FT-NIR在油菜籽品质指标快速检测中的应用研究

袁 建 朱贞映 鞠兴荣 何 荣 后其军 袁翔宇 魏孟辉

(南京财经大学食品科学与工程学院，南京 210046)

FT-NIR在油菜籽品质指标快速检测中的应用研究

袁 建 朱贞映 鞠兴荣 何 荣 后其军 袁翔宇 魏孟辉

(南京财经大学食品科学与工程学院，南京 210046)

以203份不同品种的油菜籽为原料，开展了油菜籽整籽粒和粉碎样品的水分、蛋白质和粗脂肪含量的近红外研究。研究结果显示：油菜籽整籽粒和粉碎样品的水分含量近红外检测模型的内部交叉验证决定系数R2分别为0.967和0.953，油菜籽整籽粒和粉碎样品的蛋白质含量的近红外检测模型的内部交叉验证决定系数R2分别为 0.810和0.947，油菜籽整籽粒和粉碎样品的粗脂肪含量的近红外检测模型的内部交叉验证决定系数R2分别为 0.776和0.896。同时，测定水分时可采用整籽粒扫描，而粉碎试样所建的蛋白质和粗脂肪模型优于整籽粒扫描。油菜籽粉碎样品的外部验证模型评价效果较好，外部验证水分、蛋白质和粗脂肪决定系数R2分别为0.966、0.937和0.918。结果表明，近红外光谱技术可用于油菜籽品质指标的检测。

近红外 油菜籽 水分 蛋白质 脂肪

油菜籽中含有约40%的脂肪，而且它的不饱和脂肪酸含量高达80%以上，营养价值高，人体对其吸收率高达99%，是我国非常重要的食用植物油源。油菜籽饼粕中含有34%～45%蛋白质，必需氨基酸含量高，尤其是赖氨酸和含硫氨基酸，是优质植物蛋白源。目前，我国颁布的有关蛋白质和粗脂肪的标准测定方法是凯式定氮和索式抽提法。虽然其可靠性较高，但操作步骤过于繁琐，迫切需要一种准确而又快速的检测方法。

近红外光谱法(NIRS)是近年发展起来的一种快速测定方法[1-4]，Norris将近红外光谱技术应用到农业领域[5]，后来广泛应用于小麦、玉米、芝麻等农产品的品质检测中[6-9]。NIRS用于油菜籽品质分析已有报道，不但探讨了光谱预处理和不同统计方法对油菜籽中芥酸和硫甙的含量测定的影响[10]，而且在近红外光谱法数学模型的构建和品质参数的预测以及将NIRS用于小样品油菜籽分析方面也取得了较好的进展[11-14]。

本研究采用近红外漫反射光谱技术分析测定了203份油菜籽样品水分、蛋白质和粗脂肪含量。首先，对油菜籽整籽粒和粉碎样品进行常规实验的测定和近红外的扫描工作，并建立模型；其次，对油菜籽整籽粒和粉碎样品分别建模进行分析，为如何快速且更准确检测油菜籽各品质指标提供参考；最后，对模型的预测能力进行外部验证，为近红外漫反射光谱技术在我国油菜籽品质指标快速检测的应用提供参考。

1 材料与方法

1.1 材料

从江苏、安徽、湖南和湖北等地区收集到不同品种的油菜籽样品共203份，来源均是2014年收获的样品。每种样品取一定量完整籽粒备用，另取一定量经粉碎过筛处理备用，其余完整颗粒用自封袋包装保存，所有样品均经过预处理，如除杂、去生霉未熟等。

MB3600-PH高效FTIR傅里叶变换近红外光谱仪：ABB公司，扫描光谱范围为3 700～15 000 cm-1；BUCHI K-436快速消解仪、BUCHI B-811脂肪测定仪：瑞士步琪有限公司；FW100高速万能粉碎机：天津市泰斯特仪器有限公司。

1.2 方法

1.2.1 油菜籽样品集的划分

用油菜籽样品总量的70%(142份)作为定标样品集，用于模型的建立，对于油菜籽的定标集样品分别采集整籽粒和粉碎的近红外光谱，其余30%(61份)用作外部验证，验证集用于定标模型预测的性能评价。

1.2.2 化学值的测定

采用105 ℃烘干法测定油菜籽中的含水量[15]；采用凯氏定氮法测定油菜籽中的蛋白质含量[16]；按照 采用索氏抽提法测定油菜籽中的粗脂肪含量[17]。每个样品重复测定3次，取其平均值作为最终结果。

1.2.3 近红外光谱扫描

将傅里叶变换近红外光谱仪开机预热30 min，对油菜籽定标的142个样品整籽粒和粉碎形态都进行光谱扫描并存储，扫描光谱范围为4 000～12 000 cm-1,分辨率16 cm-1，扫描次数64次，每个样品重复2次。

1.2.4 近红外建模与评价

对油菜籽粉碎样品最优数学方法和回归技术的研究，采用Horizon MB化学计量软件建模分析，通过对定标集样品适当的数学方法和回归技术处理，例如多元散射校正(MSC)，偏最小二乘法(PLS)等，建立最佳的油菜籽水分、蛋白质和粗脂肪含量检测模型，同时应用到整籽粒样品的建模。

采用内部交叉验证和外部验证两种方法评价模型的预测性能。内部交叉验证通过校正标准差(RMSEC)、交互验证标准误差(SECV)和交叉验证决定系数R2评价检测模型的优越性，RMSEC和SECV 越小，R2越大，模型预测性能越好。外部验证是验证集样品用于定标模型预测的性能评价，通过决定系数(R2)和显著性P值评价模型的预测性能，R2越大，P值小于0.05，模型预测性能越好。

2 结果与讨论

2.1油菜籽水分、蛋白质和粗脂肪的化学计量值评价

203个样品油菜籽水分、蛋白质和粗脂肪质量分数范围分别为4.373%～12.096%(均值7.732%)、18.468%～30.488%(均值24.667%)和34.492%～49.290%(均值40.729%)； 142个定标集样品中油菜籽蛋白质和粗脂肪质量分数范围分别为20.123%～30.488%(均值24.830%)和34.492%～49.290%(均值40.745%)； 61个验证集样品中油菜籽蛋白质和粗脂肪质量分数范围分别为18.468%～28.550%(均值24.286%)和35.489%～46.427%(均值40.693%)。油菜籽各指标含量范围覆盖面广，不同样品各指标测定值存在差异，为建立优质的模型提供了有利条件。

2.2 油菜籽的近红外光谱图与预处理

图1为经过傅里叶变换近红外光谱仪扫描得到142个油菜籽粉样品的近红外光谱图, 可以看出各个样品的谱线具有基本相同的变化趋势，不同样品的谱线可能存在漂移和噪音等，对不同样品进行基线校准、平滑处理和一阶求导，最终得到油菜籽粉样品的近红外光谱图，如图2。

图1 油菜籽的近红外光谱图

图2 经基线校准、平滑和一阶求导处理的近红外光谱图

2.3 近红外测定模型的建立与优化

2.3.1 校正方法的选择

利用Horizon MB化学计量软件建模分析，对定标集样品做预处理后经适当的数学处理，例如多元散射校正(MSC)，一阶求导(Derivative)、偏差校正(Offset Correction)、趋势变换法(Detrending)，标准化(Normalization)等，建立最佳的油菜籽水分、蛋白质和粗脂肪含量检测模型。由表1分析结果可知，对于油菜籽粉水分采用多元散射校正的一阶求导方法处理最好，交叉验证决定系数R2达0.951，SECV为0.202，RMSEC为0.450；蛋白质采用一阶求导的标准化方法处理最好，交叉验证决定系数R2达0.928，SECV为0.486，RMSEC为0.697；粗脂肪采用趋势变换的一阶求导方法处理最好，交叉验证决定系数R2达0.883，SECV为0.807，RMSEC为0.898。

表1 不同校正方法对油菜籽粉各品质近红外检测模型的影响

续表

2.3.2 回归技术的选择

异常样品的存在将严重影响模型的预测精度[18]，在回归技术建模时必须找到异常样品且剔除。表2为剔除异常样品后回归技术的分析结果，采用多元散射校正的一阶求导方法和偏最小二乘法(PLS)回归技术对油菜籽粉水分建模效果最好，交叉验证决定系数R2达0.953，SECV为0.189，RMSEC为0.434；采用一阶求导的标准化方法和偏最小二乘法(PLS)回归技术对油菜籽粉蛋白质建模效果最好，交叉验证决定系数R2达0.947，SECV为0.420，RMSEC为0.648；采用趋势变换的一阶求导方法和偏最小二乘法(PLS)回归技术对油菜籽粗脂肪建模效果最好，交叉验证决定系数R2达0.896，SECV为0.727，RMSEC为0.853。

表2 不同回归技术对油菜籽粉近红外检测模型的影响

2.3.3 油菜籽不同形态近红外结果与分析

通过最优校正方法和回归技术分析不同形态的油菜籽，见表3。对于油菜籽水分、蛋白质和粗脂肪的近红外建模的结果分析，粉碎后的油菜籽由于粒度变小更加均匀，所以建模的总体效果都很好，相对于单个指标的分析，油菜籽整籽粒水分的建模效果比粉碎要好，这也是因为近红外对水分的吸收比较强烈导致，但是对于整籽粒的蛋白质和粗脂肪模型，相对于粉碎后的模型明显较差。

表3 油菜籽整籽粒和粉碎样品的近红外建模结果

2.3.4 油菜籽近红外定标集建模结果

图3为剔除异常样品后，采用最优的校正方法和回归技术建立的最佳油菜籽粉近红外检测模型，可知水分、蛋白质和粗脂肪含量的近红外检测模型的外部验证决定系数R2分别为0.953、 0.947和0.896，接近常规方法的分析误差。

图3 油菜籽粉水分、蛋白质和粗脂肪定标集模型

图4 油菜籽粉验证集样品的水分、蛋白质和粗脂肪含量的预测值与真实值的关系

2.4 近红模型的外部验证

图4为油菜籽水分、蛋白质和粗脂肪模型外部验证(油菜籽粉状)结果。由表4和表5知，水分含量、蛋白质含量、粗脂肪含量的拟合度非常高。通过对油菜籽粉水分、蛋白质和粗脂肪外部验证进行Durbin-Wstson统计量分析，油菜籽各指标Durbin-Wstson统计量的值都很接近2，说明模型的残差不存在自相关，可以认为回归方程足以概括因变量的变化。由表5可见，回归部分的显著性P值都是0.000，小于显著水平0.05，由此可以判断由模型得到的样品预测值对样品的真实值解释非常显著，综合外部验证的结果分析知定标模型对外部验证集样品预测的性能是可信的，说明油菜籽粉水分、蛋白质和粗脂肪含量的近红外模型有良好代表性和预测能力。

表4 外部验证真实值与预测值对比

表5 外部验证评价模型的统计量

3 结论

3.1 基于傅里叶变换近红外光谱分析技术，开展了选取最优数学处理方法和回归技术对油菜籽整籽粒和粉碎样品的近红外检测模型的研究，并对模型进行内部交叉验证和外部验证。对于油菜籽水分的近红外快速预测，整籽粒和粉碎的油菜籽都有很好的模型效果，而粉碎试样所建的蛋白质和粗脂肪模型优于整籽粒扫描。油菜籽粉碎样品的外部验证通过对模型预测性能的决定系数R2和显著性P值验证，外部验证水分、蛋白质和粗脂肪R2分别为0.966、0.937和0.918，说明拟合性很好且Durbin-Wstson统计量的值都很接近2，说明模型的残差不存在自相关，可以认为回归方程能够概括预测值对真实值的变化；同样，方差分析显著性P值小于0.05，由此可以判断由模型得到的样品预测值对样品的真实值解释非常显著。综合外部验证的结果分析，研究认为油菜籽近红外定标集建立的模型对外部验证集样品预测的性能是可信的，说明应用近红外光谱分析技术建立油菜籽主要成分含量的近红外检测模型是可行的。

3.2 开展了油菜籽整籽粒和粉碎样品的水分、蛋白质和粗脂肪含量的近红外快速检测技术研究，用于油菜籽收购环节质量快速检测。既可以直接采用整籽粒扫描测定水分，在要求不高的情况下也可以整籽粒测定蛋白质和粗脂肪。

[1]陆婉珍，袁洪福，褚小立.当代中国近红外光谱技术—全国第一届红外光谱学术会议论文集[M].中国石化出版社，2006

[2]陆婉珍.现代近红外光谱分析技术[M].中国石化出版社，2007

[3]刘晓庚.近红外光谱技术在粮油储藏及其品质分析中的应用[J].粮食储藏，2007，36(1)：29-35

[4]姚鑫淼，张瑞英，李霞辉，等.近红外透射光谱法(NITS)分析大豆品质的研究[J].大豆科学， 2006，25(4)：417-420

[5]Williams P C, Stevenson S G, Starkey P M, et al. The application of near infrared reflectance spectroscopy to protein-testing in pulse breeding programmes[J]. Journal of the Science of Food & Agriculture, 1978, 29(3):285-292

[6]郭蕊，王金水，金华丽，等.近红外光谱分析技术测定芝麻水分含量的研究[J].现代食品科技， 2011，27(3)：366-369

[7]Kovalenko I V, Rippke G R, Hurburgh C R. Determination of amino acid composition of soybeans (Glycine max) by near-infrared spectroscopy.[J]. Journal of Agricultural & Food Chemistry, 2006, 54(10):3485-3491

[8]王若兰，王春华，黄亚伟.小麦脂肪酸值的近红外光谱快速测定研究[J].现代食品科技， 2013(2)：393-396

[9]Liu F, Zhang F, Jin Z, et al. Determination of acetolactate synthase activity and protein content of oilseed rape (Brassica napus L.) leaves using visible/near[J]. Analytica Chimica Acta, 2008, 629(1-2):56-65

[10]吴建国，石春海，樊龙江.油菜籽芥酸和硫甙含量近红外反射光谱测定技术的优化设置[J]. 中国粮油学报，2002，17(2)：59-62

[11]张晔晖，赵龙莲.用傅里叶变换近红外光谱法测定完整油菜籽三种品质性状的初步研究[J]. 激光生物学报，1998(2)：138-141

[12]吴建国，石春海，张海珍，等.应用近红外反射光谱法整粒测定小样品油菜籽含油量的研究[J].作物学报，2002，28(3)：421-425

[13]丁小霞，李培武，李光明，等.傅里叶变换近红外光谱技术测定完整油菜籽中芥酸和硫甙含量[J].中国油料作物学报，2004，26(3)：76-79

[14]杨翠玲，陈文杰，赵兴忠，等.近红外光谱法同时分析油菜9种品质参数的研究[J].西北农林科技大学学报：自然科学版，2006，34(3)：61-67

[15]GB/T 5497—1985 粮食、油料检测 水分测定法[S]

[16]GB/T 5511—2008 谷物和豆类 氮含量测定和粗蛋白质含量计算 凯氏法[S]

[17]GB/T 5512—2008 粮油检测 粮食中粗脂肪含量测定[S]

[18]祝诗平，王一鸣，张小超，等.近红外光谱建模异常样品剔除准则与方法[J].农业机械学报， 2004，35(4)：115-119.

Applied Research on Rapid Detection of Rapeseed Quality Indicators with FT-NIR

Yuan Jian Zhu Zhenying Ju Xingrong He Rong Hou Qijun Yuan Xiangyu Wei Menghui

(College of Food Science and Engineering, Nanjing University of Finance & Economics, Nanjing 210046)

To explore the moisture, protein and fat content of whole and crushed rapeseed using FT-NIR, 203 samples of different varieties of rapeseed were prepared. CoefficientR2of determination in interned cross-validation of the moisture, protein and fat content of whole grain were 0.967, 0.810 and 0.776, while the crushed were 0.953, 0.947 and 0.896. Meanwhile, Moisture model can be established by whole grains; however, crushed grains were better for crush rapeseed. CoefficientR2of determination in external validation were good for crushed rapeseed, its moisture, protein and fat content determination coefficient were 0.966, 0.937 and 0.918, respectively. The results showed that near infrared spectroscopy can be used to detect the quality of rapeseed.

near infrared, rapeseed, moisture, protein, fat

TN219；S529

A

1003-0174(2016)06-0158-05

“十二五”国家科技支撑计划(2013BAD17B00)

2015-06-07

袁建，男，1965年出生，教授，食品质量与安全