基于近红外光谱与面粉组分分离数据融合技术的小麦品质预测新方法研究

《Food Analytical Methods》：Improved Prediction of Wheat Quality and Functionality Using Near-Infrared Spectroscopy and Novel Approaches Involving Flour Fractionation and Data Fusion

本研究针对传统小麦品质检测方法耗时费力且仅依赖蛋白质含量的行业痛点，创新性地将面粉组分分离（筛分分级与面团制备）与近红外光谱技术相结合，通过数据融合策略成功预测了41项小麦品质参数。研究结果表明，面粉预处理可显著改变样品组成并增强光谱差异，使35项参数的预测精度提升5.6-28.6%，其中50-75μm、75-100μm筛分组分及面团、谷朊粉光谱的数据融合模型表现尤为突出。该技术为小麦产业链提供了一种快速、精准的多维度品质评价新范式，对优化小麦定价机制和减少农业污染具有重要实践意义。

　　

小麦作为全球最重要的口粮作物之一，其品质直接决定了面制品的加工性能与终端产品质量。然而，当前小麦产业链面临一个严峻挑战：品质检测严重依赖蛋白质含量这一单一指标，而真正反映加工功能性的流变学参数（如面团稳定性、延展性等）却因检测成本高、耗时长而难以普及。更棘手的是，近红外光谱（NIR）技术虽能快速测定蛋白质含量，但对大多数品质参数的预测精度远未达到替代传统检测方法的水平。这种“唯蛋白论”不仅导致农民为追求蛋白含量过度施肥、加剧环境污染，更使得优质小麦的真实价值无法在市场中体现。为此，德国霍恩海姆大学等机构的研究团队在《Food Analytical Methods》发表论文，提出一种融合面粉组分分离与数据融合的创新策略，试图破解小麦品质精准预测的难题。

研究团队首先对50种来源多元（10国、4个产年）的商品小麦粉进行精细处理：通过气流筛分获得<32μm、32-50μm、50-75μm、75-100μm、>100μm五种粒径组分，同时制备面团并分离出谷朊粉和淀粉组分。利用近红外光谱仪采集所有样本的光谱后，采用主成分回归（PCR）和偏最小二乘回归（PLSR）等化学计量学方法，系统评估了单一组分光谱与数据融合模型对41项品质参数的预测效能，涵盖蛋白质组分（Osborne分级、SDSS-GMP分级）、溶剂保持能力（SRC）及三大流变仪（粉质仪、拉伸仪、吹泡仪）参数。

关键技术创新点

1. 1.
   组分分离增强光谱信息：筛分分级富集特定蛋白组分（如50-75μm组分蛋白含量最高），面团制备引发谷蛋白网络结构变化，使NIR光谱捕获到更丰富的品质关联信号；
2. 2.
   数据融合策略：融合不同组分光谱（如谷朊粉+面粉、多粒径筛分组分组合）互补信息，显著提升模型鲁棒性；
3. 3.
   跨参数优化：针对不同品质参数特性优选最佳光谱来源，如面团光谱对SDSS-GMP蛋白组分预测效果最佳（R²_CV=0.91），而筛分组分对湿面筋含量预测提升16.7%。

结果与讨论

1. 光谱特征解析

主成分分析显示，面粉组分分离后各样本光谱呈现明显差异：谷朊粉和面团光谱在蛋白质特征区域（如4200-4500 cm^-1的CH振动、5750-5900 cm^-1的蛋白二级结构信号）与面粉光谱分离，而筛分组分沿PC3轴按蛋白富集程度（50-75μm组分最高）分布。这表明组分分离能放大与品质相关的化学结构差异。

2. 蛋白质相关参数预测提升

面粉光谱对蛋白含量预测本已优异（R²_CV=0.96），但组分分离使湿面筋含量预测误差降低25%（融合<32μm与50-75μm光谱）。尤为重要的是，传统难测的蛋白组分如SDSS（SDS可溶蛋白）通过面团光谱预测精度提升至R²_CV=0.91，可能因面团形成过程中蛋白构象变化被NIR捕获。

3. 流变学参数突破

对于粉质仪吸水率（FA WAM），50-75μm筛分组分与面粉光谱融合模型将R²_CV从0.79提升至0.87；吹泡仪变形能（AL W）通过面团光谱预测误差降低20%。这些改善印证了流变特性与蛋白网络结构的强关联性，而组分分离增强了相关光谱信号。

4. 局限性分析

部分参数如哈格伯格降落数值（Hagberg falling number）预测改进有限（R²_CV=0.72），可能因α-淀粉酶与其他蛋白光谱重叠；溶剂保持能力（SRC）中乳酸钠溶液参数预测不佳，或与组分分离未充分暴露相关聚合物的溶胀特性有关。

结论与展望

本研究通过面粉组分分离与数据融合，将NIR光谱的小麦品质预测维度从单一蛋白含量扩展至蛋白组分、流变特性等41个参数，其中35个参数预测精度提升超5%。技术优势体现在三方面：

• •
  实践性：筛分分级与面团制备操作简便，易于融入现有质检流程；
• •
  互补性：数据融合模型（如谷朊粉+面团光谱）通过整合蛋白网络形成前后信息，攻克了单一光谱信息冗余难题；
• •
  普适性：基于多国样本集的模型对品种、产地差异具有良好包容性。

该策略为小麦品质快检提供了新思路，未来可结合拉曼光谱等多模态数据进一步优化预测模型。然而，工业化应用需解决筛分标准化、模型跨设备迁移等挑战。值得注意的是，研究揭示了50-75μm筛分组分在品质预测中的核心作用，提示该粒径范围可能富集关键功能性蛋白，这为定向改良小麦品质提供了新靶点。