华东交通大学智能机电装备创新研究院, 江西 南昌 330013
稻米霉变会引起营养物质流失, 同时产生有毒物质, 不仅降低其自身品质, 还会感染其他正常稻米。 为减少霉变引起的稻米损耗, 需及时分离霉变稻米。 高光谱技术具有快速、 无损的特点, 因此, 尝试利用高光谱技术对稻米霉变情况进行检测。 发芽稻米与发霉稻米具有相似的光谱特征, 易被误判为发霉稻米, 影响后续稻米霉变程度的检测, 因此, 提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米, 并对不同霉变程度的稻米进行判别。 将正常、 发芽、 发霉和发芽发霉的稻米样本建立模型进行区分检测, 并对轻度、 中度、 重度和完全发霉的稻米样本进行判别。 利用高光谱采集仪器对正常、 发芽、 发霉和发霉发芽的稻米样本进行光谱图像采集, 提取采集图像感兴趣区域（ROI）的光谱, 以ROI内光谱的平均反射率作为稻米样本的光谱特征。 对提取的光谱数据进行SNV、 Normalize和MSC等预处理; 利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集; 分别建立PLSR、 SVM和RF模型, 以3种模型的预测集正确率评价各模型预测效果, 挑选出效果最优的判别模型。 在正常、 发芽、 发霉和发芽发霉稻米的检测中, 得到最优的判别模型为基线校正法预处理后的随机森林（Baseline-RF）模型, Baseline-RF模型的预测集判别准确率为100%; 在稻米霉变程度的检测中, 通过对不同模型的预测结果进行比较得出, SNV-RF模型的预测集中未出现误判样本, 表现出最优的判别效果。 为简化模型, 在冗长的原始光谱中提取特征波长, 以特征波长光谱建立SNV-RF模型, 结果显示利用CARS算法挑选后的特征波长具有较好的判别能力, 整体的判别准确率为97.5%。 实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度, 为霉变稻米的快速判别提供一定的理论基础和实验参考, 对提高稻米品质、 减少稻米浪费具有重要意义。
高光谱技术 波段筛选 稻米霉变 快速检测 Hyperspectral technology Waveband selection Rice moldy Rapid detection 光谱学与光谱分析
2023, 43(8): 2391
安徽工程大学生物与食品工程学院, 安徽 芜湖 241000
稻米储藏陈化导致食用品质下降, 蛋白质变化是重要诱因。 谷蛋白是稻米中主要蛋白, 采用拉曼和红外光谱表征陈化中谷蛋白的变化, 并对其功能性质差异进行比较, 利于阐明稻米的陈化机理。 拉曼光谱表明, 陈米谷蛋白1 665和1 218 cm-1处的拉曼归一化强度分别为1.01和0.25, 明显低于新米谷蛋白, 表明陈化后谷蛋白的α-螺旋减少; 陈米谷蛋白中二硫键(516和527 cm-1处峰强度分别为0.45和0.42)、 亚砜(1 035 cm-1处峰强度为0.48)和砜(1 124, 1 152, 1 159, 1 316和1 334 cm-1处峰强度分别为0.47, 0.22, 0.26, 0.50和0.63)的强度明显高于新米谷蛋白, 表明含硫氨基酸残基发生明显氧化; 陈米谷蛋白的酪氨酸Fermi共振857/830 cm-1的强度比值1.68明显高于新米谷蛋白, 酪氨酸残基更加暴露; 陈米谷蛋白751 cm-1附近色氨酸的拉曼强度为0.20, 比新米谷蛋白的强度0.14显著提高, 陈化后谷蛋白色氨酸残基更加埋藏; 陈米谷蛋白3 423 cm-1处的O—H伸缩强度为0.05, 比新米谷蛋白对应强度0.02显著增大, 表明分子间结合程度升高, 谷蛋白与淀粉分子结合更加紧密。 除了酪氨酸的Fermi共振、 1 333和1 152 cm-1处砜的吸收峰不高外, 陈化谷蛋白的其余拉曼强度均高于陈米谷蛋白, 说明陈化谷蛋白的氧化程度更高。 红外光谱表明, 陈米谷蛋白和陈化谷蛋白中1 153, 1 078和1 026 cm-1处的硫氧化物吸收峰增大, 进一步支持谷蛋白发生了氧化。 与新米谷蛋白相比, 陈米谷蛋白的溶解性、 持水性、 乳化性和乳化稳定性均显著降低, 而持油性升高, 支持陈米中谷蛋白发生了明显氧化。 陈化谷蛋白的溶解性(除pH 9)、 持水性和乳化性比陈米谷蛋白更低, 持油性更高, 表明新米谷蛋白被提取出来后单独陈化时氧化程度更深。 陈化后谷蛋白功能性质的变化支持红外和拉曼光谱显示的氧化变化, 这为阐明蛋白质在陈米品质劣变中的作用提供了光谱依据, 为控制稻米陈化劣变以减少产后损失奠定基础。
稻米 陈化劣变 谷蛋白 红外 拉曼 功能性质 Rice Aging deterioration Glutelin Infrared Raman Functional properties 光谱学与光谱分析
2021, 41(11): 3431
1 天津大学环境科学与工程学院, 天津 300350
2 中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012
3 中国环境科学研究院地下水与环境系统创新基地, 北京 100012
土壤汞污染对水稻的生长、 发育以及稻米的品质均产生重要影响, 目前, 应用红外光谱研究汞对水稻植株中有机物分子结构的影响尚不深入。 采取大田低、 中、 高三种汞污染水平下的水稻植株样品, 应用傅里叶变换-红外光谱法(FTIR)测定水稻根、 茎叶、 籽粒三个器官的特征吸收峰, 研究不同程度土壤汞污染对植株傅里叶红外光谱特征的影响。 结果表明: 土壤汞污染导致了汞在水稻植株中的累积, 其含量分布为: 根>茎叶>籽粒。 水稻根、 茎叶在3 428, 2 922, 2 851, 2 364, 2 344, 1 750~1 500和1 150~935 cm-1等波数均受汞污染的影响, 而汞污染下的水稻籽粒仅在3 426, 2 361, 2 335和1 750~1 300 cm-1波数发生了变化。 综合分析水稻植株各器官的FTIR光谱特征, 可能说明: 汞胁迫降低了水稻根、 茎叶和籽粒中碳水化合物, 刺激了根中羧酸、 半乳糖、 饱和脂类和茎叶中多种多糖的生成。 水稻根和茎叶是阻抑汞迁移与侵害的主要器官。 根部似乎是在茎叶加强多糖类物质的生成并向根部转运营养物质的基础上通过分泌有机酸和增强细胞壁、 膜的形成, 使其与Hg螯合和吸附, 阻止汞向根内的迁移来实现抗汞胁迫的。 可以通过加强根与茎叶的抗汞过程来降低汞对水稻尤其是稻米的侵害。 在种植管理中不仅要重视汞在稻米中的积累, 还应当重视汞对水稻生长发育和稻米品质的影响。
汞污染 水稻根 稻米品质 傅里叶变换红外光谱(FTIR) 汞抗性 Soil mercury contamination Rice root Rice quality Fourier transform infrared spectroscopy (FT-IR) Mercuric resistance 光谱学与光谱分析
2018, 38(7): 2081
1 武汉轻工大学机械工程学院, 湖北 武汉 430023
2 武汉轻工大学食品科学与工程学院, 湖北 武汉 430023
3 武汉百信环保能源科技有限公司, 湖北 武汉 430023
该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。 分别将大豆油、 玉米油、 菜籽油、 餐饮废弃油掺入稻米油中, 按照不同质量比配置189个掺伪油样, 利用激光近红外光谱仪采集光谱; 对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、 正交信号校正 (OSC)、 标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。 采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取, 应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型, 选择网格搜索算法对模型参数组合(C, g)进行寻优, 确定最优参数组合。 另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取, 分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型, 并选用网格搜索算法对SVR模型参数组合(C, g)进行寻优, 建立最优参数模型。 研究表明, 建立的SVC模型预测集和校正集的准确率分别达到了95%和100%; 对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测, 两种方法均能够实现含量预测, SVR模型的预测能力更好, 相关系数R高于0.99, 均方根误差(MSE)低于5.55×10-4, 预测精度高。 结果表明, 采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析, 同时为其他油脂的掺伪分析提供了方法。
稻米油 近红外光谱技术 定性-定量 特征波长 偏最小二乘法 支持向量机 Rice bran oil near infrared spectroscopy Qualitative-Quantitative Feature wavelength Partial least squares Support vector machine 光谱学与光谱分析
2015, 35(6): 1539
1 中南大学 信息物理工程学院, 湖南 长沙 410083
2 吉首大学 生物资源与环境科学学院, 湖南 吉首 416000
3 中南林业科技大学 林业遥感信息工程研究中心, 湖南 长沙 410004
4 吉首大学 生物资源与环境科学学院, 湖南 吉首 41600
利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec .3地物光谱仪采集了5种稻米 的光谱数据, 各获取35个样本, 随机分成训练集(150份)和检验集(25份), 并分别采取全波段与特征波段(400～ 500nm、910～1400nm与1940～2300nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处 理后, 以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP人工神经网络(BP-ANN)的输入变量, 稻米品种作为输出变量, 建立3层BP-ANN鉴别模型.利用25个未知样对模型进行检验, 结果表明两类模型预测准 确率均高达100%, 其中特征波段模型比全波段模型具有更高的预测精度, 说明利用可见/近红外技术结合PCA-BP 神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的, 且提取特征波段是优化模型的有效方法之一.
可见/近红外光谱 稻米 主成分分析 BP-人工神经网络 鉴别 visual/near infrared spectra rice principal component analysis(PCA) BP-artificial neural network discrimination
