水稻是世界上最重要的糧食作物之一，隨著生活水平的提高，消費者對稻米品質的關注日益凸顯。稻米品質受到品種、產地環境、加工技術等多因素影響，外觀品質是影響稻米在目標市場銷售的關鍵因素。本文利用電子眼、電子舌、電子鼻對45個不同產地來源的稻米樣品進行外觀品質、食味品質分析。
材料
從市場購入45份不同品牌不同產地的稻米樣品，編號1-45，主要來自東北和長三角地區。人工感官評級將樣品進行分組以及賦予不同等級分數。
電子眼的形狀描述功能，能給出每組樣品中的每顆米粒大小等相關信息，結合GBT1354-2018中的碎米總量的定義，篩選出大于平均米粒大小的四分之三且面積大于1000像素的大米，統計其粒數，并計算在總米粒中的比例。堊白度（D）的計算參照GBT1354-2018中的公式進行，數值以百分數（%）計：
D=堊白粒率×堊白大小×100
45個稻米樣品的碎米度平均值為7.62%，堊白度的平均值為0.11%，變異系數為259.62%，表明不同樣品間的堊白度差異較大，其中8號樣品最高。樣品6，9，11，12的碎米度和堊白度均較小，且其評級為優質一級，表明外觀品質優良。
經過篩選重要顏色頻譜進行PCA分析，樣品間的區分指數為98，說明45批大米在色澤上存在著一定的差異，電子眼能夠區分開不同的大米樣品。第一主成分軸（PC1）占67.261%，第二主成分軸（PC2）占24.5%。說明主要差異集中在橫軸上，即在橫軸上距離越遠，差異越大。樣品17，18在右下角，游離在其他樣品之外，說明與其他樣本在色澤上的差異較大。樣品3和樣品7分布在相近的區域，樣品2、8、13、15、36、37、40處在相近區域，其他剩余樣本集中在相近區域。主成分分析能顯示出45個樣本間所有的差異。（如圖1所示）
根據人工感官評級的結果，將所有樣品分成5組。01G對應三級，02G對應二級，03G對應優質三級，04G對應優質二級，05G對應優質一級。將米粒破碎度及白堊度的數據引入數據庫中，新建關于色彩和形狀兩者相關的數據庫。并建立DFA聚類分析模型（如圖2所示）。可以看出，綜合了形狀和顏色之后，模型能區分出優質1級，優質2級。2級和3級大米也能區分開來，而優質3級大米中有的部分則與2級3級大米有部分交集。每個評級的樣品各選擇1個，投射進模型中，驗證模型的可靠性。分別選取來自5個不同等級的稻米樣品8、10、13、28，投射進模型中，可以看出模型的識別性良好，都投射到了對的分組。
如圖3所示為不同等級5組樣品的主成分分析圖，從圖中可以看出，第一主成分（PC1）與第二主成分（PC2）的貢獻率之和約為84%，此數值表明雖然在PCA上代表了樣品84%的信息，但是區分指數為-119，遠小于100，說明不同等級大米樣品之間有重疊，其中部分樣品具有相似的香氣特征，僅依靠主成分分析難以將不同等級的稻米樣品區分開。
將稻米樣品按不同級別進行分組，二級-8、三級-28、優質一級-4、優質二級-1、優質三級-13，運行DFA模型。不同級別的樣品可清晰地區分開來，將樣品19的一個平行樣用此模型進行識別，其被群組13-優質三級所識別（圖中黑色圓點），識別指數為100，后續可嘗試用于對新批次樣品進行品質歸屬鑒別（如圖4所示）。
感官擬合模型PLS
PLS模型是一種偏最小二乘回歸分析模型，使用已知感官得分的參考樣品來設置標準曲線，并根據變量的不同權重，計算各變量的回歸系數，建立回歸方程，模型相關系數＞0.8為合格。常用來預測感官得分和評級。將大米品質的不同級別分別對應1-5分，并將對應打分賦予各個樣品，而后建立PLS模型（如圖5所示）。由圖8得出，相關系數0.9013＞0.8，模型合格。將樣品19的一個平行樣在模型中投射，可得模型計算得分為3.05分，屬于優質三級大米，與人工評級相符，后續可嘗試用此模型對新批次樣品進行等級評價。
化合物定性
化合物的保留指數是指在某種固定相上使用正構烷烴作為標準來衡量化合物在色譜柱上保留程度的量化值。同一種色譜柱的某一化合物的保留指數是恒定的。化合物的保留指數可經由正構烷烴的保留時間和化合物的保留時間計算而得到，利用兩根色譜柱不同的保留指數可達到在無標準物質的情況下定性化合物的效果。用AroChembase數據庫對樣品中的揮發性化合物（差異色譜峰）進行定性，可能含有的化合物見表2所示。閾值的大小代表了物質氣味的強弱，相同含量的兩種物質，閾值越低則氣味越強。
每個稻米樣品6次平行，計算各等級樣品AHS（酸味）、PKS（通用）、CTS（咸味）、NMS（鮮味）等4個味覺傳感器得分的平均值，得到雷達圖（如圖6所示）。不同等級稻米樣品對應4個傳感器的得分離散程度較大，表明4種傳感器可以較好的區分不同等級的稻米樣品。其中優質一級（分組4）AHS、PKS得分最高，NMS、CTS最小，三級（分組28）CTS得分最高。
PCA分析
傳感器的信號被整合到可以通過多維統計工具計算的數據矩陣中，選擇所有傳感器的信號生成基于主成分分析（PCA）的滋味分布圖（如圖7所示），它顯示了每個樣品的味道的接近程度。從圖中可以看出：第一主成分（PC1）與第二主成分（PC2）的貢獻率之和達到了89%，能很好地反映樣品的實際情況。樣品在電子舌主成分分析圖上的區分指數為-363，表明不同等級的樣品的滋味有一定重疊。
判別因子分析DFA模型
優質一二三級粳米對應的品嘗評分值為90/80/70，單獨選擇優質一二三級樣品，并運行DFA模型。模型圖（如圖8所示）中有部分區域重疊，說明優質粳米間的滋味區分不明顯。其次是國標中的品嘗評分值是結合了氣味/外觀結構/適口性/滋味/冷飯質地得到的綜合結果，數據的對應上有所偏差。
圖8 45個稻米樣品的電子舌DFA模型 本研究中采集的稻米樣品雖然已經過生產工序篩選，但東北地區和南方地區的樣品堊白度平均值差異顯著，東北地區0.02%，長三角地區0.18%。
基于電子眼的顏色和形狀分析功能，能結合人工評測的標準給出相似的碎米總量和白堊米含量。并基于Alphasoft中的統計學分析功能，對不同等級的樣本進行歸類質控。
利用電子鼻對稻米樣品進行分析，能夠快速有效地將不同等級的樣品區分開來，利用Arochembase數據庫能夠對樣品的揮發性差異氣味成分進行定性分析，可獲得揮發化合物的氣味描述以及閾值等信息。通過比對峰面積的差異 可得樣品間揮發性物質含量的差異。建立的判別因子分析模型DFA和PLS感官擬合模型，大米樣品按等級區分開來，并且感官擬合相關系數良好，投射驗證結果表明模型可準確判斷樣品的等級歸屬。
電子眼、電子鼻、電子舌的分析結果可以與人的感官評分結果進行擬合，從而實現未知樣品外觀表型數據及香味強度值、滋味值的預測，建立的聚類分析模型，可實現產地溯源及品種鑒定等聚類分析功能。通過同一樣品不同時期的數據采集，可以建立產品貨架期模型，實現對產品穩定性的有效評價。
參考文獻：宋宇迎,張美景,胡德榆,等.基于電子眼、電子舌、電子鼻的45個稻米樣品的品質分析[J].黑龍江糧食,2024,(06):29-34.提醒：文章僅供參考，如有不當，歡迎留言指正和交流。且讀者不應該在缺乏具體的專業建議的情況下，擅自根據文章內容采取行動，因此導致的損失，本運營方不負責。如文章涉及侵權或不愿我平臺發布，請聯系小編。
