基于近紅外光譜技術(shù)的大米摻偽定量判別研究.pdf

1、作為“五谷之首”的大米（也稱為稻米），其質(zhì)量和安全問題一直備受關(guān)注。然而，近年來頻頻出現(xiàn)的大米摻偽現(xiàn)象，使得大米的質(zhì)量分析面臨前所未有的挑戰(zhàn)，迫切需要開發(fā)快速、可靠的檢測技術(shù)。近紅外光譜分析技術(shù)（NIRS）具有快速、無損、綠色、低成本的突出優(yōu)點，已在各個領(lǐng)域和行業(yè)中被廣泛應(yīng)用。本研究針對現(xiàn)在市場上常見的兩種大米摻偽現(xiàn)象（高檔米中混入低檔米和使用礦物油拋光），以近紅外光譜技術(shù)為基礎(chǔ)，同時結(jié)合化學(xué)計量學(xué)方法，分別建立了大米中摻入低檔米和摻入

2、礦物油的定量分析模型。
　?。?）近紅外光譜技術(shù)結(jié)合直鏈淀粉含量建立摻偽大米（摻入低檔米）的摻偽比例判別模型。按0％、5%、10%、15%、20%、30%、40%、50%、60%、70%、80%、90%和100%不同的摻偽比例制配了130個大米樣品（高檔A米中摻入低檔B米），采集這130個摻偽大米的近紅外光譜，對獲得的原始光譜數(shù)據(jù)進行預(yù)處理（標(biāo)準(zhǔn)正態(tài)變量變換法、最大最小歸一化法、平滑法和一階導(dǎo)數(shù)法），分別結(jié)合偏最小二乘法建立4種

3、PLS定量分析模型。通過對比建模結(jié)果得出最優(yōu)的預(yù)處理方法是最大最小歸一化法，建立的摻偽比例分析模型（摻入低檔米）的校正集和預(yù)測集相關(guān)系數(shù)分別為0.9698（Rc）和0.9845（Rv），均方根誤差分別為8.66（RMSECV）和6.46（RMSEP）。
　?。?）近紅外光譜技術(shù)結(jié)合偏最小二乘法（PLS）建立摻偽大米（摻入礦物油）的摻偽比例判別模型。按0.0000%、0.0118%、0.0395%、0.1370%、0.1819%、0

4、.6194%、0.8764%和1.3219%不同的摻偽比例制配了80個大米樣品（摻入礦物油），采集這80個摻礦物油大米的近紅外光譜，并結(jié)合偏最小二乘法建立摻偽比例的PLS定量分析模型。試驗結(jié)果顯示，所建模型校正集的相關(guān)系數(shù)和均方根誤差分別為0.9739（Rc）和0.106（RMSECV），預(yù)測集的相關(guān)系數(shù)和均方根誤差分別為0.9888（Rv）和0.0698（RMSEP）。
　　兩個模型的預(yù)測精度和穩(wěn)定性均很好，實現(xiàn)了對兩種摻偽大米