下载文档原格式
近红外光谱分析技术在玉米品质检测中的应用研究进展
常莉;翟晨;钱承敬;史晓梅;张巍巍;罗云敬;张晓琳
【期刊名称】《中国畜牧杂志》
【年(卷),期】2024(60)1
【摘要】玉米是我国重要的粮食作物和动物饲料来源。
为实现精准化营养和自动化加工,在玉米种植、仓储、深加工、饲用等领域,玉米的营养品质、安全指标及种子质量等备受关注。
传统的化学检测方法会对样品产生破坏,耗时耗力,并且需要专业的技术人才进行操作,难以满足日益增长的玉米检测需求。
近红外光谱分析技术具有检测速度快、操作简单、多组分同时分析等优点。
本文主要综述近红外光谱分析技术在检测玉米的化学成分、安全指标、种子质量等方面的研究进展,旨在为近红外光谱分析技术在玉米的品质评价、种质选择等方面的检测应用提供参考。
【总页数】7页(P101-107)
【作者】常莉;翟晨;钱承敬;史晓梅;张巍巍;罗云敬;张晓琳
【作者单位】北京工业大学环境与生命学部;中粮营养健康研究院有限公司营养健康与食品安全北京市重点实验室
【正文语种】中文
【中图分类】S816
【相关文献】
1.近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展
2.近红外光谱分析技术在羊肉品质检测中的应用研究进展
3.近红外光谱分析技术在蔬菜
品质检测中的应用研究进展4.近红外光谱分析技术在农产品食品品质在线无损检测中的应用研究进展5.近红外光谱分析技术在鸡肉品质检测中的应用研究进展
因版权原因，仅展示原文概要，查看原文内容请购买。
国内粮食作物检测中近红外光谱的最新应用进展分析0 引言自 1800 年英国物理学家W. Herschel 发现近红外光以来，计算机技术、信息提取技术和仪器设备等的发展，极大的促进了近红外光谱分析技术的发展，近红外光谱是20 世纪90年代以来发展最快、最引人注目的光谱分析技术。
以其高效、快速、无损等特点成功广泛应用于工业、农业、食品、纺织、药品等领域[1]。
随着人们对食品安全的日益重视，粮食作物的检测技术不断发展，除传统的化学方法外一些先进的新技术或者其他领域的技术也都有所引入，如计算机视觉、液相色谱、随机扩增多态性DNA 技术（RAPD）等等。
而其中一些检测方法和检测仪器因检测速度慢、有损、效率低、成本高、劳动量大等特点不能满足随着人们对粮食作物检测效率、检测程序复杂等要求。
近红外光(Near Infrared,NIR)是指波长在760~2500nm 范围内的电磁波,介于可见光(VIS)与中红外光(MIR)之间。
由于分子振动的非谐振性,使分子振动从基态向高能级的跃迁成为可能。
当近红外光照射到由一种或多种分子组成的物质上时，如果物质分子为红外活性分子，则红外活性分子中的键与近红外光子发生作用，分子振动、转动的状态变化、分子振动或者转动状态在不同能级间的跃迁产生近红外光谱吸收。
能量跃迁包括基频跃迁、倍频跃迁和合频跃迁。
在近红外光谱范围内, 测量的主要是分子中含氢官能团X-H (X = C、N、O、S 等) 振动的倍频及合频吸收。
根据各含氢基团的近红外吸收特点就可以来检测农产品中含有氢基团的蛋白质、脂肪、水分、氨基酸、淀粉、糖、酸等成分[2]。
在农业领域该技术不但可用于谷物和水果的蛋白质、有机酸、脂肪、淀粉、糖、水分以及其它营养成分的分析，还适用于其它各种农副产品品质分析，如饲料、食品、蔬菜、烟叶等[3]。
本文综述了该技术在在国内一些主要粮食作物检测中的最新应用进展，主要包括检测小麦、稻谷、玉米、大豆等等，文章最后探讨和展望了该技术所存在一些问题和发展趋势。
基于近红外光谱技术的粮食品质检测研究粮食是人类生存和发展的基石，也是人类食品安全的重要组成部分。
粮食品质检测作为粮食生产和贸易中不可或缺的环节，一直以来受到各界的广泛关注。
传统的粮食品质检测方法大多采用化学分析、物理测试、显微镜观察等手段，虽然这些方法能够对粮食的营养成分、品质指标、杂质含量等方面进行评估，但存在昂贵、复杂、低效等缺点，同时对检测样品的破坏性比较大。
随着近红外光谱技术的研究和发展，该技术被应用于农产品品质检测中，并因其非破坏性、快速、准确、全面等优点而得到了广泛的应用。
一、近红外光谱技术的原理近红外光谱技术是一种基于光谱学的分析技术，它是通过检测样品所发出或吸收的近红外波段的辐射光谱，对样品的信息进行检测和分析。
在近红外光谱仪中，光源会发出近红外波段的光线照射到样品上，样品在吸收或反射这些光线之后，再由检测器测量样品的反射或透射强度，并将测量结果转换成样品的信息。
由于每种组成物质的光谱特征是独特的，因此，近红外光谱技术能够对不同组成物质的光谱进行分析，实现对样品中主成分、微量成分、杂质等信息的快速、准确检测。
二、近红外光谱技术在粮食品质检测中的应用近年来，近红外光谱技术在粮食品质检测中得到了广泛应用。
其主要原因在于该技术能够对粮食的多种品质指标进行准确、快速检测，并且不破坏样品从而具有实用性。
下面我们将分别从粮食成分分析、品质检测和杂质检测三方面介绍近红外光谱技术在粮食品质检测中的应用。
1. 粮食成分分析粮食成分包括淀粉、蛋白质、脂肪等，这些成分的含量对于粮食品质的评估至关重要。
近红外光谱技术可以对粮食成分进行快速检测，且具有高准确度和稳定性。
例如，在小麦中，通过近红外光谱技术可以检测出小麦的蛋白质含量、淀粉含量、水分含量、硬度等多种品质指标，而在玉米中则可以对脂肪含量、淀粉含量等进行检测。
2. 粮食品质检测在粮食品质评估中，颜色、外观、质量、口感等是非常重要的品质指标。
近红外光谱技术可以检测出粮食的多种物理和化学特性，因此也逐渐成为粮食品质检测中的重要手段。
近红外光谱技术在玉米种子质量检验上的应用研究进展作者：吕巨智石达金唐国荣覃永嫒李发桥钟昌松邓锡肖来源：《种子科技》2020年第13期摘要：玉米是世界上最重要的粮食作物之一，其种子质量的好坏直接影响粮食的产量，与食品生产安全息息相关，种子作为生产源头牵动着整个玉米产业链的发展。
种子的质量还影响农作物的生存能力，是农业生产资料重要的组成部分。
种子作为各种技术的关键载体，优质高产的种子对于提高食品安全和经济产量有着重要意义。
随着农作物种子检测技术的不断进步，玉米的产量和质量得到有效提高。
尤其是将近红外光谱分析技术应用在玉米种子检测中，使玉米种子检测质量与效果得到明显提高，为农户育种、种植及营销节省了成本，提高了经济效益。
首先介绍了近红外光谱检测技术的应用原理，之后分析了近红外光谱分析技术的优缺点，最后探讨了近红外光谱分析技术在玉米种子检测中的应用。
关键词：近红外光谱技术;玉米种子;质量检验;应用;研究进展玉米是老百姓餐桌上常见的食物，也是动物饲料及酿酒的重要原料。
玉米富含人体所需的多种营养素，其中维生素B1、B2、B6，胡萝卜素和膳食纤维的含量要高于稻米与小麦，是我国最重要的粮食作物之一。
提高玉米产量与质量，对农业发展和经济稳定起着至关重要的作用。
随着生活质量的不断提升，人们对食品的安全性要求也不断提升，所以玉米种子的鉴定工作显得尤为重要，加强农产品种子检测工作的更新和完善势在必行。
近红外光谱检测技术借助其无破坏性、测量速度快、检测数据误差小等技术优势，成为玉米种子品质检测领域的研究热点。
近红外光是一种波长介于红外光和可见光之间的电磁波，通过对其分子振动光谱的分析，可以获取检测样本中组成成分的详细信息[1]。
并且近红外光谱分析技术准确性高、成本低、绿色环保，因此在农产品种子检测工作中的应用效果显著，已经逐渐成为现阶段玉米种子安全检测的重要手段。
1 近红外光谱检测技术的应用原理随着近红外光谱技术不断被相关专家重视，近红外光谱分析技术得到快速发展。
分析检测基于近红外光谱的玉米品种鉴别方法吕晨曦，倪 金，杨冬风*（黑龙江八一农垦大学 信息与电气工程学院，黑龙江大庆 163319）摘 要：玉米因其耐旱、产量高、抗倒伏等优点，被广泛种植于我国各地。
但因不同玉米品种间价格和品质差异较大，人工分辨其品种较为困难。
基于此，本文利用近红外光谱技术结合机器学习建立预测模型，提出了一种快速鉴别玉米品种的方法。
实验将采集到的玉米粒近红外光谱数据经过多元散射校正预处理后，建立核极限学习机模型用于玉米品种预测实验。
结果表明，核极限学习机在玉米品种鉴别中能够表现出较好的效果，其预测准确率和F1值可以达到85.66%和90%。
为了进一步提高预测准确率，实验还针对建模中的两个重要参数引入了灰狼优化算法，即核函数γ和惩罚因子C的寻优，该算法有效提升了模型准确率和F1值，达到了实际应用标准。
该方法为食用玉米品种分类提供了技术保障，同时也对有关部门的管理和监督提供了借鉴。
关键词：玉米；品种分类；近红外光谱；灰狼优化算法；核极限学习机Qualitative Identification Method of Maize Varieties Based onNear-Infrared SpectroscopyLV Chenxi, NI Jin, YANG Dongfeng*(College of Information and Electrical Engineering, Heilongjiang Bayi Agricultural University, Daqing 163319, China) Abstract: Corn is widely planted in various parts of China due to its advantages such as drought resistance, high yield, and lodging resistance. However, due to significant differences in price and quality among different corn varieties, it is difficult to manually distinguish them. Based on this, this article uses near-infrared spectroscopy technology combined with machine learning to establish a prediction model and proposes a fast method for identifying corn varieties. The experiment will preprocess the collected near-infrared spectral data of corn kernels through multiple scattering correction, and establish a kernel limit learning machine model for corn variety prediction experiments. The results show that the kernel limit learning machine can perform well in identifying corn varieties, with prediction accuracy and F1 values reaching 85.66% and 90%, respectively. In order to further improve the prediction accuracy, the experiment also introduced the Grey Wolf optimization algorithm for two important parameters in modeling, it’s the optimization of kernel function parameter γ and penalty factor C, this algorithm effectively improves the model’s prediction accuracy and F1 value, meeting the practical application standards. This method provides technical support for the classification of edible corn varieties, and also provides reference for the management and supervision of relevant departments.Keywords: corn; variety classification; near-infrared spectroscopy; gray wolf optimization; kernel limit learning machine玉米是我国重要的粮食作物之一，不同品种间价格和品质均存在较大区别，但外观极为相似，这导致市场上常出现使用廉价品种冒充高价品种玉米售卖的现象。
国家标准《粮油检验玉米水分含量的测定——近红外法》编制说明《粮油检验玉米水分含量的测定——近红外方法》国家标准起草组二〇〇八年十月六日1.工作简况（包括任务来源、协作单位、主要工作过程、国家标准主要起草人及其所做工作等）1.1 项目背景和来源近红外分析方法(NIR)是近年来在粮食质量测定中作为迅速、简便、非破坏性检测发展起来的新技术，它是利用粮食中某一成分在近红外谱段中（700nm—2500nm）对特定波长近红外光能量与其含量有等比吸收的原理。
近年来，我国粮食和农业部门引进了世界各国多种型号近红外分析仪，使我国近红外应用技术迅速发展，在农产品质量控制上发挥了一定作用。
近红外分析方法自二十世纪七十年代被美国确定为非破坏检测粮食水分、蛋白质、脂肪的标准方法以来，在美国、法国、丹麦、瑞典、日本、澳大利亚等农业发达国家已经将NIR检测装置作为小麦、大麦和稻谷蛋白质证明的认定基准装置。
实践验证，近红外分析仪不仅可以为生产企业的品质控制提供直接快速的信息，使生产企业能够及时调整生产工艺，而且近红外光谱分析仪在粮食质量检测中充分体现了它快速、准确、节省人力物力等优点。
多年来，粮食检验部门和加工企业陆续购置了不少近红外分析仪器，但是由于缺乏标准的支撑，近红外分析技术在粮食检验机构一直未能得到真正应用。
为了规范近红外光谱仪的使用，确保测定结果的可靠性，使各级检测部门、研究机构及厂家在使用近红外光谱分析仪时有标准方法可依据。
通过近红外粮食质量检测系列标准的建立，将为粮食质量保证体系提供良好的技术支撑。
根据国家标准化管理委员会《关于下达2007年第四批国家标准制修订计划的通知》（国标委计[2007]85号）的要求，项目编号为-T-449的《粮油检验玉米水分含量的测定——近红外方法》国家标准起草任务由河南工业大学、吉林省粮油质量监督检测站等单位组成标准起草组。
在国家粮食局标准质量中心的组织、协调下，由河南工业大学主持本标准的编制起草工作。
第34卷第13期农业工程学报V ol.34 No.13 2018年7月Transactions of the Chinese Society of Agricultural Engineering Jul. 2018 203基于近红外光谱的灌浆期玉米籽粒水分小样本定量分析王雪1,2，马铁民2,3，杨涛1※，宋平1，谢秋菊2，陈争光2（1.沈阳农业大学信息与电气工程学院，沈阳110866； 2. 黑龙江八一农垦大学电气与信息学院，大庆163319；3. 东北大学计算机科学与工程学院，沈阳110819）摘要：玉米灌浆期含水率测定是考种育种的重要指标。
为了节约样本且快速准确测定灌浆期玉米水分，该文应用近红外光谱技术，提出了基于小样本条件下的自举算法（Bootstrap）与基于x-y距离结合的样本划分方法（SPXY, sample set partitioning based on joint x-y distances）相结合的样本优化方法的偏最小二乘（PLS，partial least square）水分定量分析模型Bootstrap-SPXY-PLS模型。
试验结果表明，当Bootstrap重抽样本次数等于500，样本数量大于等于10时，模型的性能稳定，并且随着样本数量增加，重抽样本次数相对减少；样本数量为10和50时，全谱Bootstrap-SPXY-PLS模型的预测均方根误差（RMSEP, root-mean-square error of prediction）均值分别为0.38%和0.40%，预测相关系数（correlation coefficients of prediction）分别为0.9751和0.9685，决定系数R2分别为0.9999和0.9936；基于竞争性自适应重加权采样算法（CARS，competitive adaptive reweighed sampling）波长变量筛选后的CARS-Bootstrap-SPXY-PLS模型的预测均方根误差RMSEP均值分别为0.36%和0.35%，预测相关系数分别为0.9736和0.9750，模型决定系数R2分别为0.9245和0.9180。
因此，全谱Bootstrap-SPXY-PLS模型和CARS-Bootstrap-SPXY-PLS模型均具有稳定的预测能力，为玉米育种时灌浆期种子水分测定提供了一种稳定、高效的方法。
关键词：近红外光谱；水分；模型；定量分析；小样本集；灌浆期玉米籽粒；Bootstrap重抽样本；样本优化选择doi：10.11975/j.issn.1002-6819.2018.13.024中图分类号：S24 文献标志码：A 文章编号：1002-6819(2018)-13-0203-08王 雪，马铁民，杨 涛，宋 平，谢秋菊，陈争光. 基于近红外光谱的灌浆期玉米籽粒水分小样本定量分析[J]. 农业工程学报，2018，34(13)：203－210. doi：10.11975/j.issn.1002-6819.2018.13.024 Wang Xue, Ma Tiemin, Yang Tao, Song Ping, Xie Qiuju, Chen Zhengguang. Moisture quantitative analysis with small sample set of maize grain in filling stage based on near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 203－210. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.13.024 0 引 言近红外光谱及其分析技术越来越多地被应用于农业、食品、工业等领域的质量定性分析[1-3]和成分快速测定[4-7]中，研究中样本规模一般在100～200之间[8-11]。
在玉米育种时，由于受繁育新品种的种植面积，每平方米可以种植的玉米植株数目，有效试验穗数量等客观条件所限，灌浆期玉米水分测量时样本的取样数量、取样成本等受到一定限制。
然而，灌浆期是玉米品种变化和育种考种的关键期，传统烘干水分测定方法取样时只选取中间的150～250粒进行百粒质量水分测量[12]，因而需要大量样本。
因此，研究小样本、高效率水分测量方法是玉米育种过程中急需解决的问题之一。
在近红外光谱分析领域中，样本量是影响算法性能及预测能力的关键。
一般情况下样本数量越少，样本检收稿日期：2018-02-25 修订日期：2018-05-19基金项目：国家自然科学基金青年基金（31701318）；黑龙江八一农垦大学校内课题培育资助项目（XZR2016-09）。
作者简介：王雪，辽宁沈阳人，讲师，博士生，从事近红外光谱分析及其在农业上的应用研究。
Email：mtmwx@※通信作者：杨 涛，博士，教授，博士生导师，主要从事计算机技术在农业领域应用的教学与研究工作。
Email：328748306@ 验模型的有效率就会越低，所以在应用中找到小样本数量的临界值非常重要。
Bootstrap算法，由Efron教授在1979年提出[13]，广泛应用于化学计量学样本检验方法的改进。
近年来，许多研究者提出了应用Bootstrap重抽样本方法进行小样本条件下的数据分析。
大部分研究者认为Bootstrap方法在对小样本数据进行检验时具备可靠性[14]，与传统方法相比减少了传递量和不确定性[15]，既可以用于样本的正态性检验[16]，也可以不考虑数据是否为正态分布[17]，不对数据进行预处理[18-19]。
也有研究者认为对于偏离正态分布的原始数据应该采用非参数Bootstrap方法[20]，对于正态分布或正态分布的原始数据，可以采用参数Bootstrap方法代替非参数方法。
尤其是非参数Bootstrap 在少量样本情况下的检验相较于其他检验方法更为有效，并且认为样本数量一般至少应在10以上[21]。
陈昭等[22]提出了Bootstrap方法与偏最小二乘法结合的Bagging和Boosting方法，结果表明Bootstrap方法提高了近红外光谱定量模型的预测能力；Xiao等[23]在沥青渗透指标相关成分的少量样本的光谱定量分析模型研究中的结果表明Bootstrap方法与SVM相结合的模型效果良好。
Lodder等[24]创建Bootstrap Patter Selection样本选择方法并用于蛋白质的测定，决定系数R2可以稳定在0.988。
因此，通过对现有Bootstrap方法的相关文献研究农业工程学报（）2018年204可知，Bootstrap方法在小样本条件下的分析检测具有优势，并且对原始数据分布没有严格的要求，可以更好地应用于分析模型中。
本文研究的目的是利用Bootstrap和基于x-y距离结合的样本划分方法（sample set partitioning based on joint x-y distance，SPXY）构建近红外光谱样本优化方法，建立适宜小样本的灌浆期玉米水分定量分析模型，分析重抽样本次数和样本临界大小对模型的影响，提高灌浆期玉米水分的测定效率，降低测定成本，为灌浆期玉米水分测量提供新方法，既有助于玉米育种考种研究，也为近红外光谱在小样本条件下的定量分析提供新思路。
1 材料与方法1.1 试验材料样本采集自黑龙江八一农垦大学玉米试验基地，品种为“先玉335”。
灌浆期玉米样本采集期为2016年8月21日开始至10月2日结束，每7 d取1次样本。
由于温度较高，为了控制样本采摘后的水分流失，取样后迅速将样本转移至试验室，低温保存。
在最短时间内完成化学试验和光谱数据的采集，从而将预测模型的外界影响因素降到最低。
本文中的样本数据为2016年9月11日取样，光谱采集时将玉米籽粒研磨成粉末。
光谱采集样本数量为200个，剔除异常样本后剩余156个样本按照3﹕1的比例分配建模集和预测集分别为118个样本和38个样本。
1.2 试验设备与软件光谱采集设备为北京瑞利WQF-600N FTNIR傅里叶变换光谱仪，光谱波长范围在4000～10000 cm-1，每个样品扫描32次，最终光谱为32次扫描光谱的平均光谱。
含水率测定采用美国双杰G&G电子天平有限公司JJ224BC天平测试质量，精度0.1 mg。
烘干设备为天津市泰斯特仪器有限公司WH-71电热恒温干燥箱，烘干方法采用二次烘干法，105 ℃下断青，85 ℃恒温直至百粒质量没有变化。
含水率为单位质量的玉米籽粒水分含量，即含水率＝（（百粒鲜质量（g）－百粒干质量（g））/（百粒鲜质量（g））×100%。
算法实现采用Matlab2015b 8.6.0和RStudio 3.4.1软件进行，RStudio实现Bootstrap算法，Matlab2015b实现样本的划分算法和波长变量的筛选算法；光谱数据的预处理和相关计算采用The Unscrambler X 10.3软件实现。
1.3 试验方法及原理1.3.1 Bootstrap重抽样本算法Bootstrap算法是为了增强模型的精度和稳健性，采用重新抽样的策略反复地进行模拟原小样本数据集，构建满足分析与建模需要的新数据集。
如果简单的迭代模拟数据，新数据集样本间的差异性将很难保证。
因此，每次在进行下一次重抽样本时都将上一次抽取的样本与原样本进行合并，并计算出新样本集的均值作为下一次重抽样本的权重以增强样本的差异性和模型的稳健程度。
本研究中所采用的Bootstrap算法过程如下：1）定义原始样本集为X=(X1,X2, …, X n)，X n为参加Bootstrap重抽算法的第n个光谱样本。
设Bootstrap的最大重抽样本次数为count；2）根据原样本的均值数据对重抽样本的权重进行计算，记为 i，其中1,i count；3）依照公式（1）按照当前样本权重 i对待抽取的样本集进行重新抽取，抽取形成的数据集为X*=(X i1, X i2, …, X in)；X*=X+ i（1）4）将新抽取形成的样本集X*与X进行合并，按照步骤2）重新计算样本抽取权重；5）重复步骤3）、4）count次，形成新的样本集X’，样本数N=n*count。
对于n个样本，通过count次迭代的重抽样本，获得了n*count个重抽样本，通过采用样本划分和建模等方法对样本集X’进行处理得到适合的创建模型样本，进而得到有效的小样本的预测结果。
