大米加工精度檢測方法的研究.pdf

1、相關研究表明，在稻米的表層和內部，稻米的營養(yǎng)成分含量有明顯的差異。隨著加工程度的增加，稻米的脂肪含量會隨之減少。因此，如果能在加工過程中檢測出稻米表面的脂肪含量，就有可能據此判斷出稻米當前大致的加工精度。由于近紅外光譜分析技術可以方便快速地對某些物質的化學組分作定量分析和檢測，因此，可以將之應用于稻米表面脂肪含量的測定，然后根據稻米的脂肪含量，進行大米加工精度等級的判定。
　　 本課題通過德國Bruker公司生產的Vector2

2、2/N型傅立葉變換近紅外光譜分析儀對大米樣品進行光譜掃描，采用近紅外漫反射光譜分析技術、PLS化學計量學算法建立大米表面脂肪含量的預測模型；結合索氏抽提殘余法和國家標準染色法，研究大米的加工精度與脂肪含量之間的關系，分別使用距離判別分析模型、聚類分析、BP神經網絡模型和支持向量機模型用于大米加工精度等級的判定。
　　 實驗以早稻、中稻、晚稻共69種水稻為實驗材料，利用實驗室礱谷機、碾米機等設備，模擬大米的加工過程，將稻米加工到不

3、同程度的精度等級制備出大米樣品。根據索氏抽提殘余法，測得校正樣品集和檢驗樣品集的脂肪含量范圍分別為1.3131％～1.9965％、0.3014％～1.4451％。利用OPUS5.0定量軟件自動優(yōu)化功能，在使用138個校正樣品集、優(yōu)化處理后，最終得到一階導數法(FD)+乘法散射校正法(MSC)為最佳光譜預處理方法，7501.7～5449.8并4601.3～4246.5為最佳譜區(qū)，最佳主成分維數為4。由此參數進行內部交叉檢驗，建立校正模型，

4、剔除6個異常光譜圖，最終校正樣品集為132個樣品。交叉驗證決定系數(R2)為0.9951，交叉驗證誤差(RMSECV)為0.0264，用已知真值的60個檢驗樣品檢驗上述模型，驗證決定系數(R2)為0.9905,預測誤差（RMSEP）為0.0248;相關系數(r)為0.996。使用距離判別模型判定大米的加工精度等級，對未知樣品進行預測，判定正確率為96.67％；利用聚類算法，確定大米加工精度等級對應脂肪含量的聚類中心，對未知樣品進行預測，

5、判定正確率為88.33％；建立BP神經網絡和支持向量機，進行未知樣品的大米加工精度判定，判定正確率可以達到96.67％和83.33％，表明可以利用近紅外漫反射光譜分析技術，建立大米加工精度等級的客觀判定模型。
　　 由于大米加工精度也用糙出白率來區(qū)分，利用OPUS5.0定量軟件自動優(yōu)化功能，使用138個校正樣品集、優(yōu)化處理后，最終得到一階導數法+乘法散射校正法(MSC)為最佳光譜預處理方法，6101.7～4246.5cm-1為最

6、佳譜區(qū)，最佳主成分維數變?yōu)?。由此參數進行內部交叉檢驗，建立校正模型，交叉驗證決定系數(R2)為0.9932，交叉驗證誤差(RMSECV)為0.174;相關系數(r)為0.999，用已知真值的60個檢驗樣品檢驗上述模型，外部驗證決定系數(R2)為0.9871，預測誤差(RMSEP)為0.172,相關系數(r)為0.996。建立距離判別分析模型，對求知樣品進行了預測，判定正確率為98.33％。利用聚類算法，確定大米加工精度等級對應糙出白率