基于拉曼光譜和化學計量學方法判別大米分類的研究＊

黃嘉榮，伍博迪，詹求強

(華南師范大學，華南先進光電子研究院光及電磁波研究中心，廣東 廣州510006)

0 引言

隨著經濟生活水平的提高，人們對膳食結構的認識更加重視，大米作為糧食主食越來越受到關注，市場上大米的種類繁多，質量良莠不齊，所以快速識別大米具有現實的意義。傳統的大米主要成分分析方法有近紅外光譜［1］、高效液相色譜［2］，氣相色譜串聯質譜［3］，對大米所含離子用離子色譜分析，對大米中微量元素用電感耦合等離子體質譜分析［2］。但是這些檢驗條件都需要大型的實驗設備，便攜式拉曼光譜儀器作為一種新興的檢測手段，能達到高效、快速的檢目的，拉曼譜峰能反映出特定的官能團，先前已有 實 驗 對 植 物 油［4］、馬 鈴 薯［5］、黃 芪［6］、橄 欖油［7］、三七［8］等樣品進行過分析，本實驗采用拉曼光譜作為數據判別的依據，實現對大米的分類。

大米的主要成分是碳水化合物70%-80%，蛋白質7%-8%，脂質1%-2%，水11%-12%［9］，其中直鏈淀粉和支鏈淀粉成分相似。測試所得到的拉曼光譜通常都有較強的熒光背景峰，常見降低熒光背景噪聲的方法有純化樣品、長時間照射，改變激發波長，增加掃描次數等等，除了改變這些硬件方法之外，還可以通過算法有效去除背景噪聲，提取真實有效的拉曼信號。主成分分析的目的是將數據降維，求出特征值和特征向量，最后算出主成分得分，利用少量的主成分代表原來大部分的信息，線性判別分析則是利用樣本點之間的距離進行判斷分組，從而能識別和歸類。

1 實驗部分

1．1 材料

東北大米、清遠大米、糯米。

1．2 儀器

QE6500海洋光學光譜儀，RIP-RPB-785便攜式拉曼光纖探頭(激發波長785 nm，焦距7．5 mm)，785 nm半導體激光器。光譜掃描功率200 mW，積分時間5 s，掃描范圍是550 cm-1到1 650 cm-1。

1．3 光譜掃描

在室溫條件下，將樣品放在石英片上測試，三種大米隨機各取16個樣品，每個樣品測試3次，取平均值。

2 結果與討論

2．1 去除背景基線算法優化

背景去除的算法用Matlab軟件實現，具體方法為先用最小二乘法對離散拉曼光譜進行多項式擬合，在每個波數下，取拉曼光譜和其擬合函數中較小的值重構成新的輸入函數，作為下一次迭代的輸入函數再次擬合，如此反復，最后一次迭代的擬合多項式將作為熒光背景的函數［10］。在此基礎上Jianhua ZHAO等［11］提出了改進的方法，優點有三個:(1)考慮到噪聲的影響，在多項式擬合函數上加上近似噪聲電平標準偏差(Standard deviation，DEV)，再與每次迭代的輸入函數進行比較。而用原先方法時，特別在高噪聲即低信噪比的拉曼光譜中，噪聲會被當作拉曼峰而沒有進入迭代擬合的過程;(2)考慮到大型拉曼峰的影響，在第一次迭代過程中加入大型拉曼峰的去除。而用原先方法時，大型拉曼峰對多項式擬合有很大的影響，這會影響到熒光背景的擬合效果;(3)迭代次數少，大大減少運算的時間。由于只有第一次迭代的過程中去除拉曼峰，所以熒光背景還是很高，導致過度去除熒光背景，所以我們采用前幾次迭代擬合都加入大型拉曼峰去除的方法，保留數據的維數在原來的50%以下，減少過度去除熒光背景。圖1是優化算法流程圖，去除熒光背景前后的圖如圖2所示。

其中

ν1，ν2…νn為拉曼位移(單位cm－1);

迭代收斂條件為|(DEVi－DEVi－1)/DEVi|＜5%。

2．2 大米的拉曼圖譜及拉曼峰歸屬

大米的拉曼譜線如圖3所示，由于大米的主要成分是淀粉，圖中所示三種樣品的平均拉曼譜圖峰型相似，只有小部分不同，難以用肉眼進行分辨。各個拉曼峰的歸屬如表1所示［12］。

圖1 優化算法的流程圖Fig．1 Flow chart of optimized algorithm

表1 拉曼峰的位置和歸屬Tab．1 Raman wavenumbers and their respective assignments

s strong，m medium，w weak

2．3 PCA分析

由于大米的拉曼波形重復性高，所以對大米全波數范圍進行PCA分析提取關鍵差異信息，分別取前三個主成分為坐標軸，建立可視化模型，前三個主成分的方差貢獻率分別為86．63%，7．78%，3．73%，累計方差貢獻率達到98．14%，說明選取前三個主成分具有較強的代表性。由3D圖可以看出三類大米有良好的空間分類分布，具體的分類由線性判別分析進行進一步討論。

圖2 去除熒光背景前后的拉曼峰Fig．2 Raman spectrum before and after fluorescence background remove

圖3 三個樣品的拉曼譜圖Fig．3 Raman spectra of three samples

2．4 LDA分析

為了在二維坐標軸上清楚地顯示判別信息，我們選用PC1和PC2建立坐標軸。區別東北和清遠樣品的費希爾判別直線方程是:0．002PC1-0．009PC2+2．521=0;區別東北和糯米樣品的直線方程是:0．012PC2+2．572=0。分類結果顯示，東北大米有3個樣品分類錯誤，正確分類率為81．3%，清遠大米為100%，糯米為100%，綜合起來正確分類率為93．8%。對于PC1、PC2、PC3建立的三維坐標軸，東北大米有1個樣品分類錯誤，正確分類率為93．8%，清遠大米為100%，糯米為100%，綜合正確分類率為97．9%。由此可見，前三個主成分能代表大部分大米的信息。

圖4 主成分分析3D圖Fig．4 3D plot of PCA

圖5 主成分分析2D圖和線性判別分析Fig．5 2D plot of PCA and LDA

3 結論

該實驗通過Matlab軟件優化去除熒光背景、降低噪聲的方法，在前幾次迭代過程中去除大型拉曼峰，提取了更精確的拉曼信號，建立分析模型。運用主成分分析法(PCA)和線性判別方法(LDA)對不同種類的大米進行歸類，結果表明，使用前三個主成分能達到97．9%的分類準確率，使用前兩個主成分能達到93．8%的分類準確率，由此可見，本實驗建立的優化模型對大米的分類具有很高的實用價值。

［1］ 夏立婭，申世剛，劉崢顥，等．基于近紅外光譜和模式識別技術鑒別大米產地的研究［J］．光譜學與光譜分析，2013，33(1):102-105．XIA Liya，SHEN Shigang，LIU Zhenghao，et al．Idenrtification of geographical origins of rice with pattern recognition technique by near infrared spectroscopy［J］．Spectroscopy and Spectral Analysis，2013，33(1):102-105．

［2］ 夏立婭．大米產地特征因子及溯源方法研究［D］．石家莊:河北大學，2013．XIA Liya．Study on characteristic factor and assignment methods of rice geographical origin［D］．Shijiazhuang:Hebei University，2013．

［3］ 田福林，李紅，劉成雁，等．GC-MS法對不同產地大米的快速鑒定［J］．分析測試學報，2011，30(09):1059-1062．TIAN Fulin，LIHong，LIU Chengyan，et al．Study on a quick identification of different rice species by GC-MS［J］．Journal of Instrumental Analysis，2011，30(09):1059-1062．

［4］ 吳靜珠，石瑞杰，陳巖，等．基于PLS_LDA和拉曼光譜快速定性識別食用植物油［J］．食品工業科技，2014，35(6):55-58．WU Jingzhu，SHI Ruijie，CHEN Yan，et al．Rapid qualitative identification method of edible vegetable oil based on PLS-LDA and Raman［J］．Science and Technology of Food Industry，2014，35(6):55-58．

［5］ 代芬，BERGHOLT M S，BENJAMIN A J V，等．近紅外激發熒光光譜與拉曼光譜快速鑒別馬鈴薯品種［J］．光譜學與光譜分析，2014，34(3):677-680．DAI Fen，BERGHOLT M S，BENJAMIN A J V，et al．Rapid identificaiton of potato cultivars using NIR-excited fluorescence and Raman spectroscopy［J］．Spectroscopy and Spectral Analysis，2014，34(3):677-680．

［6］ 黃浩，李潔，陳榮，等．拉曼光譜結合統計分析對不同產地黃芪飲片的鑒別分類研究［J］．福州大學學報(自然科學版)，2014，42(4):646-652．HUANG Hao，LI Jie，CHEN Rong，et al．Discrimination of Huangqi(Radix Astragali seu Hedysari)from different producing areas using Raman spectroscopy and statistical analysis［J］．Journal of Fuzhou University(Natual Science Edition)，2014，42(4):646-652．

［7］ 周秀軍，戴連奎．基于最小二乘支持向量機的橄欖油摻雜拉曼快速鑒別方法［J］．光散射學報，2013，25(2):176-182．ZHOU Xiujun，DAI Liankui．Fast discrimination of olive oil adulteration based on Raman spectra using least squares support vector machine［J］．The Journal of Light Sattering，2013，25(2):176-182．

［8］ 董晶晶，陳娟，戈延茹，等．激光拉曼光譜法無損鑒別三七及其偽品［J］．激光與光電子學進展，2014，51(5):204-208．DONG Jingjing，CHEN Juan，GE Yanru，et al．Nondestructive identification of Panax notoginseng and its analogues via laser Raman spectroscopy［J］．Laser＆Optoelectronics Progress，2014，51(5):204-208．

［9］ HWANG J，KANG S，LEE K，et al．Enhanced Raman spectroscopic discrimination of the geographical origins of rice samples via transmission spectral collection through packed grains［J］．Talanta，2012，101:488-494．

［10］ LIEBER C A，MAHADEVAN-JANSEN A．Automated method for subtraction of fluorescence from biological Raman spectra［J］．Applied Spectroscopy，2003，57(11):1363-1367．

［11］ ZHAO J，LIU H，MCLEAN D I，et al．Automated autofluorescence background subtraction algorithm for biomedical Raman spectroscopy［J］．Applied Spectroscopy，2007，61(11):1225-1232．

［12］ ALMEIDA M R，ALVESR S，NASCIMBEM L B，et al．Determination of amylose content in starch using Raman spectroscopy and multivariate calibration analysis［J］．Analytical Bioanalytical Chemistry，2010，397(7):2693-2701．