11.3.1实验材料与光谱采集

实验采用了45个从市场上买回来不同品牌、不同批次的淀粉样本，并将其混合穿插标号，主要有玉米和马铃薯两大类：玉米淀粉共29个，其中有25个老样本、4个新样本；马铃薯淀粉共16个，其中有12个老样本、4个新样本。根据这45个淀粉样本的近红外光谱图，用OPUS软件进行聚类分析，建立样本分类模型。

新旧淀粉混合使用建模和验证：本实验使用的淀粉主要有2012年和2014年两个批次，先把新旧淀粉混合在一起进行建模。选择12个马铃薯淀粉样本的原始光谱用来建模，马铃薯淀粉中的3号、12号、20号(新)和35号(新)用作预测。从T米淀粉中选择25个样本的原始光谱用作建模，玉米淀粉中的10号、19号、30号和40号(新)用作预测，进行聚类分析。

取上述45个淀粉样本逐一放置在旋转样本台的样本杯中，然后进行近红外光谱采集。波数范围为4000～12500cm^-1，波长间隔为8cm，环境温度为20～23℃。得到的近红外漫反射光谱如图11-1所示，其中，波数在9000～11500cm^-1段的光谱图多为噪声，一般情况下都将其忽略不计。

图11-1  45个淀粉样本的近红外光谱图

数据预处理的方法选择总共有6种，分别为不进行预处理、SNV、一阶导数、一阶导数＋SNV、二阶导数、二阶导数＋SNV。各种方法的处理算法并不相同，所以需要逐一进行验证比较，从而选择出最佳建模方案。

注意，实验中要将频谱范围缩小，排除频数近似、波动不大的部分，减小模型的误差，如图11-2所示。

11.3.2基于聚类分析的淀粉种类鉴别模型建立与分析

1．不进行预处理

左侧为玉米淀粉，右侧为马铃薯淀粉，从树状图(见图11-3)可看出2号应为马铃薯淀粉，但是归类到了玉米淀粉中，所建模型准确率高达97.8 %

2.SNV

左侧为玉米淀粉，右侧为马铃薯淀粉，从树状图(见图11-4)可看出2号应为马铃薯淀粉，但是归类到了玉米淀粉中，所建模型准礁率高达97.8%。

图11-2 近红外定性分析的频率选择范围

图11-3 样本数据不进行预处理的聚类分析结果

图11-4 样本数据SNV的聚类分析结果

3.一阶导数

左侧为玉米淀粉，右侧为马铃薯淀粉，从树状图(见图11-5)可看出2号和28号应为土豆淀粉，但是归类到了玉米淀粉中，所建模型准确率为95.6%。

图11-5 样本数据一阶导数的聚类分析结果

4．一阶导数＋SNV

左侧为玉米淀粉，右侧为马铃薯淀粉，从树状图(见图11-6)可看出分类完全正确，准确率高达100。

图11-6 样本数据一阶导数＋SNV的聚类分析结果

5．二阶导数

左侧为玉米淀粉，右侧为玉米淀粉和马铃薯淀粉的混合，并且两者掺杂度非常高。此树状图(见图11-7)错误分类数据太多，所以所建模型误差太大，不可采用。

图11-7 样本数据二阶导数的聚类分析结果

6．二阶导数＋SNV

树状图(见图11-8)左右两分支均为马铃薯淀粉与玉米淀粉的混合，且掺杂度都很高，无法做到清晰正确分类，因此分类结果误差太大，此模型不可被采用。

图11-8 样本数据二阶导数+ SNV的聚类分析结果

7．基于近红外光谱的淀粉种类建模结果对比(见表11-1)

表11-1 淀粉近红外光谱建模结果分析比对表

从以上建模结果对比来看，一阶导数＋SNV的建模结果分类错误最少，准确率达100%，并且测试样本的测试结果表示分类均正确无误。

研究基于近红外光谱结合聚类分析法对马铃薯淀粉和玉米淀粉进行了鉴别，鉴别结果准确率达到了100%。此方法比常规鉴别法简便、准确，且更具有科学性，从而为淀粉种类的鉴定提供了一种新的方法和手段。

相关链接：淀粉种类鉴别的研究现状

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。