漫反射紅外光譜法結合PLS測定稻谷脂肪酸值研究

蔣曉杰 周 旭 楊志成 張烝彥 潘丹杰

(杭州市糧油中心檢驗監測站，杭州 310003)

傳統的化學滴定法測定脂肪酸值需要乙醇提取、化學滴定等復雜環節[1]。此外，化學滴定法難以實現在線檢測，效率較低，至今尚未開發出有效的稻谷脂肪酸快速檢測方法。研發新方法，實現稻谷脂肪酸值快速檢測，對于產品質量安全保障、儲糧企業質量把關、質監部門防偽打假等都具有重要意義。

漫反射傅里葉變換紅外光譜法(DRIFTS)和近紅外漫反射光譜法(NIDRS)作為一種紅外光譜漫反射技術，其原理是當光照射到固態樣品的表面時，除了一部分被樣品表面立即反射出來之外，其余的入射光在樣品表面產生漫反射，或在樣品微粒之間輾轉反射逐漸衰減，或為穿入內層后再折回的散射，收集到的漫反射光、散射光通過檢測器轉化為光譜信號。該方法具有快速、無損、無污染等特點。近年來，DRIFTS (4 000～400 cm-1)與NIDRS (12 500～4 000 cm-1)在農產品領域(如食品、油料、飼料、藥物等)有著較廣泛的應用。Ozgulyucel等[2]利用DRIFTS結合PLS測定稻谷外殼的脂肪酸含量研究。Queji等[3]利用DRIFTS和偏最小二乘法(PLS)聯用，分析了蘋果渣中的單糖、蘋果酸和總酚的含量。俞法明[4]、陸艷婷等[5]利用NIDRS測定秈稻品種的蛋白質含量和粳稻品種的直鏈淀粉含量，為秈稻品種育種、篩選提供了快速便捷的方法。

目前，PLS廣泛應用于食品分析中，Gómezcaravaca等[6]利用FTIR-PLS法評價橄欖油和的質量以及橄欖果實的質量。彭海根等[7]利用FTIR結合Bi-PLS及iPLS選擇最佳波段，進行南疆紅棗糖度的精確測定。

本研究在紅外光譜分析基礎上，以提高檢測效率和準確度為目的，考察DRIFTS和NIDRS檢測稻谷脂肪酸值，通過設計實驗方案，反向區間偏最小二乘法(BiPLS)優化建模，以期實現稻谷脂肪酸值的快速檢測。

1 材料與方法

1.1 樣品

采集黑龍江、江西、安徽、江蘇、浙江等地產的98個稻谷樣品，樣品經礱谷機去殼，錘式旋風磨粉碎，過40目篩，現磨現用。取其中10個稻谷樣品用于紅外漫反射模型驗證(驗證集)，其余用于模型建立(訓練集)。

1.2 儀器與設備

DA7200二極管陣列近紅外光譜儀；BRUKER TENSOR 27傅里葉變換紅外光譜儀(配有漫反射樣品采集系統，OPUS操作軟件)；THU35C型礱谷機；LM3100型實驗室粉碎磨。

1.3 方法

1.3.1 國標化學值的測定

采用GB/T 20569—2006《稻谷儲存品質判定規則》測定稻谷脂肪酸值，每個樣品測定3次，取平均值，結果以mg KOH/100 g表示。

1.3.2 漫反射光譜采集

1.3.2.1 近紅外漫反射光譜采集

利用二極管陣列近紅外光譜儀采集近紅外漫反射光譜，光譜范圍4 000～10 000 cm-1，分辨率3.125 nm/每二極管，環境溫度為25 ℃左右，濕度約為35%。

1.3.2.2 傅里葉變換紅外漫反射光譜的采集

利用傅里葉變換紅外光譜儀，通過OPUS操作軟件采集樣品漫反射光譜。光譜范圍400～4 000 cm-1，分辨率4 cm-1，掃描次數32次，保持室內溫度25 ℃左右，濕度約為35%。

以空氣作為空白參照，每個樣品采集3次，結果取平均值。其中1/4樣品數據用于驗證分析(預測集)。

1.3.3 模型建立和評價

采用近紅外光譜儀Simplicity軟件對糙米粉樣品分別建模；采用TQ analyst 軟件對收集到的中紅外光譜進行預處理以及分析。數據處理方式包括標準正態變量校正(SNV)、多元散射校正(MSC)、一階導數(FD)、二階導數(SD)、平滑處理(S-G)等。并用PLS建立模型，通過BiPLS對其進行優化。

通過比較校正相關系數(R2)、校正均方差(RMSEC)、預測均方差(RMSEP)、預測相對分析誤差(RPD)等參數選取最佳預處理方式。R2越接近于1， RMSECV和RMSEP值越小，RPD越大，則預處理方法越有效。RPD是衡量模型效果的常用指標，其運算方式為標準差(SD)與RMSEP的比值。RPD值越大，模型與真值之間的差距越小。

1.3.4 模型優化

Bi-PLS是指將全譜等分成n個子區間后，同時在(n-1)個區間上建立PLS模型，即每次只排除一個區間，在余下的區間組合建模，使得每次模型產生的RMSECV最低。首先被排除的區間，說明對于整個模型的重要性最低；循環直到只剩最后一個區間，得出最優波譜組合區間模型。

2 結果與分析

2.1 化學指標

對98個稻谷樣品進行脂肪酸測定，其中脂肪酸測定結果最大值為51.59 mg KOH/100 g，最小值為14.12 mg KOH/100 g，標準差為10.00。脂肪酸值跨度較大，梯度分布均勻，基本覆蓋當前稻谷品種的脂肪酸值范圍，具有較好的代表性。

2.2 中紅外漫反射及近紅外漫反射光譜采集結果

DRIFTS測定結果如圖1a所示，在2 500～3 600 cm-1范圍內存在較強的吸收峰，此峰范圍廣、峰型寬，這是由于此處是多個官能團的吸收峰疊加而成的緣故。3 500 cm-1處的吸收峰是由N—H鍵伸縮振動引起的，另外，在3 300 cm-1處存在締合態O—H吸收峰，在2 500～3 300 cm-1存在C—H伸縮振動以及—COOH吸收峰。—COOH產生的峰型特點是譜帶較寬，且中心在3 000 cm-1左右，與圖所示相符。說明—COOH鍵的伸縮振動與脂肪酸值含量緊密相關。圖1b為NIDRS測定結果的漫反射圖譜。在5 160 cm-1處有非常強烈的吸收峰，這是O—H的伸縮以及彎曲振動合力引起的，8 310 cm-1處是—CH3的二級倍頻峰。

圖1 稻谷的原始漫反射紅外光譜

不同脂肪酸值的稻谷漫反射吸收光譜波形相似，卻又不完全重合，既顯示了不同稻谷樣品的差異性，又反映了稻谷的同一性和連續性。

2.3 光譜預處理結果

表1為不同光譜預處理方式對中紅外及近紅外模型準確度的影響。可見5、7點平滑作為光譜預處理時均能得到提高模型預測效果的目的。其中，當光譜經7點平滑時，得到的模型RMSECV值最小(RMSECV =8.09)，此時R2值為1.000，此時模型效果達到最優。

表1 傅里葉變換紅外光譜預處理方法對模型準確性影響

注：SD為二階導數；FD為一階導數，SNV為標準正變量校正，MSC為多元散射校正，S-G為平滑方式。下同。

表2中可以看出：FD與MSC、SNV及S-G聯用均能提高模型的穩定性和準確度。其中，通過一階導數+MSC+3點平滑方式處理時，得到的模型最好，此時RMSECV為3.43。

表2 近紅外光譜預處理方法對模型準確性影響

2.4 中紅外漫反射模型優化結果

研究將全波譜以100 cm-1為單位分成34個區間，每次運算去掉一個區間，使模型的RMSECV最小，去掉的區間即為對建模整體作用最小的區間，多次重復后，得到最優化模型，如表2所示。其R2=0.998，RMSECV =3.65，RMSEP=3.69，經計算，RPD值為2.71。此時，模型對應的區間為800～1 000、1 600～1 700、1 800～2 200、2 400～2 500、2 700～2 800以及3 600～3 700 cm-1。

表3 中紅外BiPLS模型優化結果

2.5 模型準確性比較

在模型建立完成后，通過10個稻谷樣品(驗證集)對2種模型的準確性進行分析。從表4中可以看出，DRIFTS預測值和化學值之間的絕對誤差約在0.01～0.71 mgKOH/100 g之間，差值平均值為0.321 mgKOH/100 g，相對標準偏差為1.16%；NIDRS預測值和化學值之間得絕對誤差約在0.09～0.79 mgKOH/100 g之間，差值平均值為0.421 mgKOH/100 g，相對標準偏差為1.70%。綜上所述，DRIFTS及NIDRS均可以準確的預測稻谷脂肪酸值。

表4 稻谷脂肪酸值和紅外光譜預測值的比較

3 結論

通過近紅外漫反射紅外光譜法以及傅里葉變換中紅外漫反射紅外光譜法2種方法共采集糙米粉樣品的紅外光譜，分別對脂肪酸值建立偏最小二乘法定量模型，在模型適當優化后，驗證模型的可行性。結果表明，NIDRS和DRIFTS兩種方法均可用于日常稻谷脂肪酸值快速檢測。其中，NIDRS模型經預處理優化后，模型的R2、RMSECV分別為0.97、3.43；DRIFTS經BiPLS優化后，模型的R2、RMSEP以及RPD分別為0.998、3.69以及2.71。從模型準確性來看，DRIFTS的相對標準偏差(1.16%)要小于NIDRS的相對標準偏差(1.70%)，實驗證明，DRIFTS能夠更為準確地檢測稻谷脂肪酸值。