王慶國， 黃 敏*， 朱啟兵， 孫 群

（1.江南大學(xué) 輕工過程先進(jìn)控制教育部重點實驗室，江蘇 無錫214122；2.中國農(nóng)業(yè)大學(xué) 農(nóng)學(xué)與生物技術(shù)學(xué)院，北京 100193）

玉米（Zea mays L.）是世界總產(chǎn)量最高的糧食作物和主要的畜牧業(yè)飼料來源，也是糧食作物中用途最廣、可開發(fā)產(chǎn)品最多和用量最大的工業(yè)原料，因此確保玉米的質(zhì)量安全顯得尤為重要[1]。在玉米等農(nóng)產(chǎn)品的質(zhì)量與安全監(jiān)督方面，包括中國在內(nèi)的許多國家和國際組織要求對進(jìn)口的玉米等農(nóng)產(chǎn)品必須標(biāo)明原產(chǎn)地，并相繼間建立了完整的質(zhì)量追溯體系及相關(guān)立法。例如，歐盟自1997的瘋牛病事件起便開始建立食品質(zhì)量安全追溯體系，世界衛(wèi)生組織與聯(lián)合國糧食及農(nóng)業(yè)組織在2004年合作建立了國際食品安全當(dāng)局網(wǎng)絡(luò)，美國也要求所有與食品生產(chǎn)有關(guān)的企業(yè)在2006年必須建立食品質(zhì)量安全可追溯制度[2-3]，以便在發(fā)生食品安全事故時迅速確定事故源頭并及時進(jìn)行召回。因此，對農(nóng)產(chǎn)品源產(chǎn)地的鑒別研究具有重要的實際意義。同時，為了保障糧食消費需求、維護(hù)糧食市場穩(wěn)定以及應(yīng)對重大自然災(zāi)害等突發(fā)事件，世界各國也都制定了健全的糧食儲備計劃。我國要求每年按儲備規(guī)模的1/3進(jìn)行輪換，即市場上流通的糧食是來自于不同年份的，因此，對農(nóng)產(chǎn)品年份的鑒別研究也具有重要的意義。

在產(chǎn)地鑒別領(lǐng)域中，礦物元素分析和同位素指紋圖譜技術(shù)是兩種比較傳統(tǒng)的技術(shù)[4-5]，它們在鑒別過程需要結(jié)合化學(xué)計量學(xué)方法，準(zhǔn)確性和靈敏度較高，但費用高且鑒別速度慢；近紅外光譜技術(shù)是近幾年發(fā)展起來的一種快速、無損、應(yīng)用廣泛的鑒別技術(shù)[6-8]，但用來進(jìn)行產(chǎn)地鑒別研究時，其鑒別結(jié)果易受樣本狀態(tài)和測定條件的影響，靈敏度較低。高光譜圖像技術(shù)融合了圖像技術(shù)和光譜技術(shù)的優(yōu)勢，能夠同時獲取反映待測樣本外部特征、內(nèi)部物理結(jié)構(gòu)及化學(xué)成分的圖像信息和光譜信息，已經(jīng)被廣泛應(yīng)用到農(nóng)產(chǎn)品無損檢測領(lǐng)域，在農(nóng)藥殘留檢測[9]、內(nèi)外部品質(zhì)預(yù)測[10-13]、農(nóng)產(chǎn)品信息診斷[14]等應(yīng)用領(lǐng)域涌現(xiàn)了大量研究成果，但利用高光譜圖像技術(shù)對農(nóng)產(chǎn)品進(jìn)行產(chǎn)地及年份鑒別的研究卻鮮有報道。作者以玉米種子為研究對象，利用高光譜圖像技術(shù)結(jié)合偏最小二乘判別分析，采用不同的光譜特征及預(yù)處理方式建立了玉米種子的產(chǎn)地與年份鑒別模型，探究了高光譜圖像技術(shù)在產(chǎn)地鑒別中可行性，為農(nóng)產(chǎn)品產(chǎn)地鑒別提供了一種新的技術(shù)參考。

1 材料與方法

1.1 實驗材料

玉米種子樣本：由中國農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院植物遺傳育種學(xué)系提供，分別來自3個不同產(chǎn)地和年份，包括先玉335甘肅2010年（XYGS2010）、先玉 335 甘肅 2011 年（XYGS2011）、先玉335海南2012年（XYHN2012）、鄭單958北京2011年 （ZDBJ2011）、 鄭 單 958北 京 2012年（ZDBJ2012）、 鄭單 958 甘肅 2010 年（ZDGS2010）、鄭單958甘肅2011年 （ZDGS2011）。其中每類80粒，共560粒玉米種子樣本。

1.2 高光譜成像系統(tǒng)

實驗所用高光譜成像系統(tǒng)由硬件和軟件兩部分組成。硬件部分由光源模塊、樣本輸送平臺、圖像采集模塊和計算機(jī)構(gòu)成，系統(tǒng)結(jié)構(gòu)見圖1。其中光源模塊包括150 W可調(diào)功率光纖鹵素?zé)?（150 W EKE，3250K（#20094145），Techniquip，USA）、光纖和線光裝置；圖像采集模塊包括鏡頭（10004A-21226 Lens，F(xiàn)/1.4 FL23mm，Standard Barrel，C -Mount，USA）、光譜儀（1003A-10140 HyperspcTM VNIR CSeries，Headwall Photonics Inc.，USA）、CCD 相 機(jī)（pixelfly qe IC*285AL，Cooke，USA）和 CCD 控制器，其中光譜儀的狹縫寬度為25 um，光譜范圍為400～1 000 nm，光譜分辨率為1.29 nm，采樣波段間隔為0.64 nm/pixel，空間分辨率為0.15mm。圖像采集軟件為Hyperspectral Scanning and Image Rendering Software，Rev A.2.1.3 （Headwall Photonics Inc.，USA），曝光時間、掃描步長、掃描寬帶和光譜壓縮倍數(shù)（binning）由采集軟件控制。

圖1 高光譜成像系統(tǒng)Fig.1 Hyperspectral imaging system

1.3 高光譜圖像采集與校正

為了在圖像不失真的前提下獲得最佳的圖像采集效果，在圖像采集之前需要對高光譜成像系統(tǒng)進(jìn)行校正和調(diào)試，確定出最佳系統(tǒng)參數(shù)如下：曝光時間250 ms，物距25 cm，線掃描步長80 um，掃描寬度30 mm，binning設(shè)置為4，即實際波段間隔為2.56 nm，在400～1 000 nm波長范圍內(nèi)共獲得233個波段。采集結(jié)束時得到大小為375×1 392×233的圖像立方體。圖像采集時將玉米樣本放置在黑色載物板上，整個采集過程在密閉黑箱中進(jìn)行以減弱外部光源的干擾。為降低光源變化及系統(tǒng)噪聲的影響，每隔4幅圖像采集一次標(biāo)準(zhǔn)白板和全黑標(biāo)定圖像對原始圖像進(jìn)行校正，校正公式為

式中，Rc為校正圖像；Rs為原始圖像；Rw和Rb分別為標(biāo)準(zhǔn)白板和黑板圖像。后續(xù)圖像處理與分析均在Rc上進(jìn)行。

1.4 圖像分割與特征提取

高光譜圖像中包含了二維的空間信息（x×y）和一維的光譜信息（λ），通常包含數(shù)百個波段的光譜信息，直接對如此龐大的數(shù)據(jù)進(jìn)行處理是非常繁瑣和費時的，因此作者通過特征提取的方式來降低數(shù)據(jù)維度及處理復(fù)雜度。首先利用主動輪廓模型（Active Contour Model，ACM）對高光譜圖像進(jìn)行分割，確定玉米種子目標(biāo)區(qū)域，然后對目標(biāo)區(qū)域進(jìn)行特征提取。

1.4.1 ACM圖像分割 ACM是Kass等提出的一種經(jīng)典圖像分割算法，Caselles等將水平集方法應(yīng)用到主動輪廓描述和模型求解中[15-17]。結(jié)合水平集方法的ACM圖像分割算法，具有較強(qiáng)的抗噪性能，對弱邊界條件下的多目標(biāo)輪廓提取效果顯著[18-19]，該模型的能量泛函為：

式中，c1和c2分別為輪廓線C內(nèi)部區(qū)域和外部區(qū)域的平均灰度；μ，v≥0，λ1、λ2為正的權(quán)重因子。長度項Length（C）用于控制輪廓線的光滑度，面積項Area（C）用于控制輪廓線的規(guī)則度。

對玉米種子高光譜圖像進(jìn)行輪廓提取時，首先在待分割玉米種子圖像上定義初始演化曲線，通過最小化能量泛函的方式，驅(qū)動演化曲線不斷向玉米種子輪廓邊緣逼近，直到演化曲線收斂到玉米種子輪廓邊緣或者達(dá)到預(yù)先設(shè)定的迭代次數(shù)，并以最終演化曲線內(nèi)部區(qū)域為玉米種子目標(biāo)區(qū)域。圖2為對XYGS2011在707 nm波段下的分割結(jié)果，演化曲線最終精確的收斂到玉米種子輪廓邊緣上。

圖2 XYGS2011在707 nm波段下的分割結(jié)果Fig.2 Results of XYGS2011 in wavelength 707 nm

1.4.2 特征提取 在農(nóng)產(chǎn)品無損檢測和品質(zhì)預(yù)測中，特征的選擇是影響最終檢測或預(yù)測結(jié)果的關(guān)鍵因素之一[20-21]。基于統(tǒng)計學(xué)的均值和標(biāo)準(zhǔn)差是對原始光譜信息的最直觀反映，在變化趨勢上與原始信息具有較好的一致性?；诨叶戎狈綀D的熵和能量特征主要反映了被測目標(biāo)的紋理變化，與顏色和大小特征相比，紋理特征中關(guān)于被測物體的化學(xué)和物理屬性信息更為豐富[20]。熵E和能量P的定義分別為：

式中，M、N分別為玉米種子在水平和垂直方向上的像素數(shù)目。在400～1 000 nm波長范圍內(nèi)共233個波段下，共提取了玉米種子目標(biāo)區(qū)域的均值、標(biāo)準(zhǔn)差、熵和能量4個特征，對不同特征在產(chǎn)地和年份的鑒別能力上做了比較研究，并從實際應(yīng)用的角度出發(fā)，選出了更適合實際應(yīng)用的特征用于最優(yōu)模型的建立。

1.5 光譜預(yù)處理

光譜預(yù)處理的目的是降低原始光譜中基線漂移、光線散射及樣本不均勻等環(huán)境和儀器噪聲的影響，以增強(qiáng)模型的預(yù)測能力，在用于對農(nóng)產(chǎn)品和食品化學(xué)成分含量及品質(zhì)預(yù)測的偏最小二乘回歸（Partial Least Squares Regression，PLSR）、 多元線性回歸（Multiple Linear Regression，MLR）、偏最小二乘支持向量機(jī) （Partial Least Squares Support Vector Machine，LSSVM）中應(yīng)用廣泛[22-23]。探究了不同的預(yù)處理方式對偏最小二乘判別分析 （Partial Least Squares Discriminant Analysis，PLSDA）模型的影響，分別使用了基線補(bǔ)償（Baseline Offset，BOS）、去趨勢（Detrending，DET）、 多 元 散 射 校 正 （Multiplicative Scatter Correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量（Standard Normal Variate，SNV）、SG 導(dǎo) 數(shù) （Savitzky-Golay Derivative，SG Der）對光譜數(shù)據(jù)進(jìn)行預(yù)處理。

1.6 PLSDA

PLSDA是一種基于PLSR的多變量鑒別分析方法，在光譜數(shù)據(jù)的分類和判別問題中有廣泛的應(yīng)用。作為一種有監(jiān)督分類方法，PLSDA利用PLSR建立自變量（樣本光譜特征）和因變量（類別屬性）間的關(guān)系模型，通過比較預(yù)測值的大小來確定樣本的所屬類別。在先前的多類別分類研究中，PLSDA模型表現(xiàn)出了優(yōu)異的鑒別性能[18-19]。在建立PLSDA模型之前，使用四選一隨機(jī)劃分方式將所有樣本分為訓(xùn)練集和測試集兩部分，其中全部樣本的3/4為訓(xùn)練集樣本，剩余的1/4為測試集樣本。為了降低樣本集劃分對鑒別結(jié)果的影響，分別使用4次不同的四選一樣本劃分集建立模型，并取4次結(jié)果的平均值作為最終鑒別結(jié)果。

2 結(jié)果與分析

2.1 不同特征下的產(chǎn)地與年份鑒別

由圖3可以看出，經(jīng)過ACM圖像分割之后，每一粒玉米種子被精確的從背景中分離出來，相比手動選取感興趣區(qū)域的方式，很大程度上避免了人為因素對實驗結(jié)果的影響。在分割出的玉米種子目標(biāo)區(qū)域上分別提取均值、標(biāo)準(zhǔn)差、熵和能量特征，不同產(chǎn)地和年份的玉米種子在各特征下的類內(nèi)均值曲線見圖3a～d所示。可以看出，熵特征的類間離散度最為明顯，即熵特征能更好的表征玉米種子的產(chǎn)地和年份差異。而均值、標(biāo)準(zhǔn)差和能量特征曲線中，個別幾類的分布較為集中，從視覺上無法直接看出它們對玉米種子表達(dá)能力的不同，因此，需要通過進(jìn)一步的建模分析來確定不同特征鑒別能力的差別。

圖3 光譜特征曲線Fig.3 Spectral characteristic curves

分別將4個特征做為模型的輸入建立PLSDA模型，鑒別結(jié)果見表1。分析表1可知，不同特征對玉米籽粒的描述能力存在差異性。在本研究中，基于均值和熵特征的模型精度要高于能量特征，方差模型的鑒別精度最低（90.36%）。熵模型的訓(xùn)練精度最高（99.82%），但對未知樣本的預(yù)測能力卻低于均值模型。原因可能在于熵特征反映的是玉米種子紋理的變化，而紋理變化是玉米種子內(nèi)部物理化學(xué)成分變化的間接體現(xiàn)，與對原始光譜信息的直接統(tǒng)計平均相比，在對不同類別間玉米種子物理化學(xué)差異的敏感性上熵要低于均值特征[20]。綜合以上分析，同時考慮到在實際應(yīng)用中的計算復(fù)雜度，作者選取均值為最佳鑒別特征。

表1 不同特征的PLSDA模型精度Table 1 PLSDA model accuracy of different features

2.2 預(yù)處理方法對模型的影響

圖 4（a）～（f）為從預(yù)測集中隨機(jī)選取的 20 粒玉米種子的原始光譜（RAW）和不同預(yù)處理方式下的光譜曲線。可以看出，DET、MSC、SG導(dǎo)數(shù)和SNV有效減弱了散射的影響，同時，經(jīng)過MSC和SNV處理后的數(shù)據(jù)與RAW在變化趨勢上保持了較好的一致性，而經(jīng)過非線性趨勢消除（DET）和二階SG導(dǎo)數(shù)處理后的光譜與RAW差異性較大?；€補(bǔ)償是對樣本光譜值做減去最小值處理，因此，這種預(yù)處理方式的光譜在曲線變化趨勢及分布上都與原始光譜較為接近。為了探究不同預(yù)處理方式對模型的影響，利用不同預(yù)處理后的光譜數(shù)據(jù)，分別建立PLSDA模型，最終結(jié)果見表2。

圖4 原始光譜與不同預(yù)處理方式的光譜曲線Fig.4 Curve for RAW and different preprocessing methods

從表2可以看出，對于不同的特征，不同的預(yù)處理方式對模型的影響也存在差異。在最佳鑒別特征均值模型中，除了基線補(bǔ)償外，其他預(yù)處理方式的模型精度都等于或高于未做預(yù)處理的模型，但只有基于SNV模型的預(yù)測能力有所提高。在其他特征模型中，只有基于SNV處理的熵特征模型和基線補(bǔ)償處理的能量特征模型的預(yù)測能力高于原始特征模型。原因可能是不同的預(yù)處理方式對不同的特征在消除隨機(jī)噪聲和儀器影響的同時，一部分有用信息也被濾除了[22]。因此綜合考慮將SNV做為最佳預(yù)處理方式。

表2 不同預(yù)處理方式的模型精度Table 2 Model accuracy of different preprocessing method

2.3 最優(yōu)模型建立

將經(jīng)過SNV處理的最佳鑒別特征作為PLSDA模型的輸入，建立產(chǎn)地與年份鑒別模型，訓(xùn)練集和測試集精度分別達(dá)到了99.11%和98.39%，各類的判別結(jié)果見表3。其中ZDBJ2012等5類的鑒別精度接近或達(dá)到了100%，只有XYGS2010和XYGS2011的精度相對較低。通過對表3的進(jìn)一步分析發(fā)現(xiàn)，錯誤判別集中出現(xiàn)在XYGS2010和XYGS2011兩類之間。這兩類只有在年份上存在差異，造成誤判的主要原因可能是同一產(chǎn)地的土壤和氣候條件相同，不同年份間的光照、積溫及降水等條件較為接近，反映到玉米種子高光譜圖像中的特征差異性較小，在鑒別過程中兩者相互干擾從而發(fā)生誤判[24]。這說明年份信息在一定程度上會對總體鑒別結(jié)果產(chǎn)生干擾，為了探究年份信息對模型的影響，作者又對在不考慮年份特征下的玉米種子產(chǎn)地鑒別做了研究。

表3 產(chǎn)地與年份鑒別模型判別結(jié)果Table 3 Discriminant result for geographical origin and years identification

2.4 產(chǎn)地鑒別

首先將相同產(chǎn)地不同年份的同種玉米種子歸為一類，即XYGS2010和XYGS2011、ZDGS2010和ZDGS2011、ZDBJ2011和 ZDBJ2012組合為一類，XYHN2012看作一類，同樣利用經(jīng)過SNV預(yù)處理的最佳特征建立PLSDA模型。結(jié)果顯示，訓(xùn)練集和測試集精度分別達(dá)到了100.00%和99.64%，高于產(chǎn)地與年份鑒別模型。因此，忽略年份特征時，在一定程度上有助于提高產(chǎn)地鑒別的模型精度。

3 結(jié)語

不同生態(tài)區(qū)的玉米種子因土壤、地形、光照和積溫等條件的不同，其內(nèi)部有機(jī)組成和礦質(zhì)元素含量等存在一定的差異性。作者利用這種差異性特征信息，結(jié)合高光譜圖像技術(shù)建立了玉米種子的產(chǎn)地和年份鑒別模型，并對不同的特征和光譜預(yù)處理方式做了研究。結(jié)果表明，產(chǎn)地和年份鑒別的訓(xùn)練集和測試集精度分別達(dá)到了99.11%和98.39%，在忽略年份信息時鑒別效果更佳。但限于樣本種類及數(shù)量，模型的有效性和穩(wěn)健性還有待驗證。同時為了適應(yīng)工業(yè)化應(yīng)用需求，在特征提取方法、數(shù)據(jù)處理與分析及波段選擇等方面還需要做進(jìn)一步的研究。

[1]樊智翔，郭玉宏，安偉，等.玉米綜合利用的現(xiàn)狀及發(fā)展前景[J].山西農(nóng)業(yè)大學(xué)學(xué)報：自然科學(xué)版，2003，23（2）：182-184.FAN Zhixiang，GUO Yuhong，AN Wei，et al.The current situation and development prospect of utilizing maize comprehensively[J].Journal of Shanxi Agricultural University，2003，23（2）：182-184.（in Chinese）

[2]吳迪，魯成銀，成浩.食品質(zhì)量安全追溯系統(tǒng)研究進(jìn)展及在茶葉行業(yè)應(yīng)用展望[J].中國農(nóng)學(xué)通報，2009，25（1）：251-255.WU Di，LU Chengyin，CHENG Hao，et al.Recent developments of food safety traceability system and its perspective on tea[J].Chinese Agricultural Science Bulletin，2009，25（1）：251-255.（in Chinese）

[3]Opara L U.Traceability in agriculture and food supply chain：A review of basic concepts，technological implications，and future prospects[J].Journal of Food Agriculture and Environment，2003，1（1）：101-106.（in Chinese）

[4]Gonzálvez A，Armenta S，de la Guardia M.Geographical traceability of “Arròs de Valencia” rice grain based on mineral element composition[J].Food Chemistry，2011，126（3）：1254-1260.

[5]Suzzki Y，Chikaraishi Y，ogawa N O，et al.Geographical origin of polished rice based on multiple element and stable isotope analyses[J].Food Chemistry，2008，109（2）：470-475.

[6]Liu L，Cozzolino D，Cynkar W U，et al.Geographic classification of Spanish and Australian tempranillo red wines by visible and near-infrared spectroscopy combined with multivariate analysis[J].Journal of Agricultural and Food Chemistry，2006，54（18）：6754-6759.

[7]Zhao H Y，Guo B Li，Wei Y M，et al.Near infrared reflectance spectroscopy for determination of the geographical origin of wheat[J].Food Chemistry，2013，138（2-3）：1902-1907.

[8]Wang W B，Paliwal J.Near-infrared spectroscopy and imaging in food quality and safety[J].Sensing and Instrumentation for Food Quality and Safety，2007，1（4）：193-207.

[9]陳菁菁，彭彥昆，李永玉，等.基于高光譜熒光技術(shù)的葉菜農(nóng)藥殘留快速檢測[J].農(nóng)業(yè)工程學(xué)報，2010，26（S2）：1-4.CHENG Jingjing，PENG Yankun，LI Yongyu，et al.Rapid detection of vegetable pesticide residue based on hyperspectral fluorescence imaging technology[J].Transactions of the CSAE，2010，26（S2）：1-4.（in Chinese）

[10]Rajkumar P，Wang N，EImasry G，et al.Studies on banana fruit quality and maturity stages using hyperspectral imaging[J].Journal of Food Engineering，2012，108（1）：194-200.

[11]Del Fiore A，Reverberi M，Ricelli A，et al.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J].International Journal of Food Microbiology，2010，144（1）：64-71.

[12]Ariana D P，Lu R F.Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering，2010，96（4）：583-590.

[13]Gowen A A，O'Donnell C P，Cullen P J，et al.Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J].Trends in Food Science and Technology，2007，18（12）：590-598.

[14]Delalieux S，Aardt J van，Keulemans W，et al.Detection of biotic stress （Venturia inaequalis） in apple trees using hyperspectral data_Non-parametric statistical approaches and physiological implications[J].European Journal of Agronomy，2007，27（1）：130-143.

[15]Chan T F，Vese L A.Active contours without edges[J].IEEE Transactions on Image Processing，2001，10（2）：266-277.

[16]Zhang K H，Zhang L，Song H H，et al.Active contours with selective local or global segmentation：A new formulation and level set method[J].Image and Vision Computing，2010，28（4）：668-676.

[17]Li C M，Xu C Y，Gui C F，et al.Level set evolution without re-initialization：a new variational formulation[A].IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].California：San Diego，2005，1：430-436.

[18]黃敏，朱曉，朱啟兵，等.基于高光譜圖像的玉米種子特征提取與識別[J].光子學(xué)報，2012，41（7）：868-873.HUANG Min，ZHU Xiao，ZHU Qibing，et al.Morphological characteristics of maize seed extraction and identification based on the hyperspectral image[J].Acta Photonica Sinica，2012，41（7）：868-873.（in Chinese）

[19]黃敏，朱曉，朱啟兵，等.基于主動輪廓模型的玉米種子高光譜圖像分類[J].數(shù)據(jù)采集與處理，2013，28（3）：289-293.HUANG Min，ZHU Xiao，ZHU Qibing，et al.Hyperspectral image classification of maize seeds based on active contour model[J].Journal of Data Acquisition and Processing，2013，28（3）：289-293.（in Chinese）

[20]Zheng C X，Sun D W，Zheng L Y.Recent developments and applications of image features for food quality evaluation and inspection-a review[J].Trends in Food Science and Technology，2006，17（12）：642-655.

[21]Wu D，Yang H Q，Chen X J，et al.Application of image texture for the sorting of tea categories using multi-spectral imagin g technique and support vector machine[J].Journal of Food Engineering，2008，88（4）：474-483.

[22]Feng Y Z，Sun D W.Near-infrared hyperspectral imaging in tandem with partial least squares regression and genetic algorithm for non-destructive determination and visualization of Pseudomonas loads in chicken fillets[J].Talanta，2013，109：74-83.

[23]黃敏，萬相梅，朱啟兵，等.基于高光譜圖像技術(shù)的菜用大豆厚度檢測[J].食品與生物技術(shù)學(xué)報，2012，31（11）：1142-1147.HUANG Min，WAN Xiangmei，ZHU Qibing，et al.Thickness measurement of green soybean using hyperspectral imaging technology[J].Journal of Food Science and Biotechnology，2012，31（11）：1142-1147.（in Chinese）

[24]崔麗娜，張新，高榮岐，等.不同生態(tài)區(qū)玉米種子品質(zhì)的比較研究[J].玉米科學(xué)，2012，20（4）：26-31.CUI Lina，ZHANG Xin，GAO Rongqi，et al.Effects of different ecological areas on maize seed quality[J].Journal of Maize Sciences，2012，20（4）：26-31.（in Chinese）