GaiaSorter-Dual 双相机高光谱分选仪精准识别霉变、虫蚀等缺陷

1. 高光谱成像技术在粮食品种识别中的应用

Zhang et al. (2024) 提出了一种基于高光谱成像和深度一类学习（OCL）的玉米种子欺诈检测方法，旨在解决复杂开放场景下未知假品种的识别难题。通过融合高光谱数据的光谱与空间信息，结合波段注意力机制（BAM）抑制冗余波段干扰，构建双分支特征提取网络，并利用*小体积超球体学习策略实现真实品种的高效包裹与假品种的精准拒绝。实验基于20个中国主栽玉米品种数据集，采用光谱（400.8-1000.7 nm）和降维后的单波段空间信息，模型在接收真实品种（ARK）和拒绝假品种（ARU）的准确率分别达到93.70%和94.28%，AUC值为0.9399，显著优于传统OCSVM、孤立森林及深度SVDD等方法。该方法通过端到端网络架构避免了复杂光谱预处理，结合信息融合与注意力机制提升了模型的稳定性和解释性，为种子质量监管及农产品防伪提供了高效、无损的解决方案。

图10 种子欺诈检测的单类分类器的网络结构

Huang et al. (2022) 该研究结合近红外高光谱成像（HSI）与深度森林（DF）模型，开发了一种快速无损测定高粱纯度的方法。通过孤立森林算法（IF）和主成分分析（PCA）剔除异常数据后，采用竞争性自适应重加权采样（CARS）与连续投影算法（SPA）提取特征波长，并结合灰度共生矩阵（GLCM）获取纹理特征。基于不同数据类型（全光谱、特征光谱、纹理特征及融合数据）构建的DF模型中，特征光谱模型的性能*优，其平均正确识别率（CRR）超过91%，验证集I的平均CRR为88.89%。此外，模型在掺假比例检测中预测偏差小于4%。研究证实，HSI与DF的结合能够高效区分高粱品种并精准评估纯度，为谷物质量的无损检测提供了新策略。高粱掺杂识别可视化如图11所示。

图11 高粱掺杂识别可视化

Han et al. (2024) 该研究开发了一种双通道深度学习特征融合模型（DLFM），通过一维卷积模块提取高光谱数据的光谱特征，二维卷积模块提取RGB图像的空间特征，并利用自适应特征融合模块实现多源数据融合（图12）。实验表明，DLFM在三品种、四品种和五品种小麦组合中的识别准确率分别达到99.18%、97.30%和93.18%，平均准确率为92.87%，较传统SVM、1DCNN和2DCNN模型提升显著（*高提升12.54%）。验证集可视化显示，模型能有效区分光谱和纹理特征相似的小麦品种，且预测误差控制在10粒以内。研究证实，DLFM通过自适应融合光谱与图像特征，显著提升了复杂混合场景下的分类稳定性，为谷物品种快速无损识别提供了新方法。

图12 DLFM模型的结构

Makmuang et al. (2023) 提出了一种基于监督自组织映射（SOM）的高光谱近红外（NIR）成像技术，用于快速、无损鉴别杂草水稻与栽培水稻种子。针对杂草水稻与栽培水稻形态相似导致传统鉴别方法效率低的问题，研究通过优化高光谱成像参数（如缩放值与地图大小），构建全局SOM模型，将种子图像像素直接投影至模型进行分类，并结合热重分析（TGA）、扫描电子显微镜（SEM）、傅里叶变换红外光谱（ATR-FTIR）及实时直接分析质谱（DART-MS）验证化学与物理特性差异（图13）。实验表明，该方法在杂草水稻与栽培水稻PL2和RD49品种的分类中分别达到98%和88%的准确率，且独立于区域兴趣（ROI）选择，显著优于传统方法。研究**将监督SOM与高光谱NIR技术结合应用于种子质量评估，为农业实践中快速、精准的种子鉴别提供了**解决方案。

图13研究流程图

2. 高光谱成像技术在粮食不完善粒识别中的应用

不完善粒是指受到损伤但仍有使用价值的籽粒包括虫蚀粒、病斑粒、生芽粒、霉变粒、破损粒等，各种不完善粒的产生不仅会给粮食生产带来经济损失，还会危及食品**健康。Yang et al. (2024) 本研究提出了一种基于高光谱成像（HSI）和融合光谱-空间注意力模块的卷积神经网络（CNN-Spl-Spal-At）的玉米粒缺陷无损检测方法。通过对发芽、热损伤、虫害、霉变、破碎及健康六类玉米粒（共594个样本）的高光谱数据（380-1000 nm）分析，构建了结合光谱注意力和空间注意力机制的深度学习模型，并对比了传统机器学习模型（SVM、ELM）及不同CNN变体的性能（图14）。实验结果表明，CNN-Spl-Spal-At模型在训练集和测试集上分别达到98.04%和94.56%的平均分类准确率，显著优于传统方法和单一注意力模块的CNN模型。该模型通过可视化技术直观展示不同缺陷类型在玉米粒表面的分布，验证了其在细节特征提取和分类鲁棒性上的优势。研究为基于高光谱成像的粮食质量在线检测设备开发提供了理论支持，并拓展了多模态特征融合与注意力机制在农业无损检测中的应用潜力。

图14 研究流程图

Dhakal et al. (2023) 基于高光谱成像（HSI）与机器学习方法，提出了一种小麦籽粒赤霉病（FHB）损伤及其**脱氧雪腐镰刀菌烯醇（DON）含量的无损检测技术。通过对129个小麦品种的田间试验样本（DON含量通过GC-MS测定）进行高光谱数据采集，结合集成学习算法G-Boost和深度学习模型Mask R-CNN，实现了小麦籽粒损伤分类与DON含量的关联分析（图15）。结果表明，G-Boost在光谱特征分类中表现*优，训练集准确率达97%，可有效区分健康、低DON（<0.5 ppm）与高DON（>1.5 ppm）籽粒；Mask R-CNN在实例分割中平均精度（mAP）达0.97，结合阈值法（70%病斑像素判定为病粒）后，DON含量与病粒数量回归分析的决定系数（R²）提升至0.75。该研究验证了高光谱成像结合多模态机器学习模型在农业**在线检测中的潜力，为粮食加工环节的快速质量评估提供了技术参考。

图15 研究流程图

Zhang et al. (2021) 提出了一种基于多角度近红外高光谱成像技术（波长范围973–1657 nm）结合机器学习的方法，用于高效识别米象虫（Sitophilus oryzae L.）损害的小麦籽粒。通过采集小麦籽粒四个侧面的高光谱数据，结合标准正态变量变换（SNV）预处理、连续投影算法（SPA）特征提取与线性判别分析（LDA）建模，构建了SNV-SPA-LDA混合模型。实验结果表明，该模型在外部验证中分类准确率、灵敏度和特异性分别达到97%、98%和96%，显著优于传统单点光谱或单角度成像方法。研究强调了多角度数据采集对捕捉虫洞随机分布特征的重要性，并揭示了淀粉和蛋白质相关光谱波段（如1140–1200 nm和1550–1610 nm）在损伤检测中的关键作用。该方法为开发多光谱在线检测系统提供了理论依据，未来可进一步结合小麦品种、产地等因素优化模型普适性

图16 研究流程图

Yang et al. (2020) 基于高光谱成像（HSI）与堆叠稀疏自动编码器（SSAE）算法，提出了一种贮藏玉米粒霉变状态的早期无损检测方法。通过对285个不同贮藏时间（0-40天）的玉米样本（依据**孢子数划分为健康、轻度、中度、重度霉变四类）进行高光谱数据（400-1000 nm）采集，结合SSAE网络提取光谱非线性特征，并对比传统特征选择算法（VCPA、RF）及多种分类器（KELM、ELM、SVM）构建识别模型。结果表明，SSAE-KELM模型表现*优，训练集与测试集平均分类准确率分别达97.36%和96.84%，敏感性与特异性均高于0.92。此外，研究通过像素级与物体级可视化技术直观展示了不同霉变等级在玉米粒表面的分布特征（图17）。该成果验证了深度学习方法在高光谱数据特征挖掘中的优势，为粮食仓储中早期霉变的快速在线检测提供了技术参考，并拓展了多模态特征融合在农业无损检测中的应用潜力。

图17基于像素级和对象级的玉米籽粒霉变等级可视化

Kang et al. (2022) 提出了一种基于高光谱成像技术（400–1000 nm）与协同聚类算法的无监督玉米粒霉变检测方法（图18）。通过融合模糊C均值聚类（FCM）和谱聚类（SC）开发了FCM-SC算法，有效解决了传统方法对标记数据的依赖及复杂数据分布的分类难题。研究采用标准正态变量变换（SNV）和乘性散射校正（MSC）预处理光谱数据，结合主成分分析（PCA）降维及二维Gabor纹理特征提取，实现了光谱与图像信息的协同利用。实验表明，FCM-SC算法在准确率（93.47%）、归一化互信息（0.5885）和兰德指数（0.8943）上显著优于传统聚类算法（如K-means、GMM），且在不依赖标记样本的情况下，其性能超过监督模型（如SVM、LDA）。该方法通过多阶段聚类压缩数据规模并保持非线性结构，为粮食质量无损检测提供了高效的无监督解决方案，未来可进一步优化算法实时性与泛化能力

图18 玉米籽粒霉变高光谱图像检测算法

总结与展望

高光谱成像技术结合光谱分析和图像处理的优势，实现了粮食品质的无损、快速、精准检测。近年来，该技术在多个方面取得重要进展，包括：1）成分分析，利用高光谱数据定量检测粮食中的水分、蛋白质、脂肪、淀粉等营养成分，提高品质监测的科学性；2）品质分级，结合机器学习和深度学习方法，基于光谱特征对粮食品质进行自动分级，提高分选效率；3）霉变与污染检测，通过识别霉变区域和****污染，实现食品**快速筛查；4）品种鉴别，基于高光谱特征提取，不同粮食品种可精准分类；5）存储和加工监测，跟踪粮食在存储、加工过程中的品质变化，如水分损失、氧化变质等，以优化储存和加工条件。

未来，高光谱成像技术在粮食品质检测领域将向智能化、便携化、多功能化方向发展。1）设备小型化与实时检测，开发便携式或在线检测系统，适用于生产线和现场检测；2）多源信息融合，结合X射线、热成像等技术，提高检测**性和精度；3）深度学习与大数据分析，利用Transformer、CNN等优化光谱数据处理，提高计算效率和模型泛化能力；4）标准化与产业化，建立统一的光谱数据处理方法和检测标准，推动技术在粮食检测行业的广泛应用；5）光谱特征优化，研究高效波段选择和特征提取方法，降低数据冗余，提高计算速度。未来，该技术将与人工智能、物联网和自动化结合，推动粮食品质检测向高效、精准、智能方向发展，为粮食**提供更有力的技术支持。