油莎豆含油率的近红外光谱检测模型研究

摘要：为建立油莎豆块茎含油率的近红外光谱快速无损检测模型，提高育种材料的早代选择效率，本研究以109份油莎豆块茎样本为实验材料，采集波长范围为950-1 650 nm、分辨率为1 nm的近红外光谱，并通过索氏提取法测定块茎粗脂肪含量，剔除异常样本后共得到103份样本，使用SPXY法将其按3：1的比例划分为校正集与验证集。分别采用标准正态变换、多元散射校正、一阶导、二阶导、sc平滑以及混合方法对原始光谱进行预处理，并基于此建立偏最小二乘回归（PLSR）模型，通过对模型性能的对比分析，筛选出在校正集和验证集上预处理效果均较好的MSC+SC法，用于油莎豆含油率检测模型的构建；然后用竞争性自适应重加权采样（CARS）、无信息变量消除（UVE）算法以及MIP神经网络进行特征波长提取，并构建PLSR模型，结果显示，用CARS和UVE算法分别提取出115个和251个特征波段，建模效果均比全波段建模效果好，其中CARS-PLSR模型预测性能最优，校正集交叉验证均方根误差（RMSEcv），决定系数分别为1.328、0.903，验证集RMSEp.RP分别为1.206、0.888，验证集相对分析误差（RPDp）为3.040；而MIP-PLSR模型的预测精度与CARS-PLSR模型接近，RMSEcv.R分别为1.387、0.903，RMSEp、R2分别为1.207、0.887，RPDp为3.040，但提取的特征波长仅77个，是3种方法中最少的，说明MLP法能够更有效地降低光谱信息重叠，滤除无关信息，MLP-PLSR更适合用于油莎豆含油率检测。综上，本研究初步建立了基于近红外光谱的油莎豆含油率快速无损检测模型，可为提高育种工作中的检测效率提供有效方法，并为油莎豆含油率无损检测提供技术支持。

关键词：油莎豆；含油率；近红外光谱；偏最小二乘回归（PLSR）；MLP神经网络；特征波长提取

中图分类号：S126：S565.9 文献标识号：A 文章编号：1001-4942（2025）01-0166-08

油莎豆是一种原产于非洲和地中海沿岸的高能作物，耐盐碱、干旱，适宜在沙壤土中种植；其块茎椭圆形或类球形，成熟时含油量在20%-36%之间，单位面积产油量非常可观，并且油脂中富含维生素E和维生素C，营养价值较高。因此，油莎豆作为新型油料作物，有着极高的发展潜力，是《全国种植业结构调整规划（2016-2020年）》重点推荐种植的油料作物之一，可作为进口大豆重要的替代性原料，在不与主粮争地的政策背景下对提高我国食用油自给自足率起着重要作用。

含油率是油料作物的重要品质性状，也是育种改良的主要目标性状，建立一套能规模化应用且快速准确的含油率测定方法对于加快育种进程具有重要意义。通常实验室中使用索氏提取法测定样品中的粗脂肪含量，这也是我国粮油分析首选的标准方法。但该方法实际操作过程中耗时较长且需要消耗大量试剂，不适用早代育种材料的大规模筛选分析。近红外光谱分析技术是一种融合了光谱技术、信息学、化学计量学和计算机技术的高效快速分析技术，利用有机分子中含氢基团（如0-H、C-H、N-H等）的震动吸收频率与780-2 526 nm近红外光谱的对应关系，通过获取和分析不同分子的光谱信息，实现对农产品中蛋白质、氨基酸、脂肪等的检测分析，已广泛用于花生、玉米、谷物等的品质分析以及肉类掺假鉴定和乳饮料品质分析等领域，但在油莎豆含油率检测方面的应用研究还较少。

本研究选用103份油莎豆样本构建数据集，采用SPXY算法按照3：1的比例将数据集划分为校正集和验证集，对比分析一阶导、二阶导、标准状态变换、多元散射校正、SG平滑以及混合处理等多种光谱预处理方法的降噪效果，采用CARS和UVE算法以及MIP人工神经网络进行特征波长选择，初步建立了基于PLSR和MIP人工神经网络的油莎豆含油率近红外无损分析模型，以提高油莎豆育种工作中的检测分析效率，为油莎豆品质无损检测分析提供一定的理论参考。