于宏威，王 強(qiáng)，劉 麗，石愛民，胡 暉，劉紅芝

中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，農(nóng)業(yè)部農(nóng)產(chǎn)品加工綜合性重點(diǎn)實(shí)驗(yàn)室，北京 100193

糧油品質(zhì)安全高光譜成像檢測(cè)技術(shù)的研究進(jìn)展

于宏威，王 強(qiáng)，劉 麗，石愛民，胡 暉，劉紅芝*

中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，農(nóng)業(yè)部農(nóng)產(chǎn)品加工綜合性重點(diǎn)實(shí)驗(yàn)室，北京 100193

糧油品質(zhì)安全至關(guān)人類營(yíng)養(yǎng)健康與生命安全。常規(guī)檢測(cè)糧油品質(zhì)安全方法，由于操作困難、破壞性強(qiáng)、費(fèi)用高、試劑污染等缺點(diǎn)，不能滿足快速無損，高效無污染的要求，難以與工業(yè)4.0接軌。整合光譜和圖像手段的高光譜成像技術(shù)，伴隨著化學(xué)計(jì)量學(xué)的發(fā)展，突破了常規(guī)檢測(cè)方法局限性，是糧油品質(zhì)安全檢測(cè)技術(shù)的發(fā)展趨勢(shì)。在大量文獻(xiàn)的基礎(chǔ)上，綜述了高光譜成像技術(shù)原理，以及在品質(zhì)方面(組分測(cè)定、發(fā)芽檢測(cè)、品種分類)和安全方面(真菌檢測(cè)、蟲害檢測(cè))的研究進(jìn)展，特別分析了高光譜成像技術(shù)檢測(cè)糧油品質(zhì)安全的應(yīng)用光譜范圍、化學(xué)計(jì)量學(xué)方法、儀器設(shè)備和模型準(zhǔn)確性，指出了現(xiàn)階段在糧油品質(zhì)安全檢測(cè)中存在的主要問題，并對(duì)今后的研究方向和重點(diǎn)進(jìn)行了展望，以期推動(dòng)高光譜成像技術(shù)在糧油領(lǐng)域的應(yīng)用發(fā)展。

高光譜成像技術(shù)；糧油；品質(zhì)；安全；化學(xué)計(jì)量學(xué)

引 言

民以食為天，食以糧為先。糧油品質(zhì)安全至關(guān)人類營(yíng)養(yǎng)健康與生命安全，因此糧油品質(zhì)安全檢測(cè)技術(shù)一直是農(nóng)業(yè)領(lǐng)域重要研究方向?，F(xiàn)階段我國(guó)糧油品質(zhì)安全檢測(cè)主要依靠人工分揀、傳統(tǒng)成像的定性分析以及化學(xué)測(cè)定的定量分析。人工分揀費(fèi)時(shí)費(fèi)力，導(dǎo)致糧油產(chǎn)品缺乏競(jìng)爭(zhēng)力，傳統(tǒng)成像RGB合成圖片中含有虛假信息，易造成信息的錯(cuò)判和誤判。化學(xué)測(cè)定包括了薄層析法，氣相色譜法和高效液相色譜法等，破壞糧油作物，操作困難，費(fèi)用高，試劑污染環(huán)境。整合光譜和圖像手段的高光譜成像技術(shù)，伴隨著化學(xué)計(jì)量學(xué)的發(fā)展，以其巨大的優(yōu)勢(shì)已經(jīng)廣泛應(yīng)用于糧油作物的快速無損檢測(cè)中。

高光譜圖像是由一系列連續(xù)波段圖像組成的三維圖像數(shù)據(jù)，既具有某個(gè)特定波長(zhǎng)下的圖像信息，又有針對(duì)XY平面內(nèi)某個(gè)特定像素的光譜信息[1-2]。圖像信息即空間像素點(diǎn)的位置，每個(gè)像素點(diǎn)中又包含了全波段的光譜信息。光譜信息是糧油作物中的分子從基態(tài)向高能級(jí)躍遷時(shí)，含氫基團(tuán)振動(dòng)的倍頻吸收和合頻吸收所產(chǎn)生[3]，光譜分辨率通?？蛇_(dá)到2～3 nm。糧油作物中不同基團(tuán)產(chǎn)生的光譜吸收峰的位置和強(qiáng)度都有明顯差異，并隨著基團(tuán)組成及含量變化其光譜特征也相應(yīng)的發(fā)生變化。故可以通過高光譜成像儀測(cè)定空間和光譜數(shù)據(jù)，并結(jié)合化學(xué)計(jì)量學(xué)方法，定性或定量測(cè)定糧油作物的信息[4]。

目前已有李江波、彭彥昆[5]和張保華[6]等學(xué)者綜述了高光譜成像技術(shù)在農(nóng)產(chǎn)品、畜產(chǎn)品和果蔬中的應(yīng)用研究，但缺少對(duì)糧油品質(zhì)安全的應(yīng)用報(bào)道。本文以糧油相關(guān)詞語和高光譜成像技術(shù)為主題詞，通過Web of Science，ScienceDirect，CNKI和谷歌學(xué)術(shù)等數(shù)據(jù)庫對(duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)和專利進(jìn)行搜索，并檢索到62篇文獻(xiàn)和9項(xiàng)專利，其中2010年—2014年五年內(nèi)檢索到論文和專利數(shù)占總數(shù)的78%。經(jīng)對(duì)論文專利分類后，發(fā)現(xiàn)高光譜成像技術(shù)在糧油研究主要集中在品質(zhì)和安全兩大方面。在檢索文獻(xiàn)的基礎(chǔ)上，綜述高光譜成像技術(shù)的原理和應(yīng)用，并綜合分析了該技術(shù)檢測(cè)糧油品質(zhì)安全的應(yīng)用光譜范圍、化學(xué)計(jì)量學(xué)、儀器設(shè)備和模型準(zhǔn)確性，指出了現(xiàn)階段在糧油品質(zhì)安全檢測(cè)中存在的主要問題，并對(duì)今后的研究方向和重點(diǎn)進(jìn)行展望。

1 高光譜成像技術(shù)的原理

1.1 高光譜成像系統(tǒng)的主要構(gòu)成

圖1展示了典型高光譜成像設(shè)備的組成(1： 圖像單元；2： 照明單元；3： 電腦控制單元；4： 樣品輸送單元)和傳統(tǒng)化學(xué)方法的缺點(diǎn)。圖像單元是高光譜系統(tǒng)的核心元件，與人眼作用相同，具有成像功能，由標(biāo)準(zhǔn)變焦鏡頭、面陣相機(jī)(A)和高靈敏性光譜儀(B)組成。光譜儀的作用是把寬波長(zhǎng)的混合光分散成不同頻率的單色光，并把分散光投射到面陣相機(jī)上。面陣相機(jī)分為charge-coupled device(CCD)和complementary metal oxide semiconductor(CMOS)，負(fù)責(zé)接受高光譜數(shù)據(jù)。光譜儀中光學(xué)元件，包括棱鏡(prism)，衍射光柵(diffraction grating)，液晶可調(diào)濾光器(liquid crystal tunable filter, LCTF)和聲光可調(diào)濾光器(acousto-optic tunable filter, AOTF)[7]。照明單元提供均勻的照明環(huán)境，鹵素?zé)籼峁┛梢?近紅外波段的光照。電腦控制單元，與人腦作用類似，控制圖像的采集和處理，是高光譜成像系統(tǒng)的樞紐。樣品輸送單元，實(shí)現(xiàn)糧油作物光譜和圖像信息的采集，配有步進(jìn)電機(jī)的線掃描克服了點(diǎn)掃描獲取圖像時(shí)間長(zhǎng)、面掃描不能獲得移動(dòng)樣品的缺點(diǎn)，是目前研究和應(yīng)用采用的主要方法。以上4部分有機(jī)組合形成了高光譜成像設(shè)備，利用高光譜成像設(shè)備檢測(cè)糧油作物，實(shí)現(xiàn)了快速無損、高效無污染的分析，有利的避免了傳統(tǒng)化學(xué)方法的缺點(diǎn)。

圖1 高光譜成像系統(tǒng)的組成[6, 8]和傳統(tǒng)化學(xué)方法的缺點(diǎn)

1.2 高光譜圖像的獲取和校正

光源提供光子與糧油作物作用，根據(jù)兩者作用對(duì)電磁波的影響，分為反射、透射和漫反射。光譜儀收集含著物理和化學(xué)成分的信息，通過光學(xué)元件將其分散并投射到二維探測(cè)器陣列上，其光譜范圍涵蓋了可見和近紅外波段。獲得的信號(hào)將會(huì)轉(zhuǎn)移到電腦中進(jìn)行進(jìn)一步處理，包括數(shù)字化，存儲(chǔ)，建模和判定。

高光譜成像系統(tǒng)采集的是原始圖像，由于不同的光譜儀對(duì)檢測(cè)光的敏感程度不同，造成了采集圖像存在差異[9]，因此為了使高光譜數(shù)據(jù)更具穩(wěn)定性和可比性，常利用全白參考圖像(Iwhite)和暗電流圖像(Idark)對(duì)原始高光譜圖像(Iraw)進(jìn)行校正，得到校正后的光譜圖像(Inorm)。校正式(1)所示

(1)

其中，分母運(yùn)算消除光系統(tǒng)的非均勻性，分子運(yùn)算消除系統(tǒng)的噪音，整體相除得到穩(wěn)定高光譜數(shù)據(jù)，簡(jiǎn)化后續(xù)運(yùn)算[8]。此外，高光譜圖像校正可以采用已經(jīng)標(biāo)準(zhǔn)化的光源，如校正燈和激光束。校正燈主要利用稀有氣體和金屬蒸汽產(chǎn)生的窄光譜進(jìn)行校正[10]。

1.3 高光譜數(shù)據(jù)處理和分析

高光譜數(shù)據(jù)具有共性問題，即數(shù)據(jù)量非常大，因此需要采用化學(xué)計(jì)量學(xué)算法挖掘詳細(xì)的重要信息。圖2展示了高光譜數(shù)據(jù)分析流程圖。目前市面上處理數(shù)據(jù)軟件商業(yè)軟件主要有ENVI，MATLAB和Unscrambler，其中ENVI可用于處理，分析和顯示高光譜圖像數(shù)據(jù)；MATLAB是一個(gè)高層次的計(jì)算語言，具有開發(fā)算法，創(chuàng)建模型，數(shù)據(jù)分析，可視化圖像和分析高光譜圖像數(shù)據(jù)的能力；Unscrambler雖然不能直接分析處理高光譜圖像數(shù)據(jù)，但其已經(jīng)廣泛用于數(shù)據(jù)挖掘和光譜數(shù)據(jù)的分析[2]。

1.3.1 圖像數(shù)據(jù)處理和分析

高光譜圖像在每一個(gè)響應(yīng)波長(zhǎng)處都有一個(gè)單色圖像，但對(duì)于不同糧油作物不同品質(zhì)安全性質(zhì)的測(cè)定，需要選擇不同單色圖像。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移除壞點(diǎn)、背景信息和邊緣效應(yīng)，也可通過小波變換減少圖片噪音和模糊邊緣[11]。圖像的分割目的是將圖像分成獨(dú)立的主體或者區(qū)域，并找到感興趣區(qū)(region of interest, ROI)，以便于光譜信息和圖像特征的提取。只有正確確定感興趣區(qū)，才能進(jìn)行之后的研究，常用方法為閾值法和邊緣分割[2]。閾值法是將圖像上像素點(diǎn)的灰度值與設(shè)定的閾值進(jìn)行比較，大于或者小于閾值的歸為一類，進(jìn)而確定分割區(qū)域，得到感興趣區(qū)。邊緣分割根據(jù)圖像上像素點(diǎn)灰度值不同所形成的邊緣進(jìn)行分割。圖像特征包括圖像強(qiáng)度和結(jié)構(gòu)，強(qiáng)度測(cè)定采用的參數(shù)主要有平均值，標(biāo)準(zhǔn)偏差，能量和熵等，而結(jié)構(gòu)測(cè)定一般采用Gray Level Co-Occurrence Matrix和2-D Gabor Filter[12]。

1.3.2 光譜數(shù)據(jù)處理和分析

為了從高光譜數(shù)據(jù)中提取有效光譜信息，一般需要對(duì)光譜進(jìn)行預(yù)處理。平滑(smoothing)、求導(dǎo)(derivatives)、遺傳算法(genetic algorithm, GA)、多元散射校正(multiplicative scatter correction, MSC)和標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation, SNV)是常見的光譜預(yù)處理方法。不同的光譜預(yù)處理方法具有不同的作用，例如平滑是消除噪聲干擾最常用的一種方法[13-14]；Derivatives處理可分辨重疊峰，提高分辨率和靈敏度，同時(shí)也可以提取導(dǎo)數(shù)處理后的光譜曲線上的波峰和波谷為特征波長(zhǎng)[15]；MSC和SNV作用類似，用于降低糧油作物分布不均勻和顆粒大小產(chǎn)生的散射影響[16-18]。此外，傅里葉變換(Fourier transform, FT)、小波變換(wavelet transform, WF)和正交信號(hào)校正(orthogonal signal correction, OSC)也可用于光譜預(yù)處理。光譜信息與測(cè)定糧油品質(zhì)安全性質(zhì)相關(guān)(如化學(xué)組分或者真菌蟲害)，因此在圖像處理和光譜預(yù)處理的基礎(chǔ)上，建立X變量(所有波長(zhǎng)測(cè)定的吸收值)與Y變量(糧油成分的濃度含量或者真菌蟲害信息)的關(guān)系模型。常用的方法包括主成分分析(principal components analysis, PCA)、偏最小二乘(partial least squares, PLS)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、支持向量(support vector machine, SVM)、聚類分析(cluster analysis, CA)和判別分析(discriminate analysis, DA)[7]。模型驗(yàn)證是用來評(píng)估模型的穩(wěn)健性和準(zhǔn)確性，一般采用內(nèi)部交叉驗(yàn)證或者外部驗(yàn)證。

1.3.3 選擇特征波長(zhǎng)

經(jīng)過校正后的高光譜圖像中包含了幾百個(gè)波長(zhǎng)，占據(jù)了大量的儲(chǔ)存空間，需要大量時(shí)間進(jìn)行運(yùn)算，更為重要的是，在全范圍波長(zhǎng)下僅有少數(shù)幾個(gè)波長(zhǎng)與需要測(cè)定的品質(zhì)相關(guān)，大多數(shù)波長(zhǎng)包含了無關(guān)或者具有較低的信噪比的信息，因此提取特征波長(zhǎng)，消除無關(guān)信息，保存主要信息是減少數(shù)據(jù)，優(yōu)化模型，提高其和穩(wěn)健性和準(zhǔn)確性的關(guān)鍵步驟[19]。最簡(jiǎn)單的波長(zhǎng)選擇方法就是選取光譜曲線上的波峰和波谷，但是這種方式選擇的波長(zhǎng)往往不是特征波長(zhǎng)，因此需要采用其他辦法選取特征，包括PCA中主成分[20]，基于PLS的β-coefficients[21]，遺傳算法中的最適度函數(shù)[22]，連續(xù)投影算法(successive projections algorithm, SPA)和消除不需要變量(uninformative variables elimination, UVE)[23]等?；谔卣鞑ㄩL(zhǎng)不僅能簡(jiǎn)化模型，提高運(yùn)算速度，而且能可視化突出最主要性質(zhì)。因此利用特征波長(zhǎng)建立的多光譜系統(tǒng)，結(jié)構(gòu)簡(jiǎn)單，價(jià)格便宜，可以實(shí)現(xiàn)生產(chǎn)的實(shí)時(shí)監(jiān)測(cè)。此外，Wu等[24]提出基于設(shè)備有效光譜和預(yù)測(cè)有效光譜建立的多光譜系統(tǒng)可以同時(shí)測(cè)定相同物質(zhì)的幾種品質(zhì)，克服傳統(tǒng)多光譜系統(tǒng)只能測(cè)定一種品質(zhì)的局限性。

通過對(duì)高光譜圖像的分析和數(shù)學(xué)模型的應(yīng)用，能夠?qū)崿F(xiàn)糧油作物中組分含量的測(cè)定和空間分布的呈現(xiàn)。

圖2 高光譜數(shù)據(jù)分析流程圖

2 糧油品質(zhì)高光譜成像檢測(cè)技術(shù)的應(yīng)用現(xiàn)狀

2.1 組分測(cè)定

糧油組分含量是評(píng)價(jià)糧油品質(zhì)的重要指標(biāo)，如水分含量影響糧油作物的儲(chǔ)藏期，蛋白質(zhì)和脂肪含量等物質(zhì)影響了作物的食用價(jià)值和經(jīng)濟(jì)價(jià)值。傳統(tǒng)測(cè)定組分方法，如索式提取測(cè)定脂肪，凱氏定氮測(cè)定粗蛋白，費(fèi)時(shí)費(fèi)力。近紅外技術(shù)作為快速無損檢測(cè)的方法之一，已經(jīng)在糧油作物中廣泛應(yīng)用，如Lin[25]和Wang[26]等利用近紅外快速測(cè)定大麥中蛋白質(zhì)含量和花生中的氨基酸含量，但近紅外光譜技術(shù)僅能獲取光譜信息，無法提取空間信息，因此不能形成化學(xué)圖像，而高光譜成像技術(shù)的出現(xiàn)和應(yīng)用突破了近紅外技術(shù)的局限性，并在一定程度上提高了模型的穩(wěn)健性和準(zhǔn)確性。吳靜珠等[28]用近紅外和高光譜同時(shí)測(cè)定小麥中的蛋白質(zhì)含量，結(jié)果表明利用高光譜所建模型要優(yōu)于近紅外所建模型。Cogdill[28]等利用750～1 090 nm高光譜圖像建立預(yù)測(cè)單粒玉米仁中組分的PCA和PLS模型，比較了不同光譜前處理(SNV，MSC和GA等)對(duì)模型預(yù)測(cè)能力的影響，水分預(yù)測(cè)模型的standard error of cross-validation(SECV)為1.20%，相對(duì)分析誤差(RPD)為2.74；脂肪模型SECV為1.38%，RPD為1.45。Weinstock等[29]補(bǔ)充了950～1 700 nm高光譜反射圖像預(yù)測(cè)單個(gè)玉米的脂肪和油酸，利用PCA和PLS建立模型，確定了GA為最佳光譜前處理，其中預(yù)測(cè)脂肪模型的root mean square error of prediction(RMSEP)為0.7%，而預(yù)測(cè)油酸模型的RMSEP為14%，脂肪預(yù)測(cè)模型的準(zhǔn)確性得到了進(jìn)一步的提高，并且所采集的高光譜圖像可以直接顯示水分、脂肪和油酸的分布情況。此外，劉蕓[31]利用高光譜測(cè)定水稻中的淀粉含量，結(jié)果良好，證實(shí)了高光譜成像技術(shù)可以測(cè)定糧油組分含量。

2.2 發(fā)芽檢測(cè)

用于釀酒的小麥和大麥，必須表現(xiàn)出較高的發(fā)芽能力。環(huán)境氣候的極端變化和不確定性，會(huì)出現(xiàn)一定程度的預(yù)發(fā)芽，這種預(yù)發(fā)芽肉眼無法識(shí)別，如不及時(shí)處理，發(fā)芽能力就會(huì)很快的下降，造成不可挽回的損失。因此需要建立一種快速靈敏預(yù)測(cè)小麥和大麥預(yù)發(fā)芽程度的方法，合理安排生產(chǎn)，盡快制成麥芽，避免損失。Xing等[31]收集可見/近紅外400～1 000 nm高光譜圖像測(cè)定小麥發(fā)芽損傷(見圖3)，720 nm處發(fā)芽損傷小麥比完整小麥有更高的反射率，878 nm/728 nm反射率的比值可以鑒定出發(fā)芽損傷小麥，利用分類程序，結(jié)合空間和光譜特征，可以100%鑒定完整小麥仁，94%鑒定發(fā)芽小麥仁和98%鑒定嚴(yán)重發(fā)芽小麥仁。Xing等[13]在原有的基礎(chǔ)上補(bǔ)充了短波長(zhǎng)高光譜圖像預(yù)測(cè)α-淀粉酶活性間接反映小麥仁發(fā)芽程度，建立的PLS模型，模型的R2和root mean square error(RMSE)值分別為0.88和0.52。此外，Arngren等[16]探索在實(shí)際生產(chǎn)利用900～1 700 nm高光譜圖像檢測(cè)發(fā)芽損傷，在實(shí)驗(yàn)室中基于BRF模型對(duì)755個(gè)0～60 h不同發(fā)芽時(shí)期的大麥進(jìn)行分析，將大麥樣品分為正常、延緩和不能發(fā)芽的錯(cuò)誤率僅為3%。而在實(shí)際生產(chǎn)中采用該方法，象差率為32%，這主要是因?yàn)?，該模型是根?jù)已有的755個(gè)樣品建立的，為了提高模型的準(zhǔn)確性和穩(wěn)定性，需要分析更多樣品。

圖3 不同程度發(fā)芽圖像第一排完整小麥，第二排發(fā)芽小麥，第三排嚴(yán)重發(fā)芽小麥[31]

The first row displays sound kernels; The second row displays sprouted kernels; The third row displays severely sprouted kernels

2.3 品種分類

小麥，燕麥和玉米等糧油作物，具有很多品種，不同品種其組分組成和最終產(chǎn)品差別很大。大部分品種可以通過肉眼識(shí)別，但少數(shù)品種肉眼無法辨別。采用傳統(tǒng)方法如聚丙烯凝膠電泳和高效液相色譜法，雖然辨別率高，但是步驟繁瑣，耗時(shí)長(zhǎng)。Mahesh等[32]采用960～1 700 nm的高光譜圖像分類八種加拿大小麥品種，利用統(tǒng)計(jì)算法和ANN進(jìn)行分類，其中l(wèi)inear discriminant analysis (LDA)準(zhǔn)確性大于94%，quadratic discriminant analysis (QDA)準(zhǔn)確性大于86%，ANN準(zhǔn)確性大于90%。為了提高分類的準(zhǔn)確性，Choudhary等[34]利用了小波變化處理光譜數(shù)據(jù)，基于逐步線性判別分析，提取100個(gè)特征信息，并用LDA，QDA和back propagation neural network(BPNN)進(jìn)行分析。其中，LDA和BPNN分別利用90個(gè)和70個(gè)特征信息建立分類模型，模型的準(zhǔn)確率分別為99.1%和 92.1%。而Serranti等[15]采用PLS-DA建模方法來提高分類準(zhǔn)確性，預(yù)測(cè)的準(zhǔn)確性基本上為100%，基于bootstrap得到三個(gè)波長(zhǎng)(1 132，1 195和1 608 mn)可以實(shí)現(xiàn)良好的分類結(jié)果，這有助于加快高光譜成像技術(shù)在品種分類上的應(yīng)用。

3 糧油安全高光譜成像檢測(cè)技術(shù)的應(yīng)用現(xiàn)狀

3.1 真菌檢測(cè)

3.1.1 小麥

小麥在種植、收獲、儲(chǔ)藏、運(yùn)輸和加工過程中，容易受到鐮刀菌污染而患小麥赤霉病，不僅造成小麥嚴(yán)重減產(chǎn)，而且影響小麥的種用價(jià)值。早在2000年美國(guó)農(nóng)業(yè)部農(nóng)業(yè)科學(xué)研究院嘗試?yán)酶吖庾V來測(cè)定由鐮刀菌引起的小麥赤霉病，收集“Grandin”，“Gunner”，“Oxen”三個(gè)小麥品種425～860 nm的圖像，利用STEPDISC找到最佳22個(gè)波長(zhǎng)，利用DISCRIM找到最佳波長(zhǎng)比值為568 nm/715 nm，預(yù)測(cè)Grandian型小麥得赤霉病的錯(cuò)誤率僅為1.6%，但其他類型小麥預(yù)測(cè)錯(cuò)誤率較高，該研究為可見波段檢測(cè)小麥鐮刀菌提供了理論基礎(chǔ)。Delwiche等[34]在此基礎(chǔ)上補(bǔ)充了可見近紅外波段400～1 000 nm和近紅外波段1 000～1 700 nm圖像，利用LDA進(jìn)行分類，預(yù)測(cè)準(zhǔn)確率均達(dá)到了95%。Shahin等[35]采用新的化學(xué)計(jì)量學(xué)方法PLS-discriminant analysis(PLS-DA)建立區(qū)分真菌損傷小麥和健康小麥的模型，準(zhǔn)確性達(dá)到90%，假陽性9%，并找到了4個(gè)主要波長(zhǎng)(494，578，639和678 nm)代替全波段，以期減少冗繁的數(shù)據(jù)。

小麥除容易感染鐮刀菌以外，也容易產(chǎn)生麥角。麥角是由麥角菌產(chǎn)生的生物堿，當(dāng)人們使用了混雜有麥角所做的食品后容易中毒[36]。Vermeulen等[36]收集1 100～2 400 nm波段不同濃度麥角高光譜圖像，利用PLS-DA和SVM建立模型，兩種方法建立的模型相關(guān)系數(shù)都超過了0.99，表明了高光譜成像技術(shù)可以檢測(cè)和量化麥角污染。Vermeulen等[18]在此基礎(chǔ)上研究工業(yè)可行性，利用SNV和一階導(dǎo)數(shù)進(jìn)行光譜預(yù)處理，PCA分析降低數(shù)據(jù)維數(shù)，其中PC1解釋了87%的變量，PLS-DA模型預(yù)測(cè)的準(zhǔn)確性為0.94，相比較實(shí)驗(yàn)室測(cè)定，雖然準(zhǔn)確性下降，但該研究可以為實(shí)際生產(chǎn)監(jiān)控提供一種有效的方法。

3.1.2 玉米

玉米容易感染玉米赤霉烯酮(鐮刀菌)和黃曲霉等真菌，一旦家禽食用了真菌污染的玉米飼料，不僅給飼養(yǎng)戶造成嚴(yán)重的經(jīng)濟(jì)損失，甚至威脅人類健康。Williams等[20]分別在960～1 662和1 000～2 498 nm波段收集感染鐮刀菌玉米的高光譜圖像。采用PCA去除背景、壞點(diǎn)和邊緣，并且有效區(qū)分感染和未感染區(qū)域。建立PLS-DA分類模型，近紅外波段模型R2=0.73，短波長(zhǎng)波段模型R2=0.86(見圖4)，證實(shí)了高光譜成像技術(shù)可以在近紅外和短波長(zhǎng)波段檢測(cè)玉米感染鐮刀菌。Williams等[18]在此基礎(chǔ)上根據(jù)1 900 nm(淀粉)和2 136 nm(蛋白質(zhì))波長(zhǎng)變化情況，利用PLS得到動(dòng)態(tài)監(jiān)控玉米感染情況模型。此外，高光譜成像技術(shù)也可測(cè)定玉米感染黃曲霉情況，Wang等[21]在1 000～2 500 nm范圍內(nèi)，收集玉米表面黃曲霉B1濃度為10，20，100和500 ppb的信息，利用SNV和PCA減少光譜數(shù)據(jù)的維數(shù)，factorial discriminant analysis (FDA)建立模型，準(zhǔn)確性高達(dá)88%。該研究證明PCA-FDA可以測(cè)定玉米上濃度為10 ppb的黃曲霉，與常規(guī)檢測(cè)方法相比，大大降低了分析時(shí)間，減少了分析繁瑣程度。

圖4 利用短波長(zhǎng)波段建立校正圖像(a)和預(yù)測(cè)結(jié)果(b)黑色代表污染程度高，灰色代表污染程度低[20]

3.2 蟲害檢測(cè)

3.2.1 小麥

蟲害是造成小麥儲(chǔ)藏期間大量損失的重要因素之一。Singh等[37-39]先后在近紅外波段1 000～1 600 nm和可見近紅外波段700～1 100 nm收集蟲害小麥仁的高光譜圖像，基于multivariate image analysis (MVI)減少數(shù)據(jù)維數(shù)，分別采用LDA, QDA和mahalanobis discriminant analysis (MDA)建立模型，其中近紅外波段三個(gè)模型的準(zhǔn)確率分別為83.3%, 90%和98%，并確定1 101.7, 1 132.2和1 305.1 nm為顯著波長(zhǎng)，可見近紅外波段準(zhǔn)確率為95.3%～99.3%，證明高光譜成像技術(shù)在兩波段下可以檢測(cè)小麥蟲害。Bhuvaneswari等[40]進(jìn)一步證明了高光譜在測(cè)定小麥蟲害污染的優(yōu)越性，分別比較了測(cè)定粗粒小麥粉中昆蟲碎片的三種方法，分別為電子斑點(diǎn)計(jì)數(shù)，酸水解漂浮和近紅外高光譜圖像。其中，電子斑點(diǎn)計(jì)數(shù)和近紅外高光譜圖像方法快速，無損并且不需要樣品前處理，但電子斑點(diǎn)計(jì)數(shù)法相關(guān)系數(shù)僅為0.639～0.767，而近紅外高光譜圖像模型的相關(guān)系數(shù)為0.99。

3.2.2 豆類

四紋豆象是豆類作物的主要蟲害，在豆類中有卵，蛹，幼蟲和成蟲等階段。一旦豆類被蛀成空殼后，只能做成飼料，大大降低了商品價(jià)值。傳統(tǒng)的方法，如貝式漏斗法，僅能測(cè)定成蟲并且耗費(fèi)時(shí)間。Zhou等在900～1 700 nm波段收集感染和未感染大豆的高光譜圖像，建立BPNN模型，其確定感染大豆準(zhǔn)確率為88%，但是BPNN模型只能區(qū)分感染和未感染的大豆。因此，Kaliramesh等[41]利用PCA確定顯著波長(zhǎng)1 100，1 290和1 450 nm，從高光譜圖像中提取6個(gè)統(tǒng)計(jì)特征量(最大值，最小值，平均數(shù)，中位數(shù)，標(biāo)準(zhǔn)差和方差)和10個(gè)直方圖特征，利用LDA和QDA建立測(cè)定綠豆不同感染階段的模型，實(shí)驗(yàn)結(jié)果表明預(yù)測(cè)蛹和成蟲階段比預(yù)測(cè)卵和幼蟲階段更準(zhǔn)確。而Karuppiah等[42]在高光譜圖像技術(shù)基礎(chǔ)上結(jié)合X-射線檢測(cè)四紋豆象對(duì)大豆的破壞，分別從X-射線圖像和高光譜圖像上提取33個(gè)和48個(gè)特征信息，利用提取的信息建立LDA和QDA模型分類不同感染階段。分類結(jié)果優(yōu)于前人研究，表明高光譜圖像結(jié)合X-射線比單獨(dú)使用一種方法更為有效。

除了以上應(yīng)用情況，高光譜成像技術(shù)在測(cè)定硬質(zhì)小麥仁玻璃態(tài)程度[43]、評(píng)價(jià)胚乳結(jié)構(gòu)[44]和不同硬度小麥水分遷移規(guī)律[45]等方面均有研究。

4 糧油品質(zhì)安全高光譜成像檢測(cè)技術(shù)的問題與展望

4.1 存在的問題

將高光譜成像技術(shù)在糧油品質(zhì)安全應(yīng)用的文章統(tǒng)計(jì)于表1。

表1 高光譜成像技術(shù)在糧油品質(zhì)安全的應(yīng)用

續(xù)表1

真菌檢測(cè)小麥1000～1700反射Matlab,NPLSpectralonPCA,PLS-DAInGaAswithspectrograph>99%[43]測(cè)定黑點(diǎn)小麥531熒光MatlabSAS-EM-CCDwithspectrograph95%真菌檢測(cè)玉米960～16621000～2498反射UmbioPCA,PLS-DAInGaAswithLCTFHgCdTewithPGPspectrographR2=0.73R2=0.86[20]真菌檢測(cè)玉米1000～2500反射UmbioMatlabPCA,PLS,SNV,VIPgHgCdTewithspectrographR2>0.9[18]真菌檢測(cè)玉米1000～2500反射ENVIMatlabSNVPCAFDAMCTwithspectrograph88%[21]真菌檢測(cè)玉米400～1000反射XLSTATAddinsoftPCA,DASpectrometerImSpector-[54]真菌檢測(cè)玉米400～1000反射ENVIMatlabSNVCMOSwithspectrograph87.4%[55]蟲害檢測(cè)小麥900～1700反射MatlabMVI,PCA,LDA,QDA,MDAInGaAswithLCTF93.3%～98%[37]蟲害檢測(cè)小麥1000～1600反射MatlabPCA,LDA,QDA,MDAMVIInGaAswithLCTF85%～95%[38]蟲害檢測(cè)小麥700～1100反射MatlabSASPCA,LDA,QDA,MDA,MVIFFT-CCDwithLCTF95.3%～99.3%[39]蟲害檢測(cè)小麥900～1700反射MatlabPLSInGaAswithLCTFR2=0.99[40]蟲害檢測(cè)小麥700～1100反射MatlabSASBPNN,QDAFFT-CCDwithLCTF91%～100%[56]蟲害檢測(cè)小麥900～1700反射MatlabENVI-InGaAswithspectrograph100%[57]蟲害檢測(cè)大豆900～1700反射MatlabBPNNASDSpectroradiometer88%蟲害檢測(cè)綠豆1000～1600反射MatlabSASMVI,PCA,LDA,QDAInGaAswithLCTF85%[41]蟲害檢測(cè)大豆960～1700反射MatlabSASPCA,LDA,QDAInGaAswithLCTF87%[42]玻璃態(tài)小麥1000～1700反射Matlab,NPLSpectralonPCA,PLS-DAInGaAswithspectrograph>91%[43]玻璃態(tài)小麥950～2450反射SG,2nd-Derivative-[14]玻璃態(tài)小麥650～1100反射MatlabSNV,SG,PLS,FDACCDwithLCTF94%[58]評(píng)價(jià)胚乳玉米1000～2498反射UmBio,MatlabPCA,MSC,SNV,PLS-DAHgCdTewithspectrographR2=85%[44]水分遷移小麥1000～2500反射UmBioMSC,SNV,SG,PCAHgCdTewithspectrograph-[45]

a： Competitive Adaptive Reweighted Sampling, CARS; b： Short-Wavelength Infrared, SWIR; c： Radial Basis Function, RBF; d: Prism Gating Prism, PGP; e: Multivariate Image Analysis, MIA; f: Mercury Cadmium Telluride, MCT; g: Variable Importance Plots, VIP

綜合近年來的研究情況，可以看出高光譜成像技術(shù)在糧油中應(yīng)用存在的問題，包括：

(1)研究多集中在小麥和玉米這兩類糧油作物中，其他糧油作物，如稻谷，大豆和花生等，國(guó)內(nèi)外沒有研究或者很少研究，而在果蔬品，畜產(chǎn)品，水產(chǎn)品等領(lǐng)域，高光譜成像技術(shù)研究已經(jīng)成體系，文章和專利數(shù)量遠(yuǎn)多于在糧油作物中的研究。主要原因可能是各國(guó)科研人員對(duì)糧油研究多集中在遙感領(lǐng)域，比如利用遙感監(jiān)控小麥條銹病、預(yù)測(cè)大麥蛋白質(zhì)含量等，而對(duì)生產(chǎn)過程中糧油作物品質(zhì)安全的研究投入精力較少。

(2)高光譜成像技術(shù)光譜范圍主要有400～800 nm的可見波段、400～1 000 nm的可見/近紅外波段、900～1 700 nm的近紅外波段和1 000～2 500 nm的短波長(zhǎng)波段，除真菌檢測(cè)涵蓋了所有波段外，其余應(yīng)用研究的波段均沒有完全涵蓋。另外獲取高光譜圖像方式單一，多以獨(dú)立反射圖像為主，轉(zhuǎn)換，熒光以及聯(lián)合其兩種或者三種方式對(duì)糧油品質(zhì)安全檢測(cè)的報(bào)道較少。除Karuppiah[42]等研究了X射線技術(shù)與高光譜成像結(jié)合，再無高光譜成像結(jié)合其他技術(shù)測(cè)定糧油安全品質(zhì)的報(bào)道。

(3)高光譜成像技術(shù)在糧油的應(yīng)用主要是發(fā)芽檢測(cè)、品種分析、真菌檢測(cè)和蟲害檢測(cè)的定性分析，而對(duì)組分含量的定量分析研究鮮有報(bào)道，僅應(yīng)用于測(cè)定小麥，玉米和水稻中的水分、蛋白質(zhì)和脂肪等常規(guī)成分。與之相比，近紅外技術(shù)雖然無法可視化糧油產(chǎn)品，但是其在糧油組分定量研究已經(jīng)非常成熟，不僅可以準(zhǔn)確測(cè)定常規(guī)成分含量，也可以準(zhǔn)確測(cè)定各種碳水化合物、氨基酸和脂肪酸含量。

(4)數(shù)據(jù)處理軟件多以Matlab為主，成像軟件多以ENVI為主，這兩種軟件操作復(fù)雜，需要相應(yīng)的計(jì)算機(jī)知識(shí)，加大研究和實(shí)際應(yīng)用的難度。專業(yè)性高光譜成像分析軟件只有Umbio公司開發(fā)的Evince軟件，這與近紅外數(shù)據(jù)分析軟件數(shù)量存在巨大的差距。另外光譜預(yù)處理的方法多以SNV，SG和Derivatives為主，其他的方法如OSC和WF沒有采用或者很少采用；模型建立多采用PCA，PLS和LDA等方法，缺乏新的建模方法如LS-SVM；主要波長(zhǎng)選取多通過PCA或者β-coefficients，缺少新方法和方法間的比對(duì)，因此需要進(jìn)一步分析高光譜數(shù)據(jù)，全面驗(yàn)證已有模型，從而確定最佳模型。

(5)高光譜成像技術(shù)在實(shí)際應(yīng)用中非常少，一方面是由于高光譜設(shè)備價(jià)格昂貴，高光譜成像設(shè)備核心部件是波段分散元件，現(xiàn)階段實(shí)驗(yàn)室中主要采用的是帶有棱鏡和LCTF的光譜儀，雖然這兩類波段分散元件能快速準(zhǔn)確采集數(shù)據(jù)，但過高的成本阻礙了該技術(shù)在實(shí)際中的推廣應(yīng)用。目前已經(jīng)有學(xué)者開發(fā)性能與LCTF匹配的低成本元件—Microelectromechanical Systems(MEMS)[59]，這極大提高了高光譜成像技術(shù)實(shí)際應(yīng)用的可行性；另一方面，雖然實(shí)驗(yàn)室階段的高光譜模型準(zhǔn)確率非常高，但進(jìn)行實(shí)際應(yīng)用的模型較少，難以為實(shí)際處理高光譜數(shù)據(jù)提供理論支持。

4.2 展望

針對(duì)以上存在的問題，今后高光譜成像技術(shù)在糧油品質(zhì)安全檢測(cè)的研究應(yīng)集中在以下幾個(gè)方面：

(1)借鑒高光譜成像技術(shù)在果蔬品，畜產(chǎn)品和水產(chǎn)品中應(yīng)用經(jīng)驗(yàn)，加快推進(jìn)稻谷，大豆和花生等糧油作物品質(zhì)安全檢測(cè)的研究，充分發(fā)揮高光譜成像技術(shù)的優(yōu)勢(shì)，構(gòu)建糧油作物的高光譜數(shù)據(jù)庫，為模型的構(gòu)建和設(shè)備的開發(fā)提供基本理論支持。

(2)研究多波段、多方式、結(jié)合其他方法的高光譜成像技術(shù)，比對(duì)不同波段和不同方式對(duì)檢測(cè)結(jié)果的影響，進(jìn)而選擇最佳光譜波段和最佳的獲取方式，以期得到最好的檢測(cè)結(jié)果，為內(nèi)外部品質(zhì)同時(shí)檢測(cè)和高光譜實(shí)際應(yīng)用奠定基礎(chǔ)。

(3)重點(diǎn)研究近紅外波段的高光譜成像技術(shù)的定量分析。采用新的光譜預(yù)處理方法、建模方法和特征波長(zhǎng)提取方法建立模型，深入探討不同方法對(duì)模型穩(wěn)定性和準(zhǔn)確性的影響，從而得到分析糧油品質(zhì)最佳的建模方法，這對(duì)解決高光譜數(shù)據(jù)繁冗，實(shí)現(xiàn)高光譜實(shí)際應(yīng)用具有重要的意義。

(4)加快高光譜成像分析專用軟件和低成本設(shè)備的開發(fā)。專用軟件要具有功能齊全，操作簡(jiǎn)單和人性界面等特點(diǎn)，并能與高光譜設(shè)備配套。不同軟件之間要實(shí)現(xiàn)數(shù)據(jù)的無偏差傳遞。設(shè)備方面要重點(diǎn)解決核心元件波段分散元件的成本問題，并在此基礎(chǔ)上開發(fā)不同糧油作物的專用型設(shè)備。

[1] Gowen A A，O’Donnell C P，Cullen P J，et al. Trends in Food Science & Technology，2007，18(12)： 590.

[2] Wu D，Sun D W. Innovative Food Science & Emerging Technologies，2013，19： 1.

[3] LU Wan-zhen(陸婉珍). Moden Near Infrared Spectroscopy Analytical Technology(現(xiàn)代近紅外光譜分析技術(shù)). Beijing： China Petrochemical Press(北京： 中國(guó)石化出版社)，2007.

[4] CHU Xiao-li(褚小立). Molecular Spectroscopy Analytical Technology Combined with Chemometrics and its Appliations(化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)). Beijing： Chemical Industry Press(北京： 化學(xué)工業(yè)出版社)，2011.

[5] PENG Yan-kun，ZHANG Lei-lei(彭彥昆，張雷蕾). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào))，2013，4： 137.

[6] ZHANG Bao-hua，LI Jiang-bo，F(xiàn)AN Shu-xiang，et al(張保華，李江波，樊書祥，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)，2014，34(10)： 2743.

[7] Pu Y Y，F(xiàn)eng Y Z，Sun D W. Comprehensive Reviews in Food Science and Food Safety，2015.

[8] Feng Y Z，Sun D W. Critical Reviews in Food Science and Nutrition，2012，52(11)： 1039.

[9] Sun Dawen. Hyperspectral Imaging for Food Quality Analysis and Control. Elsevier，2010.

[10] Qin J，Chao K，Kim M S，et al. Journal of Food Engineering，2013，118(2)： 157.

[11] Sun Dawen. Techniques and Applications of Hyperspectral Image Analysis. John Wiley & Sons, 2007.

[12] Hyperspectral Imaging for Food Quality Analysis and Control. Elsevier, 2010.

[13] Xing J，Symons S，Hatcher D，et al. Biosystems Engineering，2011，108(4)： 303.

[14] Shahin M A，Symons S J. NIR News，2008，19(5)： 16.

[15] Serranti S，Cesare D，Marini F，et al. Talanta，2013，103： 276.

[16] Arngren M，Hansen P W，Eriksen B，et al. Journal of Agricultural and Food Chemistry，2011，59(21)： 11385.

[17] Vermeulen P，Pierna J A F，Van Egmond H P，et al. Analytical and Bioanalytical Chemistry，2013，405(24)： 7765.

[18] Williams P J，Geladi P，Britz T J，et al. Journal of Cereal Science，2012，55(3)： 272.

[19] Wu D，He Y，F(xiàn)eng S. Analytica Chimica Acta，2008，610(2)： 232.

[20] Williams P J，Geladi P，F(xiàn)ox G, et al. Journal of Near Infrared Spectroscopy，2010，18(1)： 49.

[21] Wang W，Heitschmidt G W，Ni X，et al. Food Control，2014，42(2)： 78.

[22] Wallays C，Missotten B，De Baerdemaeker J，et al. Biosystems Engineering，2009，104(1)： 1.

[23] Wu D，Chen X，Zhu X，et al. Analytical Methods，2011，3(8)： 1790.

[24] Wu D，Sun D W. Trends in Food Science & Technology，2013，29(1)： 5.

[25] Lin C，Chen X，Jian L，et al. Food chemistry，2014，162： 10.

[26] Wang L，Wang Q，Liu H，et al. Journal of the Science of Food and Agriculture, 2013, 93(1): 118.

[27] WU Jing-zhu，WU Sheng-nan，LIU Cui-ling，et al(吳靜珠，吳勝男，劉翠玲，等). Transducer and Microsystem Technologies(傳感器與微系統(tǒng))，2013，32(2)： 60.

[28] Cogdill R P，Hurburgh C R，Rippke G R，et al. Transactions of the ASAE，2001.

[29] Weinstock B A，Janni J，Hagen L，et al. Applied Spectroscopy，2006，60(1)： 9.

[30] LIU Yun，TANG Yan-lin，HUANG Jing-feng，et al(劉 蕓，唐延林，黃敬峰，等). Scientia Agricultura Sinica(中國(guó)農(nóng)業(yè)科學(xué))，2008，41(9)： 2617.

[31] Xing J，Symons S，Shahin M，et al. Biosystems Engineering，2010，106(2)： 188.

[32] Mahesh S，Manickavasagan A，Jayas D S，et al. Biosystems Engineering，2008，101(1)： 50.

[33] Choudhary R，Mahesh S，Paliwal J，et al. Biosystems Engineering，2009，102(2)： 115.

[34] Delwiche S R，Kim M S，Dong Y. Sensing and Instrumentation for Food Quality and Safety，2011，5(2)： 63.

[35] Shahin M A，Symons S J. Journal of Food Measurement & Characterization，2012，6(1-4)： 3.

[36] Vermeulen P，Pierna J A F，Egmond H P，et al. Food Additives & Contaminants： Part A，2012，29(2)： 232.

[37] Singh C B，Jayas D S，Paliwal J，et al. Cereal Chemistry，2009，86(3)： 256.

[38] Singh C B，Jayas D S，Paliwal J，et al. Journal of Stored Products Research，2009，45(3)： 151.

[39] Singh C B，Jayas D S，Paliwal J，et al. Biosystems Engineering，2010，105(3)： 380.

[40] Bhuvaneswari K，F(xiàn)ields P G，White N D G，et al. Journal of Stored Products Research，2011，47(1)： 20.

[41] Kaliramesh S，Chelladurai V，Jayas D S，et al. Journal of Stored Products Research，2013，52(1)： 107.

[42] Karuppiah K，Jayas D S，F(xiàn)ields P G，et al. Journal of Stored Products Research，2014，57(4)： 43.

[43] Serranti S，Cesare D，Bonifazi G. Biosystems Engineering，2013，115(1)： 20.

[44] Manley M，Williams P，Nilsson D，et al. Journal of Agricultural and Food Chemistry，2009，57(19)： 8761.

[45] Manley M，Du Toit G，Geladi P. Analytica Chimica Acta，2011，686(1)： 64.

[46] Berman M，Connor P M，Whitbourn L B，et al. Journal of Near Infrared Spectroscopy，2007，15(6)： 351.

[47] Williams P, Geladi P, Fox G, et al. Analytica Chimica Acta，2009，653(2)： 121.

[48] Zhang X，Liu F，He Y，et al. Sensors，2012，12(12)： 17234.

[49] SUN Jun，JIN Xia-ming，MAO Han-ping，et al(孫 俊，金夏明，毛罕平，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2014，30(21)： 301.

[50] Singh C B，Jayas D S，Paliwal J，et al. Transactions of the ASABE，2007，50(6)： 2171.

[51] Shahin M A，Hatcher D W，Symons S J. Quality Assurance and Safety of Crops & Foods，2010，2(3)： 133.

[52] Shahin M A，Symons S J. Computers and Electronics in Agriculture，2011，75(1)： 107.

[53] Singh C B，Jayas D S，Paliwal J，et al. International Journal of Food Properties，2012，15(1)： 11.

[54] Del Fiore A，Reverberi M，Ricelli A，et al. International Journal of Food Microbiology，2010，144(1)： 64.

[55] ZHU Xuan，WANG Wei，ZHANG Lu-da，et al(褚 璇，王 偉，張錄達(dá)，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)，2014，34(7)： 1811.

[56] Singh C B，Jayas D S，Paliwal J，et al. Computers and Electronics in Agriculture，2010，73(2)： 118.

[57] ZAHNG Hong-tao，MAO Han-ping，HAN Lü-hua(張紅濤，毛罕平，韓綠化). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2012，28(8)： 263.

[58] Gorretta N，Roger J M，Aubert M，et al. Journal of Near Infrared Spectroscopy，2006，14(4)： 231.

[59] Abbaspour Tamijani A，Dussopt L，Rebeiz G M. Microwave Theory and Techniques，IEEE Transactions on，2003，51(7)： 1878.

*Corresponding author

(Received Apr. 13, 2015; accepted Aug. 20, 2015)

Research Process on Hyperspectral Imaging Detection Technology for the Quality and Safety of Grain and Oils

YU Hong-wei，WANG Qiang，LIU Li，SHI Ai-min，HU Hui，LIU Hong-zhi*

Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences，Key Laboratory of Agro-Products Processing, Ministry of Agriculture, Beijing 100193, China

The quality and safety of grain and oils are related to the national nutrition and health safety of the public. Owing to the difficulties in operation, destruction, high cost, reagent pollution and other shortcomings, conventional detection method cannot meet the fast, non-destructive, efficient and pollution-free requirements, which pose great difficulties in integrating with Industry 4.0. With the development of chemometrics, hyperspectral imaging (HSI) technology integrates the advantages of spectroscopy and image technology to overcome the defects of conventional detection method, which has become the developingt trend of grain and oils quality testing technology. Based on many interrelated research papers, this paper reviews the principles of HSI and the existing research in quality (component determination, germination test, variety classification) and safety (fungal detection, pest detection) of grain and oils. Meanwhile, in order to promote the application and development of hyperspectral imaging technology in the field of grain and oils, we specially analyze the aspect of HSI including spectral range, chemometrics, equipment and the accuracy of model, pointing out the current problems and prospecting the direction and priority.

Hyperspectral Imaging；Grain and oils；Quality；Safety；Chemometrics

2015-04-13，

2015-08-20

國(guó)家科技支持計(jì)劃課題(2012BAD29B03)和中國(guó)農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程項(xiàng)目(CAAS-ASTIP-201X-IAPPST)資助

于宏威，1991年生，中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所碩士研究生 e-mail： chinayuhongwei@163.com *通訊聯(lián)系人 e-mail： lhz0416@126.com

S126；TP391.4

A

10.3964/j.issn.1000-0593(2016)11-3643-08