基于近紅外光譜技術(shù)的黑龍江地理標志大米產(chǎn)地溯源研究

錢麗麗 宋雪健 張東杰 張愛武 曹冬梅 遲曉星 宋春蕾

(黑龍江八一農(nóng)墾大學食品學院，大慶 163319)

基于近紅外光譜技術(shù)的黑龍江地理標志大米產(chǎn)地溯源研究

錢麗麗 宋雪健 張東杰 張愛武 曹冬梅 遲曉星 宋春蕾

(黑龍江八一農(nóng)墾大學食品學院，大慶 163319)

為建立地理標志大米的快速檢測技術(shù)，更好地維護地方名優(yōu)大米品牌效益，利用近紅外光譜技術(shù)結(jié)合定性分析(鑒別分析和聚類分析)和偏最小二乘法(PLS)對黑龍江省3個水稻主產(chǎn)區(qū)的地理標志大米進行產(chǎn)地溯源研究。結(jié)果表明：運用鑒別分析和聚類分析建立的模型對建三江、五常地域預測正確率為100%，響水地域預測正確率為95.83%；五常、響水地域判別正確率為100%，建三江地域判別正確率為95.83%。采用PLS建立定量分析模型對建三江、五常、響水三個地域的預測正確率分別為95.83%、100%、95.83%。通過鑒定及檢測結(jié)果可知利用近紅外光譜技術(shù)可對黑龍江地理標志大米進行產(chǎn)地保護，且產(chǎn)地預測正確率達95%以上。

近紅外光譜技術(shù) 大米 產(chǎn)地溯源 定性分析 偏最小二乘法

大米是我國主要的糧食之一，食用及商品化歷史悠久，在我國大約有75%的人口把大米作為主食[1]，黑龍江省作為粳稻的主產(chǎn)區(qū)，其種植面積逐年擴大，2015年種植面積達6 000萬畝以上，消費者對不同產(chǎn)區(qū)大米的經(jīng)濟化、商品化及品牌意識不斷提高，黑龍江具有地理標志性大米的品牌有五常大米、方正大米、響水大米和建三江大米等[2]。一些商家以此為“良機”進行造假，售賣冒牌大米，致使地理標志大米市場混亂，農(nóng)民、消費者和企業(yè)利益受到嚴重損害。大米產(chǎn)地保護成為黑龍江省大米安全控制體系和確證體系健全和發(fā)展的重要組成部分。為有效保證特征性產(chǎn)品的地理標志性，產(chǎn)地溯源技術(shù)的開發(fā)，成為有效解決該問題的方法之一[3]。

目前，食品產(chǎn)地溯源的主要方法有礦物元素指紋圖譜、近紅外光譜分析、電子鼻指紋圖譜和DNA指紋圖譜等技術(shù)，其中近紅外光譜技術(shù)作為快速判別方法在食品[4]、醫(yī)藥[5]、農(nóng)業(yè)等領域應用較為廣泛。Sinelli等[6]采用傅里葉近紅外光譜技術(shù)結(jié)合LDA法和SIMCA法對112組橄欖油進行產(chǎn)地判別研究，結(jié)果表明2種化學計量學技術(shù)的判別率為71.6%和100%。趙海燕等[7]采用近紅外光譜技術(shù)對小麥產(chǎn)地進行鑒別區(qū)分。呂慧等[8]應用近紅外光譜技術(shù)結(jié)合PLS法對來自安徽、吉林、江蘇、泰國等地的102份大米進行品質(zhì)分析和種類鑒別研究，結(jié)果表明近紅外光譜技術(shù)可以用于對大米品質(zhì)和種類的快速無損檢測。夏立婭等[9]運用近紅外光譜技術(shù)結(jié)合主成分分析法對來自響水地區(qū)和非響水地區(qū)共計209份大米的光譜進行降維處理，并通過聚類分析研究表明在特征波段7 700～6 700 cm-1與5 700～4 300 cm-1處對大米產(chǎn)地聚類分析精度高于全波段。孫淑敏等[10]運用近紅外光譜技術(shù)結(jié)合PLS法對來自農(nóng)區(qū)和牧區(qū)的羊肉進行產(chǎn)地溯源研究表明判別結(jié)果為76.7%。本研究采用近紅外光譜技術(shù)結(jié)合鑒別分析、聚類分析和PLS建立黑龍江地理標志大米產(chǎn)地溯源模型，為黑龍江地理標志大米產(chǎn)地保護研究提供參考。

1 材料與儀器

1.1 試驗材料

為提高試驗的可靠性與代表性，2014年水稻成熟且未被收割時進行隨機采樣，采樣地點為黑龍江省3個水稻主產(chǎn)區(qū)：建三江、五常和響水地域，所有試驗采集大米品種均為粳米，每份樣品采集量為2 kg，標記采樣地點及品種信息，共計212份樣品，樣品信息如表1。

表1 樣品信息

1.2 試驗儀器

FC2K礱谷機：日本大竹制作所；VP-32實驗碾米機：日本山本公司；FW100高速萬能粉碎機：天津泰斯特儀器有限公司；傅里葉近紅外光譜儀TENSORII：德國布魯克(北京)科技有限公司。

2 試驗方法

2.1 樣品前處理

將水稻樣品進行晾曬使其達到可以進行倉儲的粳稻安全儲藏水分14.0%[11]，再進行脫粒、挑選、礱谷和碾米等統(tǒng)一加工過程，經(jīng)由超微粉碎機制成米粉，并過100目篩，待測。每個樣品礱谷的次數(shù)為2次。碾米的進樣量為3，白度為3，碾米3次。

2.2 材料選取

隨機選擇全部樣品量的2/3作為建模樣品用于模型的建立，1/3作為預測樣品集用于模型的驗證。各地域用于建模和預測的樣品數(shù)見表2。

表2 建模與預測樣品

2.3 光譜采集

將近紅外儀器預熱30 min，打開OPUS 7.5軟件、檢查信號、保存峰位，掃描背景單通道光譜每間隔1 h掃描1次背景，消除外界信息干擾保證光譜的穩(wěn)定性以減少試驗誤差。將樣品粉末倒入玻璃杯中，用壓樣器壓實(保證樣品厚度一致)，測量樣品單通道采集樣品光譜，如圖1。光譜波段范圍：12 000～4 000 cm-1。掃描次數(shù)：64次。分辨率：8 cm-1。每個樣品掃描10次，以平均光譜為該樣品光譜。

圖1 大米樣品近紅外原始光譜圖

2.4 黑龍江大米產(chǎn)地溯源模型的建立

2.4.1 基于定性分析的黑龍江大米產(chǎn)地溯源模型的建立

利用OPUS 7.5軟件建立定性鑒別方法，對建模樣品的原始光譜進行預處理，處理方法：矢量歸一化、一階導數(shù)(5、9、13、17、21、25點平滑)、一階導數(shù)+矢量歸一化(5、9、13、17、21、25點平滑)、二階導數(shù)(5、9、13、17、21、25點平滑)、二階導數(shù)+矢量歸一化(5、9、13、17、21、25點平滑)。通過預處理后的光譜來選擇樣品間差別較大的波段并采用兩種基本算法計算光譜的距離：標準算法(歐氏距離)和因子化法，判斷其模型鑒別結(jié)果，最終建立定性鑒別模型。為了更進一步說明鑒別分析模型的準確性，又進行了聚類分析，對原始光譜采用的預處理方法和基本算法與定性鑒別分析相同，采用加權(quán)平均距離法來建立樹形圖，采用光譜預處理可以消除在光譜采集過程中的無關(guān)信息，如電噪聲、雜散光等。

2.4.2 基于定量分析的黑龍江大米產(chǎn)地溯源模型的建立

將建模樣品光譜調(diào)入OPUS 7.5軟件中建立定量測試方法，采用數(shù)字0、1代表3個地區(qū)的組分值并進行全排列，波段范圍的選擇及光譜的預處理方式通過系統(tǒng)優(yōu)化自動選擇最優(yōu)組合。光譜的預處理方法有：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)部標準、一階導數(shù)(5、9、13、17、21、25點平滑)、二階導數(shù)(5、9、13、17、21、25點平滑)、一階導數(shù)+減去一條直線(5、9、13、17、21、25點平滑)、一階導數(shù)+矢量歸一化(5、9、13、17、21、25點平滑)、一階導數(shù)+MSC(5、9、13、17、21、25點平滑)，定量分析方法采用偏最小二乘法(PLS)，模型檢驗為交叉檢驗。

2.5 模型驗證方法

利用OPUS 7.5軟件分別選擇定性分析，聚類分析測試、定量分析，調(diào)入方法既建立成功的模型，調(diào)入預測樣品光譜圖，測定，得出定性鑒別分析結(jié)果。

3 結(jié)果與討論

3.1不同波段及預處理方法的選擇對定性分析建模效果的影響

光譜經(jīng)過預處理后發(fā)現(xiàn)波段范圍在5 000～5 500 cm-1、7 000～7 500 cm-12個區(qū)間內(nèi)存在較大的差異，所以分別選擇該區(qū)間及其組合進行建模，采用歐式距離對光譜進行計算，結(jié)果如表3，并根據(jù)選擇性S值來考量模型的好壞，S值表征兩類樣品之間的距離，當S<1時，表示兩類樣品“相交”；當S=1時，表示兩類樣品“相切”；當S>1時，表示兩類樣品“相離”。

在波段范圍5 000～5 500 cm-1和7 000～7 500 cm-1組合，預處理方法為二階導數(shù)+矢量歸一化+9點平滑時建模效果最好樣品均被按地域分開，且建三江和響水、建三江和五常、五常和響水樣品的S值分別為1.183、1.847、0.821。通過因子化法計算光譜，因為處理的光譜有明顯的差異故采用本征值高的因子譜，所得2D得分圖能更加直觀的表征地域差異，同時也能進行異常點測試進行模型的完善，如圖2所示，3個地域的樣品均被正確劃分且無異常點出現(xiàn)，證明可以選用此方法進行建模。段焰青等[12]采用復合譜區(qū)(4 000～6 800 cm-1及7 200～7 900 cm-1)的方式對云南不同產(chǎn)地的880個煙葉樣品進行產(chǎn)地鑒別其鑒別準確率高達93.33%。

注：A為建三江大米，B為響水大米，C為五常大米。圖2 因子化法2D得分圖

聚類模型建立結(jié)果如表4所示，可以看出在波段范圍5 000～5 500 cm-1和7 000～7 500 cm-1組合，預處理方法為一階導數(shù)+矢量歸一化+5點平滑時3個地域的樣品均被正確分類且五常與響水及響水與建三江樣品之間的距離為0.045、0.079，故以此建立聚類分析判別模型，如圖3。袁明洋[13]采用一階導數(shù)+矢量歸一化+5點平滑的預處理方法對8種礦物類中藥快速鑒別研究時進行聚類分析研究，結(jié)果發(fā)現(xiàn)13批驗證集樣品均能準確的聚類，模型的預測正確率為100%。

表3 不同波段下預處理方法對定性鑒別分析模型效果的影響

注：“-”表示3個地域的樣品未被唯一鑒別，“+”表示3個地域的樣品均被唯一鑒別?！癑X”表示建三江和響水兩地域樣品相比較，“JW”表示建三江和五常兩地域樣品相比較，“WX”表示五常和響水兩地域樣品相比較。

表4 不同波段下預處理方式對聚類分析模型效果的影響

注：“—”表示3個地區(qū)的樣品未被正確分類，“數(shù)字”表示兩地區(qū)樣品之間的距離。

圖3 不同地域大米樣品的聚類分析結(jié)果

3.2 定性分析模型的驗證

運用建立好的鑒別分析模型(波長范圍為5 000～5 500 cm-1和7 000～7 500 cm-1組合，預處理方法為二階導數(shù)+矢量歸一化+9點平滑)對預測樣品進行判別，結(jié)果發(fā)現(xiàn)：建三江地域和五常地域樣品的鑒別正確率為100%，響水地域樣品的鑒別正確率為95.83%。同時運用聚類分析判別模型(波長范圍為5 000～5 500 cm-1和7 000～7 500 cm-1組合，預處理方法為一階導數(shù)+矢量歸一化+5點平滑)對預測樣品進行判別，結(jié)果發(fā)現(xiàn)：五常地域和響水地域樣品的判別正確率為100%，建三江地域樣品的判別正確率為95.83%，如表5。

表5 定性分析鑒別3個地域大米樣品的結(jié)果

3.3不同波段及預處理方法的選擇對定量分析建模效果的影響

依據(jù)樣品光譜波段的差異對差異波段范圍、預處理方式的選擇及維數(shù)的確立，按RMSECV值升序排列進行優(yōu)化處理，如表6。R2即定向系數(shù)，給出了真實組分值中出現(xiàn)的變量的百分數(shù)，預測含量值越接近真值，R2越接近100%，對于交叉檢驗，均方根誤差RMSECV可以作為模型質(zhì)量的判據(jù)，數(shù)值越小越好。因此在建三江地域樣品編號為1、五常地域樣品編號為0、響水地域樣品編號為0時，在波段為9 400.9～4 249.8 cm-1處，采用減去一條直線的預處理方法，得出R2為99.26%，RMSECV為0.043 0，維數(shù)為4，故以此建立定量分析模型，如圖4、圖5所示。張鵬等[14]用近紅外光譜技術(shù)結(jié)合偏最小二乘法(PLS)方法對來自天津、陜西、北京三地的蘋果進行產(chǎn)地溯源研究鑒別正確率達98.33%，試驗所運用的計算方法與其相一致。

表6 不同波段下預處理方式對定量分析模型效果的影響

注：“001”建三江地域樣品組分為0，五常地域樣品組分為0，響水地域樣品組分為1；“010”建三江地域樣品組分為0，五常地域樣品組分為1，響水地域樣品組分為0；其余編碼以此類推。

圖4 地區(qū)預測值與參考值相關(guān)圖

圖5 RMSECV與維數(shù)的關(guān)系圖

3.4 定量分析模型的驗證

運用建立好的定量分析模型(波段為9 400.9～4 249.8 cm-1，預處理方法為減去一條直線對預測樣品進行判別，以預測值在真實值±0.5之間來說明樣品產(chǎn)地判別正確，結(jié)果發(fā)現(xiàn)：建三江、五常、響水3個地域的預測正確率分別為95.83%、100%、95.83%，如表7。

表7 定量分析鑒別3個地域大米樣品的結(jié)果

4 結(jié)論

試驗選取建三江、五常、響水3個地域的152份試驗田樣品進行產(chǎn)地溯源研究，在波長范圍為5 000～5 500 cm-1和7 000～7 500 cm-1組合，采用二階導數(shù)+矢量歸一化+9點平滑的預處理方法結(jié)合歐氏距離法建立鑒別分析模型并進行驗證，結(jié)果表明建三江、五常地域預測正確率為100%，響水地域預測正確率為95.83%；并在同波長下采用一階導數(shù)+矢量歸一化+5點平滑的預處理方法結(jié)合歐式距離法建立聚類分析模型并進行模型驗證，結(jié)果表明：五常、響水地域判別正確率為100%，建三江地域判別正確率為95.83%。

在波段為9 400.9～4 249.8 cm-1處，采用減去一條直線的預處理方法結(jié)合偏最小二乘法(PLS)建立定量分析模型并進行模型驗證，結(jié)果表明：建三江、五常、響水3個地域的預測正確率分別為95.83%、100%、95.83%。近紅外光譜技術(shù)達到了對黑龍江大米快速無損檢測的要求，是一種方便快捷的方法，為黑龍江大米產(chǎn)地溯源的研究提供借鑒。

[1]Naseer R,Sultana B,Khan M Z,et al.Utilization of waste fruit-peels to inhibit aflatoxins synthesis by Aspergillus flavus:A biotreatment of rice for safer storage[J].Bioresource Technology,2014,172:423-428

[2]中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局.關(guān)于批準對晉州鴨梨、建三江大米、云和黑木耳、廣武大蔥、東壩蠶繭實施地理標志產(chǎn)品保護的公告[J].中國食品,2010(18):90

General Administration of Quality Supervision,Inspection and quarantine of the People’s Republic of China.Notice is to implement the protection of geographical indications on the protection of jinzhou pear,jiansanjiang rice,yunhe black fungus,guangwu green onions,dongba cocoon[J].China Food,2010(18):90

[3]張玥.吉林省大米產(chǎn)地溯源分析的研究[D].長春：吉林農(nóng)業(yè)大學,2015

Zhang Y.Study on the rice traceability analysis of Jilin provenance[D].Changchun:Jilin Agricultural University,2015

[4]謝麗娟,應義斌,應鐵進,等.可見/近紅外光譜分析技術(shù)鑒別轉(zhuǎn)基因番茄葉[J].光譜學與光譜分析,2008,28(5):1062-1066

Xie L J,Ying Y B,Ying T J,et al.Application of Vis/NIR diffuse reflectance spectroscopy to the detection and identification of transgenic tomato leaf[J].Spectroscopy and Spectral Analysis,2008,28(5):1062-1066

[5]劉荔荔,原源,陳萬生,等.近紅外漫反射光譜法在羊蹄類生藥分類中的應用[J].中草藥,2001,32(11):1024-1026

Liu L L,Yuan Y,Chen W S,et al.Identification of yangti(crispate rhubarb)by near-infrared diffuse reflectance spectroscopy[J].Chinese Traditonal and Herbal Drug,2001,32(11):1024-1026

[6]Sinelli N,Cerretani L,Egidio V D,et al.Application of near(NIR)infrared and mid(MIR)infrared spectroscopy as a rapid tool to classify extra virgin olive oil on the basis of fruity attribute intensity[J].Food Research International,2010,43(1):369-375

[7]趙海燕,郭波莉,魏益民,等.小麥產(chǎn)地近紅外指紋溯源的穩(wěn)定性研究[C]//中國食品科學技術(shù)學會年會.2012

Zhao H Y,Guo B L,Wei Y M,et al.The stability of near infrared spectral fingerprints of wheat kernel of geographical origin traceability[C]//Chinese Institute of Food Science and Technology of the annual meeting.2012

[8]呂慧,張正竹,王勝鵬,等.基于近紅外光譜技術(shù)的大米品質(zhì)分析與種類鑒別[J].食品工業(yè)科技,2012,33(3):322-325

Lü H,Zhang Z Z,Wang S P,et al.Quality analysis and category identification of rice based on the near infrared spectroscopy[J].Science and Technology of Food Industry,2012,33(3):322-325

[9]夏立婭,申世剛,劉崢顥,等.基于近紅外光譜和模式識別技術(shù)鑒別大米產(chǎn)地的研究[J].光譜學與光譜分析,2013,33(1):102-105

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 and Spectral Analysis,2013,33(1):102-105

[10]孫淑敏,郭波莉,魏益民,等.近紅外光譜指紋分析在羊肉產(chǎn)地溯源中的應用[J].光譜學與光譜分析,2011,31(4):937-941

Sun S M,Guo B L,Wei Y M,et al.Application of near infrared spectral fingerprint technique in lamb meat origin traceability[J].Spectroscopy and Spectral Analysis,2011,31(4):937-941

[11]馮永建,王雙林,劉云花.稻谷儲藏安全水分研究[J].糧食儲藏,2013,6:38-41，45

Feng Y J,Wang S L,Liu Y H.Study on the safe moisture content of paddy rice stored[J].Grain Storage,2013,06:38-41,45

[12]段焰青,陶鷹,者為,等.近紅外光譜分析技術(shù)在煙葉產(chǎn)地鑒別中的應用[J].云南大學學報:自然科學版,2011,33(1):77-82

Duan Y Q,Tao Y,Zhe W,et al.Application of near infrared spectroscopy in determination of the producing areas of tobacco leaf[J].Journal of Yunnan University(Natural Sciences Edition),2011,33(1):77-82

[13]袁明洋.基于近紅外光譜技術(shù)對幾種礦物類中藥的快速鑒別研究[D].武漢：湖北中醫(yī)藥大學,2014

Yuan M Y.Study on rapid identification of several species of mineral Chinese medicines based on near-infrared spectroscopy techniques[D].Wuhan:Hubei University of Chinese Medicine,2014

[14]張鵬,李江闊,陳紹慧,等.近紅外光譜用于鑒別蘋果產(chǎn)地的研究[J].食品科技,2014(11):305-309

Zhang P,Li J K,Chen S H,et al.Discrimination method of different origin apples based on near infrared spectroscopy[J].Food Science and Technology,2014(11):305-309.

Origin Traceability of Heilongjiang Geographical Indications Rice Based on Near Infrared Reflectance Spectroscopy

Qian Lili Song Xuejian Zhang Dongjie Zhang Aiwu Cao Dongmei Chi Xiaoxing Song Chunlei

(College of Food Science,Heilongjiang Bayi Agricultural University,Daqing 163319)

In order to establish the rapid detection of geographical indications rice and better maintain the brand benefits of local famous rice,the geographical indications of rice in three main rice-producing areas of Heilongjiang Province were analyzed by near-infrared spectroscopy combined with qualitative analysis(differential analysis and cluster analysis)and partial least squares(PLS).Results indicated that discriminant analysis model showed a prediction accuracy rate of 100% for Jiansanjiang and Wuchang area,and a prediction accuracy rate of 95.83% for Xiangshui area;and the discriminant rate for Wuchang and Xiangshui area was 100%,and that for Jiansanjiang area was 95.83%.The quantitative analysis model established by PLS showed that the precision accuracy rates of Jiansanjiang,Wuchang and Xiangshu were 95.83%,100% and 95.83%,respectively.Through the identification and test results,near infrared spectroscopy could be used to protect the geographical indications of rice in Heilongjiang Province,and the correct rate of prediction was more than 95%.

near infrared spectroscopy,rice,provenance,qualitative analysis,partial least squares

TS21

A

1003-0174(2017)10-0185-07

黑龍江省教育廳科學技術(shù)研究(12541576),黑龍江省墾區(qū)科研項目(HKN125B-13-02),黑龍江省高等學?？萍紕?chuàng)新團隊建設計劃(2014TD006),黑龍江省應用技術(shù)研究與開發(fā)計劃(GA14B104)

2016-09-14

錢麗麗，女，1979年出生，副教授，農(nóng)產(chǎn)品原產(chǎn)地保護

張東杰，男，1966年出生，教授，農(nóng)產(chǎn)品加工與安全