一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用

摘要

本发明公开了一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用，属于谷物质量检测技术领域。本发明所提供的方法是通过建立小麦硬度的近红外监测模型，利用近红外光谱仪扫描待检小麦样品，获取样品近红外光谱曲线，在对近红外光谱曲线进行数据处理后，再根据所得数据利用检测模型确定待检小麦样品的硬度。本发明所提供的方法具有成本低、无污染、检测速度快、客观性高，并可实现在线分析，不受地域限制，可以进行实时检测。

说明书

技术领域

本发明涉及一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用，属于谷物质 量检测技术领域。

背景技术

小麦籽粒质地的软、硬是评价小麦加工品质和食用品质的一项重要指标，并与小麦育种 和贸易价格等多方面密切相关，硬度是国内外小麦市场分类和定价的重要依据之一，也是各 国的育种家重要的育种目标之一。小麦硬度被定义为破碎籽粒时所受到的阻力，即破碎籽粒 时所需要的力。硬度是由胚乳细胞中蛋白质基质和淀粉之间的结合强度决定的，这种结合强 度受遗传控制。小麦的制粉品质与籽粒硬度密切相关，小麦硬度的变化可使小麦制粉流程中 各系统在制品数量和质量、各设备工作效率、加工动力消耗等产生很大变化。预先的测定原 料小麦的硬度，对于及时调整制粉工艺流程和相应的技术参数，确定配麦方案、保持流程的 物料平衡和生产稳定、提高生产效率等，都具有重要的技术指导意义。按照硬度的不同，国 外将小麦分为三个明显的硬度等级：软麦、硬麦和硬粒小麦。

利用传统方法测定小麦的硬度，均费工、费时或手续繁杂，且不能在线检测。近几年， 随着工业、农业以及药学等行业对更快速、低消费以及无损检测的追求，光谱技术成为人们 研究的重点，受到越来越多的重视，它的很多应用已经被列入美国谷物化学家协会标准方法 (AACC)。近红外(NIR)检测因具有检测速度快、可实现对多项目同时检测、准确度高、 样品代表性好和成本低等特点，使得近红外技术成为一种应用潜力巨大的绿色环保分析技术。 应用NIR法测定小麦硬度国外已有报道，AACC推荐方法采用1680和2230nm两个波长点， 并给出三个回归系数，但是它对所用仪器和样品粉碎物进行标准化处理，否则测定误差较大。 所以目前实际使用NIR法测定小麦硬度的报道并不多，人们仍致力于研究其它方法测定小麦 硬度，然而应用NIR法测定小麦其它品质以及对小麦按一定标准进行分类的技术和方法已经 很成熟，并且已经能达到较高的精度。

发明内容

为解决现有技术检测周期长、检测成本高效率低、操作繁琐的问题，本发明提供了一种 基于近红外光谱技术快速无损检测小麦硬度的方法，所采取的技术方案如下：

本发明的目的在于提供一种基于近红外光谱技术快速无损检测小麦硬度的方法。该方法 是通过建立小麦硬度的近红外检测模型，利用近红外光谱仪扫描待检小麦样品，获取样品近 红外光谱数据，在对近红外光谱数据进行数据处理后，再根据所得数据利用检测模型确定待 检小麦样品的硬度。

所述方法的步骤如下：

1)利用近红外光谱仪扫描小麦样品，获得样品的近红外光谱数据；

2)利用硬度指数法测定步骤1)所述小麦样品的硬度，并建立小麦硬度数据库；

3)利用优化后的SPXY算法将步骤1)所得的近红外光谱数据划分为校正集和预测集，对 校正集和预测集光谱数据进行预处理，获得预处理数据；

4)以步骤3)所得预处理后的校正集光谱数据矩阵作为模型的输入，以校正集对应的小 麦硬度数据作为模型的期望输出，建立初步径向基函数神经网络模型，再利用步骤3)所得预 处理后预测集的数据对初步径向基函数神经网络模型进行验证和校正，最后获得检测模型；

5)利用近红外光谱仪扫描待检小麦样品，获取样品近红外光谱数据，对所得近红外光谱 数据进行预处理后，利用步骤4)所得的检测模型测定待测小麦样品的硬度。

优选地，步骤1)所述利用近红外光谱仪扫描小麦样品，扫描范围为400-2498nm，分辨 率为8nm，扫描次数为2次。

优选地，步骤2)所述硬度指数法，是取24.99-25.01g样品，利用硬度测定仪粉碎并测定 样品硬度，粉碎时间为50s，最后通过自动称量系统称量并计算最终结果或手工称量并根据以 下公式计算结果：

$HI\left(\%\right)=100-m_1\times \frac{100}{25}-k_1\times (12-w)-k_2\times (25-t)$

式中，HI(％)表示校正至水分12％，环境温度25℃时的硬度指数，m₁(g)表示粉碎后通过 筛网的样品质量，w(％)表示样品的水分含量，k₁表示水分校正系数，k₂表示温度校正系数。

优选地，步骤3)所述近红外光谱数据的预处理，是利用马氏距离法剔除光谱数据中的 异常值，再利用优化后的SPXY算法对光谱数据进行划分。

优选地，步骤3)所述优化后的SPXY算法，是先将欧式距离最远的两点数据选进校正集， 再利用SPXY方法从剩余样品中选取其余校正集数据。

优选地，步骤3)所述的预处理，为标准正态变量变换、一阶导数、二阶导数和连续投 影算法处理光谱中的一种或几种。

优选地，步骤4)所述检测模型为采用newrbe函数创建的一个精密径向基函数神经网络 (RBF)模型。RBF网络包括输入层、隐层和输出层，预处理后的校正集光谱数据矩阵作为 模型的输入，以校正集对应的小麦硬度数据作为模型的期望输出，均方误差默认为0，SPREAD 值取1200，隐层基函数采用高斯函数。径向基网络是一种局部逼近网络，且其一个最大优点 是通过线性最小二乘法得到权值W，因此具有较快的处理速度。

所述方法的具体步骤如下：

1)利用近红外光谱仪扫描小麦样品，扫描范围为400-2498nm，分辨率为8nm，扫描次数 为2次，获得样品的近红外光谱曲线；

2)取24.99-25.01g步骤1)所述小麦样品，利用硬度测定仪粉碎并测定样品硬度，粉碎时 间为50s，最后通过自动称量系统称量并计算最终硬度，并建立小麦硬度数据库；

3)利用马氏距离法剔除光谱曲线中的异常值，再利用优化后的SPXY算法将所得的近红 外光谱数据划分为校正集和预测集，利用标准正态变量变换优化校正集和预测集光谱数据， 同时利用连续投影算法对校正集和预测集光谱数据进行压缩处理，获得预处理数据；所述优 化后的SPXY算法，是先将欧式距离最远的两点数据选进校正集，在从剩余样品中选取其余校 正集数据；

4)以所得预处理后的校正集光谱数据矩阵作为模型的输入，以校正集对应的小麦硬度数 据作为模型的期望输出，均方误差默认为0，建立初步径向基函数神经网络模型，再利用步骤 3)所得预处理后预测集的数据对初步径向基函数神经网络模型进行验证和校正，最后获得检 测模型；

5)根据步骤1)所述方法利用近红外光谱仪扫描待检小麦样品，获取样品近红外光谱数 据，再根据步骤3)所述方法对近红外光谱数据进行预处理后，利用步骤4)所得的检测模型 测定待测小麦样品的硬度。

所述任一方法均可用于检测小麦的硬度。

本发明获得的有益效果如下：

1.本发明的方法具有成本低、无污染的特点。利用近红外光谱技术不需要任何试剂，不 消耗样品，无需排放污染物。与常规方法相比，既能降低成本，又可以保护环境，是一种“绿 色分析”技术。

2.本发明的方法的检测速度快，检测小麦种类多，使用小，常规测量耗时耗力。常规方 法建模时样本数据量过大，存在较多的干扰因素，影响模型的稳定性，本发明通过对光谱数 据进行预处理，压缩光谱数据来进一步的增强模型的稳定性。模型建立后，测量样品的时间 只需几十秒钟，大幅度提高检测效率。

3.本发明的方法客观性较高。传统小麦硬度测量法如角质率法等需要人为测量，误差较 大，近红外检测方法基本上都是机器操作，基本上消除了人为误差。

4.可以实现在线分析。近红外检测方法不受地域限制，可以进行实时检测。

附图说明

图1是本发明检测的流程图。

图2是小麦样品近红外光谱图；

(其中横坐标代表光谱的波长，纵坐标代表光谱的吸光度，每一条光谱对应每个样品的硬度)。

图3是连续投影算法选择的光谱点；

(其中横坐标代表波点，纵坐标是吸光度值，图中的方块代表筛选得到的波点位置)。

图4是RBF网络结构示意图。

具体实施方式

下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。

以下实施例所用材料、试剂、方法和仪器，未经特殊说明，均为本领域常规材料、试剂、 方法和仪器，本领域技术人员均可通过商业渠道获得。

实施例1

1、本实施例所选用的样本是由黑龙江省农科院农产品质量安全研究所从全国各地小麦主 产区收集的2013年小麦样品，共收集样本111个。

利用近红外光谱分析仪获得光谱数据，具体过程为：扫描时温度控制在室温25℃左右； 装样时样品装入样品杯后需将杯口刮平，尽量使样品表面与样品杯边缘向平；

将样品放入一个直径35mm，10mm深的原型小槽中进行扫描，扫描间隔是8nm，扫描2次， 产生262个光谱点，如图2为4个小麦的近红外光谱图。

2、对经近红外光谱分析仪扫描后的小麦样品进行常规实验，准确称取制备好的样品 (25.00±0.01)g；打开硬度测定仪端盖，将粉碎系统转子的一个型腔(两刀之间的凹部)向 上对准进料口，关闭并锁好端盖；打开进料斗盖，将称取好的样品全部倒入进料斗中，关闭 进料斗盖；开启测定仪，样品粉碎50s后，自动停机；待仪器停稳后打开端盖，小心将接料 斗、筛网系统一起取出，按照仪器说明书的规定，将筛网上的留存物清扫干净。清扫中要防 止筛网系统与接料斗分离，以免筛网上的留存物掉入接料斗中和(或)接料斗中的物质撒出； 连同接料斗、筛网系统一起称量晒下物，扣除接料斗、筛网系统质量后得到筛下物质量m1， 精确至0.01g；将仪器粉碎系统、接料斗、筛网系统等清扫干净，以备下次测定用。配备称量 计算系统的仪器，称量后自动计算并打印出结果。未配备称量计算系统的，按公式(1)计算：

$HI\left(\%\right)=100-m_1\times \frac{100}{25}-k_1\times (12-w)-k_2\times (25-t)---\left(1\right)$

式中，HI(％)表示校正至水分12％，环境温度25℃时的硬度指数，m1(g)表示粉碎 后通过筛网的样品质量，w(％)表示样品的水分含量，k1表示水分校正系数，k2表示温度 校正系数。所有的实验步骤严格按照国家标准GB/T21304执行，均由农科院专业研究人员完 成。

3、采用马氏距离法挑选样本中的异常样品，并将其剔除，111个样品经处理后剩余108 个样品，然后采用优化后的SPXY方法对整个样本集进行划分。最终选择84个具有代表性的 样本作为校正集，用来建立模型，校正集有24个样品。

4、利用标准正态变量变换SNV对校正集光谱数据进行优化，以消除校正散射的影响。

5、利用连续投影算法对光谱数据进行压缩处理，得到的波长点47个如图3所示。

6、利用校正集样品建立径向基函数(RBF)神经网络模型(图4)，预处理后的光谱数据 矩阵作为模型的输入，这些光谱所对应的样品的硬度作为模型的输出，均方误差默认为0， 经过多次测试，当SPREAD值取1200时，模型的效果比较好,隐层基函数采用高斯函数，模 型的判别系数R²为0.90，预测标准差SEP为3.02，相对分析误差RPD为3.11，模型的R²越趋近于1，模型的稳定性越好。

根据模型的判别系数、预测标准差、相对分析误差来不断调整模型的参数。

实施例2

1、步骤1-3同实施例1中的步骤1-3相同。

2、利用未处理过的校正集样品的原始光谱建立径向基函数(RBF)神经网络模型， 利用预测集样品来检验RBF模型，模型的R²为0.79，RPD为2.19，SEP为4.30。

实施例3

1、步骤1-3同实施例1中的步骤1-3相同。

2、利用标准正态变量变换SNV对所有样品的光谱数据进行优化，以消除校正散射 的影响，再通过数学计算法得到二阶导数光谱。

3、利用校正集样品建立偏最小二乘(PLS)模型，利用预测集样品来验证并校正PLS 模型，模型的R²为0.85，RPD为2.57，SEP为3.66。

实施例4

1、步骤1-3同实施例1中的步骤1-3相同。

2、利用标准正态变量变换SNV对所有样品的光谱数据进行优化，以消除校正散射 的影响，再通过数学计算法得到一阶导数光谱。

3、利用连续投影算法对原始数据进行压缩处理。

4、利用校正集样品建立BP神经网络模型，利用预测集样品来验正并校正BP模型， 模型的R²为0.60，RPD为1.59，SEP为5.92。

实施例5

建立好检测模型后，发明人重新到市场上购置并抽取4种小麦，每种6个样品，共计24 个样品。利用实施例1-4所构建的检测模型进行硬度测定。近红外扫描及硬度指数法测定等 过程均与实施例1中所列方法相同，最终检测结果如表1所示。从表中数据可以看出，实施 例1中建立的RBF神经网络模型的预测性能是最好的，误差最小。

表1不同检测模型的检测结果

表2不同模型判别系数、相对分析误差、预测标准差

R²RPD SEP 实施例1 0.90 3.02 3.11 实施例2 0.79 2.19 4.30 实施例3 0.85 2.57 3.66 实施例4 0.60 1.59 5.92

从表2可以看出，实施例1判别系数R²最接近1，相对分析误差值RPD最大，预测标准 差SEP最小，由此可见实施例1的模型预测效果很好，可以满足于实际应用。

虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的 人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应 该以权利要求书所界定的为准。