主要糧食品質快速光學檢測技術與裝備研究進展

聶 森 馬劭瑾 彭彥昆 王 威 李永玉

(中國農業大學工學院，北京 100083)

0 引言

《中國統計年鑒》數據顯示，近年我國稻米、小麥和玉米的產量約占我國糧食總產量90%，稻米、小麥和玉米作為三大主糧在我國居民糧食結構中占有重要位置。糧食生產、加工、儲運等產業鏈中品質監測是不可或缺的重要環節，而且客觀、無損、快速地定級、定價對整個糧食產業健康發展起重要帶動作用。另外，在國際貿易摩擦加劇和國內糧食進口量大幅攀升的背景下，實現三大主糧在生產、儲存和流通過程中的高效實時品質檢測與監控，對保障我國糧食品質安全具有重要意義。

基于可見/近紅外光譜(Visible and near-infrared, Vis/NIR)、近紅外光譜(Near-infrared，NIR)、高光譜成像(Hyperspectral imaging，HSI)、拉曼光譜、熒光光譜、多光譜(Multispectral imaging，MSI)、機器視覺及其相互融合的光學無損實時傳感技術，具有高通量、快速、低成本等特點，在三大主糧的內外部品質檢測領域有著較為廣泛的應用。本文闡述稻谷/大米、玉米和小麥的內外部品質檢測需求，在對三大主糧的光學特性進行對比分析的基礎上，總結分析三大主糧品質快速檢測技術與裝置的國內外研發現狀，并歸納目前市面上已推廣應用的裝備特性，最后對存在的問題及發展趨勢提出建議和展望。

1 糧食品質快速光學檢測技術

1.1 內部品質檢測技術

糧食內部品質指標主要包括蛋白質、水分、脂肪、直鏈淀粉含量等，這些參數直接影響稻谷/大米、小麥和玉米的加工、食用等品質，在生產鏈及銷售鏈上備受關注。目前，糧食內部品質的光學檢測技術主要包括NIR光譜、拉曼光譜、熒光光譜、HSI、MSI等。

表1 基于Vis/NIR光譜的三大主糧內部品質無損檢測技術成果

圖1 大米、玉米和小麥粉的Vis/NIR吸光光譜

圖2 大米、玉米和小麥的拉曼光譜(激光光源均為785 nm)

熒光光譜技術以其高選擇性和高靈敏度而被廣泛用于農產品領域的檢測研究。大米、玉米和小麥中含有色氨酸、阿魏酸、對羥基肉桂酸、核黃素等熒光團，這為采用熒光光譜技術對三大主糧進行分析奠定了理論基礎[34]。大米、玉米和小麥粉的激發-發射矩陣(Excitation-emission matrix，EEM)特性如圖3所示[35]，大米、小麥和玉米粉的熒光特性也十分相近，均具有兩個熒光區域(Region Ⅰ和Region Ⅱ)。第1個熒光區域的激發范圍為255～305 nm，發射范圍為300～410 nm，對應蛋白質中氨基酸的熒光。第2個熒光區域的激發范圍為310～400 nm，發射范圍為380～490 nm，對應大米、小麥和玉米粉中的低分子量分子，如生育酚、吡哆醇和4-氨基苯甲酸[35]。NAGEL-HELD等[31]將小麥顆粒的拉曼反射光譜、熒光光譜和NIR光譜進行數據融合(Data fusion)實現了對玉米蛋白質含量和小麥蛋白質含量、濕面筋含量、吸水率、延伸阻力等多個參數的定量檢測。目前，采用熒光光譜技術對三大主糧內部品質進行無損檢測的相關研究則很少，主要原因是其具有特異性，只能對待測物中的熒光團進行直接的定量檢測。

圖3 大米、玉米和小麥粉的三維熒光光譜

HSI技術結合了待測物的空間信息和光譜信息，既可以通過圖像特征提取待測物的外部特征(尺寸、幾何結構、顏色)，也能夠通過光譜信息提供待測樣品的成分特性[36]。在三大主糧的內部品質檢測方面，HSI可實現對成堆或者單個糧食顆粒的內部成分可視化。例如，有學者利用HSI對小麥顆粒、成堆大米的各個像素點的蛋白質含量進行了可視化[37-38]。吳靜珠等[39]利用單粒小麥顆粒在876～1 729 nm 波段范圍內的高光譜圖像，并基于si-PLS算法建立了小麥粗蛋白質含量預測模型，并利用968.05～2 575.05 nm波段范圍內的單粒玉米顆粒高光譜圖像，結合集成學習建立了單粒玉米水分預測模型[40]。ZHANG等[41]獲取了918.1～1 650.6 nm高光譜圖像并提取了單粒玉米顆粒的NIR光譜，利用深度卷積生成性對抗網絡(Deep convolutional generative adversarial network，DCGAN)同時擴充高光譜數據和脂肪含量的標準理化值，實現了對單粒玉米脂肪含量的無損快速預測。此外，也有一些研究利用Vis/NIR范圍內(400～1 000 nm)的高光譜[42]和拉曼高光譜[43]對糧食顆粒的內部品質進行了檢測。

因為HSI技術與NIR相比檢測時間較長、成本相對較高，目前不少HSI相關研究為的是篩選三大主糧品質特征波長，從理論上為下一步開發MSI裝置奠定基礎。大米、小麥和玉米在Vis/NIR范圍內的吸收光譜非常相近，不少基于HSI的研究所提取的大米、小麥和玉米品質特征波長位于1 000～1 100 nm、1 153～1 400 nm、1 473～1 497 nm、1 510～1 600 nm、2 110～2 150 nm、2 180～2 206 nm波段范圍內[43]。與HSI相比，MSI的波長點數少，檢測時間和成本上都比HSI更具有產業應用優勢。

1.2 外觀品質檢測技術

外觀品質是三大主糧的重要品質指標。根據國家標準[44]，評價大米質量時，其碎米含量、加工精度、不完善粒和黃粒米含量、堊白度是主要的外部品質指標。小麥外部品質的評價指標主要是不完善粒含量[45]，小麥的不完善粒包括蟲蝕粒、病斑粒、破損粒、生芽粒和生霉粒。與小麥類似，玉米的外觀品質評價主要也是根據不完善粒的含量[46]。與小麥不同的是玉米的不完善粒除了蟲蝕粒、病斑粒、破損粒、生芽粒和生霉粒之外，還包括了熱損傷粒。此外，玉米中霉變粒的含量是評價玉米質量的另一重要外部品質指標。目前，三大主糧外部品質光學檢測技術主要有機器視覺技術、HSI技術等，如表2所示。

表2 三大主糧外部品質無損檢測技術

機器視覺技術作為一種人工視覺檢測的替代方法，具有成本低、客觀、無損快速的特點，因此被廣泛應用于三大主糧的破損粒[51]、加工精度[47]、堊白度[48]等品質的檢測以及基于外部特征的分類[53]。除了采用數字相機自行搭建機器視覺系統，平板掃描儀是機器視覺技術檢測中另一種常用的圖像獲取方式。例如，EBRAHIMI等[55]利用HP G3110平板掃描儀獲取了小麥顆粒的圖像，實現了對小麥中雜質(非小麥顆粒)的識別。SHOUCHE等[75]使用HP ScanJet IICX/T采集小麥圖像并實現了對小麥形態學特征(例如面積、周長、長短軸長度及比率等)的分析。

HSI技術通常用于三大主糧霉變籽粒和蟲蝕粒的檢測。受霉菌侵染或者蟲蝕的糧食顆粒不僅會呈現顏色等外觀變化，其內部品質(如脂肪酸等)也會發生相應改變。稻谷/大米、小麥和玉米在種植、儲藏和銷售期間均容易受到真菌毒素的污染。玉米中的黃曲霉毒素B1(Aflatoxin B1，AFB1)、小麥赤霉病(Fusarium head blight，FHB)、小麥中脫氧雪腐鐮刀菌烯醇(Deoxynivalenol，DON)毒素是最受關注的檢測指標。玉米中的AFB1會在670～979 nm和850～950 nm波長范圍內產生吸收峰[65]，在2 058 nm和2 346 nm附近也會產生NIR吸收峰，其中前者與AFB1中的內脂相關，后者則與AFB1中的香豆素環有關[76]。小麥的FHB是一種由禾谷鐮刀菌侵染的病害，FHB會產生DON次級代謝產物，DON不會隨著小麥的儲藏、加工等降解，會對人畜健康造成很大的威脅[77]。與FHB相關的特征波長通常位于480、570、680、750、800、860、1 000、1 200、1 300、1 400 nm附近。雖然FHB與DON之間存在正相關關系，但是DON也會存在于具有FHB特征的小麥中，因此有必要直接檢測DON侵染小麥。DON中的O—H在750、950、1 400 nm，C—H在1 200、1 400、1 650 nm，N—H官能團在1 050、1 500 nm處產生特征吸收峰，為使用NIR-HSI技術檢測小麥中的DON奠定了理論基礎[78]。另外，稻谷、小麥和玉米中最為常見的幾種害蟲是米象、玉米象和谷蠹。這些害蟲在發育過程中會消耗糧食顆粒內部的淀粉，因此蟲蝕粒的淀粉含量通常會比正常顆粒的含量要低[79]。除了利用HSI技術對糧食蟲蝕粒進行檢測之外，還有研究者利用Vis-NIR-HSI技術結合CNN和SVM實現了對多種不完善粒的識別，包括破損粒、蟲蝕粒和黑胚粒，分類準確率達到99.98%[80]。與NIR光譜技術相比，HSI技術在三大主糧霉變及蟲蝕粒檢測中的最突出的優勢是：不論檢測對象是成堆糧食顆粒還是逐粒分開的單一顆粒，均可以以單一顆粒為目標進行霉變?；蛳x蝕粒的剔除。此外，也有一些研究利用拉曼-HSI技術實現了對霉變玉米籽粒的檢測。

2 糧食品質快速檢測系統裝置

2.1 三大主糧品質檢測裝置研究現狀

目前，三大主糧外觀品質光學檢測技術主要有機器視覺、HSI、MSI等，其中機器視覺因低成本、客觀等特點廣泛應用于三大主糧外部品質檢測。三大主糧外部品質機器視覺檢測系統一般包括樣品板、光源、相機、數據采集卡和計算機，其中相機(個數及空間位置)、光源(顏色、形狀、強度)和樣品板(顏色)是糧食外部品質檢測系統研發過程中重點考慮的因素，其中三大主糧檢測系統光源類型、形狀、顏色以及樣品板顏色選擇示例如表3所示。在大米/稻谷、玉米和小麥的機器視覺檢測裝置中，相機的個數通常為單個，位于糧食顆粒的上方。例如，祝詩平等[58]使用華為手機從小麥上方20～25 cm的垂直高度采集小麥顆粒圖像，實現了對完整粒和破損粒小麥的分類。MITTAL等[50]使用低成本的USB相機從大米顆粒上方25 cm的垂直距離進行圖像采集，根據大米長度、加工精度和堊白率實現了對大米的分級檢測。然而，單個相機很難獲取糧食全表面信息，WU等[52]利用3個相機采集下落過程中大米圖像，實現了對大米不完善粒的檢測。ZHANG等[54]搭建了稻谷在線雙面成像檢測系統，用于對正常稻谷顆粒和未閉合穎片稻谷分類，檢測系統結構示意圖和實物圖如圖4所示[54]。該研究專門設計了振動盤和線性振動傳送帶，使其能夠逐個通過滑道。兩個相機放置于透明玻璃通道的兩側，當光纖傳感器收到稻谷經過信號時，觸發兩個相機采集稻谷顆粒上下兩面的圖像。

表3 機器視覺系統光源類型、形狀、顏色以及樣品板顏色選擇示例

圖4 裂穎稻谷的在線雙面識別與剔除系統

光源是機器視覺系統中影響檢測結果的重要部件，光源的類型、形狀、顏色、照明方式和強度決定了圖像的清晰度、重復性和可靠性[81]。目前主要光源類型包括LED、白熾燈、紅外燈和熒光燈，其中LED應用最為廣泛。常見的商用光源形狀主要為線光源、環形光源、方形光源和圓頂燈，顏色以白色為主。照明方式包括正面照明和背面照明兩種，正面照明主要用于表征顆粒的表面特征，背面照明則適用于子曲面特征和邊緣特征的突出。樣品板的顏色即成像的背景顏色，其選擇合理可以降低圖像處理過程中背景分割的復雜性，通常會選擇與待測樣品顆粒顏色對比度大的顏色作為樣品板的顏色。例如，LI等[60]開發了一套玉米應力裂紋在線式檢測裝置，包括一個種板、傳動軸、兩個相機、組合滑臺和卸料區，硬件系統結構示意圖如圖5所示。該系統采用光源板對玉米顆粒進行照射，每個玉米顆粒對應1個光源。此外，光源板被固定在滑臺上，可以沿前后左右4個方向正交移動，以對玉米裂紋進行清晰地照射。

圖5 玉米應力裂紋硬件檢測系統結構示意圖[60]

另外，光源強度是影響機器視覺系統圖像采集質量的一個重要因素。自然光等作為光源時其強度難以人為干預，會對圖像采集和模型結果產生不可忽視的影響。CHEN等[49]基于WU等[52]的大米破損粒檢測系統使用多視圖完整空間學習(Multi-view intact space learning，MISL)算法削弱了照明強度對模型穩定性的影響。結果表明，MISL算法可以在不同照明條件下提升完整大米顆粒和破損大米顆粒分類模型的穩定性。

基于NIR的檢測系統在三大主糧內部品質檢測中的應用最為廣泛。日本等發達國家在糧食收購、糧食儲藏、糧食精深加工等各個環節已廣泛應用NIR檢測系統。國內基于NIR檢測系統在糧食加工、在線控制等方面還沒有成功應用。HSI系統融合了光譜和圖像，被應用于對大米/稻谷、小麥和玉米的霉變或蟲蝕粒檢測，MSI檢測系統與HSI相比成本低，更具有產業推廣優勢。用于MSI檢測的光源按照波長可以分為紫外光、可見光和近紅外光，但是在實際MSI光源的選型與配置中，還需要考慮光源(或者濾光片)的普適性和成本。一般地，通用的光源(如LED)和濾光片有特定的中心波長，因此根據HSI理論結果得到的特征波長不一定有對應的光源產品類型。此外，長波近紅外范圍內的光源和濾光片成本遠高于可見光和短波近紅外(400～1 100 nm)以及紫外光范圍內的產品成本，從而限制了長波近紅外光源在MSI系統搭建時的應用。JAILLAIS等[82]利用自行搭建的多光譜成像系統[83]對小麥中FHB抗性進行了評價。該裝置的光源由 8個 LED燈珠組成，包括2個NIR光源(950、875 nm)、3個可見光源(紅色、藍色、綠色)和3個UV光源(360、400、370 nm)。褚璇等[84]利用可見光和365 nm紫外光為光源研發多光譜成像系統，用于含黃曲霉毒素玉米顆粒的檢測。三大主糧品質光學無損檢測系統研究成果如表4所示。

表4 三大主糧品質光學檢測系統研究成果

此外，多種技術融合檢測系統也被應用于三大主糧品質檢測，當單一的檢測方式無法滿足檢測的精確度和適用性時，選擇將兩種以上檢測技術進行融合[96]。沈飛等[97]搭建了機器視覺和Vis-NIR光譜融合在線檢測系統對玉米霉變程度和菌落總數進行了檢測。該團隊利用該系統完成了對玉米真菌侵染[98]和小麥DON侵染的檢測[99]，結果顯示機器視覺與Vis-NIR光譜的融合均可得到更佳的檢測效果。此外，FABIYI等[100]將機器視覺技術與 Vis-NIR-HSI技術進行融合，建立了大米分類模型，結果同樣凸顯了機器視覺與Vis-NIR-HSI融合系統的優越性。

2.2 三大主糧品質檢測裝置應用現狀

目前，國內外多家公司市售NIR糧食品質分析裝置，用于檢測多種糧食的內部品質，市場上常見的部分商業化糧食分析裝置及其相關特性如表5所示?？梢钥闯?，各個國家所研制的NIR檢測裝置關注的內部品質指標基本包括了蛋白質、水分、脂肪和淀粉，且大多選用了透射模式進行檢測。我國雖然起步較晚，但目前也有市售NIR糧食內部品質檢測裝置。特別是基于NIR法的小麥、稻谷、玉米成分測定被列為國家標準以來，大大促進了國內NIR糧食品質分析裝置研發。目前，國內外大部分市售的糧食檢測裝置為放置式，儀器質量相對較大，隨著芯片的發展基于多光譜傳感器的手持式檢測裝置的推廣應用是未來發展方向之一。

表5 市售NIR糧食內部品質檢測裝置

另外，商業化多光譜系統VideometerLab 4(Videometer，丹麥)常被應用于三大主糧品質的檢測研究[101]。該裝置采用的19個LED光源的波長在365～970 nm之間，包含了紫外、可見和短波近紅外波段(405、435、450、470、505、525、570、590、630、645、660、700、780、800、870、890、910、940、970 nm)，此外還包括了一個供調換的外部光源。VideometerLab多光譜成像系統由攝像頭、光源、積分球組成。攝像頭位于積分球頂部，LED光源放置于積分球的邊緣。積分球涂有可使光線均勻散播的不光滑白色顏料。基于該裝置的三大主糧檢測研究包括稻谷品種的識別[101]、轉基因稻谷的檢測[102]和糯玉米熱損傷粒的快速鑒別[103]等。

3 展望

本文圍繞三大主糧重點總結了Vis/NIR、拉曼光譜、HSI、MSI以及機器視覺等快速檢測技術及其裝備的國內外現狀。NIR是三大主糧品質檢測中應用最為廣泛的技術，但糧食種植區域、生產年份、儲藏時間等環節產生的不一致性，增加了建模的難度和不確定性。另外，三大主糧收獲到儲藏、加工過程品質監控多數情況需要在線動態檢測，但是糧食顆粒相對較小，對光學信息動態精準獲取帶來了一定難度。目前，突破模型普適性以及信息動態精準獲取識別等技術瓶頸，是NIR在主糧檢測領域廣泛推廣應用的關鍵。

Vis/NIR、NIR和MSI都已有商業化的糧食/糧食檢測裝置，而目前尚未見基于拉曼光譜、HSI的三大主糧商用化專用檢測裝備。雖然不少研究基于自行搭建的HSI檢測系統實現了對三大主糧多品質指標的檢測，但是其昂貴的儀器和時間成本使其不利于推向產業/商業應用。MSI檢測裝置雖然因成本低等優點而具有較好的推廣應用前景，但是特征波長確定，不同波長光源之間的強度差異以及多光源/濾光片與相機、計算機之間的同步等系列問題有待解決和優化。

機器視覺具有成本低、客觀、無損、快速等特點，廣泛應用于外部品質的檢測。基于機器視覺的研究多數集中于圖像識別的理論算法，實現糧食外觀品質高通量逐一檢測，動態特征獲取、檢測時間以及系統適應性是關鍵。目前，基于機器視覺的糧食外觀品質檢測仍然停留在實驗室階段，市售檢測裝備少見。今后，應采用深度學習等進行模式識別提升系統適用性，根據檢測需求利用相互融合的光學無損實時傳感技術提高檢測準確性，并逐步應用于糧食收獲、干燥、加工等過程品質監控。