全 文 ：※分析检测 食品科学 2014, Vol.35, No.08 133
葛粉掺假的近红外漫反射光谱快速检测
陈 嘉1，刘 嘉1，马雅钦1，祝诗平2，赵国华1,3,*
（1.西南大学食品科学学院，重庆 400715；2.西南大学工程技术学院，重庆 400715；
3.重庆市农产品加工技术重点实验室，重庆 400715）
摘 要：研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光
谱，采用主成分 回归和偏最小二乘法建立校正模型，并对比光谱预处理方法和光谱建模区间对模型的影响。结果表
明，采用偏最小二乘法建模，光谱采用标准正态变量变换预处理，光谱区间选择在962～1 389 nm时，模型预测效
果最佳，外部验证预测相关系数（RP2）达0.994 5，均方根误差2.298 7%，相对分析误差13.56，平均回收率99.89%
（n=9，RSD=2.96%），这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。
关键词：近红外漫反射光谱；葛粉；掺假；快速检测
Rapid Detection of Kudzu Starch Adulteration by Near-Infrared Diffuse Reflectance Spectroscopy
CHEN Jia1, LIU Jia1, MA Ya-qin1, ZHU Shi-pin g2, ZHAO Guo-hua1,3,*
(1. College of Food Science, Southwest University, Chongqing 400715, China;
2. College of Engineering and Technology, Southwest University, Chongqing 400715, China;
3. Chongqin g Key Laboratory of Agricultur al Product Processing, Chongqing 400715, China)
Abstract: Near-infrared diffuse reflectance (NIDR) spectroscopy combined with chemometric techniques was developed
for rapid detection of kudzu starch adulterated with cheaper starches (potato and sweet potato starch). Principal component
regression (PCR) and partial least squares regression (PLSR) were used to build and evaluate calibration models by different
pre-treatment methods and at different wavelength bands . The PLS calibration model based on wavelength bands of 962–
1 389 nm and spectral pre-treatment by the standard normal variate transformation (SNV) showed an excellent prediction
accuracy. The external validation set provided a coefficient of determination (R2), root mean square error of prediction
(RMSEP) and relative prediction deviation (RPD) of 0.994 5, 2.298 7% and 13.56, respectively. T he average recovery rate
was 99.89% (n = 9) with a relative standard deviation ( RSD) o f 2.96%. The results indicate that NIDR spectroscopy can be
used as an efficient way to detect kudzu starch adulterated with cheaper starches.
Key words: near-infrared diffuse reflectance spectroscopy; kudzu starch; adulteration; rapid detection
中图分类号：TS207.3 文献标志码：A 文章编号：1002-6630（2014）08-0133-04
doi:10.7506/spkx1002-6630-201408026
收稿日期：2013-07-10
基金项目：中央高校基本科研业务费专项资金项目（XDJK2010C016）
作者简介：陈嘉（1981—），男，讲师，博士研究生，研究方向为食品化学。E-mail：chenjia5268@qq.com
*通信作者：赵国华（1971—），男，教授，博士，研究方向为食品化学。E-mail：zhaoguohua1971@163.com
葛根是豆科植物野葛（Pueraria lobata（Willd.）
Ohwi）的根，是一种药食两用资源[1]。葛根中含有异黄
酮、葛根素等活性成分，还含有必需氨基酸和钙、铁、
锌、硒等微量元素[2]，具有改善心脑血管循环、降低心肌
耗氧量、降低血管阻力、抗炎、祛痰、解热、提高机体
免疫力等作用[3]。由于葛根的主要加工品葛粉具有清热解
毒、生津止渴、补肾健脾、益胃安神、清心明目、润肠
通便及解酒等功能[4-5]，其市场需求量逐年提升。但某些
葛粉生产企业为了谋利，在葛粉中掺入廉价的薯类淀粉
（如红薯淀粉、马铃薯淀粉等）以降低成本，损害了消
费者的权益，也冲击了正规葛粉企业的生产和销售。
常用的葛粉掺假检测技术有感官识别法、显微镜比
较法 [6]、黏度比较法 [7]、指纹图谱识别法 [8]等。这些方
法有些过度依赖经验的积累，有些需要繁琐的样品前处
理，无法做到快速、高效地对葛粉掺假进行检测。刘嘉
等[4]曾采用傅里叶变换红外谱鉴别法对葛粉掺假进行鉴
别，取得了较好的效果，但仍然需要对样品进行干燥及
KBr压片处理，操作过程较为繁琐。近红外光谱（near
infrared spectroscopy，NIRS）检测技术是20世纪80年代
发展起来的一种快速检测技术，具有分析速度快[9-10]、效
134 2014, Vol.35, No.08 食品科学 ※分析检测
率高、低成本[11]、无污染、无需要前处理[12-13]和多组分同
时测定等优点[14]。在食品领域中，近红外光谱被广泛应用
于食品成分检测[15-16]、产地和种类鉴别[17-19]、品质鉴定[20-21]、
产品分级[22]等方面。在食品掺假检测中，近红外光谱检
测技术也被国内外学者广泛的应用。Haughey等[23]采用
近红外光谱对掺杂了三聚氰胺的豆粕进行了鉴别，Zhu
Xiangrong等[24]采用化学计量学的方法，通过近红外光谱
对掺杂甜味剂的蜂蜜进行了有效的鉴别；褚莹等[25]利用
近红外光谱技术结合多种化学计量学方法，研究了快速
鉴别掺假羊奶的方法。目前，使用近红外光谱快速鉴别
葛粉品质还未见报道。因此，本实验以掺假葛粉为研究
对象，探讨采用近红外漫反射光谱对葛粉掺假（掺杂红
薯淀粉和马铃薯淀粉）进行快速检测的可行性，以期为
加强市场监管提供有力支持。
1 材料与方法
1.1 材料
葛粉 重庆正里元实业有限公司；红薯淀粉 重
庆金田农业集团有限公司；马铃薯淀粉 重庆佳仙食品
有限公司。
1.2 仪器与设备
MPA近红外光谱仪 德国Bruker公司。扫描范围
12 000～4 000 cm-1，分辨率4 cm-1，扫描次数16次，PbS
检测器，采用石英样品杯和样品旋转台，漫反射方式收
集信号。采用仪器自带的OPUS 7.0采集并处理光谱。
1.3 方法
1.3.1 样品制备
表 1 葛粉掺假样品的制备
Table 1 Preparation of kudzu starch adulterated with potato starch
and sweet potato starch
样品 淀粉含量/% 样品数量 葛粉含量/%葛粉 红薯淀粉 马铃薯淀粉 校正集 验证集
对照 100 0 0 7 3 100
葛粉掺假红
薯淀粉
80 20 0 7 3 80
60 40 0 7 3 60
40 60 0 7 3 40
20 80 0 7 3 20
0 100 0 7 3 0
葛粉掺假马
铃薯淀粉
80 0 20 7 3 80
60 0 40 7 3 60
40 0 60 7 3 40
20 0 80 7 3 20
0 0 100 7 3 0
葛粉同时掺
假红薯淀粉
和马铃薯
淀粉
80 10 10 7 3 80
60 20 20 7 3 60
40 30 30 7 3 40
20 40 40 7 3 20
0 50 50 7 3 0
向葛粉中加入不同质量的薯类淀粉（红薯淀粉和马
铃薯淀粉）并混合均匀。每个相同配比样品重复10 份，
选取其中7 份作为校正集，其余3 份作为验证集，共制得
葛粉含量为0%、20%、40%、60%、80%、100%（质量
含量）的样品160 份[4]，详见表1。
1.3.2 数据处理及建模分析
通过测定，得到样品的近红外光谱。将原图谱数据
以JCAMP-DX格式导入Unscrambler 9.8中进行分析。对光
谱进行适当的前处理，选择最佳的光谱波长区，建立校
正模型。
2 结果与分析
2.1 葛粉与掺假葛粉的近红外光谱比较
图 1 葛粉及掺假葛粉近红外漫反射光谱图
Fig.1 Near infrared diffuse reflectance spectra of kudzu starch
adulterated with potato starch and sweet potato starch
近红外光谱主要反映的是分子中化学键振动的倍频
和合频信息，光谱信息重叠度较大。从图1可以看出，在
12 000～4 000 cm-1波数范围内，葛粉及掺假葛粉近红外
光的峰形和位置都较为相似，无法通过图谱直观地进行
鉴别。因此，需要采用化学计量学的方法，建立掺假葛
粉检测模型进行鉴别分析。
2.2 主成分分析
主成分分析（principal component analysis，PCA）
通过对原始光谱变量进行转换，将原来的变量重新组合
成一组新的互相无关的几个综合变量。新变量能最大限
度地表征原变量的数据结构特征，且不丢失信息。通过
PCA，可实现红外光谱数据的线性降维投影显示，进而
能直观地从二维或三维图像中观察到光谱的主要特性和
聚类情况[26]。
将校正集样品所有光谱数据导入The Unscrambler 9.7
中，对原始光谱进行PCA，并在平面坐标系中，以第1
主成分的得分值（PC1）为横轴，以第2主成分的得分值
（PC2）为纵轴，做出样品的PC点散图，如图2所示。可
以看出，马铃薯淀粉聚集在X轴正方向，红薯淀粉聚集
在Y轴负方向，纯的葛粉则与之相反。随着葛粉含量的增
加，各掺假样品分别从马铃薯淀粉和红薯淀粉物的聚集
※分析检测 食品科学 2014, Vol.35, No.08 135
区向纯葛粉的聚集区靠拢，不同的掺假样品分布区域相
距较明显，相同样品内聚合度较好。
图 2 葛根及掺假葛粉的主成分分析图
Fig.2 Principal component score plots for kudzu starch adulterated
with potato starch and sweet potato starch
通过主成分分析，得到校正集112个样品的主成分
的方差累计贡献率，如表2所示。校正集样品前4 个主成
分的累计贡献率超过99.99%，说明前4 个主成分已经足
够代表样品的重要信息。主成分分析的目的是将数据降
维，主成分选取过多可能会引入不必要的噪声，造成过
拟合，因此，在建模中选择主成分因子数为4。
表 2 主成分的方差累计贡献率
Table 2 Cumulative variance contribution rates of principal components
主成分 累计方差贡献率/%
PC1 99.35
PC2 99.75
PC3 99.97
PC4 99.99
2.3 光谱预处理及校正模型的建立
表 3 不同光谱处理方法对建模效果的影响
Table 3 Results from PLS and PCR calibration models with different
spectral pretreatments
光谱处理方法 PLS PCR
RMSECV/% RCV
2 RMSEP/% RP
2 RMSECV/% RCV
2 RMSEP/% RP
2
原始光谱 7.408 4 0.943 9 6.826 0 0.951 5 8.302 7 0.929 5 7.675 4 0.938 7
移动平滑（5点） 7.424 7 0.943 7 6.839 2 0.951 3 8.304 2 0.929 5 7.677 3 0.938 7
移动平滑（9点） 7.435 4 0.943 5 6.847 7 0.951 2 8.304 3 0.929 5 7.678 2 0.938 6
移动平滑（13点） 7.445 0 0.9433 6.856 5 0.951 1 8.303 6 0.929 5 7.6787 0.938 6
标准正态变量变换 2.671 6 0.992 7 2.722 8 0.992 3 3.307 5 0.988 8 3.371 1 0.988 2
一阶导数（5点平滑） 4.777 2 0.976 7 4.255 1 0.981 2 7.262 7 0.946 1 7.728 8 0.937 8
一阶导数（9点平滑） 4.529 9 0.979 0 4.196 7 0.981 7 5.735 5 0.966 4 5.048 8 0.973 5
一阶导数（13点平滑） 4.534 7 0.979 0 4.228 2 0.981 4 5.648 1 0.967 4 4.897 9 0.975 0
二阶导数（5点平滑） 8.008 3 0.934 4 7.496 4 0.941 5 14.647 7 0.780 7 14.956 1 0.767 2
二阶导数（9点平滑） 5.876 2 0.964 7 5.671 6 0.966 5 8.840 8 0.920 1 9.951 2 0.896 9
二阶导数（13点平滑） 5.196 5 0.972 4 4.655 6 0.977 4 6.832 7 0.952 3 7.009 0 0.948 9
光谱预处理的常用方法有平滑、导数、标准正态变
量变换（standard normal variate transformation，SNV）
等。回归分析方法采用偏最小二乘（partial least squares
regression，PLS）和主成分回归（principal component
regression，PCR）两种方法，主成分因子数均设定为4，
使用“留一法”进行模型内部交互验证。通过对比交互验证
相关系数（RCV2）和交互验证误差均方根（RMSECV），及
预测值与实际值之间的相关系数（RP2）和预测误差均方根
（RMSEP）来确定各光谱处理方法及建模方法的效果[23]。
模型的相关系数R2越大，误差均方根越小，表明模型的定
标效果越好，预测精度越高。
由表3可以看出，原始光谱经过SNV处理，采用PLS
建模，RCV2和RP2最大，RMSECV、RMSEP最小，表明模
型预测精度最高。
2.4 光谱区间选择
对光谱进行SNV处理，并将光谱区等分为5 个区
间，分别对全光谱及各光谱区间进行PLS建模，对比各
模型的RMSECV和RMSEP，及RCV2和RP2，选择最佳的光
谱建模波段。由表4可以看出，在10 400～7 200 cm-1，
即波长962～1 389 nm区间上，模型的RP2达0.994 5，
RMSEP为2.298 7%，预测精度最高，所以选择波长
962～1 389 nm作为建模区间。
表 4 不同光谱区间PLS模型对比
Table 4 Comparison among PLS calibration models with
different wavelength bands
光谱区间/cm-1 光谱处理方式 RMSECV/% RCV2 RMSEP/% RP2
全光谱 SNV 2.671 6 0.992 7 2.722 8 0.992 3
12 000～10 400 SNV 4.178 1 0.982 2 3.554 2 0.986 9
10 400～8 800 SNV 3.698 4 0.986 0 2.981 0 0.990 7
8 800～7 200＋SNV SNV 2.842 9 0.991 7 3.081 7 0.990 5
7 200～5 600＋SNV SNV 3.632 9 0.986 5 3.697 9 0.985 8
5 600～4 000＋SNV SNV 3.803 3 0.985 2 3.141 5 0.989 7
10 700～7 200＋SNV SNV 2.7436 0.992 3 2.298 7 0.994 5
2.5 模型验证
图 3 验证集葛粉含量预测值与真实值的相关关系
Fig.3 Relationship between predicted and true levels of kudzu starch
content in the validation set
为检验模型的可靠性，利用已建立的PLS数学模型
对验证集48 个样品进行预测。图3为校正模型对未知样品
的葛粉含量预测值与实际值的比较。验证结果显示，预
测值与真实值集中分布在45°线附近，具有较好的相关
性。模型的RMSEP=2.298 7%，RP2=0.994 5，模型的相对
分析误差（relative prediction deviation，RPD）为13.56，
说明模型有较强的预测能力和稳定性。
136 2014, Vol.35, No.08 食品科学 ※分析检测
2.6 回收实验
称取等质量的红薯淀粉与马铃薯淀粉均匀混合，得
到空白样品，向其中添加一定质量的葛粉，分别制备葛
粉含量为50%、70%、90%样品各3 份（共9 份），扫描
近红外光谱并进行预测，计算回收率，结果见表5。结
果显示，该模型的平均回收率为99.89%，相对标准偏差
（relative standard deviation，RSD）为2.96%，说明该模
型预测结果准确可靠。
表 5 回收实验结果（n=9）
Table 5 Results of recovery tests （n = 9）
样品编号 葛粉含量/%预测含量/% 回收率/% 平均回收率/% RSD/%
1 50 47.50 95.01
99.89 2.96
2 50 50.80 101.60
3 50 50.50 101.01
4 70 68.00 97.14
5 70 67.60 96.58
6 70 70.30 100.45
7 90 90.90 100.99
8 90 93.40 103.78
9 90 92.20 102.46
3 结 论
本研究采用近红外漫反射光谱技术，结合化学计
量学的方法，对葛粉掺假快速检测方法进行了研究。通
过比较分析，采用PLS回归建立预测模型，SNV处理近
红外光谱，光谱区间962～1 389 nm，可以达到较高的
预测精度。结果表明，模型的预测误差均方根RMSEP
为2.298 7%，实际值与预测值相关系数RP2为0.994 5，
相对分析误差13.56，平均回收率99.89%（n=9，
RSD=2.96%），实现了较高精度的预测。采用近红外光
谱法，样品不需前 处理，操作简便迅速，为葛粉掺假快
速检测提供了一种新方法。
参考文献：
[1] 廖洪波, 贺稚非, 王光慈, 等. 葛根的研究进展及展望[J]. 食品工业
科技, 2003, 2 4(2): 81-83.
[2] 张雁, 张孝祺. 葛根的营养保健功能及开发利用[J]. 食 品研究与开
发, 2000 , 21(2): 37-39.
[3] 冯慧, 周青, 谢继安. HPLC谱法 测定葛粉中葛根素含量[J]. 中国食
物与营养, 2011, 17(3): 57-59.
[4] 刘嘉, 李建超, 陈嘉, 等. 葛粉掺假的傅里叶变换红外光谱法鉴别研
究[J]. 食品科学, 20 11, 32(8): 226-230.
[5] 卢成瑛, 陈功锡, 卜晓英, 等. 不同 来源葛根淀粉的理化性质比较[J].
食品科学, 2009, 30(21): 50-52.
[6] 孙亮, 杜威, 周敏, 等. 葛根淀粉的鉴别方法研究[J]. 中国卫生检验
杂志, 2012, 22(5): 1151-1152.
[7] 赵文红, 白卫东, 王琴, 等. 葛根全粉糊流变特性初探[J]. 食品与机
械, 2008, 24(4): 41-45.
[8] 沈梦洁, 冯昕韡, 朱仲良. 葛根HPLC指纹图谱及模式识别研究[J].
内蒙古大学学报: 自然科学版, 2012, 43(1): 73-76.
[9] 陈斌, 方如明, 赵杰文, 等. 食醋主要成分近红外光谱快速测定法[J].
食品科学, 2000, 21(5): 55-57.
[10] 张鹏, 李江阔, 孟宪军, 等. 磨盘柿可溶性固形物的可见/近红外漫反
射光谱无损检测[J]. 食品科学, 20 11, 32(6): 191-194.
[11] 王右军, 朱大洲, 屠振华. CCD短波近红外光谱快速检 测牛奶中掺
假物质的研究[J] 食品科学, 2009, 30(6): 135-138.
[12] 毛莎莎, 曾明, 何绍兰, 等. 哈姆林甜橙果实内在品质的可见-近红外
漫反射光谱无损检测法[J]. 食品科学, 2010, 31(14): 258-263.
[13] 罗阳, 王锡昌, 邓德文. 近红外光谱分析检测鱼丸弹性的可行性研
究[J]. 食品科学, 2008, 29(8): 530-533.
[14] 刘娅, 赵国华, 陈宗道, 等. 近红外光谱技术及其在油脂检测中应用[J].
粮食与油脂, 2002, 15(11): 35-37.
[15] 金华丽, 王金水. 近红外光谱法检测小麦粉中灰分含量的研究[J].
河南工业大学学报: 自然科学版, 2010, 31(1): 14-17.
[16] 金华丽, 许春红, 李漫男, 等. 基于近红外光谱技术测定小麦籽粒淀
粉含量[J]. 河南工业大学学报: 自然科学版, 2011, 32(6): 24-27.
[17] 赵海燕, 郭波莉, 魏益民, 等. 近红外光谱对小麦产地来源的判别分
析[J]. 中国农业科学, 2011, 44(7): 1451-1456.
[18] 汤丹明, 孙斌, 刘辉军. 近红外漫反射光谱鉴别鸡蛋种类[J]. 光谱实
验室, 2012, 29(5): 2699-2702.
[19] LUCIO-GUTI�RREZ J R, COELLO J, MASPOCH S. Application of
near infrared spectral f ingerprinting and pattern recognition techniques
f or fast identification of Eleutherococcus senticosus[J]. Food Research
International, 2011, 44(2): 557-565.
[20] 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.
[21] 岳绒, 郭文川, 刘卉. 近红外漫反射光谱检测损伤猕猴桃的内部品
质[J]. 食品科学, 2011, 32(10): 141-144.
[22] 郎玉苗, 李海鹏, 沙坤, 等. 近红外技术在牛肉质量分级体系中的应
用研究进展[J]. 肉类研究, 2012, 26(8): 39-42.
[23] HAUGHEY S A, GRAHAM S F, CANCOUËT E, et al . The
application of Near-Infrared Reflectance Spectroscopy (NIRS) to
detect melamine adulteration of soya bean meal[J]. Food Chemistry,
2013, 136(3/4): 1557-1561.
[24] ZHU Xiangrong, LI Shuifang, SHAN Yang, et al. Detection of adulterants
such as s weeteners materials in honey using near-infrared spectroscopy
and chemometrics[J]. Journal of Food Engineering, 2010, 101(1): 92-97.
[25] 褚莹, 丁武, 丁丁. 近红外光谱法用于掺假羊奶的快速无损鉴别[J].
中国乳品工业, 2012, 40(2): 51-53.
[26] 罗阳, 王锡昌, 邓德文. 近红外光谱技术及其在食品感官分析中的
应用[J]. 食品科学, 2009, 30(7): 273-276.