基于高光譜技術的不同霉變程度秈稻快速鑒別

龔中良 鄭立章 文 韜,2 李立君 謝潔飛 馬 強

(中南林業科技大學機電工程學院1，長沙 410004) (華南農業大學工程學院 南方農業機械與裝備關鍵技術教育部重點實驗室2，廣州 510642) (中南林業科技大學理學院3，長沙 410004)

基于高光譜技術的不同霉變程度秈稻快速鑒別

龔中良1鄭立章1文 韜1,2李立君1謝潔飛1馬 強3

(中南林業科技大學機電工程學院1，長沙 410004) (華南農業大學工程學院 南方農業機械與裝備關鍵技術教育部重點實驗室2，廣州 510642) (中南林業科技大學理學院3，長沙 410004)

為解決快速、無損鑒別秈稻霉變程度問題。該文利用高光譜技術采集正常、輕度霉變、中度霉變和重度霉變共4類秈稻樣本的光譜數據，經不同預處理后，通過連續投影算法(SPA)提取特征波長，采用多元線性回歸判別分析(MLR-DA)建立秈稻霉變程度鑒別模型。同時，通過競爭性自適應重加權算法(CARS)篩選特征變量，采用偏最小二乘法回歸判別分析(PLS-DA)建立鑒別模型。研究結果表明，SG-SPA-MLR-DA和RAW-CARS-PLS-DA模型的驗證集相關系數RP均大于0.950。其中，RAW-CARS-PLS-DA模型的預測效果最優，其驗證集相關系數RP為0.969，均方根誤差RMSEP為0.269，對未知秈稻樣本的總體分類準確率為93.33%。該模型對不同霉變程度秈稻具有較強的鑒別能力，故該方法可為快速、無損鑒別秈稻霉變程度提供技術支持。

高光譜技術 預處理 霉變 秈稻 模型 鑒別

[3]可知，當稻谷的脂肪酸含量超過25 mg·100 g-1可認為其開始霉變，但對霉變程度還鮮見有具體的量化標準，如惠國華等[4]、張紅梅等[5]、鄒小波等[6]均根據培養時間確定谷物的霉變程度；陳紅等[7]根據不同霉變花生的外觀和顏色確定其霉變程度；袁瑩等[8]根據不同霉變玉米的霉變覆蓋面積確定其霉變程度。稻谷霉變程度通常可劃分為3個等級，即輕度霉變、中度霉變和重度霉變。在輕度霉變時，稻谷開始變色、潮濕，直接觀察稻谷很難判別是否霉變；中度霉變時，其胚部開始出現菌落，并伴有霉斑和霉味；重度霉變時，稻谷產生刺鼻的霉味和酸味，出現結塊現象[9-10]。目前，稻谷霉變程度的測定主要依賴于人工檢測，檢測人員依照上述提及的不同霉變程度稻谷所具有的不同特點進行分類。檢測時，一些不確定的人為因素對檢測結果影響很大，因此人工鑒別稻谷霉變程度具有不穩定性，準確度不高等缺點。

研究人員發現霉變稻谷的脂肪酸含量會隨著霉變程度的加深而增加。因為，霉變稻谷里的微生物會與稻谷的淀粉、蛋白質等物質進行著復雜的生物化學反應。這種反應會產生許多代謝物質，而脂肪酸就是其中之一，這種穩定的物質會在霉變稻谷中逐漸累積，最終導致霉變稻谷的脂肪酸含量上升[11-13]。因此，稻谷的霉變程度可以用脂肪酸含量來衡量。

高光譜分析技術在鑒別農產品類別上應用很廣，其優勢在于該技術操作簡單、快速、無損。目前，國內外研究者已經將高光譜技術應用到不同產品類型上鑒別，并取得了很好的預測效果。高俊峰等[14]應用高光譜技術結合多種化學分析方法，建立了鑒別打蠟蘋果的模型；鄒偉等[15]應用高光譜技術結合人工神經網絡，建立了鑒別油菜籽品種的模型；郝學飛等[16]應用近紅外光譜技術結合偏最小二乘法，建立了鑒別饅頭品質的模型；上述模型的預測準確度均能達到90%以上，為本文研究提供可行性技術支持。在對霉變稻谷進行研究時，國內外研究者主要針對其含有的黃曲霉毒素[17]，脂肪酸含量[18]以及生物超弱發光[19]等理化指標進行研究，但上述方法不能直接鑒別稻谷霉變程度。本文將選取霉變秈稻作為研究對象，用高光譜技術采集4種不同霉變程度秈稻的光譜信息圖，建立鑒別不同霉變程度秈稻的模型，以期為快速鑒別其霉變程度提供一種新方法。

1 材料與方法

1.1 霉變秈稻分級及制備

考慮到試驗樣本應具有普適性和代表性，結合上述傳統的分級方法和參考文獻[4-8]所述的樣本劃分方法，本研究將霉變秈稻劃分為4個等級：正常、輕度霉變、中度霉變、重度霉變。根據霉菌作用稻谷的時間不同，使其產生不同程度霉變，將霉變稻谷培養劃分為3個周期，10 d為1周期[20]。試驗樣本采用湖南農業大學提供的含水率為14.2%的C兩優34156秈稻，將試驗樣本均勻分成200份，保證每份含有100 g，選取其中50份樣本按實際稻谷儲藏要求(溫度10 ℃，相對濕度15%)進行儲存，保證樣本不發生霉變。將剩余150份樣本進行霉變培養，為了能獲取不同霉變程度稻谷，通過人為改變儲藏條件，溫度設置為30 ℃，相對濕度90%，模擬實際儲藏條件變化所導致的稻谷不同程度霉變結果，培養方式借助傳統經驗觀察稻谷色澤和氣味的感官變化，并通過隨機抽樣測定培養霉變稻谷的脂肪酸含量，保證能獲得不同霉變程度樣本。培養結束后，根據上述人工對霉變稻谷的分類方法，將其分類，并測量其所含脂肪酸濃度，最終獲得正常、輕度、中度和重度霉變秈稻的脂肪酸含量范圍分別為18.55～24.40 mg·100 g-1、27.03～80.90 mg·100 g-1、84.44～127.26 mg·100 g-1、101.09～124.88 mg·100 g-1。

1.2 光譜數據采集及預處理

本研究使用HyperSIS-VNIR-PFH高光譜分析儀(北京卓立漢光儀器有限公司)采集光譜信息，該系統內部結構如圖1所示，其放大部分為稻谷樣本在光譜檢測載物臺上的分布，通過高光譜相機采集每個稻谷的256個波段圖像，利用遙感圖像處理平臺選取載物臺上的稻谷樣本作為感興趣區域，通過計算感興趣區域的各個像素點的光譜反射率平均值，作為觀測稻谷的光譜反射率。其中儀器掃描距離150 mm，曝光時間20 ms，平臺移動速度為14.6 mm/s，測定范圍380～1 000 nm，分辨率為2.8 nm。

注：1高光譜相機，2光源，3暗箱，4載物臺，5線性導軌圖。圖1 高光譜信息采樣系統

本研究采用Unscrambler10.3 和Matlab R2013a軟件對光譜數據進行處理和分析。考慮到高光譜分析儀直接采集的數據不僅受到霉變稻谷成分的影響，而且也受到外界環境影響，為了提高建模和預測效果，消除噪聲和物理因素的影響，故本試驗采用Savitzky-Golay平滑(savitzky-golay, SG)、多元散射校正(multiplicative scatter correction, MSC)、標準正態變換(standard normal variate, SNV)、一階導數(first derivation, FD)、二階導數(second derivation, SD)等方法預處理，通過對比優選最佳預處理方法。光譜經過SG平滑后可以消除數據中環境和儀器噪聲；經MSC和SNV處理可以去除由稻谷顆粒大小不一所帶來的散射影響；經FD和SD處理可以去除基線漂移和噪聲、分辨重疊峰、增強光譜特征[21]。

1.3 模型建立與評價

由于霉變稻谷與可見/近紅外光譜數據之間屬于非確定性問題，為了研究該問題，考慮到回歸分析在構造變量間關系時，具有有效性[22]。因此，本試驗選用多元線性回歸判別分析(multivariable linear regression-discriminate analysis, MLR-DA)和偏最小二乘法回歸判別分析(partial least squares-discriminate analysis, PLS-DA)進行回歸建模分析，本研究需要計算光譜數據與秈稻霉變程度等級的關系，其具體建模過程如下：①確定建模集霉變程度等級；②通過SPA和CARS提取特征波長和篩選特征變量；③采用MLR-DA和PLS-DA，分別建立霉變程度等級與光譜數據之間的模型；④用所建模型對驗證集樣本進行預測分級。由于回歸模型得到的樣本的預測值不是整數，需設置閾值以判別樣本的歸屬，本文中閾值設置為0.5[23]，即預測值YP與真實等級值YR之差的絕對值小于0.5時，則樣本屬于該等級，反之，則不屬于。

本試驗評價模型優劣的指標有建模集相關系數RC、建模集均方根誤差RMSEC和驗證集相關系數RP、驗證集均方根誤差RMSEP。RC與RP越大，且RMSEC與RMSEP越小，說明建模質量越高，模型越可靠。

2 霉變秈稻脂肪酸含量測定與光譜特征分析

2.1 霉變秈稻脂肪酸含量的測定結果

試驗共采集了200份秈稻樣本，分別包含正常、輕度霉變、中度霉變和重度霉變樣本各50份。隨機選取155份樣本用于模型建立，建立可見/近紅外光譜與秈稻霉變程度關系的模型，并對其進行分級，即：1級為正常、2級為輕度霉變、3級為中度霉變、4級為重度霉變。剩余45份樣本用于模型驗證，評價所建模型的優劣性能。表1分別列出了建模集和驗證集中不同霉變程度秈稻分布數量及相應的脂肪酸含量統計結果。

表1 不同霉變程度秈稻分布數量及相應的脂肪酸含量統計結果

2.2 不同霉變程度秈稻的光譜特征分析

采用Savitzky-Golay(SG)平滑預處理后的不同霉變程度秈稻平均光譜圖如圖1所示，4種不同霉變程度秈稻的反射率曲線擁有相似的變化趨勢，呈現霉變秈稻所獨有的光譜特性：在波長為420 nm附近時，4種不同霉變程度秈稻光譜反射率均產生了低谷。在波長為450～650 nm之間時，隨著霉變程度的增加，其光譜反射率變化趨勢減緩，此反射區大小差異明顯，正常和重度霉變樣本反射率曲線差異較大，說明在后期鑒別時會較容易區分兩者。但是，輕度霉變和中度霉變樣本的反射率曲線基本重合，這勢必會為后期準確鑒別兩者帶來困難。在波長為700～850 nm時，不同霉變程度秈稻光譜反射率基本相同。在波長為850～1 000 nm時，光譜反射率曲線差異較大，相對正常樣本，中度和重度霉變樣本反射率均有所下降。但是，輕度霉變樣本例外，其反射率曲線與正常樣本幾乎重合。

圖1 4種霉變秈稻光譜平滑圖

除了霉變程度外，樣本大小、表面紋理以及其所含營養物質等因素均會對光譜反射率產生影響。所以直接觀察光譜反射率曲線無法準確鑒別秈稻霉變程度，但上述反射率之間的差異為鑒別其霉變程度奠定了基礎。

3 秈稻霉變程度鑒別模型的建立與分析

3.1 多元線性回歸判別分析建模

3.1.1 光譜特征波長選取

由于試驗選用的高光譜分析儀分辨率很高，導致采集的光譜數據維數過高，如果直接將采集的光譜數據作為輸入變量，由于光譜數據之間存在共線性，會出現數據冗余現象，導致建模時間過長。因此建模之前先采用連續投影算法(successive projections algorithm, SPA)[24]對維數過高的光譜數據進行壓縮，從中提取對秈稻霉變程度貢獻率大的一些特征波長，去除一些低敏感波長。將提取出來的特征波長作為多元線性回歸建模輸入變量。利用SPA對建模集進行特征波長選取時，采用留一法進行內部交叉驗證。根據內部交叉驗證均方根誤差RMSECV大小確定最佳特征波長數，RMSECV越小，則表明所建模型質量越高、預測效果越好[25]。如圖2a所示，當選取的特征波長數為16時，RMSECV最小(0.293)，圖2b為經SPA優選出來的特征波長。

圖2 特征波長數確定和選擇

3.1.2 不同預處理方法下的模型預測結果

采用不同預處理方法，建立模型后對建模集和驗證集預測結果如表2所示。由表2可知，光譜數據經MSC、SNV和SD處理后的建模集相關系數RC均較高，但驗證集相關系數RP均較低，均方根誤差RMSEP較高，出現了過擬合現象，所以上述3種預處理方法建立模型的穩定性需進一步研究。而經SG預處理的模型，其建模集相關系數RC為0.984，驗證集相關系數RP為0.960，在幾種預處理方法中，其建模集相關系數RC和驗證集相關系數RP均最高，且建模集均方根誤差RMSEC和驗證集均方根誤差RMSEP均最低，分別為0.206、0.304。光譜數據經不同預處理后，再經過SPA進行數據壓縮，最終選取參與建模變量數范圍為10～27，相比全光譜256個數據，大大削減了輸入變量、提高了建模效率。因此，多元線性回歸判別分析建模時最佳預處理方法為SG平滑。

表2 不同預處理方法下SPA-MLR-DA模型預測統計結果

3.1.3 最優SPA-MLR-DA對秈稻霉變程度鑒別與分析

由分析可知，經SG-SPA-MLR-DA建模效果最優，應用該判別模型預測4種類型共45個樣本，其鑒別結果如圖3所示。

圖3 SG-SPA-MLR-DA模型鑒別結果

圖3的鑒別結果表明，該模型對輕度霉變樣本鑒別效果最差，其誤判樣本YP分別為1.317、2.502、2.678，該類樣本分散不夠集中；模型對輕度霉變和正常、輕度霉變和中度霉變之間有比較明顯的交叉誤判，圖中空心三角形為誤判樣本，具體鑒別統計結果如表3所示。

表3 采用SG預處理的SPA-MLR-DA鑒別秈稻霉變程度統計結果

注：1代表正常樣本，2代表輕度霉變樣本，3代表中度霉變樣本，4代表重度霉變樣本，下同。

表3結果表明，該模型能正確識別正常、中度霉變和重度霉變3種樣本類型，識別率均為100%，但對輕度霉變樣本卻存在著誤判，將3個輕度霉變樣本分別誤判為1個正常和2個中度霉變樣本，可能是因為輕度霉變樣本的光譜反射率曲線同正常、中度霉變樣本之間存在重合現象。SG-SPA-MLR-DA模型對未知秈稻樣本的總體分類準確率為93.33%。

3.2 偏最小二乘法回歸判別分析建模

3.2.1 篩選特征波長變量

為解決光譜數據中不相關變量對模型精度的影響，同時，也為簡化模型，提高運算效率。本試驗選用競爭性自適應重加權算法(competitive adaptive reweighted sampling, CARS)[26]篩選出與霉變秈稻相關的重要變量，其篩選變量過程如圖4所示，篩選特征變量時，最大因子數由蒙特卡羅交叉驗證確定，運行次數為50，根據均方根誤差RMSECV大小確定最佳特征變量。由圖4a可知，被保留波長數隨運行次數的增加呈遞減趨勢，運行次數1～5范圍內，被保留波長數迅速下降，運行5次時，被保留波長數僅為原來的24%，體現了CARS的特征變量粗選；在5～50范圍內，被保留波長數下降趨勢減緩，體現了特征變量的精選。由圖4b可知，運行次數1～24范圍內，RMSECV隨運行次數的增加呈遞減趨勢，表明此過程剔除了與霉變樣本不相關的波長變量；24～50范圍內，RMSECV逐漸遞增，可能此過程剔除了與樣本相關的波長變量。由圖4c可知，豎線對應的位置為運行次數24時，RMSECV最小值(0.277)，此時被保留波長數為26，所對應的波長即為篩選的最佳特征波長變量。

圖4 波長變量篩選圖

3.2.2 不同預處理方法下的模型預測結果

采用不同預處理方法，建立模型后對建模集和驗證集預測結果如表4所示。由表4可知，采用CARS算法可將建模變量壓縮至原始的5%～10%，簡化了模型，提高了運算效率；未預處理和SG平滑建模的預測效果優于其他方法，其建模集相關系數RC和驗證集相關系數RP均能達到0.950以上，且建模集均方根誤差RMSEC和驗證集均方根誤差RMSEP均小于0.300，但未預處理的RMSEC與RMSEP均比SG平滑小。因此，采用原始數據建立CARS-PLS-DA模型預測效果最佳。經MSC、SNV、FD、SD預處理的模型預測效果較差，其中FD建模預測效果最差，其RP最小(0.864)，可能因為在預處理過程中丟失了一些重要信息。

表4 不同預處理方法下CARS-PLS-DA模型預測統計結果

3.2.3 最優CARS-PLS-DA對秈稻霉變程度鑒別與分析

由上述分析可知，經RAW-CARS-PLS-DA建模效果最優，應用該判別模型預測4種類型共45個樣本，其鑒別結果如圖5所示。

圖5 RWA-CARS-PLS-DA模型鑒別結果

圖5的鑒別結果表明，該模型對正常和輕度霉變樣本鑒別效果較差，其誤判樣本YP分別為1.538、1.198、2.739，相對其他2種樣本類型，該類樣本比較分散；模型對輕度霉變和正常、輕度霉變和中度霉變之間存在交叉誤判，圖中空心三角形和四邊形為誤判樣本，具體鑒別統計結果如表5所示。

表5 采用未預處理的CARS-PLS-DA鑒別秈稻霉變程度統計結果

表5結果表明，該模型能正確識別中度和重度霉變樣本類型，識別率均為100%，對正常和輕度霉變樣本的正確識別率分別為90.91%、81.82%，模型對上述兩者均出現誤判，將1個正常樣本誤判為輕度霉變樣本，2個輕度霉變樣本誤判為正常和中度霉變樣本。RAW-CARS-PLS-DA模型對未知秈稻樣本的總體分類準確率為93.33%。

4 結論

本研究基于高光譜技術分析了正常、輕度霉變、中度霉變、重度霉變秈稻的光譜信息，研究了快速鑒別秈稻霉變程度方法，通過試驗驗證，得出了如下結論：

對比5種不同預處理方法，得出多元線性回歸判別分析和偏最小二乘法判別分析的最優數據預處理方法分別為SG、RAW，其建模集相關系數RC和驗證集相關系數RP均大于0.950。

采用SPA和CARS提取的建模變量數的分布范圍分別為10～27、12～26，上述方法將變量數壓縮至原始的4%～11%，大大減少了輸入變量，提高了運算效率。

最優 SG-SPA-MLR-DA和RAW-CARS-PLS-DA模型對未知秈稻樣本的誤判數均為3，其總體分類準確率均為93.33%，但后者的驗證集相關系數RP為0.969，前者RP為0.960。因此，RAW-CARS-PLS-DA建立的鑒別模型最優，其建模集相關系數RC為0.981，均方根誤差RMSEC為0.219，驗證集均方根誤差RMSEP為0.269，模型對不同霉變程度秈稻具有較強的鑒別能力。

高光譜技術結合RAW-CARS-PLS-DA建模，可以為快速、無損鑒別秈稻霉變程度提供技術支持，也可以為在線檢測流入市場的秈稻是否霉變以及霉變程度提供參考依據。

參考文獻

[1]包清彬，豬谷富雄. 儲藏條件對糙米理化特性影響的研究[J]. 農業工程學報，2003, 19(6):25-27 Bao Qingbin, Tomio ITANI. Influence of storage conditions on physicochemical characteristic of brown rice[J].Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(6): 25-27

[2]蘇永騰，劉強. 谷物霉菌毒素的危害及其控制措施的研究[J]. 中國食物與營養，2010 (4):9-12 Su Yongten, Liu Qiang. Hazards and control measures of grain mycotoxin[J]. Food and Nutrition in China, 2010 (4): 9-12

[3]楊曉蓉，周建新，姚明蘭，等. 不同儲藏條件下稻谷脂肪酸值變化和霉變相關性研究[J]. 糧食儲藏，2006, 35(5):49-52 Yang Xiaorong, Zhou Jianxin, Yao Minglan, et al. Study on a correlation between the fatty acid value change and mould of indica rice in different storage conditions[J]. Grain storage, 2006, 35(5): 49-52

[4]惠國華，陳裕泉. 基于隨機共振的電子鼻系統構建及在谷物霉變程度檢測中的應用[J]. 傳感技術學報，2011, 24(2):159-164 Hui Guohua, Chen Yuquan, Establishment of an electronic nose system using stochastic resonance and its application in moldy corn status detection[J]. Chinese Journal of sensors and actuators, 2011, 24(2):159-164

[5]張紅梅，王俊，葉盛，等. 電子鼻傳感器陣列優化與谷物霉變程度的檢測[J]. 傳感技術學報，2007, 20(6):1207-1210 Zhang Hongmei, Wang Jun, Ye Sheng, et al. Optimized of sensor array and detection of moldy degree for grain by electronic nose[J]. Chinese Journal of sensors and actuators, 2007, 20(6):1207-1210

[6]鄒小波，趙杰文. 電子鼻快速檢測谷物霉變的研究[J]. 農業工程學報，2004, 20(4):121-124 Zou Xiaobo, Zhao Jiewen. Rapid identification of moldy corn by electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(4): 121-124

[7]陳紅，熊利榮，胡筱波. 基于神經網絡與圖像處理的花生仁霉變識別方法[J]. 農業工程學報，2007, 23(4):158-161 Chen Hong, Xiong Lirong, Hu Xiaobo, et al. Identification method for moldy peanut kernels based on neural network and image processing [ J]. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23( 4): 158-161

[8]袁瑩，王偉，褚璇，等. 基于傅里葉變換近紅外和支持向量機的霉變玉米檢測[J]. 中國糧油學報，2015, 30(5):143-146 Yuan Ying, Wang Wei, Chu Xuan, et al. Detection of moldy corns with FT-NIR spectroscopy based on SVM[J]. Journal of the Chinese cereals and oils association, 2015, 30(5): 143-146

[9]周建新. 論糧食霉變中的生物化學[J]. 糧食儲藏，2004, 32(1): 9-12 Zhou Jianxin. The biochemistry during grain mildewing[J]. Grain storage, 2004, 32(1): 9-12

[10]惠國華，倪彧. 基于信噪比分析技術的谷物霉變快速檢測方法[J]. 農業工程學報，2011, 27(3):336-340 Hui Guohua, Ni Yu. Investigation of moldy corn fast detection based on signal-to-noise ratio spectrum analysis technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 336-340

[11]Aibara S, Ismail I A. Changes in rice bran lipids and fatty acids during storage[J]. Agriculture Biology Chemistry, 1986, 50(3): 665-673

[12]蔡靜平. 糧油食品微生物學[M]. 北京：中國輕工業出版社，2002 Cai Jingping.Grain and oil food microbiology[M]. Beijing: China Light Industry Press, 2002

[13]邵龍，邵懷宗，彭啟琮. 稻谷脂肪自動酸滴定儀設計與實現[J]. 電子測量與儀器學報，2008, 22(6):97-102 Shao Long, Shao Huaizong, Peng Qicong. Design and realization of rice fatty acid automatic titrator[J]. Journal of electronic measurement and instrument, 2008, 22(6): 97-102

[14]高俊峰，章海亮，孔汶汶，等. 應用高光譜成像技術對打蠟蘋果無損鑒別研究[J]. 光譜學與光譜分析，2013, 33(7):1922-1926 Gao Junfeng, Zhang Hailiang, Kong Wenwen, et al. Nondestructive discrimination of waxed apples based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2013, 33(7):1922-1926

[15]鄒偉，方慧，劉飛，等. 基于高光譜圖像技術的油菜籽品種鑒別方法研究[J]. 浙江大學學報(農業與生命科學版)，2011, 37(2):175-180 Zhou Wei, Fang Hui, Liu Fei, et al. Identification of rapeseed varieties base on hyperspectral imagery[J]. Journal of Zhejiang University (Agric & Life Sci), 2011, 37(2):175-180

[16]郝學飛，蘇東民，余大杰，等. 近紅外方法預測饅頭品質[J]. 中國糧油學報，2014, 29(4):113-117 Hao Xuefei, Su Dongmin, Yu Dajie, et al. Assessment of steamed bun quality by near infrared reflectance method[J]. Journal of the Chinese cereals and oils association, 2014, 29(4):113-117

[17]張強，劉成海，孫井坤，等. 基于支持向量機稻谷黃曲霉毒素B1近紅外無損檢測[J].東北農業大學學報，2015, 46(5):84-88 Zhang Qiang, Liu Chenghai, Sun Jingkun, et al. Near-infrared spectroscopy nondestructive determination of aflatoxin B1 in indica rice rice based on support vector machine regression[J]. Journal of Northeast Agricultural University, 2015, 46(5):84-88

[18]李新華，李利霞，楊權. 不同儲存條件下稻谷水分和脂肪酸值變化及霉變規律[J]. 糧食儲藏，2016, 45(2):49-51 Li Xinhua, Li Lixia, Yang Quan, Study on the change law of the moisture content and fatty acid value and the regularity on the mould ofindica rice in different storage conditions [J]. Grain Storage, 2016, 45(2):49-51

[19]舒偉軍，田曉靜，王俊. 基于生物超弱發光的稻谷霉變特性研究[J]. 科技通報，2008, 24(6):815-819 Shu Weijun, Tian Xiaojing, Wang Jun.Study on characteristics of rice mildew bioluminescence based on super-weak bioluminescence[J]. Chinese Science Bulletin, 2008, 24(6):815-819

[20]張瑛，吳先山，吳敬德，等. 稻谷儲藏過程中理化特性變化的研究[J]. 中國糧油學報，2003, 18(6):565-566 Zhang Ying, Wu Xianshan, Wu Jingde, et al. Study on physical and chemical characters in rice storage[J]. Journal of the Chinese cereals and oils association, 2003, 18(6): 565-566

[21]尼珍，胡昌勤，馮芳，等. 近紅外光譜分析中光譜預處理方法的作用及其發展[J]. 藥物分析雜志，2008, 28(5):824-829 Ni Zhen, Hu Changqin, Feng Fang, et al. Progress and effect of spectral data pretreatment in NIR analytical technique[J]. Chinese Journal of Pharmaceutical Analysis, 2008, 28(5): 824-829

[22]趙杰文，林顥. 食品、農產品檢測中的數據處理和分析方法[M]. 北京：科學出版社，2012:78-139 Zhao Jiewen, Lin Hao.Methods of data processing and analysis in the detection of food and agricultural products[M]. Beijing: Science Press, 2012:78-139

[23]Canaza-Cayo A W, Cozzolino D, Alomar D, et al. A feasibility study of the classification of Alpaca (Lama pacos) wool samples from different ages, sex and color by means of visible and near infrared reflectance spectroscopy[J]. Computers and Electronics in Agriculture, 2012, 88(4): 141-147

[24]Galváo R K H, Araujo M C U, Silva E C, et al. Cross validation for the selection of spectral variables using the successive projections algorithm[J]. Braz. Chem. Soc, 2007, 18(8): 1580-1584

[25]Wold S, Sj?str?m M, Eriksson L. PLS-regression: a basic tool of chemometrics[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 58(1): 109-130

[26]Li Hongdong, Liang Yizeng, Xu Qingsong, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta. 2009, 648(1):77-84．

Identification of the Different Degree of Moldy Indica Rice Based on Hyperspectral Technology

Gong Zhongliang1Zheng Lizhang1Wen Tao1,2Li Lijun1Xie Jiefei1Ma Qiang3

(School of Mechanical and Electrical Engineering, Central South University of Forestry and Technology1, Changsha 410004) (Key Laboratory of Key Technology for South Agricultural Machinery and Equipment, Ministry of Education,Engineering College, South China Agricultural University2, Guangzhou 510642) (School of Science, Central South University of Forestry and Technology3, Changsha 410004)

In order to solve the problem of fast and nondestructive identification of moldy, the spectral data of four kinds of moldy indica rice, including normal indica rice, mildly moldy indica rice, moderately moldy indica rice and seriously moldy indica rice, was collected by using the hyperspectral technology. After preprocessing with five methods, the successive projections algorithm (SPA) was proposed to extract the characteristic wavelength; then, the identification models of different degree of moldy indica rice were established by using the multivariate linear regression-discriminate analysis (MLR-DA). Meanwhile, the competitive adaptive reweighted sampling (CARS) was used to obtain characteristic variables; the identification models were established by using partial least squares regression -discriminate analysis (PLS-DA). The results showed that the correlation coefficient of validation set (RP) of the SG-SPA-MLR-DA model and RAW-CARS-PLS-DA model were more than 0.950. The prediction precision of the RAW-CARS-PLS-DA model was optimal, the correlation coefficient of validation set (RP) was 0.969, the root mean square error of validation set (RMSEP) was 0.269, and the overall accuracy of identification rate of predicted samples was 93.33%. The model has the ability of identifying the different degree of moldy indica rice. Therefore, this method can provide technical support for quick and nondestructive identification of the mildewing process of the indica rice.

hyperspectral technology, preprocessing, mildew, indica rice, models, identification

國家自然科學基金(31401281)，湖南省自然科學基金(14JJ3115)，湖南省高校科技創新團隊支持計劃(2014207)，國家級大學生創新創業訓練計劃項目(201410538014)

2016-05-17

龔中良，男，1965年出生，教授，農產品品質與安全無損檢測技術應用基礎研究

文韜，男，1983年出生，副教授，農產品品質與安全無損檢測技術應用基礎研究

S123；S511

：A

：1003-0174(2017)08-0123-08

稻谷含有豐富的淀粉、蛋白質、碳水化合物等成分，在霉菌的作用下易造成稻谷霉爛變質，產生對人體有毒害的黃曲霉毒素[1-2]。因此如何快速鑒別稻谷霉變程度是保障稻谷類食品安全的基礎。