背景

水分含量（Moisture content, MC）和脂肪酸含量（Fatty acid content, FAC）是大米品质的重要指标，影响大米的存储和食用品质。因此，建立一种快速、准确、无损的MC和FAC检测方法至关重要。

可见/近红外光谱可以响应样品中的某些含氢基团，从而获得样品中的内部化学信息。该技术已被用于检测农产品中的水分和脂肪酸含量。同时，与可见光/近红外光谱相比，高光谱成像（Hyperspectral imaging, HSI）技术具有光谱与图像相结合的优势。利用每个像素点的光谱预测水稻的MC和FAC，形成水稻的MC和FAC的可视化分布，使检测结果更加直观。但是，HSI技术也存在数据量大、实时性差等缺点，难以在实际中应用。然而，这些问题可以通过数据降维和特征波长选择来解决。

本研究的目的是结合HSI技术与化学计量学方法，建立一种快速简便的水稻MC和FAC检测方法。（1）采用不同的预处理方法对大米和精米的光谱进行预处理，建立了MC和FAC的全波段预测模型。最后根据模型性能确定最佳预处理方法。（2）采用两种变量选择方法筛选大米和精米在900~1700 nm区域的MC和FAC的显著波长。（3）比较了MC和FAC模型在大米和精米中的性能，并分析了稻壳对MC和FAC模型性能的影响。（4）利用最佳模型预测每个像素点的MC和FAC，实现水稻样品MC和FAC的可视化。

试验设计

浙江农林大学孙通副教授团队利用GaiaField-N17E高光谱成像系统（江苏双利合谱）获取了13个水稻品种的大米和精米高光谱影像（图1）。近红外高光谱成像仪的光谱范围为900~1700 nm，空间分辨率为640像素，波段数为512，光谱分辨率为5 nm。对获得的高光谱影像利用OTSU方法获取其前景像素，并计算大米和精米平均光谱。

预处理可以去除高频随机噪声和基线漂移等噪声，提高模型性能。本研究采用了5种预处理方法，包括多元散射校正（MSC）、标准正态变量变换（SNV）、Savitzky-Golay（SG）平滑、SG+一阶导数和SG导数。根据全波段模型的性能，选择最合适的预处理方法。为提高计算速度，减少数据冗余，本研究采用竞争自适应重加权采样（CARS）和连续投影算法（SPA）选择大米/精米中MC和FAC的显著波长。

图1高光谱成像系统

结论

大米和精米在900~1700 nm波长范围内的原始反射光谱如图2所示。从图2可以看出，大米和精米的光谱在900~1400 nm波长范围内具有相同的趋势。然而，大米的反射光谱逐渐增加，而精米的反射光谱在1400~1700 nm波长范围内趋于稳定。此外，大米光谱的反射率值普遍高于精米。这可能是由于大米和精米的颜色、光滑度和透明度不同造成的。在960、1200和1450 nm处有三个明显的峰。960 nm左右的峰值可能是由水和碳水化合物中O-H二阶泛音的协同作用引起的。1200 nm左右的峰值与样品的MC有关，1450 nm左右的峰值归因于O-H拉伸第一泛音。

图2 大米（a）和精米（b）样品的原始光谱

采用5种预处理方法对大米和精米样品的光谱进行处理，利用PLSR算法建立MC和FAC的估测模型。由表1可知，在“大米-水分”模型中，SNV和SG-2预处理效果更好。采用SNV预处理建立的模型R²较高，达到0.9682。但该模型不稳定，鲁棒性较差。因此，SG-2模型的性能优于SNV模型。在“大米-脂肪酸”模型中，SG-2是最佳的预处理方法。对于“精米-水分”模型，SG-2预处理的R²较高。综上所述，在“大米-水分”、“精米-水分”和“大米-脂肪酸”3种预测模型中，SG-2是最佳的预处理方法。而在“精米-脂肪酸”模型中，SG平滑是好的预处理方法，模型的R²p和RMSEP分别为0.8427和1.7806。

从表1可以看出，大米中MC的模型性能优于精米。这是因为稻壳含有水分，其吸水能力高于精米。因此，当大米样品经过水处理后，稻壳比精米吸收更多的水分。因此，大米光谱中含有的水分信息比精米光谱中含有的水分信息更多。相比之下，精米中FAC的模型性能优于大米。稻壳主要由纤维素、半纤维素、木质素等成分组成，其中不含脂肪酸。稻壳中存在的干扰信息会影响建模过程中脂肪酸的预测。因此，得到的光谱信息可能会受到谷壳的干扰，导致精米的预测精度降低。

表1 不同预处理方法下样品中水分和脂肪酸的PLS模型预测结果

由于采用SG或SG-2预处理的MC和FAC模型效果好，因此对这些光谱进行了CARS和SPA特征优选。由表2可以看出，相较于CARS，SPA选择更少的重要波长，使实际应用更容易，同时SPA模型的RPD值较高，模型精度较高。此外，SPA模型的性能优于全波段模型，这表明SPA选择的波长几乎包含了MC或FAC的所有有效信息。与全波段模型的结果相似，SPA模型对大米中MC的预测精度高于精米，而对大米中FAC的预测精度低于精米。“大米-水分”、“精米-水分”、“大米-脂肪酸”的最佳模型为“SG2-SPA-PLS”，“精米-脂肪酸”的最佳模型为“SG-SPA-PLS”。

SPA选择的波长如表3所示。MC模型选择的964.17、965.74、975.16、978.29、1373.75和1395.72 nm波长与水分波长相似，归功于O-H拉伸的第一、第二和第三泛音。对于FAC模型，选择的1095.99、1387.87和1516.56 nm波长归功于C-H的一、二泛音和-CH2基团的拉伸，选取的939.06、964.17和967.31 nm波长主要来自于O-H键的弯曲振动。

表2 使用选定波长的样品中水分和脂肪酸的PLS模型预测结果

表3 由SPA选择的波长

通过Fearn（1996）提出的方法验证稻壳对MC和FAC预测精度的影响。在95%置信水平下计算区间是否包含0。如果它包含0，则偏差在5%的水平上没有显著差异。由表4可知，大米和精米中MC的预测误差计算区间均为0，而FAC的不为0。这表明大米与精米中FAC的预测误差存在显著差异，因此稻壳对FAC的预测精度有一定的影响。

表4 大米和精米的水分和脂肪酸含量在95%置信水平上存在显著差异

图3为不同水分梯度下水稻样品MC的可视化结果。可以看出，水稻样本的MC越高，可视化图像中的红色区域越大，而水稻样本的MC越低，可视化图像中的蓝色区域越大。这与大米样本的实际MC一致，说明MC模型对每个像素的MC预测是准确的。此外，可视化图像中大米样品的MC分布不均匀，这可能是由于样品处理过程中吸湿不均匀造成的。图4为大米样品FAC可视化结果。FAC模型可以准确预测每个像素的FAC。可视化可以直观地反映水稻中MC和FAC的空间变化，可以在像元水平上了解MC和FAC的分布情况。因此，在储存前检验和储存监测中，可以在很小的范围内检测到异常的MC和FAC，从而保证了大米的质量安全。

图3 大米含水量可视化图

图4 大米脂肪酸含量可视化图

作者信息

孙通，博士，浙江农林大学光机电工程学院副教授，硕士生导师。

主要研究方向：农林产品光谱智能检测技术研究及装备开发。

参考文献：

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.