稻米水分和脂肪酸含量如何‘看得見’？高光譜成像給出答案
應用方向：
在本研究中，高光譜成像技術（HSI）主要應用於大米水分含量和脂肪酸含量的無損檢測與可視化分析。通過結合化學計量學方法，HSI技術不僅能夠獲取大米的外部物理特征，還能深入分析其內部化學成分，實現精準、高*的質量評估。該技術可用於大米在預存儲階段的快速檢測，識別水分和脂肪酸含量異常樣本，從而優化儲存管理。此外，HSI還(hai)可(ke)應(ying)用(yong)於(yu)存(cun)儲(chu)過(guo)程(cheng)中(zhong)的(de)實(shi)時(shi)監(jian)測(ce)，直(zhi)觀(guan)展(zhan)示(shi)水(shui)分(fen)和(he)脂(zhi)肪(fang)酸(suan)的(de)空(kong)間(jian)分(fen)布(bu)，便(bian)於(yu)及(ji)時(shi)發(fa)現(xian)潛(qian)在(zai)的(de)品(pin)質(zhi)劣(lie)化(hua)問(wen)題(ti)。本(ben)研(yan)究(jiu)表(biao)明(ming)，高(gao)光(guang)譜(pu)成(cheng)像(xiang)技(ji)術(shu)在(zai)糧(liang)食(shi)質(zhi)量(liang)檢(jian)測(ce)和(he)儲(chu)存(cun)監(jian)測(ce)領(ling)域(yu)具(ju)有(you)重(zhong)要(yao)應(ying)用(yong)價(jia)值(zhi)，為(wei)提(ti)高(gao)糧(liang)食(shi)安(an)全(quan)性(xing)、減少存儲損耗提供了科學支持，同時也為其他食品及農產品的非破壞性檢測提供了借鑒。
背景：
作為世*上*大的大米生產國和消費國，中國的大米種植麵積占全球約20%，其qi質zhi量liang直zhi接jie影ying響xiang糧liang食shi安an全quan和he經jing濟ji效xiao益yi。水shui分fen含han量liang和he脂zhi肪fang酸suan含han量liang是shi衡heng量liang大da米mi品pin質zhi和he儲chu存cun穩wen定ding性xing的de關guan鍵jian指zhi標biao，過guo高gao的de水shui分fen含han量liang易yi導dao致zhi黴mei變bian和he微wei生sheng物wu滋zi生sheng，而er脂zhi肪fang酸suan的de增zeng加jia則ze是shi大da米mi氧yang化hua變bian質zhi的de典dian型xing信xin號hao。因yin此ci，精jing準zhun、高*、無損地檢測大米的水分和脂肪酸含量對於糧食儲存管理至關重要。然而，傳統的檢測方法通常需要破壞樣本，並且過程複雜、耗時，難以滿足現代糧食存儲和加工行業對快速檢測的需求。高光譜成像（HSI）jishuzuoweiyizhongjichengguangpufenxihetuxiangchulidewusunjiancefangfa，nenggoutongshihuoqudamidewuliyuhuaxuexinxi，weidamipinzhidejingzhunjiancetigonglexindejishulujing。
因此，該研究旨在利用高光譜成像技術結合化學計量學方法，實現大米水分和脂肪酸含量的快速、無損檢測，為糧食質量控製和存儲管理提供科學依據。具體研究內容包括：（1）采用不同的預處理方法對大米和精米的光譜數據進行處理，並建立其水分和脂肪酸含量的全光譜預測模型，最終根據模型性能確定*佳預處理方法。（2）采用兩種變量篩選方法，在900–1700nm範圍內選擇大米和精米水分及脂肪酸含量的關鍵波長，並從化學角度對所選波長進行分析。（3）比較大米和精米水分及脂肪酸預測模型的性能，並分析稻殼對水分和脂肪酸模型預測效果的影響。（4）利用*佳模型對大米樣本的每個像素點進行水分和脂肪酸預測，實現大米水分和脂肪酸含量的可視化分析。
1.實驗設計
1.1材料與方法
（1）實驗材料與方法
本研究以2021年收獲的13個晚稻品種為實驗材料，其中包括4個粳稻品種和9個晚秈稻品種，具體信息如表1所示。所有晚稻樣品均由浙江省糧庫提供。每個品種的晚稻樣品均采用自封袋密封包裝，並儲存於恒溫恒濕環境中（溫度10℃，濕度50%）。
水分是影響大米脂肪酸值（FAC）變化的主要因素。因此，可以通過向樣品中添加不同量的水分來擴展樣品的水分含量（MC）和脂肪酸值（FAC）的範圍，從而提高模型的穩健性。首先，稱取每種大米240克，並將其分成六份，得到78個實驗樣品。然後向每個樣品中添加不同質量的蒸餾水並混合均勻，使得樣品中的水分含量呈現出12克/100克、13克/100克、14克/100克、15克/100克、16克/100克和17克/100克的梯度變化。
處理後的大米樣品用12 × 17 cm的自封袋密封，在溫度為10℃的室內保存20 h，使(shi)樣(yang)品(pin)中(zhong)的(de)水(shui)分(fen)分(fen)布(bu)均(jun)勻(yun)。用(yong)已(yi)完(wan)成(cheng)光(guang)譜(pu)采(cai)集(ji)的(de)大(da)米(mi)樣(yang)品(pin)製(zhi)備(bei)精(jing)米(mi)樣(yang)品(pin)。大(da)米(mi)樣(yang)品(pin)先(xian)用(yong)脫(tuo)殼(ke)機(ji)去(qu)殼(ke)，然(ran)後(hou)用(yong)碾(nian)米(mi)機(ji)磨(mo)成(cheng)精(jing)米(mi)。本(ben)研(yan)究(jiu)中(zhong)，所(suo)有(you)樣(yang)品(pin)的(de)MC按GB 5009.3-2016《食品安全國*標準-食品中水分的測定》中的直接幹燥法測定，FAC按GB/T 20569-2006《大米貯藏質量判定規則》的方法測定。
（2）高光譜圖像采集與校正
高光譜成像係統由近紅外高光譜成像儀（GaiaField-N17E，江蘇雙利合譜科技有限公司，Dualix Spectral Imaging）、室內試驗箱（HSIA-BD）、四盞鹵素燈（50W）、升降台、計算機以及配套軟件（Optiplex 7080MT/SpecView）組成。該近紅外高光譜成像儀的光譜範圍為900至1700nm，空間分辨率為640像素，波段數為512，光譜分辨率為5nm。升降台的尺寸和升降範圍分別為300×300毫米和90至370毫米。係統如圖1所示。
圖1. 高光譜成像係統。
使用高光譜成像係統采集了樣品的高光譜圖像。在高光譜圖像采集過程中，大米樣品被放置在黑色基板上，平鋪成15×15厘米的正方形，精米樣品平鋪成為13×13厘米的正方形，確保樣品的厚度不超過3粒大米的厚度。為了獲得清晰且無畸變的高光譜圖像，傳送帶的移動速度和移動距離分別設置為0.6厘米/秒和17厘米。樣品與鏡頭之間的垂直距離為42厘米，光源與水平麵的角度為60度，曝光時間為7毫秒。最終，每個樣品獲得了兩張高光譜圖像。
之後，對每張原始高光譜圖像I0進jin行xing了le黑hei白bai色se校xiao正zheng計ji算suan。收shou集ji到dao的de原yuan始shi圖tu像xiang數shu據ju反fan映ying了le信xin號hao強qiang度du，而er通tong過guo黑hei白bai色se校xiao正zheng計ji算suan可ke以yi獲huo取qu光guang譜pu的de反fan射she率lv。我wo們men使shi用yong了le白bai色se校xiao準zhun板ban進jin行xing空kong白bai校xiao準zhun，設she定ding*大發射率（約99%），並用鏡頭蓋進行暗校正，設定最小反射率（約0%）。
（3）光譜提取與預處理
通過對校正後的圖像進行分割來提取每個樣品的興趣區域（ROI），以去除黑色背景。首先，從高光譜圖像中提取對應於1290nm的圖像，並使用*大類間方差法（OTSU）算法獲得*佳閾值。高於閾值的灰度圖像區域（大米/精米）被標記為“1”，低於閾值的灰度圖像區域（背景）被標記為“0”。然(ran)後(hou)為(wei)每(mei)個(ge)樣(yang)品(pin)創(chuang)建(jian)了(le)一(yi)個(ge)二(er)值(zhi)掩(yan)模(mo)，並(bing)將(jiang)該(gai)掩(yan)模(mo)應(ying)用(yong)於(yu)每(mei)個(ge)高(gao)光(guang)譜(pu)圖(tu)像(xiang)立(li)方(fang)體(ti)，以(yi)實(shi)現(xian)黑(hei)色(se)背(bei)景(jing)的(de)移(yi)除(chu)。為(wei)了(le)提(ti)高(gao)預(yu)測(ce)的(de)準(zhun)確(que)性(xing)和(he)可(ke)重(zhong)複(fu)性(xing)，每(mei)個(ge)高(gao)光(guang)譜(pu)圖(tu)像(xiang)中(zhong)大(da)米(mi)/精米像素的反射率值被平均化，以獲得其平均光譜。然後，對同一樣品掃描得到的兩個大米/精米高光譜圖像提取出的平均光譜再次平均，作為樣品的光譜數據。
預yu處chu理li可ke以yi去qu除chu高gao光guang譜pu數shu據ju中zhong的de噪zao聲sheng，例li如ru高gao頻pin隨sui機ji噪zao聲sheng和he基ji線xian漂piao移yi，從cong而er提ti高gao模mo型xing性xing能neng。在zai本ben研yan究jiu中zhong，我wo們men采cai用yong了le五wu種zhong預yu處chu理li方fang法fa來lai處chu理li樣yang品pin的de原yuan始shi光guang譜pu，包bao括kuo多duo次ci散san射she校xiao正zheng（MSC）、標準正態變量（SNV）、Savitzky-Golay（SG）平滑、SG+一階導數和SG+二階導數。根據全光譜模型的性能，最終選擇了合適的預處理方法。
（4）變量選擇
高(gao)光(guang)譜(pu)數(shu)據(ju)具(ju)有(you)高(gao)維(wei)度(du)和(he)多(duo)重(zhong)共(gong)線(xian)性(xing)的(de)特(te)點(dian)，這(zhe)使(shi)得(de)數(shu)據(ju)處(chu)理(li)變(bian)得(de)複(fu)雜(za)且(qie)耗(hao)時(shi)。為(wei)了(le)提(ti)高(gao)計(ji)算(suan)速(su)度(du)並(bing)實(shi)現(xian)實(shi)時(shi)檢(jian)測(ce)，有(you)必(bi)要(yao)使(shi)用(yong)一(yi)些(xie)變(bian)量(liang)選(xuan)擇(ze)方(fang)法(fa)來(lai)選(xuan)擇(ze)重(zhong)要(yao)的(de)波(bo)長(chang)，並(bing)降(jiang)低(di)高(gao)光(guang)譜(pu)數(shu)據(ju)的(de)維(wei)度(du)。這(zhe)些(xie)重(zhong)要(yao)的(de)波(bo)長(chang)能(neng)更(geng)好(hao)地(di)預(yu)測(ce)大(da)米(mi)/精米樣品的MC和FAC。在本研究中，我們采用了競爭自適應重加權采樣（CARS）和連續投影算法（SPA）來選擇大米/精米中MC和FAC的重要波長。
1.2. 結果與討論
（1）水分含量（MC）和脂肪酸值（FAC）的統計分析
一種合適的樣本劃分方法能夠為建模選擇更具代表性的樣本，並提高模型的穩健性。在本研究中，采用了基於聯合x-y距離的樣本集分割（SPXY）方法，按照2:1的比例將樣本劃分為校準集和預測集。表2顯示了不同集合中樣本的MC和FAC的統計結果。從表2可以看出，校準集中的MC和FAC的範圍覆蓋了預測集中的範圍，這符合構建高光譜校準模型的條件。在所有樣本中排除了異常樣本，包括異常的光譜值、水分值和脂肪酸值。
（2）光譜分析
圖2展示了大米和精米在900至1700nm波長範圍內的原始反射光譜。從圖2可以看出，大米和精米在900至1400nm波長範圍內的光譜趨勢相同。然而，在1400至1700nm波(bo)長(chang)範(fan)圍(wei)內(nei)，大(da)米(mi)的(de)反(fan)射(she)光(guang)譜(pu)逐(zhu)漸(jian)增(zeng)加(jia)，而(er)精(jing)米(mi)的(de)反(fan)射(she)光(guang)譜(pu)趨(qu)於(yu)穩(wen)定(ding)。此(ci)外(wai)，大(da)米(mi)光(guang)譜(pu)的(de)反(fan)射(she)值(zhi)通(tong)常(chang)高(gao)於(yu)精(jing)米(mi)。這(zhe)可(ke)能(neng)是(shi)由(you)於(yu)大(da)米(mi)和(he)精(jing)米(mi)在(zai)顏(yan)色(se)、光滑度和透明度方麵的不同造成的。在圖2中，大約在960、1200和1450nm處有三個明顯的峰值。960nm附近的峰值可能是由水中和碳水化合物中O-H的二階倍頻協同作用引起的。1200nm附近的峰值與樣品的水分含量（MC）有關，而1450nm附近的峰值歸因於O-H伸縮的一階倍頻。由於前後波長範圍內的光譜噪聲較大，因此舍棄了900至940nm和1670至1700nm的光譜數據。用於建模的光譜數據包含在940至1670nm波長範圍內的468個變量。
圖2. 大米和精米樣品的原始光譜：(a） 大米；(b） 精米。
（3）光譜預處理分析
五種預處理方法被用於處理大米和精米樣品的光譜，並且使用偏最小二乘回歸（PLSR）算法建立了MC和FAC的校準模型。表3顯示了不同預處理方法下MC和FAC樣品PLS模型的預測結果。從表3中可以發現，在“大米水分”模型中，使用SNV和SG-2預處理得到的結果是較好的。使用SNV預處理建立的模型的決定係數（R²C）相對較高，達到了0.9682。然而，該模型不穩定，穩健性較差，預測相關係數（R²P）僅為0.9466。因此，SG-2預處理的模型比SNV預處理的模型表現更好。在“大米脂肪酸”模型中，除了SG-2外，其他預處理方法的R²P未達到0.8，且R²P與R²C差異顯著，因此這些模型的穩健性較差。因此，SG-2是“大米脂肪酸”模型中*佳的預處理方法。對於“精米水分”，SG-2預處理的模型具有更高的R²C和R²P。總之，SG-2是在“大米水分”、“精米水分”和“大米脂肪酸”三個預測模型中*佳的預處理方法。這三個模型的R²P和均方根誤差（RMSEP）分別為0.9639、0.9528、0.8238和0.0032、0.0035、2.1517。而在“精米脂肪酸”模型中，SG平滑是*佳的預處理方法，該模型的R²P和RMSEP分別為0.8427和1.7806。
從表3可以看出，大米中MC模(mo)型(xing)的(de)性(xing)能(neng)優(you)於(yu)精(jing)米(mi)中(zhong)的(de)模(mo)型(xing)。這(zhe)是(shi)因(yin)為(wei)稻(dao)殼(ke)含(han)有(you)水(shui)分(fen)，其(qi)吸(xi)水(shui)能(neng)力(li)高(gao)於(yu)精(jing)米(mi)。因(yin)此(ci)，當(dang)大(da)米(mi)樣(yang)品(pin)被(bei)水(shui)處(chu)理(li)時(shi)，稻(dao)殼(ke)吸(xi)收(shou)的(de)水(shui)分(fen)比(bi)精(jing)米(mi)多(duo)。所(suo)以(yi)大(da)米(mi)的(de)光(guang)譜(pu)包(bao)含(han)了(le)比(bi)精(jing)米(mi)更(geng)多(duo)的(de)水(shui)分(fen)信(xin)息(xi)，導(dao)致(zhi)大(da)米(mi)中(zhong)MC模型的性能優於精米。相比之下，精米中FAC模型的性能優於大米。稻殼的本質是一種纖維，主要由纖維素、半纖維素、木(mu)質(zhi)素(su)等(deng)成(cheng)分(fen)構(gou)成(cheng)。這(zhe)表(biao)明(ming)稻(dao)殼(ke)不(bu)含(han)有(you)脂(zhi)肪(fang)酸(suan)，而(er)存(cun)在(zai)於(yu)大(da)米(mi)光(guang)譜(pu)中(zhong)的(de)稻(dao)殼(ke)幹(gan)擾(rao)信(xin)息(xi)將(jiang)影(ying)響(xiang)建(jian)模(mo)過(guo)程(cheng)中(zhong)脂(zhi)肪(fang)酸(suan)的(de)預(yu)測(ce)。因(yin)此(ci)，獲(huo)得(de)的(de)光(guang)譜(pu)信(xin)息(xi)可(ke)能(neng)受(shou)到(dao)稻(dao)殼(ke)的(de)幹(gan)擾(rao)，導(dao)致(zhi)精(jing)米(mi)的(de)預(yu)測(ce)精(jing)度(du)下(xia)降(jiang)。所(suo)以(yi)使(shi)用(yong)高(gao)光(guang)譜(pu)圖(tu)像(xiang)預(yu)測(ce)大(da)米(mi)的(de)脂(zhi)肪(fang)酸(suan)時(shi)，稻(dao)殼(ke)會(hui)對(dui)預(yu)測(ce)精(jing)度(du)產(chan)生(sheng)特(te)定(ding)影(ying)響(xiang)。此(ci)外(wai)，過(guo)多(duo)的(de)波(bo)長(chang)並(bing)不(bu)能(neng)更(geng)有(you)助(zhu)於(yu)提(ti)高(gao)預(yu)測(ce)速(su)度(du)和(he)模(mo)型(xing)的(de)穩(wen)健(jian)性(xing)。因(yin)此(ci)，進(jin)行(xing)波(bo)長(chang)變(bian)量(liang)選(xuan)擇(ze)是(shi)必(bi)要(yao)的(de)，以(yi)減(jian)少(shao)冗(rong)餘(yu)波(bo)長(chang)，提(ti)高(gao)模(mo)型(xing)穩(wen)定(ding)性(xing)，並(bing)實(shi)現(xian)實(shi)時(shi)高(gao)光(guang)譜(pu)檢(jian)測(ce)。
（4）變量選擇
由於使用SG或SG-2預處理的MC和FAC模型獲得了*佳結果，因此對這些光譜進行了CARS和SPA方法處理，以選擇對水分和脂肪酸有顯著影響的波長。然後，使用這些選定的波長通過PLSR開發了水分和脂肪酸的校準模型，並比較了“大米水分、精米水分、大米脂肪酸和精米脂肪酸”四個模型的性能。從表4可以看出，CARS選擇的基本波長數量分別為17、40、17和13，而SPA選擇的基本波長數量分別為6、11、9和10。SPA選擇的重要波長數量更少，使得實際應用更為簡便。CARS模型的R²P分別為0.9643、0.9445、0.7528和0.8480。SPA模型的R²P分別為0.9650、0.9567、0.8436和0.8573。SPA模型具有更高的R²P，且模型更為*確。CARS模型的RPD值分別為5.3750、4.3784、2.0565和2.6227。SPA模型的RPD值分別為5.5484、4.9091、2.5854和2.7070。SPA模型的RPD值更高，表明模型更為穩定。
此外，SPA模型的性能優於全光譜模型，這表明SPA選擇的波長包含了MC或FAC幾乎所有的有效信息。與全光譜模型的結果類似，SPA模型中大米的MC預測精度高於精米，而大米的FAC預測精度低於精米。這進一步證明了我們在第3.3節分析的可信度。圖3展示了SPA變量選擇的結果。從圖3(a, c, e, g）可以看出，隨著所選波長變量數量的增加，RMSE值逐漸減小。我們的目標是在盡可能選擇較少波長的前提條件下獲得較低的RMSE值。圖3(b, d, f, h）顯示了所選特征波長的分布。總之，“大米水分”、“精米水分”和“大米脂肪酸”的***模型是“SG2-SPA-PLS”，而“精米脂肪酸”的*佳模型是“SG-SPA-PLS”。
圖3. SPA對大米/精米中水分和脂肪酸的波長選擇結果。(a） 大米中水分的RMSE變化 (b） 大米中選定水分波長的分布 (c） 精米中水分的RMSE變化 (d） 精米中選定水分波長的分布 (e） 大米中脂肪酸的RMSE變化 (f） 大米中選定脂肪酸波長的分布 (g） 精米中脂肪酸的RMSE變化 (h） 精米中選定脂肪酸波長的分布。
SPA選擇的波長如表5所示。對於MC模型，主要波長970、1150和1450nm分別歸因於O-H伸縮的一階、二階和三階倍頻。對於FAC模型，脂肪酸的顯著峰值分布在945、994、1105、1382和1527nm，主要來自C-H的*一和第二倍頻以及-CH2基團的伸縮。約1160nm的吸收峰由-HC-CH-鍵形成，這可以解釋選擇的1141nm波長。選擇的光譜波長939.06、964.17和967.31nm主要來自O-H鍵的彎曲振動。選擇的波長1095.9、1596.59和1329.81nm中，1098nm的峰值屬於C-H鍵的第三倍頻多重振動，1586nm的峰值歸因於N-H鍵的第二倍頻多重振動，1320nm的峰值與C-H鍵的彎曲振動相關。圖4顯示了MC和FAC的實際值與預測值之間的偏差。從圖4可以看出，MC的預測值和實際值高度吻合。這表明MC的預測模型具有很高的準確性，預測值和實際值之間的差異很小。FAC的預測值和實際值的吻合度不如MC，但預測值和實際值也非常接近。這表明盡管FAC的模型性能略遜於MC，但它也能準確預測大米和精米中的FAC。
圖4. 大米/精米中水分和脂肪酸預測結果的散點圖：(a） 大米中的水分；(b） 精米中的水分；(c） 大米中的脂肪酸；(d） 精米中的脂肪酸。RVM：水分的實際值；PVM：水分的預測值；RVFA：脂肪酸的實際值；PVFA：脂肪酸的預測值。
（5）稻殼影響分析
由於稻殼的高吸水能力，大米中MC模型的性能優於精米，且大米光譜中包含了更多的水分信息。而大米中FACmoxingdexingnengburujingmi。yinweidaokebuhanyouzhifangsuan，ercunzaiyudamiguangpuzhongdedaokeganraoxinxikenenghuiyingxiangzhifangsuandeyuce。raner，zaijinxingbochangxuanzehou，damihejingmizhongMC或FAC的預測精度更為接近，看起來稻殼的影響消失了。因此，通過Fearn提出的方法驗證了稻殼對MC和FAC預測精度的影響。*一種方法是計算在95%置信水平下區間是否包含0。如果包含零，則偏差在5%水平上沒有顯著差異。從表6可以看出，計算出的大米和精米MC預測誤差的區間包含0，而FAC的區間不包含0。這表明大米和精米FAC預測誤差之間存在顯著差異，因此稻殼對FAC的預測精度有影響。
（6）模型預測可靠性分析
模型的可靠性分析有助於我們判斷模型是否能夠應用於實際中。因此，為了對模型的可靠性進行分析，我們進行了箱線圖和T檢驗。箱線圖是一種統計圖表，用於展示一組數據的離散程度，反映數據分布的特征。T檢驗則利用t分布理論推斷差異發生的概率，並比較兩組數值之間的差異是否具有顯著性。
如圖5(a）所示，大米和精米中MC的預測偏差在±0.75%以內，波動範圍較小。大米中MC的*大和最小預測偏差分別為0.987%和0.007%。精米中MC的*大和最小預測偏差分別為1.028%和0.002%。這表明水分的預測精度高，模型表現良好。此外，大米中MC的預測精度高於精米，且大米中MC的預測偏差主要集中在0附近。如圖5(b）所示，大米中FAC的預測偏差大於精米，精米中FAC的預測偏差主要分布在±2附近。大米中FAC的*大和最小預測偏差分別為5.811%和0.599%。而精米中FAC的*大和最小預測偏差分別為4.649%和0.108%。這表明精米中FAC的模型表現優於大米。總之，可以得出結論，所提出模型的預測偏差值小，模型性能可靠。
圖5. 大米和精米水分和脂肪酸預測偏差值的箱線圖：(a） 水分；(b） 脂肪酸。
通過對大米和精米中的水分和脂肪酸的預測值與真實值進行T檢驗分析。如表7所示，得到的T檢驗值P大於0.05。這表明所建立模型的預測值與真實值之間沒有顯著差異。因此，這些模型在預測水分和脂肪酸方麵表現良好。
（7）水分含量（MC）和脂肪酸值（FAC）的可視化
可視化可以幫助我們了解不同地區大米樣品的MC和FAC分布情況。首先，提取大米樣品中每個像素的光譜，然後使用*優模型SPA-PLSR預測每個像素的MC和FAC，並獲取每個像素的MC和FAC預測值。使用不同顏色代表每個像素的MC和FAC，並生成偽彩色圖像，實現對大米樣品中MC和FAC的像素級可視化。圖6顯示了不同水分梯度下大米樣品MC的可視化結果。在圖6中，圖像右側的顏色條中不同的顏色對應大米中不同的MC值。紅色表示較高的MC，而藍色表示較低的MC。可以看出，大米樣品的MC越高，可視化圖像中紅色區域越大；大米樣品的MC越低，可視化圖像中藍色區域越大。這與大米樣品的實際MC相符，表明MC模型能準確預測每個像素的MC。此外，可視化圖像中大米樣品的MC分布不均勻，可能是由於樣品處理過程中水分吸收不均造成的。圖7顯示了大米樣品FAC的可視化結果。在圖7中，圖像右側的顏色條中不同的顏色對應大米中不同的FAC值。紅色同樣代表較高的FAC，而藍色代表較低的FAC。可以觀察到，隨著大米樣品FAC的增加，可視化圖像中紅色區域變得更大，而FAC降低時藍色區域變得更大。這與大米樣品的實際FAC相符，表明FAC模型能準確預測每個像素的FAC。可視化可以直觀反映大米中MC和FAC的空間變化，能夠在像素級別了解MC和FAC的分布。因此，在儲藏檢查和儲存監測過程中，可以檢測到大米非常小範圍內的異常MC和FAC，確保大米質量的安全。
圖6. 大米水分含量的可視化圖。(a） 12-13克/100克水分含量 (b） 13-14克/100克水分含量 (c） 14-15克/100克水分含量 (d） 15-16克/100克水分含量 (e） 16-17克/100克水分含量 (f） 17-18克/100克水分含量。
圖7. 大米脂肪酸含量的可視化圖。(a） 脂肪酸含量 = 8.42毫克/100克 (b） 脂肪酸含量 = 16.13毫克/100克 (c） 脂肪酸含量 = 23.91毫克/100克 (d） 脂肪酸含量 = 25.56毫克/100克。
結論
在本研究中，作者利用HSI和化學計量學對大米和精米樣品中的MC和FAC進行了檢測。通過PLSR算法結合選擇的顯著波長變量，作者開發了MC和FAC的模型。此外，作者還分析了稻殼對模型性能的影響，並進行了MC和FAC的可視化分析。結果表明，SPA方法比CARS更適合於為MC和FAC選擇顯著波長。在“大米-水分”、“精米-水分”、“大米-脂肪酸”和“精米-脂肪酸”數據集中，SPA選擇的波長數量分別為6、11、9和10，SPA模型的RP²和RMSEPs分別為0.9650、0.9567、0.8573、0.8436和0.0031、0.0033、1.6956、2.0270。使(shi)用(yong)特(te)征(zheng)波(bo)長(chang)建(jian)立(li)的(de)模(mo)型(xing)性(xing)能(neng)與(yu)全(quan)光(guang)譜(pu)模(mo)型(xing)相(xiang)當(dang)，而(er)模(mo)型(xing)中(zhong)使(shi)用(yong)的(de)波(bo)長(chang)數(shu)量(liang)大(da)幅(fu)減(jian)少(shao)。因(yin)此(ci)，在(zai)選(xuan)擇(ze)了(le)特(te)征(zheng)波(bo)長(chang)後(hou)，這(zhe)種(zhong)方(fang)法(fa)可(ke)以(yi)用(yong)於(yu)大(da)米(mi)儲(chu)存(cun)前(qian)MC和FAC的快速檢測，以及儲存期間的實時監測。大米的MC和FAC都可以通過可視化圖進行估算。此外，稻殼對MC模型的性能影響不顯著，但對FAC模型的性能有顯著影響。未來，將進一步研究消*稻殼對脂肪酸檢測預測精度的影響，並在實際應用中檢測大米的MC和FAC。
推薦產品
作者簡介（人名+單位+博導/碩導）
孫通，浙江農林大學光電工程學院，碩導
參考文獻
論文引用自二區文章：Yihan Song, Shuosen Cao, Xiuxiang Chu，Yimin Zhou, Yiqing Xu, Tong Sun, Guoxin Zhou, Xingquan Liu. Non-destructive detection of moisture and fatty acid content in rice using hyperspectral imaging and chemometrics. Journal of Food Composition and Analysis. 121 (2023) 105397. https://doi.org/10.1016/j.jfca.2023.105397.
地址：無錫市梁溪區南湖大道飛宏路58-1-108.png)
電話：.png)
郵箱：
在線谘詢