基于近紅外光譜的高粱籽粒直鏈淀粉、支鏈淀粉含量檢測模型的構建與應用

張北舉，陳松樹，李魁印，李魯華，徐如宏，安暢，熊富敏，張燕，董俐利，任明見

基于近紅外光譜的高粱籽粒直鏈淀粉、支鏈淀粉含量檢測模型的構建與應用

張北舉，陳松樹，李魁印，李魯華，徐如宏，安暢，熊富敏，張燕，董俐利，任明見

貴州大學農學院/國家小麥改良中心貴州分中心，貴陽 550025

【】高粱是釀酒和飼料的主要原料之一，其籽粒直鏈淀粉含量與支鏈淀粉含量的比值大小與白酒品質及飼料質量密切相關。傳統的高粱成分化學檢測方法已不適合高通量測試，采用改進最小二乘法（modified PLS）對高粱樣品的近紅外光譜圖進行光譜預處理、得分處理和結果監控建立高粱籽粒直鏈淀粉、支鏈淀粉含量的預測模型，旨在得到一種快速高效低成本的檢測方法，為高粱的遺傳改良及品質分析提供依據。從450份高粱資源中篩選出112份代表品種作為校正集和驗證集，通過雙波長法測定112份高粱品種籽粒中直鏈淀粉、支鏈淀粉含量的化學值，并收集波長為850—1 048 nm的近紅外光譜，對光譜進行掃描數據矩陣和化學數據計算得分（PL1）處理解釋光譜間差異，剔除馬氏距離（GH）大于3的超常品種以減小建模誤差。采用Modified PLS回歸技術建模，通過不同散射處理和導數處理等方法建立不同的定標模型。根據交叉驗證標準偏差（SECV）、交叉驗證相關系數（1-VR）確定最佳模型，并進行結果監控和非參數檢驗評估模型的預測性能。直鏈淀粉的近紅外預測模型SECV是2.7732，1-VR是0.9503，相關系數（RSQ）是0.9688。Bias=0.229＜2.7732（SECV）×0.6，即偏差（Bias）小于定標模型SECV的0.6倍；預測標準偏差（SEP）=1.266＜2.7732（SECV）×1.3=3.60516，即SEP小于定標模型SECV的1.3倍，11.01（SD）—10.81（SD）=0.2＜11.02（SD）×0.2=2.204即化學數據和近紅外預測數據標準偏差（SD）差值小于化學數據SD的20%。支鏈淀粉的近紅外預測模型SECV是1.7516，1-VR是0.8818，RSQ是0.9127。Bias=-0.014＜1.7516（SECV）×0.6即Bias小于定標模型SECV的0.6倍，SEP=1.316＜1.7516（SECV）×1.3=2.2708即SEP小于定標模型SECV的1.3倍，5.30－5.29=0.01＜5.30×0.2=1.06即化學數據和近紅外預測數據SD差值小于化學數據SD的20%。利用30份模型外高粱籽粒對模型的有效性進行兩配對樣本非參數檢驗，結果表明，直鏈淀粉含量和支鏈淀粉含量的測定值與預測值之間差異不顯著（=0.262＞0.05；=0.992＞0.05）。所建立的近紅外模型精準度高，穩定性好，能準確快速地檢測高粱籽粒中直鏈淀粉、支鏈淀粉的含量，可用于高粱的遺傳改良及高粱品質的檢測。

近紅外光譜；高粱；直鏈淀粉；支鏈淀粉；改進最小二乘法

0 引言

【研究意義】高粱是中國公認的白酒傳統固態發酵和飼料的主要原料之一，白酒的出酒率和品質及飼料的質量均與高粱中籽粒直鏈淀粉含量與支鏈淀粉含量的比值大小有重要關系[1]。根據市場和育種工作者的需求，探究一種高效快速、低成本、簡單易操作、無污染檢測高粱直鏈淀粉和支鏈淀粉含量的方法，對研究高品質酒和優質飼料具有極其重要的意義。近紅外光譜（near-infrared spectroscopy，NIS）分析技術具有無損、快速等優點，已被廣泛應用于不同的科學研究領域[2-5]；基于近紅外光譜技術，采用改進最小二乘法（modified PLS）構建高粱籽粒直鏈淀粉、支鏈淀粉含量的預測模型，可得到一種高效準確的高粱籽粒直鏈淀粉、支鏈淀粉含量的檢測方法?！厩叭搜芯窟M展】加拿大谷物實驗室早期通過近紅外光譜技術檢測油菜籽粒中油分、硫苷及蛋白質含量[6-7]。王翠秀等[8]通過偏最小二乘法（partial least squares，PLS）、反向傳播（back propagation，BP）神經網絡法建立大豆籽粒脂肪和蛋白質含量最優近紅外預測模型，實現大豆品質分析的快速檢測，極大地推動育種改良進程。ZHANG等[9]通過可見光和近紅外光譜技術分別建立玉米種子水分含量的預測模型，確定近紅外光譜技術模型與玉米種子水分含量具有更多的相關性。李佳佳等[10]通過393份大豆莖稈的近紅外光譜圖，構建了大豆莖稈化學組分含量檢測模型，具有高效、低成本、無污染的特點，用于大豆種植資源抗倒伏的選育。目前，基于近紅外光譜分析技術，分析高粱的重要指標也有相關報道。黃朝暉等[11]應用PLS技術建立高粱原花青素近紅外預測模型，能準確檢測高粱中高含量原花青素品種，為高粱選育提供了一種不破壞籽粒的方法。劉敏軒等[12]應用傅里葉變換近紅外光譜分析技術建立高粱籽粒中多酚類物質含量的分析模型，能準確快速檢測高粱籽粒中多酚類物質的含量，在高粱的育種和品質分析中具有非凡的意義。SIMEONE等[13]利用近紅外光譜采用PLS技術測定甜高粱汁中蔗糖、葡萄糖、和果糖的含量，用于分析甜高粱基因型與不同環境中甜高粱產生乙醇量的相關性。相對于傳統的化學檢測技術，近紅外光譜分析技術能夠無損害、樣品處理量小、綠色、高效檢測各種作物的化學成分，且精度、準確度高[14-15]，對高粱的遺傳改良及高粱品質檢測有重要意義。【本研究切入點】目前，國內外科研人員已采用PLS、BP神經網絡法等構建高粱蛋白質、脂肪、單寧、水分、淀粉等含量的檢測模型，但采用Modified PLS構建高粱籽粒直鏈淀粉、支鏈淀粉含量的預測模型鮮見報道?！緮M解決的關鍵問題】為推進高粱的遺傳改良及高粱品質檢測，本研究采用Modified PLS對82份校正集高粱品種和30份驗證集高粱品種的近紅外光譜圖進行得分處理、光譜預處理和結果監控建立高粱籽粒直鏈淀粉、支鏈淀粉含量的預測模型，用于快速、高效、無污染、低成本等檢測高粱籽粒中直鏈淀粉、支鏈淀粉含量，為推進酒高粱的遺傳改良及高粱品質檢測提供依據。

1 材料與方法

1.1 供試材料

高粱品種資源分別于2018年和2019年播種在國家小麥改良中心貴州分中心基地。分別用Grain Analyzer（InfratecTM1241型，丹麥FOSS）收集2年高粱籽粒的近紅外光譜，根據馬氏距離（global H，GH），剔除數值大于3的超常品種和小于0.8的過剩品種，挑選出112份變異性（代表性）高粱品種作為校正集和驗證集，用于定標建模和結果監控。

1.2 高粱近紅外光譜的收集

先用種子風選凈度儀（CFY-II型，浙江托普云農科技股份有限公司）將烘干的112份高粱品種進行風選，減少雜質的干擾，然后進行近紅外光譜收集，收集光譜波長為850—1 048 nm，每份高粱品種掃描10次，收集平均光譜，每份高粱品種重復裝樣掃描收集光譜3次，作為高粱品種的原始光譜。

1.3 雙波長法測定直鏈淀粉與支鏈淀粉含量

參考GB7648-87和GB/T15683-2008[16]（部分步驟稍有改進）測量112份高粱品種籽粒的支鏈淀粉、直鏈淀粉的含量。依據高粱支鏈淀粉標品（購買于Solarbio公司貨號106A1030）和直鏈淀粉標品（購買于Solarbio公司貨號1012G104），通過酶標儀（MULTISKAN Sky型，成都百樂科技有限公司）分別測定高粱籽粒支鏈淀粉、直鏈淀粉的測定波長和參比波長。分別將112份高粱籽粒用高速多功能粉碎機（SUS 304型，永康市鉑歐五金制品有限公司）粉碎，過120目篩子，裝入自封袋備用。將粉碎的高粱品種用脂肪測定儀（SZF-06C型，浙江托普云農科技股份有限公司）進行脫脂脫糖處理并烘干，使用電子天平（BSA224S型，賽多利斯科學儀器有限公司）稱取0.1000 g脫脂脫糖的高粱品種，放入50 ml的燒杯中，加入450 μl的無水乙醇進行濕潤，再加10 ml 0.5 mol·L-1的KOH溶液，80℃加熱10 min加速溶解，用雙蒸水定容至50 ml。最后吸取品種液2.5 ml，加入25—35 ml的雙蒸水，用0.1 mol·L-1的HCL調節pH為3左右，加入0.5 ml的碘試劑進行顯色，通過酶標儀得出高粱品種的吸光度計算出高粱品種籽粒支鏈淀粉、直鏈淀粉的含量。每份高粱品種重復測量3次，然后分別挑選出直鏈淀粉、支鏈淀粉含量相對穩定的30份品種作為驗證集，并通過WinISI軟件[17]選出3次掃描的近紅外光譜圖，其余的82份品種作為校正集，并通過WinISI軟件選出3次掃描的近紅外光譜圖。驗證集需要化學值穩定，以便能準確檢測模型的預測性能，減小誤差。

1.4 近紅外光譜預測模型的建立與驗證

1.4.1 定標光譜的化學數據及得分作圖處理 通過WinISI軟件分別打開3次選出的82份定標光譜文件，一一對應輸入直鏈淀粉、支鏈淀粉含量的化學數據，為降低操作誤差對3份定標光譜進行平均處理生成平均定標光譜文件。對平均定標光譜文件進行掃描數據矩陣和化學數據計算得分（programming language 1，PL1）處理解釋光譜間差異，馬氏距離（GH含義為得分的三維圖中，每個品種距離中心品種點的距離。）設置為3，通過數學處理（math treatment）、散射處理（scatter）、導數處理（derivative）剔除超常品種，然后將直鏈淀粉、支鏈淀粉轉化為主成分得分數據進行預測模型的建立。

1.4.2 定標模型的構建及選擇 利用寬范圍定標技術（global equation）建立可擴展的定標模型，方便以后定標模型升級。為得到最佳直鏈淀粉、支鏈淀粉的近紅外光譜模型，采用Modified PLS回歸技術對主成分得分數據建模，分別采用標準正?；幚恚╯tandard normal variant，SNV）、去散射處理（detrend only）、無散射處理（none）、標準正常化+散射處理（SNV+detrend）、多元離散校正（multi scatter correction，MSC）、反向多元離散校正（inverse multi scatter correction）、加權散射校正（weighted multi scatter correction）進行散射處理；導數處理分別采用一階導數處理、二階導數處理；做一次平滑處理等方法建立不同的定標模型[18]。通過觀察不同定標模型的近紅外預測數據和實驗室標準數據的相關系數（R-squared，RSQ），預測沒有參與定標品種近紅外值與化學分析值之間交叉驗證標準偏差（standard error of cross validation，SECV）的均值，預測沒有參與定標品種近紅外值與化學分析值之間交叉驗證相關系數（1 minus the variance ratio，1-VR）的均值選擇最佳定標模型。

1.4.3 定標模型的結果監控 采用30份驗證集品種對最優模型的預測性能進行驗證，根據Bias、SECV、預測標準偏差（standard error of prediction，SEP）評價定標模型的預測性能。Bias小于定標模型SECV的0.6倍，預測SEP小于定標模型SECV的1.3倍，化學數據和近紅外預測數據SD差值小于化學數據SD的20%，檢測表明該成分適合近紅外光譜分析，預測性能可靠。

2 結果

2.1 高粱中直鏈淀粉、支鏈淀粉含量的測定

在測定高粱直鏈淀粉、支鏈淀粉含量的過程中，為確定化學值的準確度，同時也保證近紅外分析的準確性。由同一個操作員完成112份高粱品種籽粒直鏈淀粉、支鏈淀粉含量的測定，并設3個重復取平均值，確保操作的統一性。表1為高粱品種直鏈淀粉、支鏈淀粉含量化學值統計參數。校正集直鏈淀粉含量的平均值是18.23%，含量范圍是1.08%—40.8%；支鏈淀粉含量的平均值是45.05%，含量范圍是26.74%— 67.95%。校正集直鏈淀粉、支鏈淀粉含量范圍廣，具有一定的代表性。驗證集是挑選出化學值穩定的品種并且范圍較廣，具有一定監控的性能。

表1 高粱品種直鏈淀粉、支鏈淀粉含量化學值統計參數

2.2 82份校正高粱品種近紅外光譜及三維得分圖

由圖1可以看出高粱品種的原始光譜走向基本相同并且光譜掃描完整沒有殘缺，可以對光譜進行數學處理和去散射處理。處理后的光譜特征基本一致，波峰和波谷的變化明顯，說明近紅外光譜對高粱直鏈淀粉、支鏈淀粉有較高的區分度。對處理后的光譜進行掃描數據矩陣和化學數據計算得分，利用每個高粱品種的得分與校正高粱品種得分平均值比較計算GH，GH大于3為超常品種，剔除。由圖2可知直鏈淀粉三維得分圖比較集中，沒有明顯的分組現象，不需分組定標建模；支鏈淀粉三維得分極大部分集中，但有少部分分布在邊緣，可能是化學值測量存在一定誤差（在可接受范圍內，GH小于3），為降低預測分析誤差，剔除邊緣品種定標建模。

A：直鏈淀粉；B：支鏈淀粉 A: Amylose; B: Amylopectin

2.3 高粱直鏈淀粉、支鏈淀粉含量近紅外模型的建立及最佳模型選擇

采用Modified PLS回歸技術對得分文件建模，采用不同的數學方法和散射方法進行處理。SECV是進行交叉驗證時所獲得的近紅外預測值與化學分析值標準偏差，通過SEVC可以大致評估定標模型的預測準確度，1-VR是進行交叉驗證時模型對品種集濃度變化所能描述出的百分率。對于直鏈淀粉、支鏈淀粉，當SECV越低，1-VR越高，說明定標模型越好。由表2可知直鏈淀粉最佳模型是通過標準正?；幚?二階導數（SNV+second derivative）處理獲得的模型（SECV=2.7732、1-VR=0.9503），支鏈淀粉最佳模型是通過標準正?；幚?一階導數（SNV+ first derivative）處理獲得的模型（SECV=1.7516、1-VR=0.8818）。

2.4 高粱直鏈淀粉、支鏈淀粉含量近紅外模型的監控

運用WinISI軟件驗證30份高粱品種（表3）檢驗定標模型的預測性能，直鏈淀粉定標模型檢測結果（圖3）表明，Bias=0.229＜2.7732（SECV）×0.6，SEP=1.266＜2.7732（SECV）×1.3=3.60516，11.01（SD）-10.81（SD）=0.2＜11.02（SD）×0.2=2.204，RSQ（外部）是0.987。支鏈淀粉定標模型檢測結果（圖3）表明，Bias=-0.014＜1.7516（SECV）×0.6，SEP=1.316＜1.7516（SECV）×1.3=2.2708，5.30-5.29=0.01＜5.30×0.2=1.06，RQS（外部）是0.937。同時將直鏈淀粉、支鏈淀粉含量測定值（表3）進行單樣本K-S檢測，結果（表4）表明，直鏈淀粉漸進顯著性=0.003＜0.05，支鏈淀粉漸進顯著性=0.012＜0.05，所以直鏈淀粉、支鏈淀粉含量數據不符合正態分布，不能進行檢測。為檢驗測定值和預測值的相關性，進行了兩配對樣本非參數檢測（威爾科克森符號秩檢驗，表5），結果表明，直鏈淀粉測定值-直鏈淀粉預測值漸進顯著性=0.262＞0.05，支鏈淀粉測定值-支鏈淀粉預測值漸進顯著性=0.992＞0.05，所以直鏈淀粉、支鏈淀粉測定值和對應的預測值無顯著差異，因此，直鏈淀粉、支鏈淀粉的定標模型有很高的預測性能，能滿足高粱直鏈淀粉、支鏈淀粉含量中高對準度的要求。

A：直鏈淀粉；B：支鏈淀粉 A: Amylose; B: Amylopectin

表2 不同處理方法高粱直鏈淀粉、支鏈淀粉含量的主要評價參數

SEC：定標標準偏差；RSQ：相關系數；SECV：交叉驗證標準偏差；1-VR：交叉驗證相關系數

SEC: standard error of the calibration; RSQ: R-squared; SECV: standard error of cross validation; 1-VR: 1 minus the variance ratio

表3 化學測定值和近紅外模型預測值結果比較

3 討論

近紅外光具有很好的透射性，在檢測樣品時近紅外光通過漫反射、透射、反射等方式使含氫基團X-H（X=C、S、N、O）對近紅外光進行選擇性吸收，獲得包含樣品信息合頻和倍頻近紅外光譜，運用化學計量學方法將光譜和化學數據關聯并建立預測模型[19]。直鏈淀粉是一種基本線性α-(1,4)-葡聚糖鏈，支鏈淀粉由許多α吡喃葡萄糖通過α-1,4-糖苷鍵連接而成的短鏈所構成[20-22]。因此，直鏈淀粉、支鏈淀粉都含有大量的羥基和碳氫鍵，可以對近紅外光進行吸收。相較于傳統檢測方法操作復雜、樣品破壞性大、存在一定的安全風險和環境污染等的缺陷，近紅外光譜分析技術已經用在產業產品品質和質量的評定標準上，在生產效率和產品質量上取得了良好的效果，并在農業、分子生物和制藥等領域都廣泛的普及應用[23-25]。

表4 單樣本科爾翼戈洛夫-斯米諾夫檢驗

a：檢驗分布為正態分布；b：根據數據計算；c：里利氏顯著性修正

a: Test distribution is normal;b: Calculate based on data;c: Richie's significance correction

表5 威爾科克森符號秩檢驗

a：基于正秩a: Based on positive rank

本研究基于Grain Analyzer（InfratecTM1241型，丹麥FOSS）建立一套快速、高效、綠色、低成本檢測高粱籽粒直鏈淀粉、支鏈淀粉含量的定標模型，并利用該模型對高粱品質進行評估。InfratecTM1241 Grain Analyzer獲得CE認證、GIPSA認證、NTEP認證、PTB認證等，開機自檢、程序穩定、操作簡單，通過單色光穿透樣品到達檢測器獲取光譜信號，該信號通過內置計算機處理獲得檢測值。通過收集2年450份高粱品種的近紅外光譜圖，根據計算得分處理挑出0.8＜GH＜3的112份代表品種定標建模和結果監控。相較于劉紅梅等[26]、王勇生等[27]、巫小建等[28]構建的近紅外模型，本研究采用的樣品是通過GH挑選出來的代表性品種，光譜特征基本一致波峰和波谷的變化明顯，在932和972 nm處不同高粱品種的吸光度有較大區別，說明近紅外光譜對高粱直鏈淀粉、支鏈淀粉有較高的區分度，既節省時間又確保模型的穩定和結果的準確（圖1）。然后對樣品光譜采用14種不同的散射處理、計算得分，并用WinISI軟件根據得分文件采用Modified PLS構建不同模型，挑選出最佳模型并進行結果監控。與李佳佳等[10]、陳雪萍等[5]構建的近紅外模型相比，本研究采用Modified PLS構建模型，獲得模型SECV小1-VR高（表2）。用WinISI軟件進行結果監控并繪圖，相比SPSS相關性分析更準確更靠譜，同時還可以對定標模型進行斜率和截距的調整，使檢測結果更準確更穩定。

劉紅梅等[26]通過PLS回歸技術，采用不同預處理和不同波長建立稻米直鏈淀粉含量的近紅外光譜預測模型。結果表明，對全譜圖采用多元校正（MSC）預處理的效果較好，經過優化模型的相關系數（）是0.9819，SEP是0.1009，定標標準偏差（standard error of the calibration，SEC）是0.831；將化學值與稻米直鏈淀粉含量的近紅外光譜預測值進行配對檢測，=0.356＞0.05（置信區間為95%），說明近紅外光譜預測值與化學分析值無顯著差異，即利用近紅外光譜快速檢測稻米直鏈淀粉含量是可行的。王勇生等[27]采用PLS回歸技術和全交互驗證手段高粱中粗蛋白質、水分含量的近紅外光譜預測模型。結果顯示粗蛋白質含量原始光譜通過一階導數+多元散射校正預處理得到的近紅外光譜預測模型相對分析誤差是8.41，交互驗證相對分析誤差是4.97，外部驗證相對分析誤差3.32；水分含量原始光譜通過一階導數＋減去一條直線預處理得到的近紅外光譜預測模型相對分析誤差是12.20，交互驗證相對分析誤差是7.97，外部驗證相對分析誤差5.36。預測模型的相對分析誤差均大于評估值，因此具有精確評估高粱中粗蛋白質和水分含量的應用效果。巫小建等[28]建立大麥籽?？偟矸鄣慕t外檢測模型代替傳統檢測，韓浩楠等[29]建立玉米粉淀粉含量預測模型應用于育種材料篩選，KIM等[30]建立闊葉凋落物的水分含量近紅外預測模型用于預測林地凋落物的水分，說明近幾年近紅外光譜分析技術在育種、品質分析、工業上運用得越來越廣泛。

CHEN等[31]、劉紅梅等[26]、王勇生等[27]用校正集樣品近紅外光譜通過不同的預處理和主成分分析建立不同的模型，通過驗證集樣品進行模型評估，比較各模型的RSQ、SEP、SECV、1-VR等選擇最優模型。該研究步驟與前人基本一致，但回歸建模技術是Modified PLS，檢測模型的預測性能是通過WinISI軟件進行監測和非參數檢驗。該試驗建立的高粱中直鏈淀粉含量最佳預測模型采用SNV＋二階導數處理，SECV是2.7732，1-VR是0.9503，RSQ是0.9688。Bias=0.229＜2.7732（SECV）×0.6，即Bias小于定標模型SECV的0.6倍；SEP=1.266＜2.7732（SECV）×1.3=3.60516，即SEP小于定標模型SECV的1.3倍，11.01（SD）-10.81（SD）=0.2＜11.02（SD）×0.2=2.204，即化學數據和近紅外預測數據SD差值小于化學數據SD的20%。支鏈淀粉含量最佳預測模型是采用SNV+一階導數處理，SECV是1.7516，1-VR是0.8818，RSQ是0.9127。Bias=﹣0.014＜1.7516（SECV）×0.6，即Bias小于定標模型SECV的0.6倍，SEP=1.316＜1.7516（SECV）×1.3=2.2708，即SEP小于定標模型SECV的1.3倍，5.30-5.29=0.01＜5.30×0.2=1.06，即化學數據和近紅外預測數據SD差值小于化學數據SD的20%，并且進行兩配對樣本非參數檢驗結果表明二者之間差異不顯著（=0.262＞0.05；=0.992＞0.05）。

4 結論

構建了一套低成本、綠色、高效的高粱籽粒直鏈淀粉、支鏈淀粉含量檢測模型。該模型的結果監控顯示精準度高，穩定性好，可靠性強，并且可以代替化學方法測定高粱籽粒直鏈淀粉、支鏈淀粉的含量。

[1] 焦少杰, 王黎明, 姜艷喜, 嚴洪冬, 蘇德峰, 孫廣全. 高粱與固態白酒關系的研究綜述. 釀酒, 2015, 42(1): 13-16.

JIAO S J, Wang L M, JIANG Y X, YAN H D, SU D F, SUN G Q. A review of the research on the relationship between sorghum and solid liquorWine Making, 2015, 42(1): 13-16. (in Chinese)

[2] OMAR J, SLOWIKOWSKI B, BOIX A. Chemometric approach for discriminating tobacco trademarks by near infrared spectroscopy.Forensic Science International, 2019, 294: 15-20.

[3] CHEN H, TAN C, LIN Z, LI H J. Quantifying several adulterants of Noto ginseng powder by near-infrared spectroscopy and multivariate calibration. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 211: 280-286.

[4] SIRSOMBOON P, POSOM J. On-line measurement of activation energy of ground bamboo using near infrared spectroscopy. Renewable Energy, 2019, 133: 480-488.

[5] 陳雪萍, 劉世堯, 尹能文, 荊凌云, 魏麗娟, 林吶, 肖陽, 徐新福, 李加納, 劉列釗. 甘藍型油菜莖稈纖維組分含量和木質素單體G/S近紅外模型構建. 中國農業科學, 2018, 51(4): 688-698.

CHEN X P, LIU S Y, YIN N W, JING L Y, WEI L J, LIN N, XIAO Y, XU X F, LI J N, LIU L Z. Construction of NIR model of fiber component content and lignin monomer G/S instalk. Scientia Agricultura Sinica,2018, 51(4): 688-698. (in Chinese)

[6] TKACHUK R. Oil and protein analysis of whole rapeseed kernels by near infrared reflectance spectroscopy.Journal of the American Oil Chemists’ Society, 1981, 58(8): 819-822.

[7] PANFORD J A, WILLIAMS P C, DEMAN J M. Analysis of oilseeds for protein, oil, fiber and moisture by near-infrared reflectance spectroscopy.Journal of the American Oil Chemists’ Society, 1988, 65(10): 1627-1634.

[8] 王翠秀, 曹建飛, 顧振飛, 徐明雪, 吳泉源. 基于近紅外光譜大豆蛋白質、脂肪快速無損檢測模型的優化構建. 大豆科學, 2019, 38(6): 968-976.

WANG C X, CAO J F, GU Z F, XU M X, WU Q Y. Optimized construction of a rapid non-destructive detection model for soybean protein and fat based on near-infrared spectroscopy. Soybean Science, 2019, 38(6): 968-976. (in Chinese)

[9] ZHANG Y M, GUO W C. Moisture content detection of maize seed based on visible/near-infrared and near-infrared hyperspectral imaging technology. International Journal of Food Science and Technology. 2020,55: 631-640.

[10] 李佳佳, 洪慧龍, 萬明月, 儲麗, 趙敬會, 汪明華, 徐志鵬, 張陰, 黃志平, 張文明, 王曉波, 邱麗娟. 基于近紅外光譜的大豆莖稈化學組分含量檢測模型構建與應用. 中國農業科學, 2021, 54, 54(5): 887-900.

LI J J, HONG H L, WAN M Y, CHU L, ZHAO J H, WANG M H, XU Z P, ZHANG Y, HUANG Z P, ZHANG W M, WANG X B, QIU L J. Construction and application of soybean stem chemical composition detection model based on near infrared spectroscopy. Scientia Agricultura Sinica, 2021, 54, 54(5): 887-900. (in Chinese)

[11] 黃朝暉, 陸平, 楊楠, 孟憲軍, 任貴興. 近紅外光譜法測定高粱原花青素含量. 食品科技, 2008(10): 207-210.

HUANG Z H, LU P, YANG N, MENG X J, REN G X. Determination of proanthocyanidins content of sorghum by near infrared spectroscopy. Food Science and Technology, 2008(10): 207-210. (in Chinese)

[12] 劉敏軒, 黃赟文, 韓建國. 高粱籽粒中多酚類物質的傅里葉變換近紅外光譜分析. 分析化學, 2009, 37(9): 1275-1280.

LIU M X, HUANG Y W, HAN J G. Fourier transform near infrared spectroscopy analysis of polyphenols in sorghum grains.Chinese Journal of Analytical Chemistry, 2009, 37(9): 1275-1280. (in Chinese)

[13] SIMEONE M L F, PARRELLA R A C, SCHAFFERT R E S, DAMASCENO C M B, LEAL M C B, PASQUINI C. Near infrared spectroscopy determination of sucrose, glucose and fructose in sweet sorghum juice. Microchemical Journal, 2017, 134: 125-130.

[14] 紀楠. 大豆秸稈木質素和纖維素含量與近紅外光譜相關性模型研究[D]. 哈爾濱: 東北農業大學, 2016.

JI N. Research on the correlation model between lignin and cellulose content of soybean straw and near infrared spectroscopy[D]. HarbinNortheast Agricultural University, 2016. (in Chinese)

[15] CELIO P. Near infrared spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Society, 2003, 4(1): 198-219.

[16] GB/T15683-2008, 大米直鏈淀粉含量的測定. 北京: 中國標準出版社, 2008.

GB/T15683-2008, Determination of amylose content in rice. Beijing: China Standard Press, 2008. (in Chinese)

[17] GARRIDOVARO A, GARCIAOLMO J, FEARN T. A note on Mahalanobis and related distance measures in WinISI and The Unscrambler. Journal of Near Infrared Spectroscopy, 2019, 27(4): 253-258.

[18] BAI T C, WANG T, CHEN Y Q, MERCATORIS B. Comparison of near-infrared spectrum pretreatment methods for Jujube leaf moisture content detection in the sand and dust area of southern Xinjiang. Spectroscopy and Spectral Analysis,2019, 39: 1323-1328.

[19] 鄭震璇. 近紅外光譜分析技術在飼料加工行業的應用. 福建農機, 2019, 40(1): 24-27.

ZHENG Z X. Application of near infrared spectroscopy analysis technology in feed processing industry. Fujian Agricultural Machinery, 2019, 40(1): 24-27. (in Chinese)

[20] VAMADEVAN V, BERTOFT E. Structure-function relationships of starch components. Starch-St?rke, 2015, 67(1/2): 55-68.

[21] LEE J H, YOU S, KWEON D K, CHUNG H J, LIM S T. Dissolution behaviors of waxy maize amylopectin in aqueous-DMSO solutions containing NaCl and CaCl2. Food Hydrocolloids, 2014, 35: 115-121.

[22] BERTOFT E. Understanding starch structure: recent progress. Agronomy 2017, 7: 1-29.

[23] 郝勇. 近紅外光譜微量分析方法研究[D]. 天津: 南開大學, 2009.

HAO Y. Research on near infrared spectroscopy microanalysis method[D]. Tianjin: Nankai University. 2009. (in Chinese)

[24] 梁曉燕, 吉海彥. 近紅外光譜技術在農作物品質分析方面的應用. 中國農學通報, 2006, 22(1): 366-371.

LIANG X Y, JI H Y. Application of near infrared spectroscopy technology in crop quality analysis. Chinese Agricultural Science Bulletin, 2006, 22(1): 366-371. (in Chinese)

[25] 王家多, 周向陽, 金同銘, 胡祥娜, 鐘嬌娥, 吳啟堂. 近紅外光譜檢測技術在農業和食品分析上的應用. 光譜學與光譜分析, 2004, 24(4): 447-450.

WANG J D, ZHOU X Y, JIN T M, HU X N, ZHONG J E, WU Q T. The application of near-infrared spectroscopy detection technology in agriculture and food analysis. Spectroscopy and Spectral Analysis, 2004, 24(4): 447-450. (in Chinese)

[26] 劉紅梅, 肖正午, 申濤, 蔣鵬, 單雙呂, 鄒應兵. 稻米直鏈淀粉含量近紅外檢測模型的建立. 湖南農業大學學報, 2019, 45(2): 189-193.

LIU H M, XIAO Z W, SHEN T, JIANG P, SHAN S L, ZOU Y B. Establishment of near infrared detection Model of rice amylose content. Journal of Hunan Agricultural University, 2019, 45(2): 189-193. (in Chinese)

[27] 王勇生, 李潔, 王博, 張宇婷, 耿俊林. 基于近紅外光譜技術評估高粱中粗蛋白質、水分含量的研究. 動物營養學報, 2020, 32(3): 1353-1361.

WANG Y S, LI J, WANG B, ZHANG Y T, GENG J L. Research on the evaluation of crude protein and moisture content in sorghum based on near-infrared spectroscopy technology. Chinese Journal of Animal Nutrition, 2020, 32(3): 1353-1361. (in Chinese)

[28] 巫小建, 曾凡榮, 岳文浩, 汪軍妹. 大麥籽粒總淀粉含量近紅外快速無損檢測模型的構建. 浙江農業科學, 2021, 62(1): 40-41.

WU X J, ZENG F R, YUE W H, WANG J M. Construction of a near-infrared rapid non-destructive detection model for the total starch content of barley grains.Zhejiang Agricultural Sciences, 2021, 62(1): 40-41. (in Chinese)

[29] 韓浩楠, 王美娟, 趙訓超, 魯鑫, 周志強, 李明順, 張德貴, 郝傳芳, 翁劍峰, 雍紅軍, 李新海. 玉米粉淀粉含量近紅外模型建立與優化. 玉米科學, 2020, 28(6): 81-87.

HAN H N, WANG M J, ZHAO X C, LU X, ZHOU Z Q, LI M S, ZHANG D G, HAO C F, WENG J F, YONG H J, LI X H. Establishment and optimization of near-infrared model of corn flour starch content.Maize Science, 2020, 28(6): 81-87. (in Chinese)

[30] KIM G, HONG S J, LEE A Y, LEE Y E, LM S. Moisture content measurement of broadleaf litters using near-infrared spectroscopy technique. Remote Sensing, 2017, 9(12): 1212.

[31] CHEN J M, LI M L, PAN T, PANG L W, YAO L J, ZHANG J. Rapid and non-destructive for the identification of multi-grain rice seeds with near-infrared spectroscopy. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019, 219(5): 179-185.

Construction and Application of Detection Model for Amylose and Amylopectin Content in Sorghum Grains Based on Near Infrared Spectroscopy

ZHANG BeiJu, CHEN SongShu, LI KuiYin, LI LuHua, XU RuHong, AN Chang, XIONG FuMin, ZHANG Yan, DONG LiLi, REN MingJian

College of Agriculture, Guizhou University/Guizhou Branch of National Wheat Improvement Center, Guiyang 550025

【】Sorghum is one of the main raw materials for wine making and feed. The ratio of amylose content to amylopectin content in its grains is closely related to liquor quality and feed quality. Traditional chemical detection methods of sorghum components are no longer suitable for high-throughput testing. Modified PLS is used to perform spectral preprocessing, score processing and result monitoring on the near-infrared spectra of sorghum samples to establish sorghum grain amylose and amylopectin. The prediction model of amylose content aims to obtain a fast, efficient and low-cost detection method, laying the foundation for genetic improvement and quality analysis of sorghum. 【】From 450 sorghum resources, 112 representative varieties were selected as calibration set and verification set. The chemical values of amylose and amylopectin content in 112 sorghum varieties were measured, and near-infrared spectra with wavelengths of 850-1 048 nm were collected, and the spectrum was scanned data matrix and chemical data calculated score (PL1) processing and interpreting the differences between the spectra, and eliminating abnormal species with Global H (GH) greater than 3 to reduce modeling errors. Modified PLS regression technology is used for modeling, and different calibration models are established through different scattering processing and derivative processing methods. Determine the best model according to the cross-validation standard deviation (SECV) and cross-validation correlation coefficient (1-VR), and perform result monitoring and non-parametric testing to evaluate the predictive performance of the model.【】The near-infrared prediction model SECV of amylose is 2.7732, 1-VR is 0.9503, and the correlation coefficient (RSQ) is 0.9688. Bias=0.229＜2.7732(SECV)×0.6, that is, the deviation (Bias) is less than 0.6 times of the calibration model SECV; the predicted standard deviation (SEP)=1.266＜2.7732(SECV)×1.3=3.60516, that is, the SEP is less than the calibration. The model SECV is 1.3 times, 11.01(SD)-10.81(SD)=0.2＜11.02(SD)×0.2=2.204, that is, the difference between the standard deviation (SD) of the chemical data and the near-infrared prediction data is less than 20% of the chemical data SD. The near-infrared prediction model SECV of amylopectin is 1.7516, 1-VR is 0.8818, and RSQ is 0.9127. Bias=-0.014＜1.7516(SECV)×0.6 means that Bias is less than 0.6 times of SECV of calibration model, SEP=1.316＜1.7516(SECV)×1.3=2.2708 means SEP is less than 1.3 times of SECV of calibration model, 5.30-5.29=0.01＜5.30×0.2=1.06, that is, the difference between the chemical data and the near-infrared prediction data SD is less than 20% of the chemical data SD. Using 30 sorghum grains outside the model to conduct a two-pair sample non-parametric test on the validity of the model, the results showed that the difference between the measured and predicted values of amylose content and amylopectin content was not significant (=0.262＞0.05;=0.992＞0.05).【】The established near-infrared model has high accuracy and good stability, can accurately and quickly detect the content of amylose and amylopectin in sorghum, and can be used for the genetic improvement of sorghum and the detection of sorghum quality.

near infrared spectroscopy; sorghum; amylose; amylopectin; improved least squares method

10.3864/j.issn.0578-1752.2022.01.003

2021-06-01；

2021-07-30

貴州省特色雜糧現代農業產業技術體系建設專項（黔財農[2019]15號）、酒用高粱良種繁殖及配套栽培技術試驗研究（700484192124）、貴州酒用高粱品種選育研究（GNW2020GD001）

張北舉，E-mail：743665191@qq.com。通信作者任明見，E-mail：rmj72@163.com

（責任編輯 李莉）