一种利用近红外光谱技术区分有机大米和非有机大米的方法与流程

本发明属于谷物品质检测技术领域，涉及一种区分有机大米和非有机大米的方法，具体涉及一种利用近红外光谱技术快速区分有机大米和非有机大米的模糊检验方法。

背景技术

近红外光谱(nir)分析以其快速、准确、无损的特点，近年来被用于替代传统的化学分析方法，其应用范围涉及农业、石化、医药等行业。由于nir光谱图由振动色调和检测样品中分子结构的组合工程构成，因此，每个峰都是许多重叠带的复杂组合。此外，nir光谱的预测精度取决于样品的物理状态、实验温度、颜色、清洁度以及样品质量。因此，多变量分析方法如无监督的化学计量学方法和有监督的化学计量学方法对光谱检测分析尤为重要。目前，近红外光谱技术结合化学计量方法已应用于食品产品的质量分析。

大米是一种重要的谷物作物，为全球超过一半人口提供主食来源。有研究表明，不同种植方式会引起植物代谢物的差异。与传统农业不同，有机农业不使用综合生产的肥料和杀虫剂，而采用不同的作物轮作以及适量的动物肥料和绿色肥料来提供养分。有机农业被认为环境友好型产业，而有机农产品也被认为更具有营养价值的食品。尽管有机农产品受到越来越多消费者的关注和青睐，但目前还没有一种可靠的方法对市场上销售的有机农产品进行检测和鉴定。然而化学检测费时费力，难以满足农田及工厂快速而准确的检验需求。

技术实现要素：

本发明为了解决现有分析技术耗时长、能源消耗大的难题，提供了一种利用近红外光谱技术快速区分有机大米和非有机大米的模糊检验方法。

本发明的目的是通过以下技术方案实现的：

一种利用近红外光谱技术区分有机大米和非有机大米的方法，包括如下步骤：

一、将待检测的大米样品进行如下处理：大米脱壳后，加入液氮粉碎，大米粉过筛，经处理的大米样本存储在-18℃的干燥条件下；

二、采用近红外分光光度计对步骤一的样品进行光谱采集，用带积分球的扫描表面模式获得吸光度数据，并作为吸光度存储数据；

三、利用unscramblerx10.4软件对步骤二采集的光谱数据进行平滑、求导以及snv预处理；

四、应用主成分分析(principalcomponentanalysis，pca)对步骤三预处理后的大米样品的红外光谱数据进行非监督模式下的pca数据建模，在此基础上按照k-s法将待检测大米样品随机分为校正集和验证集，选择偏最小二乘回归法(partialleastsquaresregression，plsr)对校正集中的样品数据进行plsr建模及验证，利用预测集中的样品对plsr模型进行预测。

在plsr验证步骤中，首先对样品参考值进行定义，即样品参考值等于1为是，0为否，进而对识别进行定义，即样品计算值小于0.5时被认定为否，样品计算值大于0.5时被认定为是；预测结果(即样品计算值)是将样品带入到已建立好的plsr模型进行计算得到的。

相比于现有技术，本发明具有如下优点：

1、快速、准确度高、灵敏度高，可在较短时间内对大批量样品进行检验；

2、易于掌握，不需要较高的专业操作技术，适用于农田管理及工厂加工出厂检验等技术要求。

附图说明

图1为本发明利用近红外光谱技术区分有机大米和非有机大米的流程图；

图2为大米样品的光谱图；

图3为大米样品pca的得分图；

图4为大米样品偏最小二乘回归模型的建模结果。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种利用近红外光谱技术区分有机大米和非有机大米的方法，如图1所示，步骤如下：

一、样品制备

实验共选取48个大米样品(包括22个非有机大米样品和26个有机大米样品)。样本存储在-18℃条件下。大米脱壳后，加入液氮粉碎，大米粉过80筛。经处理的大米样本存储在-18℃的干燥条件下，免受阳光直射。

二、样品扫描

采用antarisⅱ近红外分光光度计对样品进行光谱采集，采集范围为12000cm^-1-4000cm^-1(830nm-2500nm)，分辨率为8cm^-1。用带积分球的扫描表面模式获得吸光度数据，并作为吸光度存储数据。使用resultintegration软件3.0存储数据。在分析每个样本之前，对参考光谱扫描32次。每个样品扫描32次并记录3次(通过改变同一样品杯中大米样品的方向进行变换)。总共有144个光谱(48×3重复)大米样本用于后续分析。

光谱分析的样品中粒径的多样性影响散射，构成了光谱变化的重要来源。样本不同，变化不同，且相互附加。因此，需要处理原始光谱数据以避免这个缺点。利用unscramblerx10.4软件对光谱数据进行平滑、求导以及snv预处理，将得到的数据导入软件进行建模。

三、化学计量学模型的建立

实验首先应用主成分分析(principalcomponentanalysis，pca)对大米样品的红外光谱数据进行非监督模式下的数据建模。

在此基础上，按照k-s法将48个大米样品随机按3:1的比例分为校正集(36个，其中有机大米样品19个，非有机大米样品17个)和验证集(12个，其中有机大米样品7个，非有机大米样品5个)，进而选择偏最小二乘回归法(partialleastsquaresregression，plsr)对数据进行建模及验证。

四、结果

1、大米样品的光谱图

大米样品的光谱图如图2所示。很明显，所有的样品在吸光度方面表现出相似的趋势。突出的峰可能是由于样品中氢基团从c-h、o-h和n-h的拉伸。由于粒径效应，样品基线变化很大。有机大米样品和非有机大米样品的平均光谱具有一致的、相似的模式。然而，在样品光谱中，有机大米在具有明显叠加光谱的非有机大米中并无差异。

2、主成分分析(pca)

图3显示了大米样品pca的得分图。由图3可知，主成分分析中前五种主成分的累积贡献率为99.22％，能够表达几乎全部大米样品的信息。由大米样品主成分分析得分图可知，有机大米(方块)和非有机大米(圆圈)可被区分开，有机大米样品位于得分图的左侧(x轴负半轴)，非有机大米大多数位于得分图的右侧(x轴正半轴)，但两个分组之间有小幅度重合。

3、偏最小二乘回归分析(plsr)

图4显示了用偏最小二乘回归模型对多组分预处理后大米样品红外光谱进行建模的结果。横坐标0.0点代表非有机样品，横坐标1.0点代表有机样品。模型回归系数r²为0.8430，线性拟合良好。统计参数表明，该标定模型可以定量预测有机大米和非有机大米。实验进而利用预测集中的样品对模型进行预测。

表1大米样品偏最小二乘回归模型的验证结果

考虑到对水稻样品进行标定和预测的难度，有必要对初始值0和1之间的结果进行区分。我们认为，负数值和小于0.49正数值意味着一个未被识别的样本，而大于0.51的值则是被识别的样本。有了这些限制，两组样本的100％都得到了很好的预测。