基于近紅外光譜蕎麥淀粉、蛋白質(zhì)和總黃酮含量測(cè)定方法研究

王鳳花，朱海龍，楊 菊，席志勇

(1.昆明理工大學(xué)現(xiàn)代農(nóng)業(yè)工程學(xué)院，云南昆明650500; 2.昆明理工大學(xué)工程訓(xùn)練中心，云南昆明650500)

蕎麥又稱為三角麥、烏麥、花蕎，屬于雙子葉蓼科，蕎麥屬，主要分布在黃土高原高寒山區(qū)和云貴川高原山地，具有較高的營(yíng)養(yǎng)和保健價(jià)值，被稱為“食藥兩用”的糧食珍品［1］。蕎麥營(yíng)養(yǎng)元素種類豐富，含量平衡，蕎麥中淀粉和蛋白質(zhì)含量的高低，是評(píng)價(jià)蕎麥營(yíng)養(yǎng)品質(zhì)的重要指標(biāo)［2］。總黃酮是蕎麥中重要的藥理、保健功能因子之一，具有降血糖、降血脂、降尿糖、防便秘等功效［3］。因此，大力發(fā)展蕎麥種植產(chǎn)業(yè)及蕎麥的精深加工技術(shù)，提高蕎麥的品質(zhì)，對(duì)于增加農(nóng)民經(jīng)濟(jì)收入具有十分重要的意義。

表1 蕎麥化學(xué)組分的統(tǒng)計(jì)參數(shù)Table1 Buckwheat chemical constituent’s statistical paramenters

目前蕎麥淀粉、蛋白質(zhì)和總黃酮含量的測(cè)量仍然采用傳統(tǒng)的化學(xué)分析方法，其具有測(cè)量精度較高的優(yōu)點(diǎn)，但存在檢測(cè)速度慢、測(cè)量成本高，需在專門的檢測(cè)機(jī)構(gòu)或?qū)嶒?yàn)室中檢測(cè)等不足。近紅外光譜具有分析速度快、多組分同時(shí)測(cè)定、樣品不需預(yù)處理、非破壞性分析、實(shí)時(shí)分析、低分析成本以及操作簡(jiǎn)單等優(yōu)點(diǎn)，與化學(xué)計(jì)量學(xué)相結(jié)合可實(shí)現(xiàn)樣品組分快速無(wú)損的檢測(cè)。目前近紅外光譜技術(shù)已廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)檢測(cè)中［4－8］，且取得了較好的分析結(jié)果。但國(guó)內(nèi)外關(guān)于應(yīng)用近紅外光譜技術(shù)對(duì)蕎麥內(nèi)部成分的相關(guān)研究鮮有報(bào)道。因此，本文選取不同種植地區(qū)的8種蕎麥，利用近紅外光譜技術(shù)采集蕎麥的光譜信息，研究光譜信息和蕎麥內(nèi)部品質(zhì)之間的定量關(guān)系模型，建立一種快速、無(wú)損、穩(wěn)定、簡(jiǎn)便的蕎麥品質(zhì)的評(píng)定方法，對(duì)蕎麥育種、加工、檢測(cè)等多個(gè)環(huán)節(jié)具有很好的理論研究意義和實(shí)際應(yīng)用價(jià)值。

1 材料與方法

1.1 材料與儀器

蕎麥樣品 選用云南、山西、四川不同蕎麥種植地區(qū)的7種苦蕎籽粒和一種甜蕎籽粒，分別是昆明本地蕎、瀘西苦蕎、昭苦1號(hào)、昭苦2號(hào)、山西苦蕎Y16號(hào)、西昌苦蕎、大理苦蕎和大理甜蕎，共8種具有代表性的蕎麥品種，每種蕎麥選5個(gè)樣品，共40個(gè)樣品。每個(gè)樣品經(jīng)干燥、去雜后，裝袋密封備用，要求粒徑大小、均勻度一致。

FieldSpec 3光譜儀 美國(guó) ASD(Analytical Spectral Device)公司;CS101－2D型電熱鼓風(fēng)干燥箱中外合資重慶四達(dá)實(shí)驗(yàn)儀器有限公司;FSD－100A型電動(dòng)粉碎機(jī) 杭州大吉光電儀器有限公司;JLML礱米機(jī) 上海嘉定糧油檢測(cè)儀器廠。

1.2 實(shí)驗(yàn)方法

1.2.1 蕎麥光譜特征的采集 在對(duì)蕎麥籽粒進(jìn)行光譜測(cè)量時(shí)，實(shí)驗(yàn)裝置由微機(jī)、光譜儀、采用內(nèi)置光源的反射探頭、校正白板等組成。光譜儀選用了美國(guó)ASD(Analytical Spectral Device)公司的FieldSpec 3光譜儀，光譜采樣間隔為1nm，采樣范圍為350～2500nm，分辨率3.5nm。將40個(gè)蕎麥樣品放入直徑為90mm，厚度為15mm的玻璃培養(yǎng)皿中，將內(nèi)置光源的反射探頭緊貼樣品上表面，采用反射方式進(jìn)行樣品光譜采集。對(duì)每個(gè)樣品做5個(gè)重復(fù)，每個(gè)樣本掃描10次，然后采用ASD公司提供的view Spec pro軟件進(jìn)行平均處理，并將其按log［l/R］轉(zhuǎn)換為吸光度。然后將光譜數(shù)據(jù)以ASCII碼形式導(dǎo)出并用 ASD View Spec Pro，Unscramble V9.7和 DPS (Data Procession System For Practical Statistics)軟件進(jìn)行處理。

1.2.2 蕎麥內(nèi)部成分含量的測(cè)定 每個(gè)樣本蕎麥籽粒經(jīng)脫殼、粉碎后過(guò)孔徑為0.2mm篩，要求粒徑大小、均勻度一致，采用傳統(tǒng)化學(xué)方法測(cè)定其淀粉、蛋白質(zhì)和總黃酮含量。蕎麥淀粉含量采用酶水解法測(cè)量，蛋白質(zhì)含量采用凱氏定氮法，蕎麥總黃酮含量采用高效液相色譜法［9］測(cè)量，由云南省分析測(cè)試中心完成。

2 結(jié)果與分析

2.1 蕎麥光譜特征和內(nèi)部成分含量的測(cè)定結(jié)果

經(jīng)上述實(shí)驗(yàn)方法得到蕎麥原始光譜曲線如圖1所示，其化學(xué)測(cè)量結(jié)果統(tǒng)計(jì)參數(shù)如表1所示。

圖1 蕎麥近紅外光譜吸光度Fig.1 Absorbance graph of buckwheat near－infrared spectroscopy

2.2 數(shù)據(jù)預(yù)處理

采集的近紅外光譜往往受到高頻隨機(jī)噪音、基線漂移、樣本不均勻、光散射等影響，所以需要進(jìn)行光譜預(yù)處理。經(jīng)過(guò)對(duì)多種不同預(yù)處理方法的比較，最終采用平均平滑法對(duì)實(shí)驗(yàn)所得的蕎麥原始近紅外光譜進(jìn)行預(yù)處理，選用平滑窗口大小為3，再進(jìn)行多元散射校正(multiplicative scatter correction，簡(jiǎn)稱MSC)處理，能夠很好濾除各種因素產(chǎn)生的高頻噪聲。

2.3 基于主成分分析的主成分?jǐn)?shù)提取

將40個(gè)樣本隨機(jī)分成預(yù)測(cè)集與驗(yàn)證集，預(yù)測(cè)集為30個(gè)，驗(yàn)證集為10個(gè)。樣本光譜波段從350～2500nm共有2151個(gè)點(diǎn)，采用全譜段計(jì)算時(shí)，計(jì)算量大，而且由于有些區(qū)域樣品的光譜信息很弱，與樣品的組成或性質(zhì)間缺乏相關(guān)關(guān)系。主成分分析是一種非常有效的數(shù)據(jù)挖掘方法，它可將原來(lái)多個(gè)波長(zhǎng)變量轉(zhuǎn)化為較少的新變量，并且這些新變量既彼此互不相關(guān)，又能綜合反映原來(lái)多個(gè)波長(zhǎng)變量的信息［10－11］。所以分別對(duì)預(yù)測(cè)集和驗(yàn)證集進(jìn)行主成分分析，其主成分累計(jì)可信度見表2。

表2 前10個(gè)主成分累計(jì)可信度Table2 Accumulative reliabilities of the first10 PCs

2.4 基于BP神經(jīng)網(wǎng)絡(luò)的蕎麥淀粉預(yù)測(cè)模型

將30個(gè)預(yù)測(cè)集由PCA提取的10個(gè)主成分的得分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，輸出層為蕎麥淀粉含量的測(cè)量值，經(jīng)依次實(shí)驗(yàn)得到蕎麥淀粉含量的最佳隱含層節(jié)點(diǎn)數(shù)為6，網(wǎng)絡(luò)設(shè)定訓(xùn)練迭代次數(shù)為1000次，目標(biāo)誤差設(shè)定為0.0001，建模樣本的擬合殘差為4.1594×10－3。建立蕎麥淀粉含量的校正模型，對(duì)10個(gè)驗(yàn)證集進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與測(cè)量值的相關(guān)分析見圖2。誤差分析結(jié)果見表3。

圖2 蕎麥淀粉含量預(yù)測(cè)值與測(cè)量值的相關(guān)圖Fig.2 Relationship between chemical analysis values and prediction values of Buckwheat starch

表3 蕎麥淀粉含量BP預(yù)測(cè)模型預(yù)測(cè)結(jié)果Table3 Prediction results for Buckwheat starch by BPmod el

由圖2可知，蕎麥淀粉含量BP神經(jīng)網(wǎng)絡(luò)對(duì)驗(yàn)證集10個(gè)樣本的預(yù)測(cè)值與測(cè)量值相關(guān)度為0.8719，兩者相關(guān)性較高。由表3可知，蕎麥淀粉含量預(yù)測(cè)值與測(cè)量值的最大絕對(duì)誤差為－2.26%，相對(duì)誤差絕對(duì)平均值為1.82%，相對(duì)誤差絕對(duì)平均值較小，說(shuō)明該方法預(yù)測(cè)蕎麥淀粉含量是可行的。

2.5 基于BP神經(jīng)網(wǎng)絡(luò)的蕎麥蛋白質(zhì)含量預(yù)測(cè)模型

將30個(gè)預(yù)測(cè)集由PCA提取的10個(gè)主成分的得分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，輸出層為蕎麥蛋白質(zhì)含量的測(cè)量值，經(jīng)依次實(shí)驗(yàn)得到蛋白質(zhì)含量的最佳隱含層節(jié)點(diǎn)數(shù)為8，網(wǎng)絡(luò)設(shè)定訓(xùn)練迭代次數(shù)為1000次，目標(biāo)誤差設(shè)定為0.0001，建模樣本的擬合殘差為8.0101×10－3。建立蛋白質(zhì)含量的校正模型，對(duì)10個(gè)驗(yàn)證集進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與測(cè)量值的相關(guān)分析見圖3。誤差分析結(jié)果見表4。

圖3 蕎麥蛋白質(zhì)含量預(yù)測(cè)值與測(cè)量值的相關(guān)圖Fig.3 Relationship between chemical analysis values and prediction values of Buckwheat protein

表4 蕎麥蛋白質(zhì)含量BP預(yù)測(cè)模型預(yù)測(cè)結(jié)果Table4 Prediction results for Buckwheat protein by BPmodel

由圖3可知，蕎麥蛋白質(zhì)含量BP神經(jīng)網(wǎng)絡(luò)對(duì)驗(yàn)證集10個(gè)樣本的預(yù)測(cè)值與測(cè)量值相關(guān)度為0.7293。由表4可知，蕎麥蛋白質(zhì)含量預(yù)測(cè)值與測(cè)量值的最大絕對(duì)誤差為－1.45%，相對(duì)誤差絕對(duì)平均值為3.695%，其相對(duì)誤差絕對(duì)平均值較小，但其預(yù)測(cè)值與測(cè)量值的相關(guān)度較低，蕎麥蛋白質(zhì)的預(yù)測(cè)方法還有待進(jìn)一步研究。

2.6 基于BP神經(jīng)網(wǎng)絡(luò)的蕎麥總黃酮含量預(yù)測(cè)模型

將30個(gè)預(yù)測(cè)集由PCA提取的10個(gè)主成分的得分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，輸出層為蕎麥總黃酮含量的測(cè)量值，經(jīng)依次實(shí)驗(yàn)得到總黃酮含量的最佳隱含層節(jié)點(diǎn)數(shù)為6，網(wǎng)絡(luò)設(shè)定訓(xùn)練迭代次數(shù)為1000次，目標(biāo)誤差設(shè)定為0.0001，建模樣本的擬合殘差為3.547×10－3。建立總黃酮含量的校正模型，對(duì)10個(gè)驗(yàn)證集進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與測(cè)量值的相關(guān)分析見圖4。誤差分析結(jié)果見表5。

圖4 蕎麥總黃酮含量預(yù)測(cè)值與測(cè)量值的相關(guān)圖Fig.4 Relationship between chemical analysis values and prediction values of Buckwheat total flavonoids

表5 蕎麥總黃酮含量BP預(yù)測(cè)模型預(yù)測(cè)結(jié)果Table5 Prediction results for Buckwheat total flavonoids by BPmodel

由圖4可知，蕎麥總黃酮含量BP神經(jīng)網(wǎng)絡(luò)對(duì)驗(yàn)證集10個(gè)樣本的預(yù)測(cè)值與測(cè)量值相關(guān)度為0.9670。由表5可知，蕎麥總黃酮含量預(yù)測(cè)值與測(cè)量值的最大絕對(duì)誤差為－17.91%，相對(duì)誤差絕對(duì)平均值為11.978%。其預(yù)測(cè)值與測(cè)量值的相關(guān)度較高，但其相對(duì)誤差絕對(duì)平均值較大，預(yù)測(cè)效果不理想，分析主要原因?yàn)樗x蕎麥品種中大理甜蕎的總黃酮含量較小，導(dǎo)致實(shí)驗(yàn)樣本總黃酮含量變異系數(shù)為50.9，差異太大，應(yīng)優(yōu)選實(shí)驗(yàn)樣本和增加樣本數(shù)量進(jìn)一步優(yōu)化建模方法，還需進(jìn)一步的研究。

3 結(jié)論與討論

3.1 文章采用主成分分析和人工神經(jīng)網(wǎng)絡(luò)方法建立了蕎麥淀粉、蛋白質(zhì)和總黃酮含量人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并對(duì)其預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證，結(jié)果表明蕎麥淀粉含量人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)驗(yàn)證集10個(gè)樣本的預(yù)測(cè)相關(guān)度為0.8719，相對(duì)誤差絕對(duì)平均值為1.82%，說(shuō)明該方法預(yù)測(cè)蕎麥淀粉含量是可行的。

3.2 文中建立的蕎麥蛋白質(zhì)含量預(yù)測(cè)模型對(duì)10個(gè)樣本預(yù)測(cè)相關(guān)度為0.7293，相對(duì)誤差絕對(duì)平均值為3.695%。建立的蕎麥總黃酮含量預(yù)測(cè)模型對(duì)10個(gè)樣本預(yù)測(cè)相關(guān)度為0.9670，相對(duì)誤差絕對(duì)平均值為11.978%。研究表明，利用主成分分析和人工神經(jīng)網(wǎng)絡(luò)方法對(duì)蕎麥蛋白質(zhì)和總黃酮含量的預(yù)測(cè)效果不理想，分析主要原因?yàn)樗x蕎麥品種的蛋白質(zhì)和總黃酮含量差異較大，樣本數(shù)量較少，在以后的研究中應(yīng)增加蕎麥品種和樣本數(shù)量進(jìn)一步優(yōu)化建模方法。本文對(duì)蕎麥的營(yíng)養(yǎng)因子蛋白質(zhì)和重要藥理因子總黃酮含量的快速無(wú)損檢測(cè)方法的進(jìn)一步研究提供了一定的基礎(chǔ)。

［1］Kayashita J，Shimaoka I，Nakajoh M，et al.Consumption of a buckwheat protein extract retards 7，12－Dimethylbenz［alpha］anthracene－induced mammary carcinogenesis in rats.［J］.Bioscience Biotechnology Biochemistry，1999，63(10): 1837－1839.

［2］SiuMei Choi，Chingyung Ma.Structural characterization of globulin from common buckwheat(Fagopyrum esculentum Moench)using circular dichroism and Raman spectroscopy［J］.Food Chemistry，2007，102:150－160.

［3］楊政水.苦蕎麥的功能特性及其開發(fā)利用［J］.食品研究與開發(fā)，2005，26(1):100－103.

［4］王冬，馬智宏，潘立剛，等.近紅外光譜法定量測(cè)定小麥粉中的石灰類添加物的研究［J］.光譜學(xué)與光譜分析，2013，33 (1):69－73.

［5］張巧杰，張軍.基于小波變換的大米直鏈淀粉波長(zhǎng)選擇方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(2):138－142.

［6］馬東紅，王錫昌，劉利平，等.近紅外光譜技術(shù)在食品產(chǎn)地溯源中的研究進(jìn)展［J］.光譜學(xué)與光譜分析，2011，31(4): 877－881.

［7］劉星，單楊，張欣，等，近紅外光譜法鑒別奶牛飼料中三聚氰胺甲醛樹脂的可行性研究［J］.食品科學(xué)，2012，33(12): 154－158.

［8］席志勇，王鳳花.谷物品質(zhì)無(wú)損檢測(cè)方法研究進(jìn)展［J］.食品工業(yè)科技，2012，33(15):394－396，400.

［9］張琪，劉慧靈，朱瑞，等.苦蕎麥中總黃酮和蘆丁的含量測(cè)定方法的研究［J］.食品科學(xué)，2003，24(7):113－116.

［10］陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)［M］.北京:中國(guó)石化出版社，2006:105－164.

［11］張淑娟，王鳳花，張海紅，等.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的土壤養(yǎng)分近紅外光譜檢測(cè)［J］.山西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，29(6):483－487.