基于近红外光谱特征的赤霉病小麦籽粒SIMCA识别模型构建研究

关二旗 崔贵金 卞 科 郑祝红

基于近红外光谱特征的赤霉病小麦籽粒SIMCA识别模型构建研究

关二旗1，2崔贵金1，2卞 科1，2郑祝红1，3

（河南工业大学粮油食品学院1，郑州 450001）
（河南省粮食作物协同创新中心2，郑州 450001）
（益海嘉里（泉州）粮油食品工业有限公司3，泉州 362804）

利用近红外光谱分析仪采集2012年度江苏、安徽、河南等省份25份农户田间小麦品种籽粒样品的近红外光谱信息，对获取的近红外光谱数据分别进行均值标准化、一阶求导、二阶求导和多元散射校正处理，利用全波段（950 ～1 650 nm）和特征波长处（985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm）的近红外光谱数据，采用离差平方和法（Ward法）聚类分析和主成分分析等化学计量学方法，构建赤霉病小麦籽粒和未病小麦籽粒的SIMCA识别模型。模型诊断和验证结果显示，构建的SIMCA识别模型对赤霉病小麦籽粒和未感病小麦籽粒的正确识别率均为100%，识别效果良好。

近红外光谱 赤霉病小麦 SIMCA识别模型 分选

赤霉病是麦类作物世界性流行病害。小麦赤霉病的发生不仅造成粮食大幅减产，而且赤霉菌分泌产生的脱氧雪腐镰刀菌烯醇（DON，又称呕吐毒素）一旦进入人或动物体内，往往会引起腹泻、呕吐、发烧等急性中毒症状，以及厌食、体重减轻、免疫力下降等慢性中毒症状，严重危害人和动物的健康［1-2］。为了保障食品安全，世界上一些主要国家对谷物、食品、饲料中DON的含量均有严格限量规定。GB 2715—2005《粮食卫生标准》中规定小麦及小麦粉中DON限量标准为1 000μg／kg。因此，研究构建快速、准确、简捷的赤霉病小麦籽粒识别模型，可以为病害小麦籽粒的准确识别、分选分离提供理论依据和技术支撑，充分保障粮食的食用／饲用安全。

研究认为，生物体的近红外光谱指纹特征是其表面光学特征及内在组分化学性质的本质反映，随着生物体表面色泽和内在组分或结构的变化，其近红外光谱特征信息也发生着显著变化［3-4］。由于样品前处理简单，光谱信息采集方便、分析便捷、成本低，且能够最大限度地保留分析样本间的微小差异等优点，近红外光谱技术被广泛地应用于产品的无损检测及品质分析等［5-9］，特别是在谷物及油料籽粒品质及食品品质分析等方面，目前已有大量报道［10-15］。一些研究者还利用近红外光谱技术分析不同产地肉品、茶叶、谷物的色泽、组分差异，进而建立起判别模型，对品种和产品的原产地进行鉴别，判别效果较好［16-18］。但是，目前国内外有关近红外光谱技术用于病害小麦（赤霉病小麦）籽粒识别分选的研究报道尚不多见。鉴于近年来国内小麦赤霉病大范围爆发的现象越来越频繁，给农业生产、小麦产品安全使用及人们的身体健康带来极大的威胁，亟需发展一种快速、高效、低廉的赤霉病小麦籽粒识别分选技术。

通过分析感病程度不同的赤霉病小麦籽粒近红外光谱特征信息及差异，构建赤霉病小麦籽粒的识别模型，利用近红外光谱分析技术对赤霉病小麦籽粒进行识别，旨在为小麦收储、贸易、加工利用过程中实现病害小麦籽粒的有效识别和分选提供参考。

1 材料与方法

1.1 供试材料

2012年度于江苏、安徽、河南等小麦主产省随机采集农户大田小麦品种样品25份。小麦品种样品、采样地及感病程度等详细信息列于表1。

表1 赤霉病小麦样品及采样地信息表

1.2 仪器设备

DA7200型近红外分析仪：瑞典Perten公司。

1.3 试验方法

1.3.1 小麦样品采集

2012年5月—2012年7月小麦收获期间，随机采集农户大田小麦品种样品25份，每份样品5 kg；对样品进行编号，并详细记录采样信息。

1.3.2 小麦样品预处理

人工分拣去除小麦样品中的秸秆、草籽、石子、土块等杂质后，放置于38℃烘箱中，通风干燥24 h，调节样品的含水量尽量保持一致。

赤霉病小麦籽粒样品筛选：根据小麦籽粒形态特征，采取人工分拣的方法，分别从25个小麦品种样品中挑选出具有明显红褐色特征的赤霉病小麦籽粒样品25份，每份100粒，置于密封袋中贮存，供光谱采集使用。

未感病小麦籽粒样品筛选：根据小麦籽粒形态特征，采取人工分拣的方法，分别从25个小麦品种样品中挑选出籽粒饱满、无明显感病特征的小麦籽粒样品25份，每份1 kg。将样品混合均匀，平铺成圆形，分成4等分，取相对的2份混合均匀，粉碎，提取DON毒素，采用高效液相色谱法（Waters 2695）测定其DON毒素含量，结果为0，确定样品为未感病小麦样品。分别从每份剩余的未感病小麦样品中选取外观形态正常的籽粒100粒，置于密封袋中贮存，供光谱采集使用。

1.3.3 小麦样品近红外光谱信息采集

将待测小麦籽粒样品置于近红外光谱分析仪上的旋转样品盘中（直径75 mm，深度25 mm），依据设定的试验条件进行光谱扫描和采集：仪器分辨率为5 nm，光谱波长范围为950～1 650 nm，室温为26℃，每个样品重复装样及扫描4次，求平均光谱，存盘备用。其中，赤霉病小麦籽粒近红外光谱以样品编号字母加1-n（n∈N（1，100））表示，未感病小麦籽粒近红外光谱以样品编号字母加0-n（n∈N（1，100））表示。

1.3.4 小麦样品近红外光谱信息处理

采用Unscrambler7.8光谱分析软件对获取的近红外光谱信息进行均值标准化、一阶求导、二阶求导、多元校正散射等预处理，消除基线漂移、光源散射、随机噪声等干扰因素的影响，扣除水分峰波段，采用SPSS16.0软件对剩余波段进行方差分析，采用Unscrambler 7.8软件进行主成分分析、聚类分析和判别分析，提取特征光谱信息。

1.3.5 SIMCA 模型构建方法

分别以全波段（950～1 650 nm）光谱信息数据和特征波段光谱信息数据为输入变量，构建赤霉病小麦籽粒及未感病小麦籽粒的SIMCA识别模型。

1.3.6 模型评估

采用各分类模型的识别率和拒绝率表征该模型的构建识别效果，计算公式：

识别率＝（识别自身类样本个数／该类样本的总个数）×100%

拒绝率＝（拒绝其他类样本个数／其他类样本的总个数）×100%

1.3.7 模型诊断与验证

随即抽取2／3的样本为校正集，1／3为验证集，将校正集样品和验证集样品光谱数据代入各分类模型进行模型诊断与验证。

2 结果与讨论

2.1 不同小麦籽粒近红外光谱特征分析

从不同小麦品种籽粒样品的近红外原始光谱图可以看出（图1），在全波段内赤霉病小麦籽粒的近红外光谱吸收值均低于未感病小麦籽粒；与未感病小麦籽粒的近红外光谱图相比，赤霉病小麦籽粒的近红外光谱图变化较为平缓，但二者光谱曲线变化趋势相似。扣除水分吸收峰的光谱信息数据，对2类小麦籽粒近红外光谱信息预处理后的数据作方差分析的结果表明，二者近红外光谱信息存在显著差异。

图1 不同小麦籽粒的近红外原始光谱图

2.2 光谱预处理及特征波段确定

为消除样品籽粒粒度大小差异、特征吸收峰重叠等因素的影响，采用S.Golay二阶求导对全波段近红外光谱数据进行处理。从光谱预处理的结果可以看出，经二阶求导处理后，赤霉病小麦籽粒与未感病小麦籽粒的近红外光谱特征在1 100～1 200 nm、1 180～1 200 nm、1 290～1 320 nm等多个波段范围内存在显著差异。

图2 不同小麦籽粒近红外原始光谱S.Golay二阶求导处理图

剔除冗余变量，采用Unscrambler 7.8光谱分析软件优化分析模型，对全波段近红外光谱数据进行主成分分析。结果显示，第一主成分贡献率为96.4%（表2），这说明第一主成分表达了该光谱图所携带的95.0%以上的光谱信息。因此，根据第一主成分确定出赤霉病小麦籽粒的近红外光谱特征吸收峰波长依次为：985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm（图3）。

表2 主成分累积贡献率

图3 第一主成分载荷图

2.3 小麦籽粒近红外光谱聚类分类分析

采用Ward法系统聚类分析方法对赤霉病小麦籽粒和未感病小麦籽粒的全波段、特征波长处的光谱数据信息进行聚类分析，结果表明，采用全波段和特征波长处的光谱数据均能很好地将赤霉病小麦籽粒和未感病小麦籽粒区分开来（图4、图5）。这说明利用近红外光谱识别赤霉病小麦籽粒和未感病小麦籽粒是可行的。

图4 全波段光谱数据WARD法聚类分析树形图

图5 特征波段光谱数据WARD法聚类分析树形图

2.4 SIMCA 模型构建

选取全波段和特征波长处近红外光谱数据，分别构建赤霉病小麦籽粒的SIMCA识别模型。随机抽取2／3的样本为校正集，1／3为验证集，采用交互验证法选取最佳主成分数，对已知小麦分类校正集样品分别构建主成分回归分类模型。结果显示，全波段光谱范围内赤霉病小麦籽粒模型及未感病小麦籽粒模型最佳主成分数分别为3和7，特征波长处赤霉病小麦籽粒模型及未感病小麦籽粒模型最佳主成分数均为4（图6）。以最佳主成分数为输入变量，构建各分类模型并保存备用。

图6 各分类模型主成分数-剩余残差图

2.5 SIMCA模型的诊断与验证

将校正集样品和验证集样品的近红外光谱数据分别代入各分类SIMCA模型进行模型诊断与验证，并对识别结果进行显著性检验（表3）。同时，采用模型识别率与拒绝率统计各模型的识别效果，统计结果列于表4。

表3 SIMCA模型诊断与验证结果

表4 SIMCA模型识别效果评估表

从模型诊断与验证的显著性检验结果可以看出，构建的SIMCA模型对赤霉病小麦籽粒样品和未感病小麦籽粒样品的归属均做出了正确识别。模型识别效果评估结果显示，依据全波段和特征波长处光谱数据构建的各分类模型对校正集及验证集小麦样品的识别率或拒绝率均为100%，这表明各模型对被识别样品是否属于自身样本具有良好的识别效果。因此，通过获取赤霉病小麦籽粒和未感病小麦籽粒的近红外光谱数据信息所构建的SIMCA模型识别效果佳。

3 结论

赤霉病小麦籽粒与未感病小麦籽粒的近红外光谱存在显著差异。本研究利用25份来自于国内小麦主产区的农户田间小麦品种样品进行近红外光谱采集，依据化学计量学方法构建了全波段（950～1 650 nm）和特征波长处（985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm）赤霉病小麦籽粒和未感病小麦籽粒的SIMCA识别模型，模型识别正确率均为100%，识别效果良好。结果表明，近红外光谱技术用于赤霉病小麦籽粒的识别分选是可行的。

［1］James J P.Deoxynivalenol：toxicity，mechanisms and animal health risks［J］.Animal Feed Science Technology，2007，137（3）：283-298

［2］关二旗，崔莉，卞科，等.赤霉病麦粒中脱氧雪腐镰刀菌烯醇消解方法研究进展［J］.麦类作物学报，2012，32（3）：585-588

Guan Erqi，Cui Li，Bian Ke，et al.Study on methods to reduce the deoxynivalenol toxin in wheat seeds infected by-Fusarium head blight［J］.Journal of Triticeae Crops，2012，32（3）：585-588

［3］Osborne B G，Fearn T，Hindle P H.Practical NIR spectroscopy with applications in food and beverage analysis［M］.London：Longman Scientific and Technical，1993：226-228

［4］赵海燕，郭波莉，魏益民，等.近红外光谱对小麦产地来源的判别分析［J］.中国农业科学，2011，44（7）：1451-1456

Zhao Haiyan，Guo Boli，Wei Yimin，et al.Identification of geographical origins of wheat with discriminant analysis by near infrared spectroscopy［J］.Scientia Agricultura Sinica，2011，44（7）：1451-1456

［5］王雪莲，薛雅琳，赵会义，等.近红外测定大豆脂肪酸值方法的研究［J］.中国粮油学报，2009，24（8）：152-154

Wang Xuelian，Xue Yalin，Zhao Huiyi，et al.Measurement of soybean fatty acid value by near-infrared spectroscopy technique［J］.Journal of the Chinese Cereals and Oils Association，2011，44（7）：1451-1456

［6］彭建，张正茂.小麦籽粒淀粉和直链淀粉含量的近红外漫反射光谱法快速检测［J］.麦类作物学报，2010，30（2）：276-279

Peng Jian，Zhang Zhengmao.Rapid determination of starch and amylose content in whole wheat seeds by near infrared reflectance spectroscopy（NIRS）［J］.Journal of Triticeae Crops，2010，30（2）：276-279

［7］Mutlu A C，Boyaci I H，Genis H E，et al.Prediction of wheat quality parameters using near-infrared spectroscopy and artificial neural networks［J］.European Food Research and Technology，2011，233（2）：267-274

［8］李娟，李忠海，付湘晋.稻谷新陈度近红外快速无损检测的研究［J］.光谱学与光谱分析，2012，33（8）：2126-2130

Li Juan，Li Zhonghai，Fu Xiangjin.Study on rapid non-destructive detection of the freshness of paddy based on NIRS［J］.Spectroscopy and Spectral Analysis，2011，233（2）：267-274

［9］徐新刚，赵春江，王纪华，等.基于可见光-近红外新光谱特征和最优组合原理的大麦叶片氮含量监测［J］.红外与毫米波学报，2013，32（4）：351-359

Xu Xingang，Zhao Chunjiang，Wang Jihua，et al.Associating new spectral features from visible and near infrared regions with optimal combination principle to monitor leaf nitrogen concentration in barley［J］.Journal of Infrared and Millimeter Waves，2013，32（4）：351-359

［10］Delwiche SR.Protein content of single kernels of wheat by near-infrared reflectance spectroscopy［J］.Journal of Cereal Science，1998，27（3）：241-254

［11］原姣姣，王成章，陈虹霞.近红外透射光谱分析油茶籽油掺入豆油的研究［J］.中国粮油学报，2012，27（3）：110-114

Yuan Jiaojiao，Wang Chengzhang，Chen Hongxia，Study on the quantitative analysis of camellia oil adulterated with soybean oil by near infrared transmittance spectroscopy（NITS）［J］.Journal of the Chinese Cereals and Oils Asso-ciation，2012，27（3）：110-114

［12］Delwiche RS，Graybosch RA，Peterson CJ.Predicting protein composition，biochemical properties，and dough-handling properties of hard red winter wheat by near-infrared reflectance［J］.Cereal Chemistry，1998，75：412-416

［13］Miralbés C.Prediction chemical composition and alveograph parameters on wheat by near-infrared transmittance spectroscopy ［J］.Journal of Agricultural and Food Chemistry，2003，51：6335-6339

［14］Miralbés C.Discrimination of European wheat varieties using nearinfrared reflectance spectroscopy［J］.Food Chemistry，2008，106：386-389

［15］郝学飞，苏东民，余大杰，等.近红外方法预测馒头品质［J］.中国粮油学报，2014，29（4）：113-117

Hao Xuefei，Su Dongmin，Yu Dajie，et al.Assessment of steamed bun quality by near infrared reflectance method［J］.Journal of the Chinese Cereals and Oils Association，2014，29（4）：113-117

［16］陈宵娜，张德权，张柏林.羊肉色泽傅立叶变换近红外光谱定量分析方法研究［J］.核农学报，2010，24（2）：336-340

Chen Xiaona，Zhang Dequan，Zhang Bolin，Establishment of quatified analysis method of fresh mutton color with fourier transform near-Infrared spectroscopy［J］.Journal of Nuclear Agricultural Sciences，2010，24（2）：336-340

［17］周健，成浩，曾建明，等.基于近红外的多相偏最小二乘模型组合分析实现茶叶原料品种鉴定与溯源的研究［J］.光谱学与光谱分析，2010，30（10）：2650-2653

Zhou Jian，Cheng Hao，Zeng Jianming，et al.Study on identification and traceability of tea material cultivar by combined analysis of multi partial least squares models based on near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2010，30（10）：2650-2653

［18］贾仕强，郭婷婷，唐兴田，等.应用近红外光谱进行玉米单籽粒品种真实性鉴定的光谱测量方法研究［J］.光谱学与光谱分析，2012，32（1）：103-107

Jia Shiqiang，Guo Tingting，Tang Xingtian，et al.Study on spectral measurement methods in identification of maize varity authenticity based on near infrared spectra of single kernels［J］.Spectroscopy and Spectral Analysis，2012，32（1）：103-107.

SIMCA Identification Model Establishment of Gibberellic Disease Wheat Grain Based on Near Infrared Spectrum Characteristics

Guan Erqi1，2Cui Guijin1，2Bian Ke1，2Zheng Zhuhong1，3
（College of Food Science and Technologe，Henan University of Technology1，Zhengzhou 450001）
（Henan Food Crop Collaborative Innovation Center2，Zhengzhou 450001）
（Yihai Kerry （Quanzhou）Oil，Grain ＆ Foodstuffs Industries Co.，Ltd3，Quanzhou 362804）

A total of 25 wheat kernel samples collected in 2012 from Jiangsu，Anhui and Henan Province of China were analyzed by near infrared reflectance spectroscopy （NIRS）.After normalization，first derivative，second derivative and multiplicative scattering correction treatment were conducted for wheat kernel samples spectral data，using the total spectra area（950 ～1 650 nm）and NIR data in the characteristic wavelength area（985，1 130，1 160，1 190，1 235，1 320，1 385，1 410 nm），systematic cluster analysis and principal component analysis of sum of squares of deviations were applied to build the SIMCA identification model to classify the wheat kernel samples infected or not by Fusarium Graminearum Schw．Model diagnosis and validation results showed that the correct identification rate of SIMCA identification model to classify the wheat kernel samples infected or not by Fusarium Graminearum Schw was 100%，and identification effect was excellent.

NIRS，gibberellic disease wheat，SIMCA identification model，sorting

S375

A

1003-0174（2016）11-0124-06

国家自然科学基金（31401523），国家粮食公益性行业科研专项（201313005-04），国家现代农业（小麦）产业技术体系专项（CARS-03）

2015-03-06

关二旗，男，1982年出生，讲师，谷物科学与技术，农产品质量与食物安全

卞科，男，1960年出生，教授，谷物化学，农产品加工与贮藏工程