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（下）
（5）稻壳影响分析
由于稻壳的高吸水能力，大米中MC模型的性能优于精米，且大米光谱中包含了更多的水分信息。而大米中FAC模型的性能不如精米。因为稻壳不含有脂肪酸，而存在于大米光谱中的稻壳干扰信息可能会影响脂肪酸的预测。然而，在进行波长选择后，大米和精米中MC或FAC的预测精度更为接近，看起来稻壳的影响消失了。因此，通过Fearn提出的方法验证了稻壳对MC和FAC预测精度的影响。**种方法是计算在95%置信水平下区间是否包含0。如果包含零，则偏差在5%水平上没有显著差异。从表6可以看出，计算出的大米和精米MC预测误差的区间包含0，而FAC的区间不包含0。这表明大米和精米FAC预测误差之间存在显著差异，因此稻壳对FAC的预测精度有影响。
（6）模型预测可靠性分析
模型的可靠性分析有助于我们判断模型是否能够应用于实际中。因此，为了对模型的可靠性进行分析，我们进行了箱线图和T检验。箱线图是一种统计图表，用于展示一组数据的离散程度，反映数据分布的特征。T检验则利用t分布理论推断差异发生的概率，并比较两组数值之间的差异是否具有显著性。
如图5(a）所示，大米和精米中MC的预测偏差在±0.75%以内，波动范围较小。大米中MC的*大和*小预测偏差分别为0.987%和0.007%。精米中MC的*大和*小预测偏差分别为1.028%和0.002%。这表明水分的预测精度高，模型表现良好。此外，大米中MC的预测精度高于精米，且大米中MC的预测偏差主要集中在0附近。如图5(b）所示，大米中FAC的预测偏差大于精米，精米中FAC的预测偏差主要分布在±2附近。大米中FAC的*大和*小预测偏差分别为5.811%和0.599%。而精米中FAC的*大和*小预测偏差分别为4.649%和0.108%。这表明精米中FAC的模型表现优于大米。总之，可以得出结论，所提出模型的预测偏差值小，模型性能可靠。
图5. 大米和精米水分和脂肪酸预测偏差值的箱线图：(a） 水分；(b） 脂肪酸。
通过对大米和精米中的水分和脂肪酸的预测值与真实值进行T检验分析。如表7所示，得到的T检验值P大于0.05。这表明所建立模型的预测值与真实值之间没有显著差异。因此，这些模型在预测水分和脂肪酸方面表现良好。
（7）水分含量（MC）和脂肪酸值（FAC）的可视化
可视化可以帮助我们了解不同地区大米样品的MC和FAC分布情况。首先，提取大米样品中每个像素的光谱，然后使用*优模型SPA-PLSR预测每个像素的MC和FAC，并获取每个像素的MC和FAC预测值。使用不同颜色代表每个像素的MC和FAC，并生成伪彩*图像，实现对大米样品中MC和FAC的像素级可视化。图6显示了不同水分梯度下大米样品MC的可视化结果。在图6中，图像右侧的颜色条中不同的颜色对应大米中不同的MC值。红色表示较高的MC，而蓝色表示较低的MC。可以看出，大米样品的MC越高，可视化图像中红*区域越大；大米样品的MC越低，可视化图像中蓝*区域越大。这与大米样品的实际MC相符，表明MC模型能准确预测每个像素的MC。此外，可视化图像中大米样品的MC分布不均匀，可能是由于样品处理过程中水分吸收不均造成的。图7显示了大米样品FAC的可视化结果。在图7中，图像右侧的颜色条中不同的颜色对应大米中不同的FAC值。红色同样代表较高的FAC，而蓝色代表较低的FAC。可以观察到，随着大米样品FAC的增加，可视化图像中红*区域变得更大，而FAC降低时蓝*区域变得更大。这与大米样品的实际FAC相符，表明FAC模型能准确预测每个像素的FAC。可视化可以直观反映大米中MC和FAC的空间变化，能够在像素级别了解MC和FAC的分布。因此，在储藏检查和储存监测过程中，可以检测到大米非常小范围内的异常MC和FAC，确保大米质量的**。
图6. 大米水分含量的可视化图。(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。
图7. 大米脂肪酸含量的可视化图。(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。
结论
在本研究中，作者利用HSI和化学计量学对大米和精米样品中的MC和FAC进行了检测。通过PLSR算法结合选择的显著波长变量，作者开发了MC和FAC的模型。此外，作者还分析了稻壳对模型性能的影响，并进行了MC和FAC的可视化分析。结果表明，SPA方法比CARS更适合于为MC和FAC选择显著波长。在“大米-水分”、“精米-水分”、“大米-脂肪酸”和“精米-脂肪酸”数据集中，SPA选择的波长数量分别为6、11、9和10，SPA模型的RP²和RMSEPs分别为0.9650、0.9567、0.8573、0.8436和0.0031、0.0033、1.6956、2.0270。使用特征波长建立的模型性能与全光谱模型相当，而模型中使用的波长数量大幅减少。因此，在选择了特征波长后，这种方法可以用于大米储存前MC和FAC的快速检测，以及储存期间的实时监测。大米的MC和FAC都可以通过可视化图进行估算。此外，稻壳对MC模型的性能影响不显著，但对FAC模型的性能有显著影响。未来，将进一步研究消除稻壳对脂肪酸检测预测精度的影响，并在实际应用中检测大米的MC和FAC。
推荐产品
GaiaField-N17E
作者简介（人名+单位+博导/硕导）
孙通，浙江农林大学光电工程学院，硕导
参考文献
论文引用自二区文章：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.
