论文部分内容阅读
相关研究表明,在稻米的表层和内部,稻米的营养成分含量有明显的差异。随着加工程度的增加,稻米的脂肪含量会随之减少。因此,如果能在加工过程中检测出稻米表面的脂肪含量,就有可能据此判断出稻米当前大致的加工精度。由于近红外光谱分析技术可以方便快速地对某些物质的化学组分作定量分析和检测,因此,可以将之应用于稻米表面脂肪含量的测定,然后根据稻米的脂肪含量,进行大米加工精度等级的判定。本课题通过德国Bruker公司生产的Vector22/N型傅立叶变换近红外光谱分析仪对大米样品进行光谱扫描,采用近红外漫反射光谱分析技术、PLS化学计量学算法建立大米表面脂肪含量的预测模型；结合索氏抽提残余法和国家标准染色法,研究大米的加工精度与脂肪含量之间的关系,分别使用距离判别分析模型、聚类分析、BP神经网络模型和支持向量机模型用于大米加工精度等级的判定。实验以早稻、中稻、晚稻共69种水稻为实验材料,利用实验室砻谷机、碾米机等设备,模拟大米的加工过程,将稻米加工到不同程度的精度等级制备出大米样品。根据索氏抽提残余法,测得校正样品集和检验样品集的脂肪含量范围分别为1.3131%～1.9965%、0.3014%～1.4451%。利用OPUS5.0定量软件自动优化功能,在使用138个校正样品集、优化处理后,最终得到一阶导数法(FD)+乘法散射校正法(MSC)为最佳光谱预处理方法,7501.7～5449.8并4601.3～4246.5为最佳谱区,最佳主成分维数为4。由此参数进行内部交叉检验,建立校正模型,剔除6个异常光谱图,最终校正样品集为132个样品。交叉验证决定系数(R2)为0.9951,交叉验证误差(RMSECV)为0.0264,用已知真值的60个检验样品检验上述模型,验证决定系数(R2)为0.9905,预测误差(RMSEP)为0.0248；相关系数(r)为0.996。使用距离判别模型判定大米的加工精度等级,对未知样品进行预测,判定正确率为96.67%；利用聚类算法,确定大米加工精度等级对应脂肪含量的聚类中心,对未知样品进行预测,判定正确率为88.33%；建立BP神经网络和支持向量机,进行未知样品的大米加工精度判定,判定正确率可以达到96.67%和83.33%,表明可以利用近红外漫反射光谱分析技术,建立大米加工精度等级的客观判定模型。由于大米加工精度也用糙出白率来区分,利用OPUS5.0定量软件自动优化功能,使用138个校正样品集、优化处理后,最终得到一阶导数法+乘法散射校正法(MSC)为最佳光谱预处理方法,6101.7～4246.5cm-1为最佳谱区,最佳主成分维数变为4。由此参数进行内部交叉检验,建立校正模型,交叉验证决定系数(R2)为0.9932,交叉验证误差(RMSECV)为0.174；相关系数(r)为0.999,用已知真值的60个检验样品检验上述模型,外部验证决定系数(R2)为0.9871,预测误差(RMSEP)为0.172,相关系数(r)为0.996。建立距离判别分析模型,对求知样品进行了预测,判定正确率为98.33%。利用聚类算法,确定大米加工精度等级对应糙出白率的聚类中心,对未知样品进行预测,判定正确率为81.67%；建立BP神经网络和支持向量机,进行未知样品的大米加工精度判定,判定正确率可以达到95%和90%。由于近红外光谱分析技术在远程监控和在线分析中的优势,使该方法在实现大米加工精度的实时检测方面具有很大的潜力,对指导大米在线加工、大米贮藏、大米品质研究等具有十分重要的意义。