欧美亚洲精品真实在线丨a免费观看丨国产一区二区三区在线观看视频丨精品久久久久中文字幕app丨亚洲天堂av在线免费观看丨国产精品资源一区二区丨涩涩涩涩涩涩涩涩涩涩丨国产69av

背景

水分含量（Moisture content, MC）和脂肪酸含量（Fatty acid content, FAC）是大米品質的重要指標，影響大米的存儲和食用品質。因此，建立一種快速、準確、無損的MC和FAC檢測方法至關重要。

可見/近紅外光譜可以響應樣品中的某些含氫基團，從而獲得樣品中的內部化學信息。該技術已被用于檢測農產品中的水分和脂肪酸含量。同時，與可見光/近紅外光譜相比，高光譜成像（Hyperspectral imaging, HSI）技術具有光譜與圖像相結合的優勢。利用每個像素點的光譜預測水稻的MC和FAC，形成水稻的MC和FAC的可視化分布，使檢測結果更加直觀。但是，HSI技術也存在數據量大、實時性差等缺點，難以在實際中應用。然而，這些問題可以通過數據降維和特征波長選擇來解決。

本研究的目的是結合HSI技術與化學計量學方法，建立一種快速簡便的水稻MC和FAC檢測方法。（1）采用不同的預處理方法對大米和精米的光譜進行預處理，建立了MC和FAC的全波段預測模型。最后根據模型性能確定最佳預處理方法。（2）采用兩種變量選擇方法篩選大米和精米在900~1700 nm區域的MC和FAC的顯著波長。（3）比較了MC和FAC模型在大米和精米中的性能，并分析了稻殼對MC和FAC模型性能的影響。（4）利用最佳模型預測每個像素點的MC和FAC，實現水稻樣品MC和FAC的可視化。

試驗設計

浙江農林大學孫通副教授團隊利用GaiaField-N17E高光譜成像系統（江蘇雙利合譜）獲取了13個水稻品種的大米和精米高光譜影像（圖1）。近紅外高光譜成像儀的光譜范圍為900~1700 nm，空間分辨率為640像素，波段數為512，光譜分辨率為5 nm。對獲得的高光譜影像利用OTSU方法獲取其前景像素，并計算大米和精米平均光譜。

預處理可以去除高頻隨機噪聲和基線漂移等噪聲，提高模型性能。本研究采用了5種預處理方法，包括多元散射校正（MSC）、標準正態變量變換（SNV）、Savitzky-Golay（SG）平滑、SG+一階導數和SG導數。根據全波段模型的性能，選擇最合適的預處理方法。為提高計算速度，減少數據冗余，本研究采用競爭自適應重加權采樣（CARS）和連續投影算法（SPA）選擇大米/精米中MC和FAC的顯著波長。

圖1高光譜成像系統

結論

大米和精米在900~1700 nm波長范圍內的原始反射光譜如圖2所示。從圖2可以看出，大米和精米的光譜在900~1400 nm波長范圍內具有相同的趨勢。然而，大米的反射光譜逐漸增加，而精米的反射光譜在1400~1700 nm波長范圍內趨于穩定。此外，大米光譜的反射率值普遍高于精米。這可能是由于大米和精米的顏色、光滑度和透明度不同造成的。在960、1200和1450 nm處有三個明顯的峰。960 nm左右的峰值可能是由水和碳水化合物中O-H二階泛音的協同作用引起的。1200 nm左右的峰值與樣品的MC有關，1450 nm左右的峰值歸因于O-H拉伸第一泛音。

圖2 大米（a）和精米（b）樣品的原始光譜

采用5種預處理方法對大米和精米樣品的光譜進行處理，利用PLSR算法建立MC和FAC的估測模型。由表1可知，在“大米-水分”模型中，SNV和SG-2預處理效果更好。采用SNV預處理建立的模型R²較高，達到0.9682。但該模型不穩定，魯棒性較差。因此，SG-2模型的性能優于SNV模型。在“大米-脂肪酸”模型中，SG-2是最佳的預處理方法。對于“精米-水分”模型，SG-2預處理的R²較高。綜上所述，在“大米-水分”、“精米-水分”和“大米-脂肪酸”3種預測模型中，SG-2是最佳的預處理方法。而在“精米-脂肪酸”模型中，SG平滑是好的預處理方法，模型的R²p和RMSEP分別為0.8427和1.7806。

從表1可以看出，大米中MC的模型性能優于精米。這是因為稻殼含有水分，其吸水能力高于精米。因此，當大米樣品經過水處理后，稻殼比精米吸收更多的水分。因此，大米光譜中含有的水分信息比精米光譜中含有的水分信息更多。相比之下，精米中FAC的模型性能優于大米。稻殼主要由纖維素、半纖維素、木質素等成分組成，其中不含脂肪酸。稻殼中存在的干擾信息會影響建模過程中脂肪酸的預測。因此，得到的光譜信息可能會受到谷殼的干擾，導致精米的預測精度降低。

表1 不同預處理方法下樣品中水分和脂肪酸的PLS模型預測結果

由于采用SG或SG-2預處理的MC和FAC模型效果好，因此對這些光譜進行了CARS和SPA特征優選。由表2可以看出，相較于CARS，SPA選擇更少的重要波長，使實際應用更容易，同時SPA模型的RPD值較高，模型精度較高。此外，SPA模型的性能優于全波段模型，這表明SPA選擇的波長幾乎包含了MC或FAC的所有有效信息。與全波段模型的結果相似，SPA模型對大米中MC的預測精度高于精米，而對大米中FAC的預測精度低于精米。“大米-水分”、“精米-水分”、“大米-脂肪酸”的最佳模型為“SG2-SPA-PLS”，“精米-脂肪酸”的最佳模型為“SG-SPA-PLS”。

SPA選擇的波長如表3所示。MC模型選擇的964.17、965.74、975.16、978.29、1373.75和1395.72 nm波長與水分波長相似，歸功于O-H拉伸的第一、第二和第三泛音。對于FAC模型，選擇的1095.99、1387.87和1516.56 nm波長歸功于C-H的一、二泛音和-CH2基團的拉伸，選取的939.06、964.17和967.31 nm波長主要來自于O-H鍵的彎曲振動。

表2 使用選定波長的樣品中水分和脂肪酸的PLS模型預測結果

表3 由SPA選擇的波長

通過Fearn（1996）提出的方法驗證稻殼對MC和FAC預測精度的影響。在95%置信水平下計算區間是否包含0。如果它包含0，則偏差在5%的水平上沒有顯著差異。由表4可知，大米和精米中MC的預測誤差計算區間均為0，而FAC的不為0。這表明大米與精米中FAC的預測誤差存在顯著差異，因此稻殼對FAC的預測精度有一定的影響。

表4 大米和精米的水分和脂肪酸含量在95%置信水平上存在顯著差異

圖3為不同水分梯度下水稻樣品MC的可視化結果。可以看出，水稻樣本的MC越高，可視化圖像中的紅色區域越大，而水稻樣本的MC越低，可視化圖像中的藍色區域越大。這與大米樣本的實際MC一致，說明MC模型對每個像素的MC預測是準確的。此外，可視化圖像中大米樣品的MC分布不均勻，這可能是由于樣品處理過程中吸濕不均勻造成的。圖4為大米樣品FAC可視化結果。FAC模型可以準確預測每個像素的FAC?？梢暬梢灾庇^地反映水稻中MC和FAC的空間變化，可以在像元水平上了解MC和FAC的分布情況。因此，在儲存前檢驗和儲存監測中，可以在很小的范圍內檢測到異常的MC和FAC，從而保證了大米的質量安全。

圖3 大米含水量可視化圖

圖4 大米脂肪酸含量可視化圖

作者信息

孫通，博士，浙江農林大學光機電工程學院副教授，碩士生導師。

主要研究方向：農林產品光譜智能檢測技術研究及裝備開發。

參考文獻：

Song, Y., Cao, S., Chu, X., Zhou, Y., Xu, Y., Sun, T., Zhou, G., & Liu, X. (2023). Non-Destructive Detection of Moisture and Fatty Acid Content in Rice using Hyperspectral Imaging and Chemometrics. Journal of Food Composition and Analysis, 11.