摘 要：用傅立叶变换近红外光谱（FT-NIRS）分析小麦子粒湿面筋含量。采用国标GB/T14608-1993法测试了216份小麦子粒的湿面筋含量，用近红外仪采集数据，选择113份建立了数学模型。结果：最佳主成分数（Rank）=3，内部交叉验证均方差（RMSECV）=2.33，决定系数（R2）=90.69。为了验证模型的可靠性，对预测集样品进行预测，结果湿面筋的预测均方差（RMSEP）=2.70；相对偏差（RSEP，%）=11.84。结果表明，该数学模型可初步用来快速、较准确、无污染、低消耗地测试小麦子粒的湿面筋含量。
关键词：小麦子粒；近红外光谱；数学模型；湿面筋含量
中图分类号 S512.1 文献标识码 A 文章编号 1007-7731（2015）06-30-02
Research on FT-NIRS in Determination of Wet Gluten of Wheat Seed
Lei Jiarong et al.
（Mianyang Academy of Agricultural Sciences，Mianyang621023，China）
Abstract：In this study，gluten contents of 216 genotypes of Triticum aestivum were analyzed by GB/T14608-1993 method. Bruker fourier transform near-infrared spectroscopy （FT-NIRS） used 113 genotypes to establish math model of gluten. The result on this model showed that the Rank was 3 and the RMSECV was 2.32 and R2 was 90.69. 35 samples were used to test this model. The result on model validation showed that the RMSEP was 2.70 and the RSEP（%） was 11.84.So FT-NIR technique might be used to determined accurately and fleetly gluten content with free pollution and depletion in short time.
Key words：Wheat Seed；FT-NIRS；Math Model；Gluten content
近红外光谱分析技术具有快速、方便、简单、准确及同时可分析多种成分的优点，是一种非破坏性的“瞬间分析”技术，由于该分析方法不消耗试剂，不产生污染，因此被称为“绿色分析技术”。近红外光谱技术目前已广泛应用于农业[1]、纺织业[2]、汽油甲醇分析[3]、土壤总氮光谱的选取[4]、饮食业[5-7]、小麦品质监测与应用[8-9]。小麦品质育种需要快速和准确测定有关品质参数，用近红外光谱法分析小麦子粒湿面筋含量，难点在于近红外光谱法要从复杂、重叠、变动的背景中提取弱信息，建立数学模型。要建立优秀的数学模型，就需要拥有大量样品资源，从大量样品中选择代表性样品，从而建立准确而稳定的数学模型。为了建立适合育种者快速选择不同面筋材料、且不破坏种子材料的快速测定法，笔者收集了216份小麦子粒样品，经过测定降落值，筛选降落值不小于200s的样品，再进行了湿面筋含量的分析，结果筛选出113份材料，初步建立了小麦子粒湿面筋FT-NIRS数学模型。
1 材料与方法
1.1 材料 小麦子粒样品216份，由绵阳市农科院的国家小麦分中心提供。
1.2 方法
1.2.1 湿面筋含量分析 采用国标GB/T14608-1993法测试小麦子粒的湿面筋含量。
1.2.2 近红外分析
1.2.2.1 仪器 近红外光谱品质分析仪为德国Bruker公司MATRIX-I型傅立叶变换近红外光谱品质分析仪。
1.2.2.2 实验条件 运用OPUS系统建立模型时，在Measurement状态下的Advanced 工作页选择参数如下：Resolution为16cm-1，Sample Scan Time为64，Background Scan为64，Save Date From 为12 000～4 000cm-1，Result Spectrum 为Absorbance。其余工作页设定正确的参数。定量建模算法：偏最小二乘法。
1.3 模型建立 利用OPUS/QUANT软件优化、建立小麦子粒湿面筋的近红外分析模型。
1.4 评价模型的参数 预测均方差（RMSEP），相对偏差（RSEP，%）。
2 结果与分析
2.1 建小麦湿面筋FT-NIRS定量分析模型的样品光谱 小麦子粒样品的近红外光谱图集（图1）。
2.2 建立小麦湿面筋FT-NIR定量分析模型 应用Bruker OPUS/QUANT-2定量分析软件中PLS法进行数据处理，结果：最佳主成分数（Rank）=3，内部交叉验证均方差（RMSECV）=2.33，决定系数（R2）=90.69。当Rank值为3时进行建模，校正样品集预测结果与真实值之间的相关性（图2）。
2.3 评价校正方程 为了验证模型的可靠性，对预测集样品进行预测（表1），结果湿面筋的预测均方差（RMSEP）=2.70；相对偏差（RSEP，%）=11.84。
3 结论与讨论
（1）用近红外仪采集数据，选择113份建立了数学模型。结果：最佳主成分数（Rank）=3，内部交叉验证均方差（RMSECV）=2.33，决定系数（R2）=90.69。为了验证模型的可靠性，对预测集样品进行预测，结果湿面筋的预测均方差（RMSEP）=2.70；相对偏差（RSEP，%）=11.84。
（2）FT-NIRS的方法测定小麦子粒的湿面筋含量与采用国标GB/T14608-1993法测试小麦子粒的湿面筋含量相比，快速、无损，预测结果比较准确，通过适量的校正样品建立起来的数学模型之后，可快速准确地测试未知样品的相关指标，特别适用于大批样品的分析测定，为FT-NIRS技术应用于农作物育种筛选材料提供了可能。
（3）建模时样品数量和样品代表性直接影响分析结果。本研究样品数量虽有113个来建模，但样品的代表性方面有待进一步完善，强筋样品过少。
参考文献
[1]文婷，张翔，张浩勤，等.近红外光谱在农业中的应用[J].农业技术与装备，2009（20）：20，22.
[2] 柴金朝，金尚忠.近红外光谱技术在纺织品定性检测中的应用[J].纺织学报，2009，30（4）：55-58.
[3]欧阳爱国，刘军.基于近红外与拉曼光谱的甲醇汽油定量分析[J].西南师范大学学报（自然科学版），2012，37（9）：98-101.
[4]高洪智，卢启鹏，丁海泉，等.基于连续投影算法的土壤总氮近红外特征波长的选取[J].光谱学与光谱分析，2009，29（11）：2951-2954.
[5]马兰，夏俊芳，张战锋，等.光谱预处理对近红外光谱无损检测番茄可溶性固形物含量的影响[J].华中农业大学学报，2008，27（5）：672-675.
[6]刘垚，万辉，朱焕庭.近红外光谱分析技术在果品品质无损检测中的应用[J].广东农业科学，2009（3）：157-158，163.
[7]林新，牛智有.基于近红外光谱茶叶种类的快速识别[J].华中农业大学学报，2008，27（2）：326-330.
[8]高居荣，樊广华，李圣福，等.近红外光谱技术分析小麦品质的应用研究[J].实验技术与管理，2009，26（3）：42-44.
[9]朱大洲，黄文江，马智宏，等.基于近红外网络的小麦品质监测[J].中国农业科学，2011，44（9）：1806-1814. （责编：张宏民）