论文部分内容阅读
稻谷是我国的主要粮食作物之一,稻谷的品种繁多给收购品质的鉴定带来较大困难,收购人员难以凭借外表、体型、口感准确分析稻谷品质的好坏,传统的稻谷品质分析方法也并不适合现场收购。本论文基于近红外光谱技术研究稻谷水分含量、粗蛋白含量、脂肪酸值及直链淀粉含量的分析模型,旨在为快速准确评价稻谷收购质量提供一种新的方法。采用常规的化学方法测定代表性稻谷样品的水分含量、粗蛋白含量、脂肪酸值、直链淀粉含量等品质指标,测得的稻谷水分含量、粗蛋白含量、脂肪酸值、直链淀粉含量的分布范围分别是10.26~21.26%、6.27~10.23%、11.44~41.89mg KOH/100g、13.18~20.86%。选用SupNIR-2700系列近红外光谱分析仪采集安徽省、江苏省、湖南省、黑龙江省稻谷样品近红外光谱图,采用与仪器配套的化学计量学定标软件RIMP进行数据分析。选择马氏距离法挑选建模集样品中的异常样品,对获取的图谱采用不同的预处理方法,比较不同预处理方法下的建模效果,通过比较校正标准差(SEC)、校正模型相关系数(RC)、交互验证标准差(SECV)、预测标准差(SEP)四个指标,选择最优的预处理方法。采用随机方法划分样品集,80%作为校正集,20%作为验证集,选择偏最小二乘法(PLS)和人工神经网络(ANN)分别建立各省近红外稻谷品质指标的定标模型及粳稻、籼稻、整体稻谷样品的定标模型,比较两种方法的建模差异。选择适当数量的未知样品研究所建定标模型的预测性能,通过双尾T检验法分析化学值和预测值之间的差异,研究近红外光谱技术能否用于稻谷主要品质指标的准确测定。结果表明:1.不同预处理方法下建模效果存在差异,对于PLS建模,选择Savitzky-Golay平滑+Savitzky-Golay导数+多元散射校正(MSC)+均值中心化的组合的预处理方法有最好的建模效果,对于ANN建模,选择标准正态变量变换+去趋势校正+Savitzky-Golay平滑+Savitzky-Golay导数+均值中心化的组合的预处理方法有最好的建模效果。2.不同地区、不同种类稻谷建模效果存在一定差异,PLS与ANN两种方法的建模效果差异不明显,均可以用于稻谷主要品质指标近红外模型的建立。3.最终建立的稻谷水分含量模型对未知样品的预测R2接近0.97,化学值和预测值之间的绝对偏差为0.06%,稻谷粗蛋白含量模型对未知样品的预测R2接近0.87,化学值和预测值之间的绝对偏差为0.02%,稻谷脂肪酸值模型对未知样品的预测R2超过0.62,化学值和预测值之间的绝对偏差为0.13mgKOH/100g,稻谷直链淀粉含量模型对未知样品的预测R2超过0.84,化学值和预测值之间的绝对偏差为0.08%,双尾T检验结果说明化学值与预测值之间无显著差异。4.近红外技术可以实现未知稻谷样品水分含量、粗蛋白含量、脂肪酸值、直链淀粉含量的快速测定,所建模型对稻谷水分含量、粗蛋白含量及直链淀粉含量预测准确,对脂肪酸值的预测效果较好。