吳永清 李 明 張 波 張影全 郭波莉

(中國農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所；農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品加工重點(diǎn)實(shí)驗(yàn)室，北京 100193)

谷物有大宗谷物與小宗谷物之分，大宗谷物包括小麥、玉米、稻谷，小宗谷物包括高粱、粟、黍、蕎麥、筱麥、薯類、豆類等[1]。谷物及谷物加工制品提供了人類所需能量物質(zhì)的50%～80%，蛋白質(zhì)的40%～70%，B族維生素60%以上，以及膳食纖維、碳水化合物、脂肪、鐵、鋅、維生素E、維生素C以及多種抗氧化活性成分等[1,2]。谷物品質(zhì)的好壞直接影響到民眾的健康及其加工特性，因此谷物品質(zhì)的檢測方法研究意義重大。

目前，谷物品質(zhì)檢測的方法包括：蛋白質(zhì)檢測的DNA分子標(biāo)記法、凱氏定氮法、近紅外光譜分析法等，水分檢測的烘干法、近紅外光譜分析法等，淀粉檢測的分光光度法、熱重分析法等，品種鑒別的人工檢測法、蛋白電泳鑒定法等，活力檢測的電導(dǎo)率法、電子鼻法、發(fā)芽試驗(yàn)法、葉綠素?zé)晒鈾z測技術(shù)、激光檢測技術(shù)等，不完善籽粒檢測的聲學(xué)原理法、人工檢測法等。其中，傳統(tǒng)的谷物品質(zhì)檢測的方法包括：人工檢測法、烘干法、凱氏定氮法、分光光度法、DNA分子標(biāo)記法、蛋白電泳鑒定法等，而傳統(tǒng)的谷物品質(zhì)檢測方法存在工作量大、主觀性強(qiáng)、效率低、操作繁瑣、時(shí)效性差、成本高、危害人體健康等缺點(diǎn)?，F(xiàn)代儀器法包括：電子鼻、機(jī)器視覺技術(shù)、葉綠素?zé)晒鈾z測技術(shù)、激光檢測技術(shù)、近紅外光譜分析法等，但上述方法存在測定結(jié)果易受其他因素干擾、穩(wěn)定性差的缺點(diǎn)。因此，研發(fā)一種簡便、快速、有效、穩(wěn)定的谷物品質(zhì)檢測技術(shù)一直是本學(xué)科的研究重點(diǎn)和熱點(diǎn)。

高光譜成像(Hyperspectral imaging，HSI)技術(shù)融合了傳統(tǒng)的光譜技術(shù)(反映化學(xué)組成等)和圖像技術(shù)(反映物理特性)，具有高分辨率、無損、快速等特點(diǎn)[3]。隨著化學(xué)計(jì)量學(xué)的發(fā)展，HIS技術(shù)作為一種新興的快速、無損檢測方式，已經(jīng)廣泛應(yīng)用于谷物無損檢測中。

針對近五年來HSI技術(shù)在谷物無損快速檢測方面的研究，分析了HIS技術(shù)在小麥、玉米、稻谷3種大宗谷物的化學(xué)成分檢測、品種鑒別、種子活力檢測、不完善籽粒檢測中的應(yīng)用進(jìn)展，提出了現(xiàn)有研究中存在的問題，并對HSI技術(shù)在谷物品質(zhì)檢測應(yīng)用中的研究進(jìn)行了展望，以期為今后的研究提供參考。

1 HIS技術(shù)的基本原理與光譜信息數(shù)據(jù)處理方法

1.1 基本原理與主要構(gòu)成

HIS技術(shù)是在一定的波長范圍內(nèi)，將二維的平面圖像按照光譜分辨率連續(xù)地組成一個(gè)三維的數(shù)據(jù)立方體結(jié)構(gòu)，其中的二維數(shù)據(jù)是圖像像素的橫縱坐標(biāo)x和y軸，第三維是波長信息λ。HSI系統(tǒng)主要由光源、成像高光譜儀、相機(jī)、圖像采集系統(tǒng)和計(jì)算機(jī)等組成，其分辨率在Δ λ/λ=0.01數(shù)量級，波長范圍可以在紫外(200～400 nm)到可見光-近紅外(400～1 000 nm)，再到近紅外(900～1 700 nm，1 000～2 500 nm)以及波長大于2 500 nm的區(qū)域。按照HIS系統(tǒng)掃描方式不同可將其分為點(diǎn)掃描式、線掃描式及區(qū)域掃描式3種，其中線掃描式為最常用的一種方式[4]。

1.2 光譜信息數(shù)據(jù)處理方法

高光譜信息量巨大，采用化學(xué)計(jì)量學(xué)算法可挖掘詳細(xì)且重要的信息。目前，相關(guān)數(shù)據(jù)處理軟件有ENVI、Matlab和Unscrambler等。

1.2.1 圖像數(shù)據(jù)處理與分析

圖像處理和分析包括了圖像預(yù)處理、圖像分割和特征提取。圖像預(yù)處理可以通過直方圖均值化或主成分分析法(PCA)移除壞點(diǎn)、背景信息和邊緣效應(yīng)，也可通過小波變換(WT)減少圖片噪聲和模糊邊緣，為后續(xù)的處理提供高質(zhì)量的圖像。圖像分割的目的是將有差異的區(qū)域分割出來，使它們互不相交，從而為感興趣區(qū)域的提取、定性、定量分析提供基礎(chǔ)，常用的方法有大津閾值分割算法(OSTU)[5]等。圖像特征包括紋理、顏色和形態(tài)特征，紋理特征的提取方法有灰度共生矩陣(GLCM)[6]、WT[7]等，顏色特征的提取方法有顏色直方圖[8]等，形態(tài)特征的提取方法有傅里葉變換、幾何參數(shù)法等[9]。

1.2.2 光譜數(shù)據(jù)預(yù)處理與分析

高光譜數(shù)據(jù)中除了包含樣品的自身信息外，還包含其他無用的信息和噪聲，為了消除這些因素的影響，以優(yōu)化增強(qiáng)光譜信息、提高模型的穩(wěn)健性，在建模之前，需對原始光譜數(shù)據(jù)進(jìn)行預(yù)處理[10]。光譜預(yù)處理的方法有很多種，包括平滑法[移動(dòng)平均平滑法(MAS)和卷積平滑法(SG)]、導(dǎo)數(shù)法[光譜的一階(1stDer)和二階導(dǎo)數(shù)(2ndDer)]、散射效應(yīng)校正[多元散射校正(MSC)和標(biāo)準(zhǔn)正態(tài)變量變換(SNV)]、數(shù)據(jù)增強(qiáng)算法[均值中心化(MC)、標(biāo)準(zhǔn)化(AL)和歸一化(NL)]、基線校正(BL)、WT、正交信號校正(OSC)、去趨勢算法(Dt)等[11]。

1.2.3 特征波長提取

高光譜數(shù)據(jù)的特點(diǎn)是波段多、數(shù)據(jù)量大、冗余性強(qiáng)，對高維數(shù)據(jù)分類時(shí)，由于可獲取的樣本數(shù)量是有限的，所以分類精度會(huì)隨著波段數(shù)量的增加出現(xiàn)先上升后下降的現(xiàn)象，也就是Hughes現(xiàn)象[12]，導(dǎo)致所建模型性能差、效率低。故提取特征波長、消除無關(guān)信息，是提高模型穩(wěn)健性和準(zhǔn)確性的關(guān)鍵步驟。常用的特征波長提取的方法有連續(xù)投影算法(SPA)、PCA、變量投影重要性(VIP)、無信息變量消除法(UVE)、競爭性自適應(yīng)重加權(quán)算法(CARS)、間隔偏最小二乘算法(IPLS)、組合偏最小二乘波段選擇算法(SiPLS)、隨機(jī)蛙跳(RF)算法、遺傳算法(GA)等[11, 13，14]。

1.2.4 模型建立與驗(yàn)證

由于高光譜數(shù)據(jù)冗余，需要應(yīng)用統(tǒng)計(jì)學(xué)方法進(jìn)行定性定量分析。其中定性分析中主要有監(jiān)督分類與非監(jiān)督分類、參數(shù)分類與非參數(shù)分類、確定性分類與非確定性分類等，常用的方法包括線性判別(LDA)、最小二乘判別(PLS-DA)、隨機(jī)森林(RF)、支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、Fisher判別分析(FDA)、極限學(xué)習(xí)機(jī)(ELM)；定量分析模型中多采用多元變量回歸，可分為線性回歸和非線性回歸，線性回歸包括逐步線性回歸(SLR)多元線性回歸(MLR)、主成分回歸(PCR)、偏最小二乘回歸(PLS)等，非線性回歸包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)等[11, 15]。

2 在谷物品質(zhì)檢測中的應(yīng)用

高光譜技術(shù)發(fā)展迅速，在軍事、地質(zhì)、農(nóng)業(yè)領(lǐng)域都得到了廣泛研究。近年來，HSI技術(shù)用于谷物品質(zhì)檢測主要集中在種子化學(xué)成分檢測、品種鑒別、種子活力檢測、不完善籽粒檢測等方面。

2.1 化學(xué)成分檢測

谷物化學(xué)成分含量是評價(jià)谷物品質(zhì)的重要指標(biāo)。谷物中含水分、淀粉、蛋白質(zhì)、纖維素、維生素等營養(yǎng)成分。近幾年，HSI技術(shù)已經(jīng)被作為一種快速無損技術(shù)用于谷物化學(xué)成分定性和定量的分析，并取得一定成果。

目前常用的高光譜波長范圍為可見-近紅外(VNIR)(400～1 000 nm)、近紅外(NIR)(900～1 700 nm)和短波紅外(SWIR)(1 000～2 500 nm)，其中近紅外譜段(780～2 500 nm)反映的是分子倍頻和組合頻吸收的特征，倍頻是伴隨中紅外區(qū)的分子基頻振動(dòng)產(chǎn)生的，基頻的強(qiáng)度會(huì)隨倍頻的增大而降低；組合頻是多個(gè)基頻之和，其強(qiáng)度隨頻率之和的增大而降低[17]。近紅外區(qū)域最常觀測到的譜帶是O—H、N—H、C—H和S—H化學(xué)鍵基頻振動(dòng)的組合頻以及一級、二級和三級倍頻吸收[3, 18]，主要基團(tuán)組合頻與各級倍頻吸收帶的近似位置見表1。

表1 主要基團(tuán)合頻與各級倍頻吸收帶的近似位置[17, 18]

小麥化學(xué)成分測定的研究表明，使用高光譜近紅外波段預(yù)測小麥蛋白質(zhì)、水分、濕面筋含量的性能優(yōu)于傳統(tǒng)的近紅外光譜[13, 21]。玉米水分含量測定研究表明，用NIR光譜建立的模型比用VNIR光譜建立的模型的進(jìn)行測定玉米種子含水量更具潛力[16]。種子不同部位的化學(xué)成分的種類和含量不同，研究發(fā)現(xiàn)，玉米胚結(jié)構(gòu)區(qū)域高光譜的特征波長建立的模型優(yōu)于全表面區(qū)域[22]。Zhang等[16]將得到的定量模型傳遞到每個(gè)像素從而實(shí)現(xiàn)大米淀粉含量的可視化圖像，從可視化圖像可以了解大米淀粉的分布情況，為實(shí)現(xiàn)在線檢測提供了基礎(chǔ)。HSI技術(shù)在小麥蛋白質(zhì)、水分、濕面筋含量指標(biāo)[19-21, 23]，水稻和玉米的水分含量定量檢測[13, 16, 22, 24-27]方面取得了一定的成果，但在小麥的穩(wěn)定時(shí)間、纖維素、千粒重、沉淀值、淀粉、濕面筋等，玉米的淀粉、脂肪、蛋白質(zhì)等，水稻的淀粉、蛋白質(zhì)等化學(xué)指標(biāo)的較少甚至沒有。

2.2 谷物品種鑒別

小麥、水稻、玉米等谷物品種眾多，不同品種的谷物其生長條件、抗病蟲害情況、產(chǎn)量及加工品質(zhì)等存在差異，對種植、收購、流通、儲(chǔ)運(yùn)和加工均具有重要影響。然而大部分品種在缺乏經(jīng)驗(yàn)前提下憑肉眼無法鑒別，且部分品種外觀極其相似。近年來，基于高光譜成像技術(shù)在小麥、水稻、玉米等谷物品種鑒別方面已有探索性研究(表3)。

表2 HSI技術(shù)在谷物化學(xué)成分檢測中的應(yīng)用

表3 HSI技術(shù)在谷物品種鑒定中的應(yīng)用

小麥、水稻品種鑒別研究中均發(fā)現(xiàn)NIR波長范圍所建模型的品種鑒別效果優(yōu)于VNIR波長范圍所建模型[31,32]。谷物品種鑒別的研究中，采用光譜和圖像信息結(jié)合進(jìn)行建模，所建模型性能優(yōu)于單一使用光譜或圖像信息[33]。模型的準(zhǔn)確性和穩(wěn)定性是評價(jià)模型性能的重要指標(biāo)，Guo等[34]為了保持模型的準(zhǔn)確性和穩(wěn)定性，提出了一種基于高光譜成像結(jié)合預(yù)標(biāo)記方法的不同年份玉米種子品種的模型更新算法。Qiu等[31]使用不同數(shù)量的訓(xùn)練樣本進(jìn)行建模，模型性能隨著訓(xùn)練樣本數(shù)量的增加而提高。目前國內(nèi)外研究均表明基于HIS技術(shù)進(jìn)行小麥、水稻、玉米品種鑒別的可行性，但同時(shí)也發(fā)現(xiàn)HIS技術(shù)存在有效性和穩(wěn)定性差等問題。此外，樣本在儲(chǔ)運(yùn)和流通環(huán)節(jié)產(chǎn)生的不一致性也增加了高光譜建模的難度和不確定性。

2.3 種子活力檢測

種子活力是評估種子品質(zhì)的一個(gè)重要指標(biāo)，高活力的種子耐儲(chǔ)藏、發(fā)芽率高、具有較強(qiáng)的抗逆性。成熟時(shí)的種子活力最高，但會(huì)隨著貯藏時(shí)間的增加而降低。故在使用種子進(jìn)行播種或食品加工前進(jìn)行及時(shí)、準(zhǔn)確的種子活力檢測具有重要的意義。目前，HIS技術(shù)在小麥、水稻、玉米種子活力檢測上都獲得了有效性驗(yàn)證，但同時(shí)也表明種子活力受品種、種植區(qū)域、貯藏年份等的影響，需要對不同品種、種植區(qū)域、貯藏年份等的樣本建立檢測模型。

2.4 不完善籽粒檢測

不完善籽粒主要在生產(chǎn)、存儲(chǔ)、包裝等過程中產(chǎn)生，不完善籽粒的存在會(huì)降低谷物質(zhì)量甚至影響糧食安全。目前我國谷物不完善籽粒檢測多以人工分選為主，存在主觀性較強(qiáng)，費(fèi)時(shí)費(fèi)力等問題。因此，如何快速準(zhǔn)確鑒別谷物不完善粒是現(xiàn)階段提高生產(chǎn)率和保證糧食安全的重要問題，HSI技術(shù)作為一種無損和快速的光學(xué)成像分析技術(shù)可以解決這一重要問題。目前，HSI技術(shù)在谷物不完善籽粒檢測主要應(yīng)用于小麥破損粒、黑胚粒、發(fā)芽、發(fā)霉、干癟、蟲蝕、病斑粒等檢測并取得一定進(jìn)展，但由于不同品種小麥的特征波長可能有所不同，需大量的研究數(shù)據(jù)來建立可靠的識(shí)別模型，故仍存在樣本量少而導(dǎo)致模型可信度低的問題。

表4 HSI技術(shù)在谷物活力檢測中的應(yīng)用

表5 HSI技術(shù)在谷物不完善籽粒檢測中的應(yīng)用

3 問題和展望

HSI技術(shù)在谷物品質(zhì)無損檢測研究與應(yīng)用中已經(jīng)取得一定的成果，但其應(yīng)用于實(shí)際仍存在許多問題。HSI技術(shù)在小麥蛋白質(zhì)、水分、濕面筋含量指標(biāo)，水稻和玉米的水分含量檢測方面取得了一定的成果，但在小麥的穩(wěn)定時(shí)間、纖維素、千粒重、沉淀值、淀粉等，玉米的淀粉、脂肪、蛋白質(zhì)等，水稻的淀粉、蛋白質(zhì)等化學(xué)指標(biāo)較少甚至沒有。HSI技術(shù)在品種鑒別的研究上存在有效性和穩(wěn)定性差等問題。此外，樣本在種植區(qū)域、儲(chǔ)藏年份、生產(chǎn)條件、儲(chǔ)運(yùn)和流通環(huán)節(jié)產(chǎn)生的不一致性也增加了高光譜建模的難度和不確定性。HSI技術(shù)在種子活力檢測上都獲得了有效性驗(yàn)證，但同時(shí)也發(fā)現(xiàn)模型的準(zhǔn)確性和可信度受樣本的品種、種植區(qū)域、儲(chǔ)藏年份等的影響。HSI技術(shù)在谷物不完善籽粒檢測的研究中，由于不同品種的小麥的特征波長可能有所不同，需大量的研究數(shù)據(jù)來建立可靠的識(shí)別模型，故仍存在樣本量少而導(dǎo)致模型可信度低的問題。缺乏集光譜采集、數(shù)據(jù)處理、智能判別為一體的相關(guān)設(shè)備。目前實(shí)驗(yàn)室用和室外用HSI成像設(shè)備，體積過于龐大、不易攜帶。高光譜設(shè)備和數(shù)據(jù)處理軟件操作難度大，大量數(shù)據(jù)通過不同數(shù)據(jù)軟件分析速度顯著不同，所構(gòu)建的模型不具通用性，致使該技術(shù)的應(yīng)用受限。

將高光譜成像技術(shù)成功應(yīng)用于谷物無損快速檢測仍需做大量工作：建立多化學(xué)指標(biāo)的高光譜定量模型；增加樣本來源和數(shù)量，嘗試不同數(shù)據(jù)處理方法，有助于提高模型的準(zhǔn)確性、穩(wěn)定性和重現(xiàn)性；借助互聯(lián)網(wǎng)、大數(shù)據(jù)等研發(fā)快速、無損、輕便、智能化的高光譜檢測或監(jiān)測設(shè)備等。