论文部分内容阅读
作为“五谷之首”的大米(也称为稻米),其质量和安全问题一直备受关注。然而,近年来频频出现的大米掺伪现象,使得大米的质量分析面临前所未有的挑战,迫切需要开发快速、可靠的检测技术。近红外光谱分析技术(NIRS)具有快速、无损、绿色、低成本的突出优点,已在各个领域和行业中被广泛应用。本研究针对现在市场上常见的两种大米掺伪现象(高档米中混入低档米和使用矿物油抛光),以近红外光谱技术为基础,同时结合化学计量学方法,分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。(1)近红外光谱技术结合直链淀粉含量建立掺伪大米(掺入低档米)的掺伪比例判别模型。按0%、5%、10%、15%、20%、30%、40%、50%、60%、70%、80%、90%和100%不同的掺伪比例制配了130个大米样品(高档A米中掺入低档B米),采集这130个掺伪大米的近红外光谱,对获得的原始光谱数据进行预处理(标准正态变量变换法、最大最小归一化法、平滑法和一阶导数法),分别结合偏最小二乘法建立4种PLS定量分析模型。通过对比建模结果得出最优的预处理方法是最大最小归一化法,建立的掺伪比例分析模型(掺入低档米)的校正集和预测集相关系数分别为0.9698(Rc)和0.9845(Rv),均方根误差分别为8.66(RMSECV)和6.46(RMSEP)。(2)近红外光谱技术结合偏最小二乘法(PLS)建立掺伪大米(掺入矿物油)的掺伪比例判别模型。按0.0000%、0.0118%、0.0395%、0.1370%、0.1819%、0.6194%、0.8764%和1.3219%不同的掺伪比例制配了80个大米样品(掺入矿物油),采集这80个掺矿物油大米的近红外光谱,并结合偏最小二乘法建立掺伪比例的PLS定量分析模型。试验结果显示,所建模型校正集的相关系数和均方根误差分别为0.9739(Rc)和0.106(RMSECV),预测集的相关系数和均方根误差分别为0.9888(Rv)和0.0698(RMSEP)。两个模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。