量数越来越少，且由快到慢呈指数函 数递减；图2中的（b)图是波长变量筛选过程中交叉验证均方差RMSECV的变化趋势图；图 2中的（c)图中所对应的点即为RMSECV最低点；图2(c)中各线表示随着运行次数增 加各波长变量回归系数的变化趋势。
[0048] 图3 :是未经处理的糙米样品近红外光谱图和糙米水分特征波长筛选结果。附图 标记说明：图3中的（a)图是未经处理的糙米样品近红外光谱图；图3中的（b)图是筛选 过程中选出变量的变化趋势，随着运行次数的增加，保留的变量数越来越少，且由快到慢呈 指数函数递减；图3中的（c)图是波长变量筛选过程中交叉验证均方差RMSECV的变化趋势 图；图3中的（d)图中所对应的点即为RMSECV最低点，图3(d)中各线表示随着运行次 数增加各波长变量回归系数的变化趋势。
[0049] 图4 :是未经处理的精米样品近红外光谱图和精米蛋白质特征波长筛选结果。附 图标记说明：图4中的（a)图是未经处理的精米样品近红外光谱图；图4中的（b)图是筛选 过程中选出变量的变化趋势，随着运行次数的增加，保留的变量数越来越少，且由快到慢呈 指数函数递减；图4中的（c)图是波长变量筛选过程中交叉验证均方差RMSECV的变化趋势 图；图4中的（d)图中所对应的点即为RMSECV最低点，图4(d)中各线表示随着运行次 数增加各波长变量回归系数的变化趋势。
【具体实施方式】
[0050] 试验材料与方法
[0051] 本发明实施例中使用的试验原料或材料相关信息见表1。
[0052] 表146个稻谷品种编号及名称
[0055] 近红外光谱采集
[0056] 分别将整粒稻谷、糙米和精米样品放入到样品盘中，且装满，用样品盘盖压实，用 SupNIR-2720近红外光谱仪进行光谱采集，待仪器预热30min，性能测试和参比后进行光谱 扫描。扫描温度为15-25°C。
[0057] 扫描参数如下：仪器带宽：lnm，扫描间隔：lnm，扫描次数：3次，测量方式：漫反 射，波长范围：l〇〇〇-1799nm，光谱数据点数：800。
[0058] 样品品质检测方法
[0059] (1)水分检测
[0060] 按照GB 5009. 3-2010《食品安全国家标准：食品中水分的测定》中的直接干燥法 来检测稻谷、糙米和精米中水分的含量。
[0061] ⑵蛋白质检测
[0062] 按照GB 5009. 5-2010《食品安全国家标准：食品中蛋白质的测定》中的凯氏定氮 法来检测稻谷、糙米和精米中蛋白质的含量。
[0063] (3)脂肪检测
[0064] 按照GB/T 5511-2008《粮油检验粮食中粗脂肪含量测定》中的索氏抽提法检测稻 谷、糖米和精米中脂肪的含量。
[0065] (4)总糖检测
[0066] 按照GB/T 5009.7-2008《食品中还原糖的测定》中的直接滴定法检测稻谷、糙米 和精米中总糖的含量。
[0067] (5)灰分检测
[0068] 按照GB 5009. 4-2010《食品安全国家标准：食品中灰分的测定》来检测稻谷、糙米 和精米中灰分的含量。
[0069] (6)谷壳率检测
[0070] 将待加工的稻谷质量记为Hi1，收集稻谷运用砻谷机加工时得到的谷壳，并称重，质 量记为m2，单位为g。稻米谷壳率（husk content)具体计算公式为：
[0072] (7)碎米率检测
[0073] 收集稻谷运用砻谷机去除谷壳时得到的糙米和碎糙米，质量分别记为叫和m 4，单 位为g。糙米含碎率（broken brown rice yield)具体计算公式为：
[0075] 碎米率（broken rice yield)按照GB/T 5503-2009《粮油检测碎米检验法》中的 计算公式计算，具体计算公式为：
[0077] 式中，y。为碎米率，m 5为精米质量，m 6为精米中碎米质量，单位为g。
[0078] (8)糠粉率检测
[0079] 将待加工的糙米质量记为m7，收集糙米运用碾米机加工时得到的糠粉，并称重，质 量记为ms，单位为g。糠粉率（rice bran powder yield)具体计算公式为：
[0081] (9)整精米率检测
[0082] 稻谷整精米率（head rice yield)按照GB/T 21719-2008《稻谷整精米率检验法》 CN 105181643 A f儿 ^ Ij 贝 中的计算公式计算，具体计算公式为：
[0083] 式中，ye为整精米率，Hi9为稻谷质量，ms为整精米质量，单位为克g。
[0084] (10)混合样品化学成分计算
[0085] 46个稻谷、糙米和精米品种的主要营养成分的测试值按照国标的方法一一测定 后，混合样品的主要营养成分的计算公式为：
[0086] Yj= (Aj+Bj)/2
[0087] 式中y]为第j个混合样品的主要营养成分的计算值，A jP B ,分别为组成混合样品 的两个品种用国标方法所测得的化学值。
[0088] 模型评价指标
[0089] 以决定系数R2、定标标准差RMSEC、校验标准差RMSEP来评价模型的定标效果和预 测能力。
[0094] 式中，n、m分别为校正集和验证集样品数，yi为第i个样品的用国标法检测出的 主要营养成分值，稻谷i = 90,糙米i = 66,精米i = 66, ^为第i个样品的主要营养成分 的预测值，?为样品主要营养成分的平均值。R2越接近于1，说明回归效果显著，RMSEC和 RMSEP越接近于0,说明模型具有很好的稳定性和预测能力。
[0095] 实施例1 :稻谷蛋白质的近红外模型的建立
[0096] (1)广泛采集典型稻米样品：稻米样品由湖北省黄闪市农业学院提供，46个样品 品种见表1。将部分样品两两按照I: I、1:2的比例混合均匀，得到44个新的样品，共90个 样品，即η = 90。采用国标方法m测定蛋白质的含量，稻谷样品蛋白质含量的基本统计数 据见表2。
[0097] 表2稻谷蛋白质含量的基本统计数据.（％ )
[0098] CN 105181643 A 说明书 7/13 页
[0099] (2)用SupNIR-2720近红外光谱仪进行光谱采集，光谱的测定范围为 1000-1799nm，光谱步长为lnm，为减小误差，每个样品扫描3次，扫描前，仪器预热30min，扫 描数据以吸光度形式存储，扫描温度为室温25 °C。稻谷籽粒置于样品盘内，且装满、压实，每 个样品逐一扫描，原始光谱见附图1(a)。
[0100] (3)近红外光谱预处理：稻谷近红外光谱先用小波消噪[13]处理，采用"db2"小波， 最大分解尺度为3进行消噪。小波消噪影响见实施例4,小波消噪后的光谱见附图I (b)。再 用归一化处理[14]，方差为1，均值为0。归一化模型精度影响见实施例5,得到的消噪和预处 理后的光谱吸光值Aij见附图1(c)，由附图1(c)可知，经过小波消噪后的光谱曲线较消噪 前的曲线平滑。
[0101] (4)筛选近红外光谱特征波长：竞争自适应重加权采样方法（CARS) m在变量选择 过程中，每次通过自适应采样技术保留偏最小二乘法模型中回归系数绝对值大的波长变 量，将绝对值小的回归系数默认为〇,蒙特卡罗采样次数为200次，见图2,挑选了 31个特征 波长，显著性分析结果见表3。
[0102] 表3稻谷蛋白质31个特征波长及其显著性
[0104] (5)多元线性回归方法优化特征波长。用所挑选的特征波长作为自变量，稻谷的 蛋白质含量作为因变量，运用偏最小二乘法进行多元线性回归分析[19]，以步骤（4)筛选的 31个特征波长建立稻谷蛋白质的预测模型，令显著性不高（t>0. 05)的特征波长对应的回 归系数为0,优选特征波长，最终得到24个特征波长，回归系数及显著性见表4。
[0105] 表4稻谷蛋白质24个特征波长及其显著性
[0107] 将表4的数据代入下式得到稻谷蛋白质含量的预测模型：
[0108] Z2= b 2+ Σ a2i Bi
[0109] 式中，Z2为稻谷蛋白质含量，b2为回归常数项，此时b 2= 67. 310, a 21为各特征波 长的回归系数，B1S特征波长的吸光值经过消噪和预处理后的数值，i为特征波长。
[0110] (6)蛋白质含量的近红外检测
[0111] 用式（1)对3号样品蛋白质含量进行检测，样品蛋白质化学检测值为8. 75%，近红 外检测值22为8. 3700%，模型的决定系数R2为0. 8916,标准差为0. 2149,说明所建模型预 测精度较高。
[0112] 实施例2 :稻谷总糖、脂肪、灰分、糙米水分和精米蛋白质的近红外模型的建立
[0113] (1)用砻谷机去除谷壳得到46个品种的糙米，将糙米用碾米机去除糠粉，得到46 个品种的精米。部分糙米样品按1:1的比例两两混合，得到20个混合样品，共计66个糙米 样品，部分精米样品按1:1的比例两两混合，得到20个混合样品，共计66个精米样品。
[0114] ⑵用国标的方法测定稻谷总糖[11]、脂肪[9]、灰分 [12]、糙米水分[1°]和精米蛋白质m。其中糙米水分和精米蛋白质测试结果基本统计数据见5表，表6。
[0115] 表5糙米水分含量的基本统计数据（％ )
[0119] (3)按照实施例1步骤（2)的方法对样品进行近红外光谱扫描，得到原始光谱；
[0120] (4)近红外光谱消噪和预处理：稻谷近红外光谱消噪和预处理同实施例1，不同之 处在于，糙米近红外光谱先用小波消噪，再用归