漫反射红外光谱法结合PLS测定稻谷脂肪酸值研究

蒋晓杰 周 旭 杨志成 张烝彦 潘丹杰

(杭州市粮油中心检验监测站，杭州 310003)

传统的化学滴定法测定脂肪酸值需要乙醇提取、化学滴定等复杂环节[1]。此外，化学滴定法难以实现在线检测，效率较低，至今尚未开发出有效的稻谷脂肪酸快速检测方法。研发新方法，实现稻谷脂肪酸值快速检测，对于产品质量安全保障、储粮企业质量把关、质监部门防伪打假等都具有重要意义。

漫反射傅里叶变换红外光谱法(DRIFTS)和近红外漫反射光谱法(NIDRS)作为一种红外光谱漫反射技术，其原理是当光照射到固态样品的表面时，除了一部分被样品表面立即反射出来之外，其余的入射光在样品表面产生漫反射，或在样品微粒之间辗转反射逐渐衰减，或为穿入内层后再折回的散射，收集到的漫反射光、散射光通过检测器转化为光谱信号。该方法具有快速、无损、无污染等特点。近年来，DRIFTS (4 000～400 cm-1)与NIDRS (12 500～4 000 cm-1)在农产品领域(如食品、油料、饲料、药物等)有着较广泛的应用。Ozgulyucel等[2]利用DRIFTS结合PLS测定稻谷外壳的脂肪酸含量研究。Queji等[3]利用DRIFTS和偏最小二乘法(PLS)联用，分析了苹果渣中的单糖、苹果酸和总酚的含量。俞法明[4]、陆艳婷等[5]利用NIDRS测定籼稻品种的蛋白质含量和粳稻品种的直链淀粉含量，为籼稻品种育种、筛选提供了快速便捷的方法。

目前，PLS广泛应用于食品分析中，Gómezcaravaca等[6]利用FTIR-PLS法评价橄榄油和的质量以及橄榄果实的质量。彭海根等[7]利用FTIR结合Bi-PLS及iPLS选择最佳波段，进行南疆红枣糖度的精确测定。

本研究在红外光谱分析基础上，以提高检测效率和准确度为目的，考察DRIFTS和NIDRS检测稻谷脂肪酸值，通过设计实验方案，反向区间偏最小二乘法(BiPLS)优化建模，以期实现稻谷脂肪酸值的快速检测。

1 材料与方法

1.1 样品

采集黑龙江、江西、安徽、江苏、浙江等地产的98个稻谷样品，样品经砻谷机去壳，锤式旋风磨粉碎，过40目筛，现磨现用。取其中10个稻谷样品用于红外漫反射模型验证(验证集)，其余用于模型建立(训练集)。

1.2 仪器与设备

DA7200二极管阵列近红外光谱仪；BRUKER TENSOR 27傅里叶变换红外光谱仪(配有漫反射样品采集系统，OPUS操作软件)；THU35C型砻谷机；LM3100型实验室粉碎磨。

1.3 方法

1.3.1 国标化学值的测定

采用GB/T 20569—2006《稻谷储存品质判定规则》测定稻谷脂肪酸值，每个样品测定3次，取平均值，结果以mg KOH/100 g表示。

1.3.2 漫反射光谱采集

1.3.2.1 近红外漫反射光谱采集

利用二极管阵列近红外光谱仪采集近红外漫反射光谱，光谱范围4 000～10 000 cm-1，分辨率3.125 nm/每二极管，环境温度为25 ℃左右，湿度约为35%。

1.3.2.2 傅里叶变换红外漫反射光谱的采集

利用傅里叶变换红外光谱仪，通过OPUS操作软件采集样品漫反射光谱。光谱范围400～4 000 cm-1，分辨率4 cm-1，扫描次数32次，保持室内温度25 ℃左右，湿度约为35%。

以空气作为空白参照，每个样品采集3次，结果取平均值。其中1/4样品数据用于验证分析(预测集)。

1.3.3 模型建立和评价

采用近红外光谱仪Simplicity软件对糙米粉样品分别建模；采用TQ analyst 软件对收集到的中红外光谱进行预处理以及分析。数据处理方式包括标准正态变量校正(SNV)、多元散射校正(MSC)、一阶导数(FD)、二阶导数(SD)、平滑处理(S-G)等。并用PLS建立模型，通过BiPLS对其进行优化。

通过比较校正相关系数(R2)、校正均方差(RMSEC)、预测均方差(RMSEP)、预测相对分析误差(RPD)等参数选取最佳预处理方式。R2越接近于1， RMSECV和RMSEP值越小，RPD越大，则预处理方法越有效。RPD是衡量模型效果的常用指标，其运算方式为标准差(SD)与RMSEP的比值。RPD值越大，模型与真值之间的差距越小。

1.3.4 模型优化

Bi-PLS是指将全谱等分成n个子区间后，同时在(n-1)个区间上建立PLS模型，即每次只排除一个区间，在余下的区间组合建模，使得每次模型产生的RMSECV最低。首先被排除的区间，说明对于整个模型的重要性最低；循环直到只剩最后一个区间，得出最优波谱组合区间模型。

2 结果与分析

2.1 化学指标

对98个稻谷样品进行脂肪酸测定，其中脂肪酸测定结果最大值为51.59 mg KOH/100 g，最小值为14.12 mg KOH/100 g，标准差为10.00。脂肪酸值跨度较大，梯度分布均匀，基本覆盖当前稻谷品种的脂肪酸值范围，具有较好的代表性。

2.2 中红外漫反射及近红外漫反射光谱采集结果

DRIFTS测定结果如图1a所示，在2 500～3 600 cm-1范围内存在较强的吸收峰，此峰范围广、峰型宽，这是由于此处是多个官能团的吸收峰叠加而成的缘故。3 500 cm-1处的吸收峰是由N—H键伸缩振动引起的，另外，在3 300 cm-1处存在缔合态O—H吸收峰，在2 500～3 300 cm-1存在C—H伸缩振动以及—COOH吸收峰。—COOH产生的峰型特点是谱带较宽，且中心在3 000 cm-1左右，与图所示相符。说明—COOH键的伸缩振动与脂肪酸值含量紧密相关。图1b为NIDRS测定结果的漫反射图谱。在5 160 cm-1处有非常强烈的吸收峰，这是O—H的伸缩以及弯曲振动合力引起的，8 310 cm-1处是—CH3的二级倍频峰。

图1 稻谷的原始漫反射红外光谱

不同脂肪酸值的稻谷漫反射吸收光谱波形相似，却又不完全重合，既显示了不同稻谷样品的差异性，又反映了稻谷的同一性和连续性。

2.3 光谱预处理结果

表1为不同光谱预处理方式对中红外及近红外模型准确度的影响。可见5、7点平滑作为光谱预处理时均能得到提高模型预测效果的目的。其中，当光谱经7点平滑时，得到的模型RMSECV值最小(RMSECV =8.09)，此时R2值为1.000，此时模型效果达到最优。

表1 傅里叶变换红外光谱预处理方法对模型准确性影响

注：SD为二阶导数；FD为一阶导数，SNV为标准正变量校正，MSC为多元散射校正，S-G为平滑方式。下同。

表2中可以看出：FD与MSC、SNV及S-G联用均能提高模型的稳定性和准确度。其中，通过一阶导数+MSC+3点平滑方式处理时，得到的模型最好，此时RMSECV为3.43。

表2 近红外光谱预处理方法对模型准确性影响

2.4 中红外漫反射模型优化结果

研究将全波谱以100 cm-1为单位分成34个区间，每次运算去掉一个区间，使模型的RMSECV最小，去掉的区间即为对建模整体作用最小的区间，多次重复后，得到最优化模型，如表2所示。其R2=0.998，RMSECV =3.65，RMSEP=3.69，经计算，RPD值为2.71。此时，模型对应的区间为800～1 000、1 600～1 700、1 800～2 200、2 400～2 500、2 700～2 800以及3 600～3 700 cm-1。

表3 中红外BiPLS模型优化结果

2.5 模型准确性比较

在模型建立完成后，通过10个稻谷样品(验证集)对2种模型的准确性进行分析。从表4中可以看出，DRIFTS预测值和化学值之间的绝对误差约在0.01～0.71 mgKOH/100 g之间，差值平均值为0.321 mgKOH/100 g，相对标准偏差为1.16%；NIDRS预测值和化学值之间得绝对误差约在0.09～0.79 mgKOH/100 g之间，差值平均值为0.421 mgKOH/100 g，相对标准偏差为1.70%。综上所述，DRIFTS及NIDRS均可以准确的预测稻谷脂肪酸值。

表4 稻谷脂肪酸值和红外光谱预测值的比较

3 结论

通过近红外漫反射红外光谱法以及傅里叶变换中红外漫反射红外光谱法2种方法共采集糙米粉样品的红外光谱，分别对脂肪酸值建立偏最小二乘法定量模型，在模型适当优化后，验证模型的可行性。结果表明，NIDRS和DRIFTS两种方法均可用于日常稻谷脂肪酸值快速检测。其中，NIDRS模型经预处理优化后，模型的R2、RMSECV分别为0.97、3.43；DRIFTS经BiPLS优化后，模型的R2、RMSEP以及RPD分别为0.998、3.69以及2.71。从模型准确性来看，DRIFTS的相对标准偏差(1.16%)要小于NIDRS的相对标准偏差(1.70%)，实验证明，DRIFTS能够更为准确地检测稻谷脂肪酸值。