高光谱成像智能检测系统：大米水分/脂肪酸含量无损分析与可视化平台（上）
应用方向：
在本研究中，高光谱成像技术（HSI）主要应用于大米水分含量和脂肪酸含量的无损检测与可视化分析。通过结合化学计量学方法，HSI技术不仅能够获取大米的外部物理特征，还能深入分析其内部化学成分，实现精准、高效的质量评估。该技术可用于大米在预存储阶段的快速检测，识别水分和脂肪酸含量异常样本，从而优化储存管理。此外，HSI还可应用于存储过程中的实时监测，直观展示水分和脂肪酸的空间分布，便于及时发现潜在的品质劣化问题。本研究表明，高光谱成像技术在粮食质量检测和储存监测领域具有重要应用价值，为提高粮食**性、减少存储损耗提供了科学支持，同时也为其他食品及农产品的非破坏性检测提供了借鉴。
背景：
作为世界上*大的大米生产国和消费国，中国的大米种植面积占全球约20%，其质量直接影响粮食**和经济效益。水分含量和脂肪酸含量是衡量大米品质和储存稳定性的关键指标，过高的水分含量易导致霉变和微生物滋生，而脂肪酸的增加则是大米氧化变质的典型信号。因此，精准、高效、无损地检测大米的水分和脂肪酸含量对于粮食储存管理至关重要。然而，传统的检测方法通常需要破坏样本，并且过程复杂、耗时，难以满足现代粮食存储和加工行业对快速检测的需求。高光谱成像（HSI）技术作为一种集成光谱分析和图像处理的无损检测方法，能够同时获取大米的物理与化学信息，为大米品质的精准检测提供了新的技术路径。
因此，该研究旨在利用高光谱成像技术结合化学计量学方法，实现大米水分和脂肪酸含量的快速、无损检测，为粮食质量控制和存储管理提供科学依据。具体研究内容包括：（1）采用不同的预处理方法对大米和精米的光谱数据进行处理，并建立其水分和脂肪酸含量的全光谱预测模型，*终根据模型性能确定*佳预处理方法。（2）采用两种变量筛选方法，在900–1700nm范围内选择大米和精米水分及脂肪酸含量的关键波长，并从化学角度对所选波长进行分析。（3）比较大米和精米水分及脂肪酸预测模型的性能，并分析稻壳对水分和脂肪酸模型预测效果的影响。（4）利用*佳模型对大米样本的每个像素点进行水分和脂肪酸预测，实现大米水分和脂肪酸含量的可视化分析。
实验设计
1.1材料与方法
（1）实验材料与方法
本研究以2021年收获的13个晚稻品种为实验材料，其中包括4个粳稻品种和9个晚籼稻品种，具体信息如表1所示。所有晚稻样品均由浙江省粮库提供。每个品种的晚稻样品均采用自封袋密封包装，并储存于恒温恒湿环境中（温度10℃，湿度50%）。
水分是影响大米脂肪酸值（FAC）变化的主要因素。因此，可以通过向样品中添加不同量的水分来扩展样品的水分含量（MC）和脂肪酸值（FAC）的范围，从而提高模型的稳健性。首先，称取每种大米240克，并将其分成六份，得到78个实验样品。然后向每个样品中添加不同质量的蒸馏水并混合均匀，使得样品中的水分含量呈现出12克/100克、13克/100克、14克/100克、15克/100克、16克/100克和17克/100克的梯度变化。
处理后的大米样品用12 × 17 cm的自封袋密封，在温度为10℃的室内保存20 h，使样品中的水分分布均匀。用已完成光谱采集的大米样品制备精米样品。大米样品先用脱壳机去壳，然后用碾米机磨成精米。本研究中，所有样品的MC按GB 5009.3-2016《食品**国家标准-食品中水分的测定》中的直接干燥法测定，FAC按GB/T 20569-2006《大米贮藏质量判定规则》的方法测定。
（2）高光谱图像采集与校正
高光谱成像系统由近红外高光谱成像仪（GaiaField-N17E，江苏双利合谱科技有限公司，Dualix Spectral Imaging）、室内试验箱（HSIA-BD）、四盏卤素灯（50W）、升降台、计算机以及配套软件（Optiplex 7080MT/SpecView）组成。该近红外高光谱成像仪的光谱范围为900至1700nm，空间分辨率为640像素，波段数为512，光谱分辨率为5nm。升降台的尺寸和升降范围分别为300×300毫米和90至370毫米。系统如图1所示。
图1. 高光谱成像系统。
使用高光谱成像系统采集了样品的高光谱图像。在高光谱图像采集过程中，大米样品被放置在黑色基板上，平铺成15×15厘米的正方形，精米样品平铺成为13×13厘米的正方形，确保样品的厚度不超过3粒大米的厚度。为了获得清晰且无畸变的高光谱图像，传送带的移动速度和移动距离分别设置为0.6厘米/秒和17厘米。样品与镜头之间的垂直距离为42厘米，光源与水平面的角度为60度，曝光时间为7毫秒。*终，每个样品获得了两张高光谱图像。
之后，对每张原始高光谱图像I0进行了黑白色校正计算。收集到的原始图像数据反映了信号强度，而通过黑白色校正计算可以获取光谱的反射率。我们使用了白色校准板进行空白校准，设定*大发射率（约99%），并用镜头盖进行暗校正，设定*小反射率（约0%）。
（3）光谱提取与预处理
通过对校正后的图像进行分割来提取每个样品的兴趣区域（ROI），以去除黑色背景。首先，从高光谱图像中提取对应于1290nm的图像，并使用*大类间方差法（OTSU）算法获得*佳阈值。高于阈值的灰度图像区域（大米/精米）被标记为“1”，低于阈值的灰度图像区域（背景）被标记为“0”。然后为每个样品创建了一个二值掩模，并将该掩模应用于每个高光谱图像立方体，以实现黑色背景的移除。为了提高预测的准确性和可重复性，每个高光谱图像中大米/精米像素的反射率值被平均化，以获得其平均光谱。然后，对同一样品扫描得到的两个大米/精米高光谱图像提取出的平均光谱再次平均，作为样品的光谱数据。
预处理可以去除高光谱数据中的噪声，例如高频随机噪声和基线漂移，从而提高模型性能。在本研究中，我们采用了五种预处理方法来处理样品的原始光谱，包括多次散射校正（MSC）、标准正态变量（SNV）、Savitzky-Golay（SG）平滑、SG+一阶导数和SG+二阶导数。根据全光谱模型的性能，*终选择了合适的预处理方法。
（4）变量选择
高光谱数据具有高维度和多重共线性的特点，这使得数据处理变得复杂且耗时。为了提高计算速度并实现实时检测，有必要使用一些变量选择方法来选择重要的波长，并降低高光谱数据的维度。这些重要的波长能更好地预测大米/精米样品的MC和FAC。在本研究中，我们采用了竞争自适应重加权采样（CARS）和连续投影算法（SPA）来选择大米/精米中MC和FAC的重要波长。
