单粒大豆的近红外光谱特征及品种鉴别研究

1、单粒大豆的近红外光谱特征及品种鉴别研究朱大洲，王 坤，周光华，侯瑞锋，王 成* 国家农业智能装备工程技术研究中心，北京 100097摘 要 随着大豆生产及豆制品加工业的发展,大豆的品质育种已越来越被育种家所重视。传统的破坏性抽样检测方法已难以满足育种过程中早代材料的快速筛选要求。近红外光谱技术已在大豆品质检测中得到了广泛应用，但都是针对大量样本的，不能满足育种过程中对少量甚至单粒大豆品质检测的需求。文章采用AOTF近红外光谱仪对单粒大豆的漫反射光谱进行了研究。实验中测定了两个品种的大豆，分别是60粒“垦鉴豆43”和60粒“中黄13”。根据单粒大豆的近红外光谱，结合软独立建模分类法（SIMCA）

2、建立定性分析模型，可准确鉴别大豆的品种。其研究中对“垦鉴豆43”和“中黄13”的识别正确率为100%。通过在不同部位多次测定单粒大豆的光谱，表明对于单粒种子的测定，光谱的准确获取及光谱的代表性是关键。大豆籽粒的表面形态对光谱扫描影响很大。对于表面光滑的大豆，光谱的重复性较好，而存在表面缺陷的种子，多次扫描得到的光谱存在明显差异。作为育种中快速筛选方法的需要，可在外观鉴定剔除表面缺陷的种子后，采用近红外光谱对内部成分进行检测，从而降低外部形态对光谱扫描的影响。关键词 近红外光谱；单粒；大豆；种子中图分类号： TP391 文献标识码： A DOI：引言收稿日期：2010-02-26， 修订日期：2

3、010-05-29基金项目：农业部(948计划)项目（2006-G63(5), 2010-S20）资助作者简介：朱大洲，1981年生, 国家农业智能装备工程技术研究中心助理研究员 * 通讯联系人 e-mail: wangc近红外光谱技术具有无损、操作简单、处理量大、客观准确、快速无污染等优点,在大豆等谷物品质分析中得到了广泛的应用。Pazdernik 等1利用大豆粉沫和混合籽粒样品研究五种脂肪酸的NIRS 预测模型。Kovalenko 等2对大豆中的氨基酸组分进行了近红外光谱的研究。Delwiche小组试图通过测定整颗大豆的近红外透射谱图来确定其中的蛋白质含量3和磷含量4。近几年来，国内大豆的

4、近红外检测技术也得到了深入研究，测量方式包括透射分析、漫反射分析，测量对象也分大豆粉末测量和整粒大豆直接测定。赵武善等用FOSS 公司生产的Infratec 1255型近红外光谱透射仪扫描样品, 主要检测大豆籽粒的水分、蛋白、脂肪。韩熹等5利用国产近红外谷物分析仪建立了短波透射型近红外光谱对大豆样品中的粗蛋白和粗脂肪的快速测定方法。薛雅琳等6将粉粹过的样品过40目筛后扫描其光谱，用于测定大豆的水分含量。柴玉华等7使用Perten公司带有0.8 mm筛子的3100型实验室磨将大豆样品经过研磨以达到颗粒大小一致，用于检测大豆脂肪酸含量。孙君明等将30 g左右大豆粉末样品盛于直径50 mm的旋转样品

5、池中,测定其漫反射光谱。上述研究表明，近红外光谱分析可用于测定大豆的水分、蛋白、脂肪、脂肪酸等成分。随着大豆生产的发展,大豆的品质育种已越来越被育种家所重视。育种过程中大豆品质的检测更加频繁，传统检测方法存在时间长、费用高、只能抽样检测等缺点。近红外光谱技术有望解决该问题。上述研究均是针对一定量的样本进行测定的，样品量在1050g。然而在育种过程中，针对早代材料的快速筛选，育种家迫切需要针对少量样品甚至单粒样品的无损检测技术。单粒大豆的近红外检测涉及一系列光谱扫描、定标模型开发的新问题。本研究尝试采用近红外光谱漫反射测量技术对单粒大豆的品种鉴别进行探讨。1 材料与方法1.1 实验材料选取了60

6、粒“恳鉴豆43”和60粒“中黄13”，共计120粒大豆。这些样品已经过正常风干处理，分装于封口塑料袋中, 编号保存于4 冰箱中。这120粒大豆在选取时已经剔除了具有严重损伤、瘪粒的种子。为了使样品更具代表性，各样品具有不同的大小尺寸。1.2 光谱测量采用美国Brimrose公司的limia5030便携式AOTF近红外光谱仪测定大豆的近红外光谱。将大豆水平放置在光谱仪的漫反射测量探头上，探头的出光孔是针对大豆的尺寸定制的。光谱仪的测量范围为13002500nm，分辨率2nm，每次测量时扫描300次取平均光谱作为输出。每粒大豆扫描完底面时，将其翻转180°，测量其背面的光谱。将两次测量的

7、光谱取平均作为该粒大豆的近红外光谱。测量上下两个位置是为了消除样本不均匀引起的散射误差。为了研究单粒大豆近红外光谱的采集方法，选取了两粒特殊的大豆，见图1。其中一粒大豆（a）的其中一面是光滑的，而另外一面存在凸凹不平的缺陷，见图1（a）上表面；另外一粒（b）的上下两个表面都非常光滑、饱满。针对这两粒大豆，将其水平放置，用镊子夹住，调整其水平放置的角度，在十个不同的角度放置时分别测量其漫反射光谱。探讨不同放置角度时光谱扫描的重复性。用镊子夹的过程中避免用手接触大豆，防止手上的水分影响测量结果。Fig.1 Images of soybean(a): With external defect; (b

8、): With glossy surface1.3 数据处理采用(soft independent modeling of class analogy, SIMCA) (Wold, 1976)方法建立大豆品种的定性模型。用SIMCA法首先对样品集中每一类样本的光谱数据矩阵分别进行主成分分析（PCA），求出属于每一类的样品数据矩阵的特征值及特征向量，建立每一类的主成分分析数学模型，然后在此基础上对未知样本进行分类，即将未知样品光谱数据进行主成分分解，在每一类的主成分空间内，进行马氏距离运算，得到该未知样品到每一类样品的距离，根据距离大小判断未知样品的归属。对于每一个模型，按21划分校正集、预测集

9、。模型效果用校正集、预测集的分类正确率（正确分类的样本数除以样本总数）来评价。2 结果与讨论2.1 大豆的表面形态及不同测量位置对光谱的影响在对大量样本进行测量时，为了降低样本均匀性的影响，一般采用多次测量取平均光谱进行建模。大豆的形态各异，表面光滑程度也不一致，为了探讨大豆表面形态对光谱的影响。本研究对表面光滑和存在缺陷的两粒大豆进行检测。在水平位置上放置十次，测量光谱的重复性。人工确定大豆的上下表面，分别测量两个表面的漫反射光谱。对于表面光滑的大豆，上表面、下表面十次测量的光谱的重复性很好，并且上表面和下表面的光谱也无明显差异见图2（b），说明测量位置对表面光滑的大豆没有明显影响。对于有缺

10、陷的那粒大豆，其下表面光滑，因此十次测量的光谱很紧凑，重复性好，而上表面有凸凹不平的缺陷，在不同位置测量时，这种缺陷对光的反射角度存在差异，因而十次测量时光谱的重复性较差，光谱比较分散见图2（a）。该粒大豆的上表面和下表面的光谱存在明显的差异。从上述分析可知，大豆的表面形态对光谱的测量有影响，为了尽量消除这种影响，可对其上下表面分别多次测量，取平均光谱进行计算。对于外观存在严重缺陷的大豆，多次测量可能也存在较大误差。但在实际过程中，单粒大豆的近红外检测主要在育种过程中进行，育种时要选择优良的种子用于下一代实验，一般会首先根据外观，把瘪的及有其他严重缺陷的排除掉，再用近红外光谱仪测定其内部品质，

11、能够保证大豆的外观形态对光谱的影响尽量小。Fig.2 NIR spectra repeatability of soybean(a): With external defect; (b): With glossy surface2.2 大豆的近红外光谱特征图3（a）为两种大豆的光谱图，可见垦鉴豆43和中黄13的光谱重叠严重，肉眼难以将两种大豆分开。大豆光谱在1 450, 1 730, 1 940, 2 010, 2 260, 2 340, 2 450 nm处有吸收峰，这些吸收峰与大豆中的主要有机成分如蛋白质、脂肪、脂肪酸和水分等有关。Fig.3 NIR spectra (a) and PCA

12、score plot (b) of two varieties of soybean samplesFig.4 Change of PRESS with LV and the Q vs. T2 for two classes, respectively2.3 大豆光谱的主成分空间分布主成分分析在对数据进行降维的同时，保留了原数据矩阵的有用信息，并剔除了部分噪声信息。基于样本的主成分得分图能够更直观地揭示样本的内部特征和聚类信息。从图3（b）中可以看出，“恳鉴豆43”和“中黄13”分别分布在PC1-PC2主成分图的左边和右边。但单独依靠主成分得分图还不足以判断大豆定性鉴别的准确率，因此，本研究采

13、用SIMCA法来计算分类的正确率。2.4 两个品种大豆的SIMCA分类模型在采用SIMCA法建立模型时，选择最佳的主成分数是很重要的，本研究采用交互验证法来选取，在PCA分解过程中，当预测残差平方和没有显著降低时，对应的主成分数即为最佳主成分数。图4中两类的编号分别为1和2。在对应的Qvs T2图中（图4），两类大豆的分布有明显差异，因此可成功分类。在SIMCA模型中，针对每类样本进行主成分分解，其中Q是每个样本与其在模型主成分上的投影之间的残差，它代表每个样本与PCA分解模型匹配的程度；T2是归一化得分的平方和，表示每个样本在PCA模型中的变异程度。由图4可见，随着主成分数的增加，每类样本的

14、预测残差平方和(predictive residual error sum of square, PRESS)逐渐减小，减小到一定程度时，PRESS呈缓慢减小趋势，说明模型已基本提取到有效信息，此时即确定最佳主成分数。分类模型的最终结果见表1，LV1和LV2分别是两类的最佳主成分数，Accuracy_C和Accuracy_P分别是校正集和预测集的分类正确率。采用原始光谱建立的SIMCA模型，识别正确率为100%。Table 1 Classification result by SIMCA with originalspectra for two varieties of soybean sam

15、ples3 结 论 本文采用AOTF近红外光谱仪测定单粒大豆的漫反射光谱。结果表明，对于单粒种子的测定，光谱的准确获取及光谱的代表性是关键。大豆籽粒的表面形态对光谱扫描影响很大。表面光滑的大豆，光谱的重复性较好，而存在表面缺陷的种子，多次扫描得到的光谱存在明显差异。作为育种中快速筛选的方法，可在外观鉴定剔除表面缺陷的种子后，采用近红外光谱对内部成分进行检测，从而降低外部形态对光谱扫描的影响。本研究中对“垦鉴豆43”和“中黄13”建立SIMCA分类模型，识别正确率为100%。说明近红外光谱可用于单粒大豆品种的鉴别。参 考 文 献1 Pazdernik D L, Killam A S, Orf J

16、 H. Agronomy Journal, 1997, 89: 679.2 Kovalenko I V, Rippke G R, Hurburgh C R. Journal of Agriculture and Food Chemistry, 2006, 54: 3485.3 Delwiche S R, Pordesimo L O, Panthee D R, et al. Journal of the American Oil Chemists Society, 2007, 84: 1107.4 Delwiche S R, Pordesimo L O, Scaboo A M, et al. J

17、ournal of Agriculture and Food Chemistry, 2006, 54: 6951.5 HAN Xi, YAN Hong-bin, LU Fu-jie, et al(韩 熹, 严红兵, 卢福洁, 等). Modern Scientific Instruments(现代科学仪器)，2009，2： 119.6 XUE Ya-lin, WANG Xue-lian, ZHAO Hui-yi, et al(薛雅琳，王雪莲，赵会义，等). China Oils and Fats(中国油脂)，2009，34（7）： 69.7 CHAI Yu-hua, TAN Ke-zhu(柴玉

18、华, 谭克竹). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报)，2007，23： 238.The NIR Spectra Based Variety Discrimination for Single Soybean SeedZHU Da-zhou, WANG Kun, ZHOU Guang-hua, HOU Rui-feng, WANG Cheng*National Research Center of Intelligent Equipment for Agriculture, Beijing

19、 100097, ChinaAbstract With the development of soybean producing and processing, the quality breeding becomes more and more important for soybean breeders. Traditional sampling detection methods for soybean quality need to destroy the seed, and does not satisfy the requirement of earlier generation

20、materials sieving for breeding. Near infrared (NIR) spectroscopy has been widely used for soybean quality detection. However, all these applications were referred to mass samples, and they were not suitable for little or single seed detection in breeding procedure. In the present study, the acousto-

21、optic tunable filter (AOTF) NIR spectroscopy was used to measure the single soybean seed. Two varieties of soybean were measured, which contained 60 KENJIANDOU43 seeds and 60 ZHONGHUANG13 seeds. The results showed that NIR spectra combined with soft independent modeling of class analogy (SIMCA) could accurately discriminate the soybean varieties. The classification accuracy for KENJIANDOU43 seeds and ZHONGHUANG13 was 100%. The spectra of single soybean seed were measured at different positions, and it showed that the seed shape has significant influ