全 文 ：Vol. 30 , No. 5
pp. 455～459 　May , 2004
作 　物 　学 　报
ACTA AGRONOMICA SINICA
第 30 卷 第 5 期
2004 年 5 月 　455～459 页
利用近红外透射光谱技术测定小麦籽粒硬度的研究
陈　锋1 ,2 　何中虎1 ,3 , 3 　崔党群2 Ξ
(1 中国农业科学院作物育种栽培研究所/ 国家小麦改良中心 ,北京 100081 ;2 河南农业大学农学院遗传育种系 ,河南郑州 450002 ; 3 国际玉米小
麦改良中心中国办事处 ,北京 100081)
摘　要 　以 2001 和 2002 年度 583 份小麦样品为材料 ,用近红外透射光谱仪 (NITS) 对小麦籽粒硬度进行分析 ,比较了偏
最小二乘法和多元线性回归两种算法和未经导数处理、一阶导数处理、二阶导数处理 3 种光谱变量转换方式的分析结
果。表明 ,两种算法中偏最小二乘法优于多元线性回归算法 ,3 种处理方式中一阶导数处理效果最好 ,其定标集和预测
集决定系数明显高于其他两种处理方式 ,而标准误差低于其他两种方式。经一阶导数处理后采用偏最小二乘法建立的
定标模型时 ,可有效地对小麦籽粒进行硬度分级 ,其中 ,硬麦分级准确率为 90 % ,软麦分级准确率为 83 % ,混合型分级准
确率为 63 %。这有助于品质快速检测和育种早代的品质筛选。
关键词 　近红外透射光谱技术 ;定标模型 ;普通小麦 ;硬度
中图分类号 : S511
Measurement of Wheat Hardness by Near Infrared Transmittance Spectroscopy
CHEN Feng1 ,2 ,HE Zhong2Hu1 ,3 , 3 ,CUI Dang2Qun2
(1 Institute of Crop Breeding and CultivationΠNational Wheat Improvement Center , Chinese Academy of Agricultural Sciences , Beijing 100081 ; 2 Department of Genetic
and Breeding , Agriculture College , Henan Agriculture University , Zhengzhou 450002 , Henan ; 3 CIMMYT China Office , Beijing 100081 , China)
Abstract 　583 samples of wheat cultivars from major wheat production area collected in 2001 and 2002 seasons were used
to measure kernel hardness by near infrared transmittance(NIT) spectroscopy1 Two algorithms , i1e1 partial least squares
and multiple linear regression , and three variable transformations , i1e1 log 1ΠT , first derivative of log 1ΠT and second deri2
vative of log 1ΠT , were compared for hardness testing1 Results showed that the partial least squares and the first derivative
of log 1ΠT were preferable , and the classification accuracy was achieved 90 % for hard type , 83 % for soft type , and 63 %
for mixed type , respectively1 Wheat kernel hardness test by NIT spectroscopy could be used for early generation selection in
wheat breeding program and quick testing for wheat quality1
Key words 　Near infrared transmittance spectroscopy (NITS) ; Calibration model , Common wheat ; Hardness
　　籽粒硬度是小麦的重要品质指标 ,它通过影响
出粉率、面粉颗粒度大小、润麦加水量及破损淀粉粒
数量 ,最终决定小麦磨粉及其他加工品质[1 ] 。自
Cobb[2 ]将硬度指标定量化之后 ,各种测试小麦硬度
指标的方法应运而生 ,主要有玻璃质法、压力法、研
磨法 (又分为研磨细度法、研磨时间法和研磨功耗
法) [3 ]和单籽粒硬度测试法[4 ] 。近几年出现的近红
外光谱测试法具有测试速度快 ,对籽粒无损坏以及
多种成分同时分析等诸多优点 ,已经引起越来越多
的重视。Williams[5 ]用近红外透射光谱技术 (Near In2 frared Transmission Spectroscopy ,NITS) 对小麦硬度进行了分级测试 ,尽管在硬红冬和硬红春的分级时测试准确率不高 ,但在区分软质麦和硬质麦时有较高精度 ,因此 ,认为 NITS可以用于测试小麦硬度 ,并且近红外透射光谱仪比近红外漫反射光谱仪 (Near In2frared Reflectance , NIR) 有更好的重现性和测试精度[4 ] 。Black 和 Panozzo [6 ] 利用 NIR 建立了小麦籽粒硬度的定标模型 ,其预测集决定系数为 0172 ,标准误差为 4131。虽然采用的定标集样品数量较少 ,定标范围较为狭窄 (样品数为 65 ,硬度 PSI值为 1411～Ξ基金项目 :国家 863 计划 (2001AA241031、2002AA207003) 、973 重点发展研究规划 (2002CB111300) 、948 重大国际农业合作和国家自然科学基
金 (30260061)资助。
作者简介 :陈锋 (1978 - ) ,男 ,硕士 ,河南省驻马店人 ,主要从事小麦遗传育种研究。E2mail : chf0088 @sina. com3 通讯作者 :何中虎。Tel : 010268918547 ; E2mail : zhhe @public3. bta. net . cn
Received(收稿日期) :2002212204 ,Accepted(接受日期) :2003204220.

2811) ,但却为近红外光谱技术测试籽粒硬度提供了
有力证据。我国地域辽阔 ,冬春麦硬度分布范围很
广 ,同一地区或省份往往多种硬度类型同时存在[4 ] ,
无疑给硬度测试和分级带来很大难度。发展快速、
准确的测试方法有助于小麦硬度及相关品质的研
究。本试验以大量样品建立小麦籽粒硬度定标模
型 ,并进行了预测分析 ,对不同硬度级别的籽粒进行
了预测 ,旨在为我国小麦提供一种快速、简单、有效
的硬度分级测试方法。
1 　材料与方法
111 　材料
　　本实验定标集及预测集样品为 2001 和 2002 年
度来自全国主要产区收获的小麦样品 583 份 (定标
集 533 ,预测集 50) ,详见表 1。测试集样品 312 份
(不同于定标集和预测集样品) 为 2002 年收获的来
自全国各地小麦样品。
表 1 定标集和预测集小麦样品数一览表
Table 1 Sample number in calibration set and prediction set
　　类型
　Character
定标集样品数
Number of sample in calibration set
2001 2002 总计 Total
预测集样品数
Number of sample in prediction set
2001 2002 总计 Total
软麦 Soft Wheat 194 75 269 12 8 20
混合麦 Mixed Wheat 29 37 66 5 5 10
硬麦 Hard Wheat 96 102 198 10 10 20
总计 Total 319 214 533 27 23 50
112 　籽粒硬度测试
将小麦样品置于同一条件下放置 3 d ,水分控制
在 11 %～13 %之间。采用瑞典 PERTEN 公司生产的
4100 型单籽粒硬度仪 ( Single Kernel of Characteristic
System ,SKCS)测定。每个样品测试结果均为 300 个
籽粒的平均值。其中 ,测试值在 40 以下的为软麦
(Soft type) ,40～60 之间的为混合麦 (Mixted type) ,60
以上的为硬质麦 (Hard type) 。
图 1 小麦籽粒硬度在近红外透射谱区吸收谱带图
Fig. 1 Spectra of wheat kernel hardness
113 　定标模型建立
11311 　光谱收集 　　采用 FOSS 公司生产的 1241
型近红外透射光谱仪扫描样品 ,扫描温度控制在
21～25 ℃之间 ,吸收波长为 850～1 050 nm ,每个样品
扫描两次 (每次设定扫描值为 5) ,然后用软盘将其
平均光谱转入计算机中用 WINISI 软件处理。小麦
籽粒硬度在近红外透射区吸收谱带如图 1 所示 ,它
在不同波长处的吸收强度有很大差异 ,其中在波长
890、916、934、956～958、986、1020～1022 nm 等 6 处
有很强的吸收峰。
11312 　散射矫正 　　光谱分析时 ,为解决光谱吸光
度与样品性状间吸收非线性问题 ,本试验采用标准
正态变量转换法 (Standard Normal Variable ,SNV) 结合
趋势变换法 (Detrend) 对光谱进行了预处理 ,并通过
改变波段2间隙点 ( Gap) 和作两次平滑处理 ( Smooth
1 , Smooth 2)进行了优化。
11313 　模型建立 　　采用偏最小二乘法 ( Partial
Least Squares , PLS) 和多元线性回归 (Multiple Linear
Regression ,MLR)算法分别经一阶导数和二阶导数处
理后建立定标模型。根据以前对光谱优化处理的研
究 ,常常选取“3 , 3 , 1”[7 ] (依次为 Gap、Smooth 1、
Smooth 2。下同)或者“2 ,2 ,2”[8 ] 对光谱优化 ,本试验
采用的优化形式为“3 ,3 ,1”。由于原始吸收光谱基
线偏移和基线漂移情况常常十分严重 ,针对不同的
样品及成分可以通过一阶导数和二阶导数处理来解
决 ,以提高光谱的精细度[9 ] ,因此 ,本试验分别对未
经导数处理 (图 22A) 、一阶导数处理 (图 22B) 和二阶
导数处理 (图 22C) 的光谱进行了分析。其中 ,在用
偏最小二乘法建立模型之前 ,为防止所建立的模型
过拟合 (Overfit) ,取NH(Neighbor H) = 310 ,GH( Global
H) = 014 ,对定标集样品进行了挑选 ,并经交叉验证
(crossing validation) 处理。最后 ,以近红外分析结果
为 X 轴 ,化学分析结果为 Y轴 ,通过线性回归对预
测集样品进行分析。
654 　　　作 　　物 　　学 　　报 30 卷 　

图 2 定标集样品集不同处理后吸收光谱
Fig. 2 Spectra character of calibration set with different treatment
2 　结果与分析
211 　定标模型结果
　　采用多元线性回归和偏最小二乘法两种算法 ,
结合 3 种不同的光谱处理建立定标模型 ,结果如表
2 所示。偏最小二乘法略优于多元线性回归法的结
果与 Wesley 等[10 ]的报道相近 ,他在用近红外技术研
究小麦麦谷蛋白和醇溶蛋白含量时认为 ,偏最小二
乘法比其他算法较为理想。从两种算法的比较中还
可以看出 ,经一阶导数处理后定标模型具有相对较
高的决定系数 (多元线性回归 01810 ,偏最小二乘法
01814)和较低的标准误差 (多元线性回归 11158 ,偏
最小二乘法 11147) ,这两个指标是衡量一个定标模
型优劣的最重要参数。
212 　定标模型预测
模型建立之后 ,需要收集一批独立于定标集的
样品对模型进行预测分析 ,以检验模型的可靠性。
本试验预测集为 2001 和 2002 年度 50 份小麦样品
(表 1) ,分别用两种回归类型结合不同光谱处理所
建立的各个定标模型进行了预测分析 ,结果如表 3
所示。从表 3 可以看出 ,两种算法中一阶导数处理
后预测结果优于其他两种处理方式 ,其中偏最小二
乘法和多元线性回归决定系数分别为 01752 和
01745 ,明显高于其他两种处理方式 ,标准误差分别
为 11186 和 12119 ,则分别低于其他两种处理方式。
由于在实际应用定标模型时 ,还需要对模型作适当
的斜率和截距调整 ,因此 ,斜率和截距也一并被列
出。综合表 2 和表 3 结果 ,可以初步认为在用该批
小麦样品建立硬度定标模型时 ,一阶导数处理优于
其他两种光谱处理方式。
213 　模型应用
定标模型建立之后 ,利用偏最小二乘法和一阶
导数的模型及软件 WINISI 处理后转入 Foss 公司
1241 型近红外透射光谱仪 ,并根据预测值作适当的
偏差调整[11 ] ,对来自全国各地不同类型的小麦样品
进行了测试分析。所测得的近红外数值与 SKCS 测
754　5 期 陈 　锋等 :利用近红外透射光谱技术测定小麦籽粒硬度的研究 　　　

定值之间虽有一定偏差 ,但其相关性较高 (如图 3) 。
图 3 中两斜线之外的样品为超常样品 (Outlier sam2
ple) ,即不适合用该模型进行测试的样品 , 仅占
315 %。二者之间有较好的相关性 ,决定系数为
01706 ,标准误差 13103 ,这说明该模型应用范围较 广。同时 ,在对测试集小麦样品级别分类中 ,软麦分级准确率为 83 % , 混合类型小麦分级准确率为63 % ,硬麦分级准确率为 90 % ,这样的精度作为精确的小麦分级或许不够 ,但用于品质快速检测或育种早代选择却是可以接受的。
表 2 不同算法及光谱处理近红外定标模型结果
Table 2 Results of calibration sets with two algorithms and three treatments
回归类型
Regression type
光谱处理
Spectral treatment
波长点
Wavelength (nm) RSQ SEC
标准偏差
Standard deviation
多元线性回归
Multiple linear
regression
log 1ΠT 862 ,980 ,1046 ,974 ,966 ,1036 ,
990 ,1026 ,956
01792 12100 2312
一阶导数
First derivative
of log 1ΠT 968 ,898 ,924 ,976 ,926 ,1030 ,910 , 854 ,1032 01810 11158 2312
二阶导数
Second derivative
of log 1ΠT 1038 ,1034 ,972 ,890 ,958 ,918 ,968 , 938 , 1036 01768 12148 2311
偏最小二乘法
Partial least
squares
log 1ΠT 850～1050 01807 11166 2312
一阶导数
First derivative
of log 1ΠT 850～1050 01814 11147 2311
二阶导数
Second derivative
of log 1ΠT 850～1050 01767 12152 2311
　　Notes :RSQ = R squares , SEC = standard error of calibration1 The same below1
表 3 小麦籽粒硬度预测集参数统计表
Table 3 Statistical results of prediction set in wheat kernel hardness
回归类型
Regression type
光谱处理
Spectral treatment RSQ SEV
斜率
Slope
截距
Intercept
多元线性回归
Multiple linear
regression
log 1ΠT 01771 13112 11047 - 5156
一阶导数
First derivative of log 1ΠT 01745 12119 11070 - 1150
二阶导数
Second derivative of log 1ΠT 01732 12196 11131 - 3152
偏最小二乘法
Partial least squares
log 1ΠT 01711 13110 01980 - 5171
一阶导数
First derivative of log 1ΠT 01752 11186 01946 - 3175
二阶导数
Second derivative of log 1ΠT 01730 12172 11089 - 0146
图 3 小麦样品 SKCS 硬度值与近红外测试硬度值相关图
Fig. 3 Wheat kernel hardness of SKCS value vs1 NIT prediction value　　Notes :SEV = Standard Error of Validation.
854 　　　作 　　物 　　学 　　报 30 卷 　

3 　讨论
籽粒硬度是国内外小麦市场进行小麦分类和定
价的重要依据之一 ,也是重要的育种目标性状之
一[3 ] 。Robbelen[12 ]认为 ,决定品质育种方案能否成
功的一个重要因素在于是否能够找到一个快速、非
破坏性的方法来检测籽粒的质量。因此 ,若将 NITS
应用到育种工作中进行早代筛选 ,对加快我国品质
育种进程无疑是一个巨大的推动。
从整个试验结果来看 ,无论是定标集、预测集还
是测试集标准误差仍然偏大 ,这主要是因为影响硬
度的因素较多[13 ] ,除遗传和栽培环境因素之外 ,其
他因素如测试水分和温度等都影响测试结果。
Delwiche[14 ]利用 NITS技术对小麦的单籽粒硬度进行
了分析测试 ,获得的决定系数在 0140～0171 之间 ,
标准误差在 1416～1818 之间 ,并认为决定系数较
低、误差偏大的主要原因是硬度受其内在特性如生
化等因素影响较大 ,但这样的精度仍可达到理想的
品质分级效果。Gains 等[15 ] 对空气湿度分别为
20 %、40 %、60 %和 80 %条件下储藏的不同类型小麦
进行近红外漫反射分析研究认为 ,小麦的吸光度
(log 1Πreflectance) 值在所有的波长处都随着水分含
量的增加而增大。Yamazaki 等[16 ] 指出 ,不同类型的
小麦品种硬度值受水分的影响不同 ,其中软粒小麦
受水分影响最大 ,当籽粒水分波动 3 % (1014 %～
1317 %) 左右时 , 硬度值 ( PSI) 波 动 可 达 11 %
(3614 %～47 %)左右。这无疑加大了利用近红外光
谱技术测试籽粒硬度的难度。本试验在建立定标模
型之前对籽粒水分含量和测试温度进行了调整 ,这
在一定程度上降低了模型的标准误差 ,增强了模型
的适用性。
References
[1 ] Henery R J , Kettlewell P S1 In : Morris C F ed1 Cereal Grain Quality ,
Wheat1 London : Chapman Hall , 19961 3 - 54
[2 ] Cobb N A1 The hardness of grain in the principal varieties of Australian
wheat1 Agriculture Gazette NSW ,1896 , 7 : 279
[3 ] Lin Z2J (林作楫) 1 Food Engineering and Wheat Quality Improvement
(食品加工与小麦品质改良) 1 China Agriculture Press , 19941 27
[4 ] Zhou Y2H(周艳华) , He Z2H(何中虎) , Yan J (阎俊) , Zhang Y(张
艳) , Wang D2S(王德森) , Zhou G2Y(周桂英) 1 Distribution of grain
hardness in Chinese wheat and genetic analysis1 Scientia Agricultura Sini2
ca (中国农业科学) , 2002 , 35 (10) : 1177 - 1185
[5 ] Willams P C1 Prediction of wheat kernel texture in whole grains by Near2
Infrared Transmittance1 Cereal Chemistry , 1991 ,68 (1) :112 - 114
[6 ] Black C1 K, Panozzo J F1 Whole grain quality evaluation in wheat based
on near infrared spectroscopy1 An Australian and Chinese Collaboration
on Wheat Quality1 Conference Proceedings , Chinese Academy of Agricul2
tural SciencesΠBread Research Institute Australia , 2001
[7 ] Wu J2G(吴建国) , Shi C2H(石春海) , Zhang H2Z(张海珍) , Fan L2J
(樊龙江) 1 Study on analysis of oil content in intact rapeseed with few
sample size by near infrared reflectance spectroscopy1 Acta Agronomica
Sinica (作物学报) , 2002 , 28 (3) :421 - 425
[8 ] Kallenbach R L , Roberts C A , Teuber L R , Bishop2Hurley GJ , Bene2
dict H R1 Estimation of fall dormancy in alfalfa by near infrared reflec2
tance spectroscopy1 Crop Science , 2001 ,41 :774 - 777
[9 ] Gordy W , Martin P C1 The infrared absorption of HCl in solution1 Jour2
nal of Chemistry Physics ,1990 ,7 :99 - 102
[10 ] Wesley I J , Larroque O , Osbornet B G, Azuding N , Allen H , Skerritt
J H1 Measurement of gliadin and glutenin content of flour by NIR spec2
troscopy1 Journal of Cereal Science , 2001 ,34 :125 - 133
[11 ] Büchmann Nils Bo , Henrik Josefsson , Ian A Cowe1 Performance of Eu2
ropean artificial neural network (ANN) calibrations for moisture and pro2
tein in cereals using the dnish near infrared transmission (NIT) network1
Cereal Chemistry , 2001 ,78 (5) : 572 - 577
[12 ] Robbelen G1 Mutation breeding for quality improvement : A case study
for oilseed crops1 In : Mutation Breeding Review1 Vienna : N161FAOΠ
IAIE Division of Nuclear Techniques in Food and Agriculture , 1990
[13 ] Pomeranz Y, Martin C R , Tranylor D D , Lai F S1 Corn hardness deter2
mination1 Cereal Chemistry , 1984 , 61 (2) : 147 - 150
[14 ] Delwiche S R1 Measurement of single kernel wheat hardness using near2
infrared transmittance1 Transactions of ASAE , 1993 , 36 (5) :1 431 -
1 437
[15 ] Gains C S , Windham W R1 Effect of wheat moisture content on meal
apparent particle size and hardness scores determined by near infrared
reflectance spectroscopy1 Cereal Chemistry , 1998 ,75 (3) : 386 - 391
[16 ] Yamazaki W T , Donelson J R1 Kernel hardness of some U1 S wheat1
Cereal Chemistry , 1983 , 60 (5) : 344 - 350
954　5 期 陈 　锋等 :利用近红外透射光谱技术测定小麦籽粒硬度的研究