高光譜成像：開啟糧食品質檢測的無損新時代

糧食，不僅是填飽肚子的“剛需”
，更是關係國計民生的“硬核科技”。

隨著人們對食品安全和營養健康的關注不斷加深，如何快速
、無損、精準地評估糧食品質，成為農業科技領域的研究熱點。而高光譜成像技術，作為融合了光譜分析與圖像處理的前沿工具，正逐步滲透進糧食檢測、品種分選

、儲藏監控等多個環節。

本期內容將聚焦高光譜成像在糧食品質理化指標檢測中的研究進展，帶你了解水分、蛋白質、脂肪酸等關鍵參數如何“可視化”，探索高光譜在糧食智能檢測中的無限潛力。

1. 糧食品質檢測的重要性

我國是世**一糧食生產大國
，糧食種類豐富，包括麥類、豆類、粗糧類和稻穀類等。其中
，小麥
、玉米、水稻和馬鈴薯被譽為我國的四大糧食作物，在保障國*糧食安全的同時，也為人體提供豐富的碳水化合物、蛋白質、膳食纖維及多種微量元素
，是人類膳食結構中不可或缺的重要組成部分。

隨著經濟的發展和人民生活水平的提高
，人們對糧食的需求已從單純的充饑向高品質、多功能方向轉變，不僅關注糧食的產量，更加注重其外觀品質、營養價值和食用品質
，如口感、xiangqihejiagongtexingdeng。zhexieyinsuzhijieyingxiangliangshideshichangjingzhenglihejingjijiazhi。raner，chuantongdeliangshipinzhijiancefangfatongchangyilaiyuhuaxuefenxiherengongpinggu，cunzaicaozuofuza、費時費力、具有破壞性且受主觀因素影響較大等問題，難以滿足現代農業對高*、精準
、大規模檢測的需求。

高光譜成像技術（HSI）作為一種融合光譜分析與圖像處理的(de)先(xian)進(jin)檢(jian)測(ce)手(shou)段(duan)，在(zai)糧(liang)食(shi)品(pin)質(zhi)檢(jian)測(ce)領(ling)域(yu)展(zhan)現(xian)出(chu)巨(ju)大(da)的(de)應(ying)用(yong)潛(qian)力(li)。該(gai)技(ji)術(shu)能(neng)夠(gou)同(tong)時(shi)采(cai)集(ji)樣(yang)本(ben)的(de)光(guang)譜(pu)信(xin)息(xi)和(he)空(kong)間(jian)信(xin)息(xi)
，實(shi)現(xian)對(dui)糧(liang)食(shi)外(wai)觀(guan)與(yu)內(nei)部(bu)品(pin)質(zhi)的(de)全(quan)*分析。圖像信息可用於評估糧食的黴變、不完善粒和品種等外觀特征，而光譜信息則能揭示糧食的化學成分、物理結構及其含量分布，如水分、蛋白質、澱粉含量等內部品質指標。相較於傳統檢測方法
，高光譜成像技術具有快速、客觀、非接觸和無損檢測的優勢，能夠在無需化學試劑的情況下高*分析大批量樣品，符合現代食品安全與品質控製的發展趨勢。隨著計算機視覺、機器學習和深度學習技術的不斷進步，HSI 在糧食品質檢測中的應用將更加智能化，為農業生產、食品加工和糧食儲藏等環節提供精準、高*的質量控製手段，有助於推動我國糧食產業向高質量、智能化方向發展。

2. 高光譜成像技術在糧食理化品質檢測中的應用

糧食水分含量在糧食收購、chuzangdengguochengzhongjuyoushifenzhongyaodeyiyi。liangshishuifenguogao，buyibaoguan
，rongyifaremeibian，huishiliangshipinzhifashengbianhua，shiliangdeshuifenkebaozhengchanpinpinzhi，yijiliangshijiagongheshipinzhizuodeshunlijinxing。tichuleyizhongjiyugaoguangpuchengxiangjishudeyumizhongzishuifenhanliangkuaisuwusunyucefangfa。Xue et al. (2024)研究以80個不同品種的玉米種子為樣本，利用1100–2498 nm波段的高光譜數據
，結合七種預處理方法（如移動平均、S-G平滑、歸一化等）優化光譜信息，並通過SPA、CARS和UVE算法分別提取17、24和39個特征波長以降低數據冗餘。對比PLSR、PCR和SVM等12種模型發現

，歸一化-SPA-PLSR模型表現*優，其校準集和預測集的判定係數（Rc2=0.9917，Rp2=0.9914）及誤差（RMSEP=0.0343，RMSECV=0.0257）junxianzhuyouyuqitamoxing
，yanzhengleqizaishuifenyucezhongdegaojingduyuwendingxing。ciwai
，yanjiutongguoweicaisetuxiangshixianleshuifenhanliangdekongjianfenbukeshihua
，weiyumizhongzichucun
、加工中的質量控製提供了高*無損檢測技術支撐（圖1）。

圖1. 玉米含水量分布可視化

Song et al. (2023)基於高光譜成像技術（900-1700nm波段）結合化學計量學方法
，開發了水稻籽粒水分含量（MC）和脂肪酸含量（FAC）的快速無損檢測模型。通過添加梯度水分處理構建了73個水稻樣本和75個精米樣本數據集，采用Savitzky-Golay二階導數(SG-2）等預處理方法優化光譜數據，並利用順序投影算法(SPA)分別篩選出6個MC和9個FAC特征波長
，顯著降低了數據冗餘。基於偏最小二乘回歸(PLSR）構建的預測模型中，“水稻-MC”和“精米-FAC”模型表現*優，其校準集與預測集的判定係數（Rc2/Rp2）分別為0.9650/0.9639和0.8573/0.8436，預測均方根誤差(RMSEP)分別為0.0031和1.6956。研究證實稻殼對MC模型影響不顯著
，但會幹擾FAC預測精度，因稻殼不含脂肪酸且引入光譜噪聲。此外
，通過偽彩色成像技術實現了MC和FAC的空間分布可視化
，直觀展示稻米內部成分異質性（圖2和圖3）。該方法為水稻貯藏前檢測及貯藏過程中品質監控提供了高*無損的技術支持，但需進一步驗證模型在多品種及複雜環境下的泛化能力。

圖2 大米水分含量可視化圖。(a)12-13 g/100 g含水量（B）13-14 g/100 g含水量（c）14-15 g/100 g含水量（d）15-16 g/100 g含水量（e）16-17 g/100 g含水量（f）17-18 g/100 g含水量。

圖3 大米脂肪酸含量可視化圖。(a)脂肪酸含量為 8.42 mg/100 g。(b)脂肪酸含量為 16.13 mg/100 g。(c)脂肪酸含量為 23.91 mg/100 g。(d)脂肪酸含量為 25.56 mg/100 g。

Long et al. (2025) 本研究基於拉曼高光譜成像技術（785 nm激光）結合二維相關光譜分析（2D-COS），揭示了玉米老化過程中澱粉分子基團的變化順序（如475 cm−1和931 cm−1對應糖苷鍵振動）。通過CARS算法篩選35個特征拉曼位移
，結合歸一化預處理和極限學習機（ELM）建模，實現了澱粉含量的高精度預測（Rp2=0.8502，RMSEP=0.0577）。研究驗證了拉曼技術對老化玉米澱粉降解過程的定量分析能力，為穀物品質檢測及食品加工提供了理論支持和技術參考。

圖4 (A)單粒玉米平均光譜的提取過程;（B）拉曼光譜的預處理過程

Xuan et al. (2024) 利用高光譜成像技術（400-1000 nm）jiehehuaxuejiliangxuefangfa，kaifaleyizhongfeipohuaixingdaomidanbaizhihanliangyucemoxing。tongguokaishidingdanfacedingsigepinzhongdaomiyangbendedanbaizhicankaozhi，bingduiguangpushujujinxingchengxingsanshexiaozheng（MSC）等預處理，結合連續投影算法（SPA）篩選特征波長。研究發現，基於MSC-SPA-多元線性回歸（MLR）的模型表現*優，校準集和驗證集的決定係數分別為0.9393和0.8998，驗證集均方根誤差（RMSEV）為0.1725，相對分析誤差（RPD）達3.16。此外，通過像素級映射實現了稻米蛋白質分布的可視化，揭示了不同品種間蛋白質含量的差異（如XD9含量最低，JF105和JF103較高）。研究過程如圖5所示。

圖5 研究流程圖

Qiao et al. (2024)通過整合高光譜成像的光譜與圖像特征，實現了玉米籽粒中蛋白質和澱粉含量的快速無損定量測定。研究利用可見光-近紅外（400-1005.80 nm）高光譜數據，結合顏色特征（H、S
、V通道的低階矩）和紋理特征（對比度、相關性等），構建了40種預測模型。通過對比不同預處理方法（S-G平滑、MSC
、SNV）和建模算法（PLSR、SVR、ELM），發現極*學習機（ELM）結合標準正態變換（SNV）和乘性散射校正（MSC）預處理效果*佳。進一步利用連續投影算法（SPA）和無信息變量消*（UVE）篩選特征波長，並與圖像特征融合後，蛋白質和澱粉的*優模型分別為SNV-SPA-Color-ELM（驗證集R²=0.9228
，RMSEp=0.2771%）和MSC-UVE-Texture-ELM（驗證集R²=0.8847，RMSEp=1.1221%），其相對分析誤差（RPD）分別達2.60和2.38，表biao明ming模mo型xing具ju備bei高gao精jing度du與yu強qiang魯lu棒bang性xing。研yan究jiu創chuang新xin性xing地di在zai未wei幹gan燥zao樣yang本ben條tiao件jian下xia通tong過guo特te征zheng融rong合he克ke服fu水shui分fen幹gan擾rao
，為wei玉yu米mi品pin質zhi田tian間jian實shi時shi監jian測ce及ji工gong業ye分fen選xuan提ti供gong了le高gao*無損檢測方案。研究過程如圖6所示。

圖6 研究流程圖

Zhu et al. (2025) 提出了一種基於多頭注意力卷積序列到序列模型（MAC-seq2seq）的玉米種子活力檢測方法
，通過光譜重建與深度特征提取結合集成學習模型，實現了種子老化時間和活力的高*分類。實驗表明，MAC-seq2seq在400-1000 nm光譜範圍內重建誤差（RMSE）低至2.818×10⁻⁶

，結合子空間判別模型對老化時間（48-240小時）和活力（基於種子活力指數SVI≥0.4）的檢測準確率分別達93.33%和97.62%。研究進一步構建了集成光譜分析與可視化功能的在線檢測平台
，通過Shapley值解析了光譜特征貢獻，發現葉綠素（434/642/662 nm）和脂肪酸C-H振動（930-990 nm）dengboduanduihuoliyucejuyouxianzhuyingxiang。gaifangfaweixiaoyangbenchangjingxiayumizhongzihuolidewusunpinggutigonglegaojingdujiejuefangan
，youqishiyongyufuzacunchutiaojianxiadezhongzizhiliangjiance。yanjiuguochengrutu7所示。

圖7 研究流程圖

An et al. (2024)通過結合高光譜成像技術與數據融合策略，開發了一種綠色無損的單粒玉米種子活力評估方法。研究以過氧化氫酶（CAT）活性和丙二醛（MDA）含量為關鍵生化指標，基於人工老化實驗構建了不同老化梯度的種子樣本，並利用偏最小二乘回歸（PLSR）模型預測CAT和MDA含量
，結合低層與中層數據融合策略優化模型性能（預測集RPD分別為2.11和2.93）。進一步提出雙閾值判別策略，通過設定CAT活性（閾值317 μmol·min⁻¹·g⁻¹）和MDA含量（閾值22 nmol·g⁻¹）的聯合閾值

，實現了種子活力的高*分類，準確率達92.9%。該方法通過生化指標與光譜特征的關聯性，為種子活力評估提供了可解釋的定量依據
，相比傳統發芽試驗和單一光譜模型，兼具高*性、環保性和高精度
，為農業種子質量管理提供了新思路。研究過程如圖7所示。

圖8 研究流程圖

Qi et al. (2024)提出了一種改進的深度卷積生成對抗網絡（SAM-GAN），通過引入光譜角映射（SAM）優化生成器損失函數，結合近紅外高光譜成像技術，解決了自然老化水稻種子樣本稀缺條件下活力測定的難題（圖9）。實驗對比了SAM-GAN
、WGAN-GP和DCGAN的性能，結果表明，SAM-GAN生成的光譜數據在波形相似性上顯著優於其他方法，混合真實數據與SAM-GAN生成數據訓練的卷積神經網絡（CNN）模型分類準確率接近100%，驗證了其在樣本量不足場景下的有效性。該方法為水稻種子活力的快速、無損檢測提供了新思路
，尤其適用於樣本獲取困難的實際農業場景。

圖9 GAN的流程圖