基于VNIR–SWIR光谱与化学计量学的蒸谷米理化品质快速筛查研究

《JOURNAL OF FOOD SCIENCE》：Rapid Physicochemical Screening of Parboiled Rice Using VNIR–SWIR Spectroscopy and Chemometrics

　　

蒸谷米的高效品质评估对工业化加工至关重要，但传统分析流程往往耗时、耗试剂且具有破坏性。本研究评估了VNIR–SWIR光谱（可见光-近红外-短波红外光谱）结合化学计量学建模，对代表1型至5型及等外型（Off-Type）商业类别的蒸谷米中水分、淀粉、蛋白质、脂质、纤维和灰分进行快速预测的效果。采用六种光谱预处理策略建立偏最小二乘回归（Partial Least Squares Regression, PLS）模型，并通过内部交叉验证和独立测试集进行评价。各理化属性的模型性能差异显著。淀粉在使用基线偏移（baseline offset, BL）预处理时获得最佳测试集性能（R2 = 0.740；RMSEP = 0.902个百分点），而水分在使用多元散射校正（Multiplicative Scatter Correction, MSC）、基线偏移或未处理光谱时均表现出良好结果（R2 = 0.627；RMSEP < 0.37个百分点）。灰分在使用标准正态变量变换（Standard Normal Variate, SNV）结合基线校正与Savitzky–Golay平滑时表现出中等性能（R2 = 0.492；RMSEP = 0.045个百分点）。相比之下，蛋白质和纤维的可预测性有限，最大R2值分别为0.112和0.248。SNV和MSC通常能改善受散射影响的模型，而基线偏移对淀粉最为有效。总体而言，VNIR–SWIR光谱显示出快速筛查的潜力，尤其是对淀粉和水分，但在常规工业实施之前，仍需更广泛的数据集和独立生产批次的验证。

论文解读

一、研究背景与目的

蒸谷米因其营养和工艺特性而被广泛消费，其加工过程涉及浸泡、汽蒸和干燥等水热处理，这一过程促进淀粉糊化和回生，改变淀粉颗粒结构，提高胚乳半透明性。除淀粉外，水分、蛋白质、脂质、纤维和灰分也是稻米品质的重要指标，这些属性的综合评估支持品质表征、加工决策、储存管理和产品差异化。然而，传统分析方法往往需要化学试剂、专业人员、较长的执行时间且具有破坏性。在此背景下，可见光-近红外-短波红外（VNIR–SWIR）反射光谱技术作为一种快速、无损的替代方案应运而生，能够从单次光谱测量中评估多个品质属性。

尽管已有研究表明近红外（NIR）、VNIR–SWIR和高光谱技术在稻米品质预测方面具有潜力，但模型性能因属性、实验条件和样品特性而异。此前关于稻米的光谱研究主要集中在品种或产地判别、理化表征、商业类型分类、单粒可视化或特定加工属性的预测。本研究则专门针对代表巴西不同商业类型的蒸谷米，涉及六个近似组成属性的定量回归问题，系统比较六种光谱预处理策略，并通过校准、内部交叉验证和独立测试集评估PLS模型。研究旨在评估VNIR–SWIR光谱结合化学计量学方法对蒸谷米选定理化属性进行快速无损预测的准确性、预测性能和局限性。

二、主要关键技术方法

研究人员使用非成像光谱辐射仪（FieldSpec 4 Jr，配备Hi-Brite Muglight附件）在350–2500 nm波长范围内采集反射光谱，每个20 g完整蒸谷米籽粒子样本在8 cm直径培养皿中测量，每个子样本记录三次光谱读数并取平均值。近似组成（粗蛋白、水分、乙醚提取物、粗纤维、灰分和淀粉）使用FOSS DS2500近红外光谱仪测定，作为比较性光谱参考值。研究采用六种光谱预处理策略：未处理、基线偏移校正（BL）、标准正态变量变换（SNV）、多元散射校正（MSC）、SNV+BL+Savitzky–Golay平滑（SSG，九点窗口、二阶多项式）以及一阶Savitzky–Golay导数（1DSG，十一点窗口、二阶多项式）。偏最小二乘回归（PLS）模型使用The Unscrambler X 10.4软件建立，数据集通过Kennard–Stone算法划分，75%样本用于校准和内部交叉验证，25%作为独立测试集。样本来自巴西六个商业类别（1型至5型和等外型），每种类型各100个子样本，经离群值剔除后最终建模数据集为494个样本，其中370个用于校准，124个用于测试。

三、研究结果

3.1 蒸谷米的近似组成

不同商业类型的蒸谷米样品在水分、淀粉、蛋白质、脂质、纤维和灰分含量上存在显著差异（p ≤ 0.05）。水分含量介于11.19%（1型）和12.65%（5型）之间，平均值11.94%，低于14%的储存安全阈值。淀粉含量以1型（70.11%）和2型（70.16%）最高，3型（66.52%）和5型（66.73%）最低。蛋白质浓度以5型最高（5.25%），1型（4.19%）和等外型（4.26%）最低。研究指出，商业类型由物理缺陷决定而非营养成分，较高的蛋白质含量不应被解释为更优的商业品质。

3.2 蒸谷米品质的光谱解释

在750–2500 nm波长范围内，光谱形状由各组分的分子振动决定。835–900 nm范围与蛋白质和直链淀粉含量相关；985 nm吸收峰与蛋白质中N–H键伸缩振动有关；1200 nm峰归因于脂质、淀粉和蛋白质中C–H键的伸缩振动；1460和1940 nm对应于水分子中O–H键的弯曲振动；2200–2300 nm区域与碳水化合物相关化合物中C–H和O–H键的组合及泛频振动有关。各商业类型的光谱曲线在反射强度和离散度上存在视觉差异，尤其在水相关吸收带（约1450和1950 nm）附近，但这些观察仅为描述性的，未进行逐波长统计检验。

3.3 校准模型与内部交叉验证

针对每种理化属性建立了六种预处理条件下的PLS模型。水分方面，MSC和未处理光谱在校准和内部交叉验证中表现最佳，R²值分别为0.562和0.560。淀粉方面，未处理光谱和SNV效果最好，校准R²值均高于0.680。蛋白质是所有组分中拟合最差的，R²始终低于0.166。脂质方面，SNV略优于MSC，R²为0.488。纤维方面，MSC提供最佳性能，校准R²为0.360。灰分方面，MSC和未处理光谱表现相似，校准R²约为0.450。预处理效果取决于目标属性的化学浓度、光谱强度和物理变异性。MSC和SNV对受散射影响的属性（如水分和脂质）有益；淀粉作为主要成分，光谱信号较强，未处理光谱或基线校正即可保留有效信息；蛋白质浓度低且谱带重叠，预处理无法弥补化学对比度的不足。

3.4 独立测试集评估

测试集性能在各属性间差异显著。水分方面，MSC、BL和未处理光谱表现相似，R²约为0.627，RMSEP低于0.37个百分点。淀粉方面，BL产生最佳测试集结果，R² = 0.740，RMSEP = 0.902个百分点。蛋白质可预测性最低，最大测试集R²为0.112（SNV+BL+SSG）。脂质方面，SNV和MSC效果最好。纤维可预测性有限，SNV+BL+SSG产生的最高R²为0.248。灰分方面，SNV+BL+SSG表现最佳，R² = 0.492，RMSEP = 0.045个百分点。总体而言，淀粉和水分显示出最大的快速筛查潜力，蛋白质和纤维的定量可预测性有限，脂质和灰分模型表现中等。

四、讨论与结论

本研究表明，非成像VNIR–SWIR反射光谱结合PLS建模可用于蒸谷米选定理化属性的初步无损筛查。淀粉表现出最高的预测性能，尤其在基线偏移校正后；水分也显示出良好的筛查应用前景。脂质和灰分模型表现中等，而蛋白质和纤维的定量可预测性有限。光谱预处理的有效性取决于目标成分：SNV和MSC可减少部分模型中的散射效应，而基线校正或未处理光谱对淀粉和水分保留了相关信息。研究的主要局限性包括：组成范围狭窄、光谱吸收带重叠、样品异质性、使用间接NIR测量作为比较性参考值、分析子样本来自同一实验群体而非独立生产批次，以及无法恢复原始离群值排除过程中使用的确切诊断统计量、阈值和完整分析序列。品种、收获季节、生产区域和加工条件未作为独立因素进行评估。因此，该方法应被视为初步筛查手段，而非标准化定量分析的替代方案或完全验证的工业系统。未来研究应使用初级湿化学参考方法、更广泛多样的校准群体、独立生产批次、完整记录的离群值识别程序、校准转移评估以及与非线性机器学习算法的比较。