樣品進(jìn)行定性分析研究發(fā)現(xiàn)，如表3。

表3 不同預(yù)處理方式對(duì)不同狀態(tài)下樣品的定性分析模型影響Table 3 The effect of different pretreatment methods on the qualitative analysis model of samples under different conditions

小米籽粒樣品在全波長(zhǎng)范圍內(nèi)采用一階導(dǎo)數(shù)+矢量歸一化+9點(diǎn)平滑的預(yù)處理方式結(jié)合因子化法時(shí)，兩地區(qū)的小米樣品被正確分類，其S值為1.280 875。小米粉末樣品在全波長(zhǎng)范圍內(nèi)采用一階導(dǎo)數(shù)+矢量歸一化+5點(diǎn)平滑的預(yù)處理方式結(jié)合因子化法時(shí)，兩地區(qū)的小米樣品被正確分類，其S值為1.780 729，以上兩種方法其模型精度較同類中其他方式高，故選此建立小米籽粒及小米粉末樣品的定性分析模型，如圖3、圖4。

圖3 小米籽粒2D得分圖Fig.3 2D score Figure of millet grain

因子化法在保留有用信息的前提下，不僅能壓縮原始光譜，還起到了對(duì)特征信息的提取作用。龐艷蘋等[15]采用近紅外光譜技術(shù)結(jié)合因子化法和二階導(dǎo)數(shù)+5點(diǎn)平滑的預(yù)處理方式對(duì)來(lái)自5個(gè)地區(qū)的92個(gè)成安草莓和133個(gè)非成安草莓進(jìn)行聚類分析，結(jié)果表明，其模型的正確鑒別率高達(dá)96.70%。

3.3 不同預(yù)處理方式及波長(zhǎng)范圍對(duì)定量分析模型的影響

采用PLS法對(duì)原始光譜進(jìn)行擬合，結(jié)果如表4所示。

圖4 小米粉末2D得分圖Fig.4 2D score Figure of millet powder

表4 部分定量分析優(yōu)化結(jié)果Table 4 Results of quantitative analysis of some samples

小米籽粒樣品的最優(yōu)波段為9 400.9 cm-1～5 447.7 cm-1和 4 600.6 cm-1～4 249.8 cm-1組合，預(yù)處理方式為減去一條直線，其RMSECV為0.094 7，R2為96.38%，維數(shù)為5。小米粉末樣品的最優(yōu)波段為9 400.9 cm-1～4 597.8 cm-1，預(yù)處理方式為消除常數(shù)偏移量，其RMSECV為0.067 2，R2為98.16%，維數(shù)為5。故選此建立小米籽粒及小米粉末樣品的定量分析模型，如圖 5、圖 6。

3.4 小米產(chǎn)地溯源模型的驗(yàn)證

將兩類樣品的定性分析模型和定量分析模型分別帶入OPUS7.5軟件中，對(duì)預(yù)測(cè)樣品進(jìn)行驗(yàn)證，結(jié)果表明，定性分析模型對(duì)小米籽粒樣品中肇源、肇州地區(qū)的預(yù)測(cè)樣品正確鑒別率分別是95.65%、91.67%，對(duì)小米粉末樣品中肇源、肇州地區(qū)的預(yù)測(cè)樣品正確鑒別率均達(dá)到100%。定量分析模型對(duì)小米籽粒樣品中肇源、肇州地區(qū)的預(yù)測(cè)樣品正確鑒別率分別是91.30%、91.67%，對(duì)小米粉末中肇源、肇州地區(qū)的預(yù)測(cè)樣品正確鑒別率分別是95.65%、91.67%，如表5。

圖5 小米籽粒樣品Fig.5 Samples of millet grain

圖6 小米粉末樣品Fig.6 Samples of millet powder

表5 模型鑒別結(jié)果Table 5 The results of model identification

由于樣品顆粒大小的不同使光在樣品籽粒中的光程發(fā)生變化，影響光對(duì)樣品的漫反射性，樣品顆粒越大，散射系數(shù)越小，吸光度也隨之發(fā)生變化，導(dǎo)致樣品的光譜發(fā)生變化，進(jìn)而影響近紅外數(shù)學(xué)模型的預(yù)測(cè)精度[18]。研究發(fā)現(xiàn)由于小米粉末樣品的粒徑較小，空間分布比較均勻，使樣品對(duì)光譜的漫反射性影響較小，能攜帶大量樣品信息于原始光譜自身，而小米籽粒與之相反，所以用小米粉末近紅外光譜構(gòu)件的模型效果要好于用小米籽粒，且預(yù)測(cè)準(zhǔn)確率高。畢京翠等[19]用近紅外光譜技術(shù)結(jié)合PLS法對(duì)稻谷、米粒和米粉3種形態(tài)的樣品進(jìn)行蛋白質(zhì)含量檢測(cè)研究發(fā)現(xiàn)用大米粉末建立的近紅外光譜預(yù)測(cè)模型準(zhǔn)確性最高，米粒次之，稻谷相對(duì)較低。

4 結(jié)論

在全波長(zhǎng)范圍內(nèi)利用一階導(dǎo)數(shù)+矢量歸一化+9點(diǎn)平滑的預(yù)處理方式結(jié)合因子化法建立的小米籽粒定性分析模型對(duì)肇源、肇州兩地區(qū)的小米籽粒預(yù)測(cè)樣品的正確鑒別率為95.65%、91.67%，在全波長(zhǎng)范圍內(nèi)利用一階導(dǎo)數(shù)+矢量歸一化+5點(diǎn)平滑的預(yù)處理方式結(jié)合因子化法建立的小米粉末定性分析模型對(duì)肇源、肇州兩地區(qū)的小米粉末預(yù)測(cè)樣品的正確鑒別率均為100%；在 9 400.9 cm-1～5 447.7 cm-1和 4 600.6 cm-1～4 249.8 cm-1組和的波段范圍內(nèi)利用減去一套直線的預(yù)處理方法結(jié)合PLS法建立的小米籽粒定量分析模型對(duì)肇源、肇州兩地區(qū)的小米籽粒預(yù)測(cè)樣品的正確鑒別率為91.30%、91.67%，在9 400.9 cm-1～4 597.8 cm-1的波段范圍內(nèi)利用為消除常數(shù)偏移量的預(yù)處理方式結(jié)合PLS法建立的小米粉末定量分析模型對(duì)肇源、肇州兩地區(qū)的小米粉末預(yù)測(cè)樣品的正確鑒別率為95.65%、91.67%。采用傅里葉變換近紅外漫反射光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)的方法可以實(shí)現(xiàn)對(duì)不同狀態(tài)下小米產(chǎn)地溯源的檢測(cè)，因小米粉末樣品的孔隙度較小對(duì)光譜的影響小，故模型判別效果要優(yōu)于小米籽粒。今后對(duì)如何進(jìn)一步提高小米籽粒樣品的模型精確度真正意義上的實(shí)現(xiàn)無(wú)損檢測(cè)及研究小米的不同年際、品種、經(jīng)緯度、施肥量等因素對(duì)小米產(chǎn)地溯源的影響將是未來(lái)的研究方向。

[1] 趙永春.喝小米粥有哪些好處[J].晚霞,2016(13):59

[2] 高陸衛(wèi),史萬(wàn)民,郭常振.小米精深加工技術(shù)探討[J].河北農(nóng)業(yè)科學(xué),2010,14(11):147-148

[3] Giacomo F D,And A D S,Giaccio M.Determining the Geographic Origin of Potatoes Using Mineral and Trace Element Content[J].Journal of Agricultural&Food Chemistry,2007,55(3):860-866

[4] Shen S G,Xia L Y,Gong D J.Determination of the Geographic Origin of Rice by Chemometrics with the Ethyl Acetate Extracts from Rice[J].Advanced Materials Research,2013,746:68-71

[5] Sheikha.Determination of the Geographical Origin of Fruits by Using 26S rDNA Fingerprinting of Yeast Communities by PCRDGGE:An Application to Shea Tree Fruits[J].Chinese Bulletin of Life Sciences(ISSN1934-7391),2010,4(6):9-15

[6] Wang L,Niu Q,Hui Y,et al.Discrimination of Rice with Different Pretreatment Methods by Using a Voltammetric Electronic Tongue[J].Sensors,2015,15(7):17767-17785

[7] Zhuang X G,Wang L L,Chen Q,et al.Identification of green tea origins by near-infrared (NIR)spectroscopy and different regression tools[J].Science China Technological Sciences,2017,60(1):84-90

[8] XIA L Y,SHEN S G,LIU Z H,et al.Identification of geographical origins of rice with pattern recognition technique by near infrared spectroscopy[J].Spectroscopy&Spectral Analysis,2013,33(1):102-105

[9] 黃華軍,嚴(yán)衍祿,申兵輝,等.鑒別玉米雜交種純度的近紅外光譜分析技術(shù)研究[J].光譜學(xué)與光譜分析,2014(5):1253-1258

[10]范琦.傅里葉變換近紅外漫反射光譜法結(jié)合多元分析技術(shù)判別麻黃植物的方法學(xué)研究[D].重慶:重慶大學(xué),2009

[11]王亞鴿.基于近紅外光譜技術(shù)的枸杞產(chǎn)地鑒別及品質(zhì)快速檢測(cè)研究[D].咸陽(yáng):西北農(nóng)林科技大學(xué),2015

[12]王力立.小米中主要營(yíng)養(yǎng)成分的測(cè)定及小米茶的制備[D].太原:山西大學(xué),2011

[13]胡昌勤.近紅外光譜法快速分析藥品[M].北京:化學(xué)工業(yè)出版社,2010

[14]周健,成浩,賀巍,等.基于近紅外的PLS量化模型鑒定西湖龍井真?zhèn)蔚难芯縖J].光譜學(xué)與光譜分析,2009,29(5):1251-1254

[15]龐艷蘋,劉坤,閆軍穎,等.近紅外光譜法快速鑒別成安草莓[J].現(xiàn)代食品科技,2013(5):1160-1162

[16]楊海龍,臧恒昌,胡甜,等.近紅外漫反射光譜法對(duì)不同產(chǎn)地山楂的定性鑒別和定量分析[J].藥物分析雜志,2014(3):396-401

[17]Ren G,Wang S,Ning J,et al.Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy(FT-NIRS)[J].Food Research International,2013,53(2):822-826

[18]Zhao L L,Zhao L L,Li J H,et al.Influence of FT-NIR spectrometer scanning requirements on the math model's precision[J].Spectroscopy and Spectral Analysis,2004,24(1):41-44

[19]畢京翠,張文偉,肖應(yīng)輝,等.應(yīng)用近紅外光譜技術(shù)分析稻米蛋白質(zhì)含量[J].作物學(xué)報(bào),2006,32(5):709-715

歡迎訂閱2017年《食品研究與開發(fā)》

《食品研究與開發(fā)》是由天津市食品研究所有限公司和天津市食品工業(yè)生產(chǎn)力促進(jìn)中心主辦，國(guó)內(nèi)外公開發(fā)行的食品專業(yè)科技期刊，1980年創(chuàng)刊，半月刊，采用國(guó)際流行開本大16開。其專業(yè)突出，內(nèi)容豐富，印刷精美，是一本既有基礎(chǔ)理論研究，又包括實(shí)用技術(shù)的刊物。本刊已被“萬(wàn)方數(shù)據(jù)庫(kù)”、“中文科技期刊數(shù)據(jù)庫(kù)”、《烏利希期刊指南》、美國(guó)《化學(xué)文摘》、英國(guó)國(guó)際農(nóng)業(yè)與生物科學(xué)研究中心（CABI）、英國(guó)《食品科技文摘》（FSTA）等知名媒體收錄，并被列入“中文核心期刊”、“中國(guó)科技核心期刊”、RCCSE中國(guó)核心學(xué)術(shù)期刊（A）。主要欄目有：基礎(chǔ)研究、分離提取、研發(fā)與工藝、標(biāo)準(zhǔn)與檢測(cè)、生物工程、營(yíng)養(yǎng)保健、貯藏保鮮、質(zhì)量安全、專題論述、食品機(jī)械等。

本刊國(guó)內(nèi)統(tǒng)一刊號(hào)CN 12-1231/TS；國(guó)際刊號(hào)ISSN 1005-6521；郵發(fā)代號(hào)：6-197。全國(guó)各地郵局及本編輯部均可訂閱。從本編輯部訂閱全年刊物享八折優(yōu)惠。2017年定價(jià)：30元/冊(cè)，全年720元。

本編輯部常年辦理郵購(gòu)，訂閱辦法如下：

（1）郵局匯款。地址：天津市靜?？h靜海經(jīng)濟(jì)開發(fā)區(qū)南區(qū)科技路9號(hào)；收款人：《食品研究與開發(fā)》編輯部；郵政編碼：301600。

（2）銀行匯款。開戶銀行：工商銀行靜海支行

賬號(hào)：0302095119300204171；單位：天津市食品研究所有限公司。

《食品研究與開發(fā)》編輯部

E-mail：tjfood@vip.163.com

電話（傳真）：022-59525671

Study on Traceability of Millet Origin by Near Infrared Diffuse Reflectance Spectroscopy

SONG Xue-jian，QIAN Li-li，ZHOU Yi，YU Guo，YU Jin-chi，ZHANG Dong-jie*
（College of Food Science，Heilongjiang Bayi Agricultural University，Daqing 163319，Heilongjiang，China）

In order to establish a millet origin of the rapid detection technology，better maintenance of local famous millet brand benefits，near infrared diffuse reflectance spectroscopy was used to identify the origin of millet in different states.A total of 144 millet samples from the main producing areas of Zhaoyuan and Zhaozhou were selected，and the near infrared diffuse reflectance spectroscopy combined with stoichiometry was used to study the origin of millet in different states.The results showed that the qualitative analysis model established by the factorization method in the whole wavelength range and the quantitative analysis model established by partial least squares（PLS）in the characteristic band range，and the correct identification rate of millet kernel and millet powder in Zhaoyuan and Zhaozhou two millet main producing areas was above 90%，and the correct prediction rate of millet powder model was higher than that of millet kernel.Therefore，the application of near infrared diffuse reflectance spectroscopy to the different status of millet origin traceability of the rapid identification of a certain feasibility.

near infrared diffuse reflectance spectroscopy；millet；factorization method；partial least squares（PLS）；origin traceability

2017-03-08

10.3969/j.issn.1005-6521.2017.11.030

黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目資助（12541576）；黑龍江省墾區(qū)科研項(xiàng)目（HKN125B-13-02）；黑龍江省高等學(xué)?？萍紕?chuàng)新團(tuán)隊(duì)建設(shè)計(jì)劃項(xiàng)目（2014TD006）；黑龍江省應(yīng)用技術(shù)研究與開發(fā)計(jì)劃項(xiàng)目（GA14B104）

宋雪?。?991—），男（漢），研究生，研究方向：食品加工與質(zhì)量安全。

*通信作者：張東杰（1966—），男，教授，博士，研究方向：農(nóng)產(chǎn)品加工與安全。