利用高光谱成像和化学计量学无损检测水稻水分和脂肪酸含量
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.
奥林巴斯OLYMPUS/V354-SU高频探头
环保吸粪车的作业流程说明
42crmo钢管的工艺规范与物理性能
台式手动轧盖机原理
拥有余压监控系统就能提高大楼消防逃生的安全系数-乐鸟
利用高光谱成像和化学计量学无损检测水稻水分和脂肪酸含量
电动对夹蝶阀在行业系统中起自动调控的作用
小型混凝土切割机质保
粉尘采样器给研究防尘除尘措施提供了科学依据
操作氙灯老化试验箱需要注意哪些事项
金属板材中的铝板怎么用矫平机调平校平？
人趋化因子配体12（CXCL12）ELISA检测试剂盒.
安装、操作和维护是使用气流粉碎机时关键的三要素
如何做好箱式电阻炉的保养工作
0.4 fA超低噪声跨阻TIA放大器介绍
西门子变频器6SL3351-3AH32-6DB0优惠多
医疗CT辐射已成非自然放射源 ，如何降低CT辐射水平
底部填充工艺对点胶机有什么性能要求吗？
北京氮气发生器的原理主要有两种
DP/CM-07A水产养殖水质分析仪
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.
奥林巴斯OLYMPUS/V354-SU高频探头
环保吸粪车的作业流程说明
42crmo钢管的工艺规范与物理性能
台式手动轧盖机原理
拥有余压监控系统就能提高大楼消防逃生的安全系数-乐鸟
利用高光谱成像和化学计量学无损检测水稻水分和脂肪酸含量
电动对夹蝶阀在行业系统中起自动调控的作用
小型混凝土切割机质保
粉尘采样器给研究防尘除尘措施提供了科学依据
操作氙灯老化试验箱需要注意哪些事项
金属板材中的铝板怎么用矫平机调平校平？
人趋化因子配体12（CXCL12）ELISA检测试剂盒.
安装、操作和维护是使用气流粉碎机时关键的三要素
如何做好箱式电阻炉的保养工作
0.4 fA超低噪声跨阻TIA放大器介绍
西门子变频器6SL3351-3AH32-6DB0优惠多
医疗CT辐射已成非自然放射源 ，如何降低CT辐射水平
底部填充工艺对点胶机有什么性能要求吗？
北京氮气发生器的原理主要有两种
DP/CM-07A水产养殖水质分析仪