江西股票配资公司利用高光谱成像和化学计量学无损监测水稻水分和脂肪酸含量_大米_预处理_nm

本期导读：

关注双利合谱江西股票配资公司，聚焦行业应用，探索高光谱遥感发展！

本期内容：利用高光谱成像和化学计量学无损监测水稻水分和脂肪酸含量

应用关键词：高光谱成像、水分含量、脂肪酸含量、精米

背景

水分含量（Moisture content, MC）和脂肪酸含量（Fatty acid content, FAC）是大米品质的重要指标，影响大米的存储和食用品质。因此，建立一种快速、准确、无损的MC和FAC检测方法至关重要。

可见/近红外光谱可以响应样品中的某些含氢基团，从而获得样品中的内部化学信息。该技术已被用于检测农产品中的水分和脂肪酸含量。同时，与可见光/近红外光谱相比，高光谱成像（Hyperspectral imaging, HSI）技术具有光谱与图像相结合的优势。利用每个像素点的光谱预测水稻的MC和FAC，形成水稻的MC和FAC的可视化分布，使检测结果更加直观。但是，HSI技术也存在数据量大、实时性差等缺点，难以在实际中应用。然而，这些问题可以通过数据降维和特征波长选择来解决。

展开剩余88%

本研究的目的是结合HSI技术与化学计量学方法，建立一种快速简便的水稻MC和FAC检测方法。（1）采用不同的预处理方法对大米和精米的光谱进行预处理，建立了MC和FAC的全波段预测模型。最后根据模型性能确定最佳预处理方法。（2）采用两种变量选择方法筛选大米和精米在900~1700 nm区域的MC和FAC的显著波长。（3）比较了MC和FAC模型在大米和精米中的性能，并分析了稻壳对MC和FAC模型性能的影响。（4）利用最佳模型预测每个像素点的MC和FAC，实现水稻样品MC和FAC的可视化。

experimental design

试验设计

浙江农林大学孙通副教授团队利用GaiaField-N17E高光谱成像系统（江苏双利合谱）获取了13个水稻品种的大米和精米高光谱影像（图1）。近红外高光谱成像仪的光谱范围为900~1700 nm，空间分辨率为640像素，波段数为512，光谱分辨率为5 nm。对获得的高光谱影像利用OTSU方法获取其前景像素，并计算大米和精米平均光谱。

预处理可以去除高频随机噪声和基线漂移等噪声，提高模型性能。本研究采用了5种预处理方法，包括多元散射校正（MSC）、标准正态变量变换（SNV）、Savitzky-Golay（SG）平滑、SG+一阶导数和SG导数。根据全波段模型的性能，选择最合适的预处理方法。为提高计算速度，减少数据冗余，本研究采用竞争自适应重加权采样（CARS）和连续投影算法（SPA）选择大米/精米中MC和FAC的显著波长。

▲图1高光谱成像系统

结论

大米和精米在900~1700 nm波长范围内的原始反射光谱如图2所示。从图2可以看出，大米和精米的光谱在900~1400 nm波长范围内具有相同的趋势。然而，大米的反射光谱逐渐增加，而精米的反射光谱在1400~1700 nm波长范围内趋于稳定。此外，大米光谱的反射率值普遍高于精米。这可能是由于大米和精米的颜色、光滑度和透明度不同造成的。在960、1200和1450 nm处有三个明显的峰。960 nm左右的峰值可能是由水和碳水化合物中O-H二阶泛音的协同作用引起的。1200 nm左右的峰值与样品的MC有关，1450 nm左右的峰值归因于O-H拉伸第一泛音。

▲图2 原始光谱（a），两个品种李子样品的平均光谱（b）

采用5种预处理方法对大米和精米样品的光谱进行处理，利用PLSR算法建立MC和FAC的估测模型。由表1可知，在“大米-水分”模型中，SNV和SG-2预处理效果更好。采用SNV预处理建立的模型R²较高，达到0.9682。但该模型不稳定，鲁棒性较差。因此，SG-2模型的性能优于SNV模型。在“大米-脂肪酸”模型中，SG-2是最佳的预处理方法。对于“精米-水分”模型，SG-2预处理的R²较高。综上所述，在“大米-水分”、“精米-水分”和“大米-脂肪酸”3种预测模型中，SG-2是最佳的预处理方法。而在“精米-脂肪酸”模型中，SG平滑是最好的预处理方法，模型的R²p和RMSEP分别为0.8427和1.7806。

从表1可以看出，大米中MC的模型性能优于精米。这是因为稻壳含有水分，其吸水能力高于精米。因此，当大米样品经过水处理后，稻壳比精米吸收更多的水分。因此，大米光谱中含有的水分信息比精米光谱中含有的水分信息更多。相比之下，精米中FAC的模型性能优于大米。稻壳主要由纤维素、半纤维素、木质素等成分组成，其中不含脂肪酸。稻壳中存在的干扰信息会影响建模过程中脂肪酸的预测。因此，得到的光谱信息可能会受到谷壳的干扰，导致精米的预测精度降低。

表 1 不同预处理方法下样品中水分和脂肪酸的 PLS 模型预测结果▼

由于采用SG或SG-2预处理的MC和FAC模型效果最好，因此对这些光谱进行了CARS和SPA特征优选。由表2可以看出，相较于CARS，SPA选择更少的重要波长，使实际应用更容易，同时SPA模型的RPD值较高，模型精度较高。此外，SPA模型的性能优于全波段模型，这表明SPA选择的波长几乎包含了MC或FAC的所有有效信息。与全波段模型的结果相似，SPA模型对大米中MC的预测精度高于精米，而对大米中FAC的预测精度低于精米。“大米-水分”、“精米-水分”、“大米-脂肪酸”的最佳模型为“SG2-SPA-PLS”，“精米-脂肪酸”的最佳模型为“SG-SPA-PLS”。

SPA选择的波长如表3所示。MC模型选择的964.17、965.74、975.16、978.29、1373.75和1395.72 nm波长与水分波长相似，归功于O-H拉伸的第一、第二和第三泛音。对于FAC模型，选择的1095.99、1387.87和1516.56 nm波长归功于C-H的一、二泛音和-CH2基团的拉伸，选取的939.06、964.17和967.31 nm波长主要来自于O-H键的弯曲振动。

表2 使用选定波长的样品中水分和脂肪酸的PLS模型预测结果▼

表3 由SPA选择的波长▼

通过Fearn（1996）提出的方法验证稻壳对MC和FAC预测精度的影响。在95%置信水平下计算区间是否包含0。如果它包含0，则偏差在5%的水平上没有显著差异。由表4可知，大米和精米中MC的预测误差计算区间均为0，而FAC的不为0。这表明大米与精米中FAC的预测误差存在显著差异，因此稻壳对FAC的预测精度有一定的影响。

表4 大米和精米的水分和脂肪酸含量在95%置信水平上存在显著差异▼

图 3 为不同水分梯度下水稻样品 MC 的可视化结果。可以看出，水稻样本的 MC 越高，可视化图像中的红色区域越大，而水稻样本的 MC 越低，可视化图像中的蓝色区域越大。这与大米样本的实际 MC 一致，说明 MC 模型对每个像素的 MC 预测是准确的。此外，可视化图像中大米样品的 MC 分布不均匀，这可能是由于样品处理过程中吸湿不均匀造成的。图 4 为大米样品 FAC 可视化结果。 FAC 模型可以准确预测每个像素的 FAC 。可视化可以直观地反映水稻中 MC 和 FAC 的空间变化，可以在像元水平上了解 MC 和 FAC 的分布情况。因此，在储存前检验和储存监测中，可以在很小的范围内检测到异常的 MC 和 FAC ，从而保证了大米的质量安全。

▲图3 大米含水量可视化图

▲图4 大米脂肪酸含量可视化图

作者简介：

孙通：

博士，浙江农林大学光机电工程学院副教授，硕士生导师

主要研究方向：

农林产品光谱智能检测技术研究及装备开发。

参考文献：

Song, Y., Cao, S., Chu, X., Zhou, Y., Xu, Y., Sun, T., Zhou, G., & Liu, X. (2023). Non-Destructive Detection of Moisture and Fatty Acid Content in Rice using Hyperspectral Imaging and Chemometrics. Journal of Food Composition and Analysis, 11.

https://doi.org/10.1016/j.jfca.2023.105397江西股票配资公司

发布于：北京市

华融配资提示：文章来自网络，不代表本站观点。