背景

水分含量（Moisture content, MC）和脂肪酸含量（Fatty acid content, FAC）是大米品質(zhì)的重要指標，影響大米的存儲和食用品質(zhì)。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(nèi)部化學信息。該技術已被用于檢測農(nóng)產(chǎn)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(yōu)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(shù)據(jù)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(shù)據(jù)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(jù)模型性能確定*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(qū)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*佳模型預測每個像素點的MC和FAC，實現(xiàn)水稻樣品MC和FAC的可視化。

試驗設計

浙江農(nóng)林大學孫通副教授團隊利用GaiaField-N17E高光譜成像系統(tǒng)（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(shù)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(tài)變量變換（SNV）、Savitzky-Golay（SG）平滑、SG+一階導數(shù)和SG導數(shù)。根據(jù)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(shù)據(jù)冗余，本研究采用競爭自適應重加權采樣（CARS）和連續(xù)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(tǒng)

結論

大米和精米在900~1700 nm波長范圍內(nèi)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(nèi)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(nèi)趨于穩(wěn)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(xié)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(wěn)定，魯棒性較差。因此，SG-2模型的性能優(yōu)于SNV模型。在“大米-脂肪酸”模型中，SG-2是*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*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(yōu)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(jīng)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(yōu)于大米。稻殼主要由纖維素、半纖維素、木質(zhì)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(yōu)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(yōu)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*佳模型為“SG2-SPA-PLS”，“精米-脂肪酸”的*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(qū)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(qū)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(qū)域越大，而水稻樣本的MC越低，可視化圖像中的藍色區(qū)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。可視化可以直觀地反映水稻中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(jiān)測中，可以在很小的范圍內(nèi)檢測到異常的MC和FAC，從而保證了大米的質(zhì)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(nóng)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(nóng)林產(chǎn)品光譜智能檢測技術研究及裝備開發(fā)。

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.