龔中良 鄭立章 文 韜,2 李立君 謝潔飛 馬 強(qiáng)

(中南林業(yè)科技大學(xué)機(jī)電工程學(xué)院1，長(zhǎng)沙 410004) (華南農(nóng)業(yè)大學(xué)工程學(xué)院 南方農(nóng)業(yè)機(jī)械與裝備關(guān)鍵技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室2，廣州 510642) (中南林業(yè)科技大學(xué)理學(xué)院3，長(zhǎng)沙 410004)

基于高光譜技術(shù)的不同霉變程度秈稻快速鑒別

龔中良1鄭立章1文 韜1,2李立君1謝潔飛1馬 強(qiáng)3

(中南林業(yè)科技大學(xué)機(jī)電工程學(xué)院1，長(zhǎng)沙 410004) (華南農(nóng)業(yè)大學(xué)工程學(xué)院 南方農(nóng)業(yè)機(jī)械與裝備關(guān)鍵技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室2，廣州 510642) (中南林業(yè)科技大學(xué)理學(xué)院3，長(zhǎng)沙 410004)

為解決快速、無(wú)損鑒別秈稻霉變程度問(wèn)題。該文利用高光譜技術(shù)采集正常、輕度霉變、中度霉變和重度霉變共4類(lèi)秈稻樣本的光譜數(shù)據(jù)，經(jīng)不同預(yù)處理后，通過(guò)連續(xù)投影算法(SPA)提取特征波長(zhǎng)，采用多元線性回歸判別分析(MLR-DA)建立秈稻霉變程度鑒別模型。同時(shí)，通過(guò)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)篩選特征變量，采用偏最小二乘法回歸判別分析(PLS-DA)建立鑒別模型。研究結(jié)果表明，SG-SPA-MLR-DA和RAW-CARS-PLS-DA模型的驗(yàn)證集相關(guān)系數(shù)RP均大于0.950。其中，RAW-CARS-PLS-DA模型的預(yù)測(cè)效果最優(yōu)，其驗(yàn)證集相關(guān)系數(shù)RP為0.969，均方根誤差RMSEP為0.269，對(duì)未知秈稻樣本的總體分類(lèi)準(zhǔn)確率為93.33%。該模型對(duì)不同霉變程度秈稻具有較強(qiáng)的鑒別能力，故該方法可為快速、無(wú)損鑒別秈稻霉變程度提供技術(shù)支持。

高光譜技術(shù) 預(yù)處理 霉變 秈稻 模型 鑒別

[3]可知，當(dāng)?shù)竟鹊闹舅岷砍^(guò)25 mg·100 g-1可認(rèn)為其開(kāi)始霉變，但對(duì)霉變程度還鮮見(jiàn)有具體的量化標(biāo)準(zhǔn)，如惠國(guó)華等[4]、張紅梅等[5]、鄒小波等[6]均根據(jù)培養(yǎng)時(shí)間確定谷物的霉變程度；陳紅等[7]根據(jù)不同霉變花生的外觀和顏色確定其霉變程度；袁瑩等[8]根據(jù)不同霉變玉米的霉變覆蓋面積確定其霉變程度。稻谷霉變程度通?？蓜澐譃?個(gè)等級(jí)，即輕度霉變、中度霉變和重度霉變。在輕度霉變時(shí)，稻谷開(kāi)始變色、潮濕，直接觀察稻谷很難判別是否霉變；中度霉變時(shí)，其胚部開(kāi)始出現(xiàn)菌落，并伴有霉斑和霉味；重度霉變時(shí)，稻谷產(chǎn)生刺鼻的霉味和酸味，出現(xiàn)結(jié)塊現(xiàn)象[9-10]。目前，稻谷霉變程度的測(cè)定主要依賴(lài)于人工檢測(cè)，檢測(cè)人員依照上述提及的不同霉變程度稻谷所具有的不同特點(diǎn)進(jìn)行分類(lèi)。檢測(cè)時(shí)，一些不確定的人為因素對(duì)檢測(cè)結(jié)果影響很大，因此人工鑒別稻谷霉變程度具有不穩(wěn)定性，準(zhǔn)確度不高等缺點(diǎn)。

研究人員發(fā)現(xiàn)霉變稻谷的脂肪酸含量會(huì)隨著霉變程度的加深而增加。因?yàn)椋棺兊竟壤锏奈⑸飼?huì)與稻谷的淀粉、蛋白質(zhì)等物質(zhì)進(jìn)行著復(fù)雜的生物化學(xué)反應(yīng)。這種反應(yīng)會(huì)產(chǎn)生許多代謝物質(zhì)，而脂肪酸就是其中之一，這種穩(wěn)定的物質(zhì)會(huì)在霉變稻谷中逐漸累積，最終導(dǎo)致霉變稻谷的脂肪酸含量上升[11-13]。因此，稻谷的霉變程度可以用脂肪酸含量來(lái)衡量。

高光譜分析技術(shù)在鑒別農(nóng)產(chǎn)品類(lèi)別上應(yīng)用很廣，其優(yōu)勢(shì)在于該技術(shù)操作簡(jiǎn)單、快速、無(wú)損。目前，國(guó)內(nèi)外研究者已經(jīng)將高光譜技術(shù)應(yīng)用到不同產(chǎn)品類(lèi)型上鑒別，并取得了很好的預(yù)測(cè)效果。高俊峰等[14]應(yīng)用高光譜技術(shù)結(jié)合多種化學(xué)分析方法，建立了鑒別打蠟蘋(píng)果的模型；鄒偉等[15]應(yīng)用高光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)，建立了鑒別油菜籽品種的模型；郝學(xué)飛等[16]應(yīng)用近紅外光譜技術(shù)結(jié)合偏最小二乘法，建立了鑒別饅頭品質(zhì)的模型；上述模型的預(yù)測(cè)準(zhǔn)確度均能達(dá)到90%以上，為本文研究提供可行性技術(shù)支持。在對(duì)霉變稻谷進(jìn)行研究時(shí)，國(guó)內(nèi)外研究者主要針對(duì)其含有的黃曲霉毒素[17]，脂肪酸含量[18]以及生物超弱發(fā)光[19]等理化指標(biāo)進(jìn)行研究，但上述方法不能直接鑒別稻谷霉變程度。本文將選取霉變秈稻作為研究對(duì)象，用高光譜技術(shù)采集4種不同霉變程度秈稻的光譜信息圖，建立鑒別不同霉變程度秈稻的模型，以期為快速鑒別其霉變程度提供一種新方法。

1 材料與方法

1.1 霉變秈稻分級(jí)及制備

考慮到試驗(yàn)樣本應(yīng)具有普適性和代表性，結(jié)合上述傳統(tǒng)的分級(jí)方法和參考文獻(xiàn)[4-8]所述的樣本劃分方法，本研究將霉變秈稻劃分為4個(gè)等級(jí)：正常、輕度霉變、中度霉變、重度霉變。根據(jù)霉菌作用稻谷的時(shí)間不同，使其產(chǎn)生不同程度霉變，將霉變稻谷培養(yǎng)劃分為3個(gè)周期，10 d為1周期[20]。試驗(yàn)樣本采用湖南農(nóng)業(yè)大學(xué)提供的含水率為14.2%的C兩優(yōu)34156秈稻，將試驗(yàn)樣本均勻分成200份，保證每份含有100 g，選取其中50份樣本按實(shí)際稻谷儲(chǔ)藏要求(溫度10 ℃，相對(duì)濕度15%)進(jìn)行儲(chǔ)存，保證樣本不發(fā)生霉變。將剩余150份樣本進(jìn)行霉變培養(yǎng)，為了能獲取不同霉變程度稻谷，通過(guò)人為改變儲(chǔ)藏條件，溫度設(shè)置為30 ℃，相對(duì)濕度90%，模擬實(shí)際儲(chǔ)藏條件變化所導(dǎo)致的稻谷不同程度霉變結(jié)果，培養(yǎng)方式借助傳統(tǒng)經(jīng)驗(yàn)觀察稻谷色澤和氣味的感官變化，并通過(guò)隨機(jī)抽樣測(cè)定培養(yǎng)霉變稻谷的脂肪酸含量，保證能獲得不同霉變程度樣本。培養(yǎng)結(jié)束后，根據(jù)上述人工對(duì)霉變稻谷的分類(lèi)方法，將其分類(lèi)，并測(cè)量其所含脂肪酸濃度，最終獲得正常、輕度、中度和重度霉變秈稻的脂肪酸含量范圍分別為18.55～24.40 mg·100 g-1、27.03～80.90 mg·100 g-1、84.44～127.26 mg·100 g-1、101.09～124.88 mg·100 g-1。

1.2 光譜數(shù)據(jù)采集及預(yù)處理

本研究使用HyperSIS-VNIR-PFH高光譜分析儀(北京卓立漢光儀器有限公司)采集光譜信息，該系統(tǒng)內(nèi)部結(jié)構(gòu)如圖1所示，其放大部分為稻谷樣本在光譜檢測(cè)載物臺(tái)上的分布，通過(guò)高光譜相機(jī)采集每個(gè)稻谷的256個(gè)波段圖像，利用遙感圖像處理平臺(tái)選取載物臺(tái)上的稻谷樣本作為感興趣區(qū)域，通過(guò)計(jì)算感興趣區(qū)域的各個(gè)像素點(diǎn)的光譜反射率平均值，作為觀測(cè)稻谷的光譜反射率。其中儀器掃描距離150 mm，曝光時(shí)間20 ms，平臺(tái)移動(dòng)速度為14.6 mm/s，測(cè)定范圍380～1 000 nm，分辨率為2.8 nm。

注：1高光譜相機(jī)，2光源，3暗箱，4載物臺(tái)，5線性導(dǎo)軌圖。圖1 高光譜信息采樣系統(tǒng)

本研究采用Unscrambler10.3 和Matlab R2013a軟件對(duì)光譜數(shù)據(jù)進(jìn)行處理和分析。考慮到高光譜分析儀直接采集的數(shù)據(jù)不僅受到霉變稻谷成分的影響，而且也受到外界環(huán)境影響，為了提高建模和預(yù)測(cè)效果，消除噪聲和物理因素的影響，故本試驗(yàn)采用Savitzky-Golay平滑(savitzky-golay, SG)、多元散射校正(multiplicative scatter correction, MSC)、標(biāo)準(zhǔn)正態(tài)變換(standard normal variate, SNV)、一階導(dǎo)數(shù)(first derivation, FD)、二階導(dǎo)數(shù)(second derivation, SD)等方法預(yù)處理，通過(guò)對(duì)比優(yōu)選最佳預(yù)處理方法。光譜經(jīng)過(guò)SG平滑后可以消除數(shù)據(jù)中環(huán)境和儀器噪聲；經(jīng)MSC和SNV處理可以去除由稻谷顆粒大小不一所帶來(lái)的散射影響；經(jīng)FD和SD處理可以去除基線漂移和噪聲、分辨重疊峰、增強(qiáng)光譜特征[21]。

1.3 模型建立與評(píng)價(jià)

由于霉變稻谷與可見(jiàn)/近紅外光譜數(shù)據(jù)之間屬于非確定性問(wèn)題，為了研究該問(wèn)題，考慮到回歸分析在構(gòu)造變量間關(guān)系時(shí)，具有有效性[22]。因此，本試驗(yàn)選用多元線性回歸判別分析(multivariable linear regression-discriminate analysis, MLR-DA)和偏最小二乘法回歸判別分析(partial least squares-discriminate analysis, PLS-DA)進(jìn)行回歸建模分析，本研究需要計(jì)算光譜數(shù)據(jù)與秈稻霉變程度等級(jí)的關(guān)系，其具體建模過(guò)程如下：①確定建模集霉變程度等級(jí)；②通過(guò)SPA和CARS提取特征波長(zhǎng)和篩選特征變量；③采用MLR-DA和PLS-DA，分別建立霉變程度等級(jí)與光譜數(shù)據(jù)之間的模型；④用所建模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)分級(jí)。由于回歸模型得到的樣本的預(yù)測(cè)值不是整數(shù)，需設(shè)置閾值以判別樣本的歸屬，本文中閾值設(shè)置為0.5[23]，即預(yù)測(cè)值YP與真實(shí)等級(jí)值YR之差的絕對(duì)值小于0.5時(shí)，則樣本屬于該等級(jí)，反之，則不屬于。

本試驗(yàn)評(píng)價(jià)模型優(yōu)劣的指標(biāo)有建模集相關(guān)系數(shù)RC、建模集均方根誤差RMSEC和驗(yàn)證集相關(guān)系數(shù)RP、驗(yàn)證集均方根誤差RMSEP。RC與RP越大，且RMSEC與RMSEP越小，說(shuō)明建模質(zhì)量越高，模型越可靠。

2 霉變秈稻脂肪酸含量測(cè)定與光譜特征分析

2.1 霉變秈稻脂肪酸含量的測(cè)定結(jié)果

試驗(yàn)共采集了200份秈稻樣本，分別包含正常、輕度霉變、中度霉變和重度霉變樣本各50份。隨機(jī)選取155份樣本用于模型建立，建立可見(jiàn)/近紅外光譜與秈稻霉變程度關(guān)系的模型，并對(duì)其進(jìn)行分級(jí)，即：1級(jí)為正常、2級(jí)為輕度霉變、3級(jí)為中度霉變、4級(jí)為重度霉變。剩余45份樣本用于模型驗(yàn)證，評(píng)價(jià)所建模型的優(yōu)劣性能。表1分別列出了建模集和驗(yàn)證集中不同霉變程度秈稻分布數(shù)量及相應(yīng)的脂肪酸含量統(tǒng)計(jì)結(jié)果。

表1 不同霉變程度秈稻分布數(shù)量及相應(yīng)的脂肪酸含量統(tǒng)計(jì)結(jié)果

2.2 不同霉變程度秈稻的光譜特征分析

采用Savitzky-Golay(SG)平滑預(yù)處理后的不同霉變程度秈稻平均光譜圖如圖1所示，4種不同霉變程度秈稻的反射率曲線擁有相似的變化趨勢(shì)，呈現(xiàn)霉變秈稻所獨(dú)有的光譜特性：在波長(zhǎng)為420 nm附近時(shí)，4種不同霉變程度秈稻光譜反射率均產(chǎn)生了低谷。在波長(zhǎng)為450～650 nm之間時(shí)，隨著霉變程度的增加，其光譜反射率變化趨勢(shì)減緩，此反射區(qū)大小差異明顯，正常和重度霉變樣本反射率曲線差異較大，說(shuō)明在后期鑒別時(shí)會(huì)較容易區(qū)分兩者。但是，輕度霉變和中度霉變樣本的反射率曲線基本重合，這勢(shì)必會(huì)為后期準(zhǔn)確鑒別兩者帶來(lái)困難。在波長(zhǎng)為700～850 nm時(shí)，不同霉變程度秈稻光譜反射率基本相同。在波長(zhǎng)為850～1 000 nm時(shí)，光譜反射率曲線差異較大，相對(duì)正常樣本，中度和重度霉變樣本反射率均有所下降。但是，輕度霉變樣本例外，其反射率曲線與正常樣本幾乎重合。

圖1 4種霉變秈稻光譜平滑圖

除了霉變程度外，樣本大小、表面紋理以及其所含營(yíng)養(yǎng)物質(zhì)等因素均會(huì)對(duì)光譜反射率產(chǎn)生影響。所以直接觀察光譜反射率曲線無(wú)法準(zhǔn)確鑒別秈稻霉變程度，但上述反射率之間的差異為鑒別其霉變程度奠定了基礎(chǔ)。

3 秈稻霉變程度鑒別模型的建立與分析

3.1 多元線性回歸判別分析建模

3.1.1 光譜特征波長(zhǎng)選取

由于試驗(yàn)選用的高光譜分析儀分辨率很高，導(dǎo)致采集的光譜數(shù)據(jù)維數(shù)過(guò)高，如果直接將采集的光譜數(shù)據(jù)作為輸入變量，由于光譜數(shù)據(jù)之間存在共線性，會(huì)出現(xiàn)數(shù)據(jù)冗余現(xiàn)象，導(dǎo)致建模時(shí)間過(guò)長(zhǎng)。因此建模之前先采用連續(xù)投影算法(successive projections algorithm, SPA)[24]對(duì)維數(shù)過(guò)高的光譜數(shù)據(jù)進(jìn)行壓縮，從中提取對(duì)秈稻霉變程度貢獻(xiàn)率大的一些特征波長(zhǎng)，去除一些低敏感波長(zhǎng)。將提取出來(lái)的特征波長(zhǎng)作為多元線性回歸建模輸入變量。利用SPA對(duì)建模集進(jìn)行特征波長(zhǎng)選取時(shí)，采用留一法進(jìn)行內(nèi)部交叉驗(yàn)證。根據(jù)內(nèi)部交叉驗(yàn)證均方根誤差RMSECV大小確定最佳特征波長(zhǎng)數(shù)，RMSECV越小，則表明所建模型質(zhì)量越高、預(yù)測(cè)效果越好[25]。如圖2a所示，當(dāng)選取的特征波長(zhǎng)數(shù)為16時(shí)，RMSECV最小(0.293)，圖2b為經(jīng)SPA優(yōu)選出來(lái)的特征波長(zhǎng)。

圖2 特征波長(zhǎng)數(shù)確定和選擇

3.1.2 不同預(yù)處理方法下的模型預(yù)測(cè)結(jié)果

采用不同預(yù)處理方法，建立模型后對(duì)建模集和驗(yàn)證集預(yù)測(cè)結(jié)果如表2所示。由表2可知，光譜數(shù)據(jù)經(jīng)MSC、SNV和SD處理后的建模集相關(guān)系數(shù)RC均較高，但驗(yàn)證集相關(guān)系數(shù)RP均較低，均方根誤差RMSEP較高，出現(xiàn)了過(guò)擬合現(xiàn)象，所以上述3種預(yù)處理方法建立模型的穩(wěn)定性需進(jìn)一步研究。而經(jīng)SG預(yù)處理的模型，其建模集相關(guān)系數(shù)RC為0.984，驗(yàn)證集相關(guān)系數(shù)RP為0.960，在幾種預(yù)處理方法中，其建模集相關(guān)系數(shù)RC和驗(yàn)證集相關(guān)系數(shù)RP均最高，且建模集均方根誤差RMSEC和驗(yàn)證集均方根誤差RMSEP均最低，分別為0.206、0.304。光譜數(shù)據(jù)經(jīng)不同預(yù)處理后，再經(jīng)過(guò)SPA進(jìn)行數(shù)據(jù)壓縮，最終選取參與建模變量數(shù)范圍為10～27，相比全光譜256個(gè)數(shù)據(jù)，大大削減了輸入變量、提高了建模效率。因此，多元線性回歸判別分析建模時(shí)最佳預(yù)處理方法為SG平滑。

表2 不同預(yù)處理方法下SPA-MLR-DA模型預(yù)測(cè)統(tǒng)計(jì)結(jié)果

3.1.3 最優(yōu)SPA-MLR-DA對(duì)秈稻霉變程度鑒別與分析

由分析可知，經(jīng)SG-SPA-MLR-DA建模效果最優(yōu)，應(yīng)用該判別模型預(yù)測(cè)4種類(lèi)型共45個(gè)樣本，其鑒別結(jié)果如圖3所示。

圖3 SG-SPA-MLR-DA模型鑒別結(jié)果

圖3的鑒別結(jié)果表明，該模型對(duì)輕度霉變樣本鑒別效果最差，其誤判樣本YP分別為1.317、2.502、2.678，該類(lèi)樣本分散不夠集中；模型對(duì)輕度霉變和正常、輕度霉變和中度霉變之間有比較明顯的交叉誤判，圖中空心三角形為誤判樣本，具體鑒別統(tǒng)計(jì)結(jié)果如表3所示。

表3 采用SG預(yù)處理的SPA-MLR-DA鑒別秈稻霉變程度統(tǒng)計(jì)結(jié)果

注：1代表正常樣本，2代表輕度霉變樣本，3代表中度霉變樣本，4代表重度霉變樣本，下同。

表3結(jié)果表明，該模型能正確識(shí)別正常、中度霉變和重度霉變3種樣本類(lèi)型，識(shí)別率均為100%，但對(duì)輕度霉變樣本卻存在著誤判，將3個(gè)輕度霉變樣本分別誤判為1個(gè)正常和2個(gè)中度霉變樣本，可能是因?yàn)檩p度霉變樣本的光譜反射率曲線同正常、中度霉變樣本之間存在重合現(xiàn)象。SG-SPA-MLR-DA模型對(duì)未知秈稻樣本的總體分類(lèi)準(zhǔn)確率為93.33%。

3.2 偏最小二乘法回歸判別分析建模

3.2.1 篩選特征波長(zhǎng)變量

為解決光譜數(shù)據(jù)中不相關(guān)變量對(duì)模型精度的影響，同時(shí)，也為簡(jiǎn)化模型，提高運(yùn)算效率。本試驗(yàn)選用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)[26]篩選出與霉變秈稻相關(guān)的重要變量，其篩選變量過(guò)程如圖4所示，篩選特征變量時(shí)，最大因子數(shù)由蒙特卡羅交叉驗(yàn)證確定，運(yùn)行次數(shù)為50，根據(jù)均方根誤差RMSECV大小確定最佳特征變量。由圖4a可知，被保留波長(zhǎng)數(shù)隨運(yùn)行次數(shù)的增加呈遞減趨勢(shì)，運(yùn)行次數(shù)1～5范圍內(nèi)，被保留波長(zhǎng)數(shù)迅速下降，運(yùn)行5次時(shí)，被保留波長(zhǎng)數(shù)僅為原來(lái)的24%，體現(xiàn)了CARS的特征變量粗選；在5～50范圍內(nèi)，被保留波長(zhǎng)數(shù)下降趨勢(shì)減緩，體現(xiàn)了特征變量的精選。由圖4b可知，運(yùn)行次數(shù)1～24范圍內(nèi)，RMSECV隨運(yùn)行次數(shù)的增加呈遞減趨勢(shì)，表明此過(guò)程剔除了與霉變樣本不相關(guān)的波長(zhǎng)變量；24～50范圍內(nèi)，RMSECV逐漸遞增，可能此過(guò)程剔除了與樣本相關(guān)的波長(zhǎng)變量。由圖4c可知，豎線對(duì)應(yīng)的位置為運(yùn)行次數(shù)24時(shí)，RMSECV最小值(0.277)，此時(shí)被保留波長(zhǎng)數(shù)為26，所對(duì)應(yīng)的波長(zhǎng)即為篩選的最佳特征波長(zhǎng)變量。

圖4 波長(zhǎng)變量篩選圖

3.2.2 不同預(yù)處理方法下的模型預(yù)測(cè)結(jié)果

采用不同預(yù)處理方法，建立模型后對(duì)建模集和驗(yàn)證集預(yù)測(cè)結(jié)果如表4所示。由表4可知，采用CARS算法可將建模變量壓縮至原始的5%～10%，簡(jiǎn)化了模型，提高了運(yùn)算效率；未預(yù)處理和SG平滑建模的預(yù)測(cè)效果優(yōu)于其他方法，其建模集相關(guān)系數(shù)RC和驗(yàn)證集相關(guān)系數(shù)RP均能達(dá)到0.950以上，且建模集均方根誤差RMSEC和驗(yàn)證集均方根誤差RMSEP均小于0.300，但未預(yù)處理的RMSEC與RMSEP均比SG平滑小。因此，采用原始數(shù)據(jù)建立CARS-PLS-DA模型預(yù)測(cè)效果最佳。經(jīng)MSC、SNV、FD、SD預(yù)處理的模型預(yù)測(cè)效果較差，其中FD建模預(yù)測(cè)效果最差，其RP最小(0.864)，可能因?yàn)樵陬A(yù)處理過(guò)程中丟失了一些重要信息。

表4 不同預(yù)處理方法下CARS-PLS-DA模型預(yù)測(cè)統(tǒng)計(jì)結(jié)果

3.2.3 最優(yōu)CARS-PLS-DA對(duì)秈稻霉變程度鑒別與分析

由上述分析可知，經(jīng)RAW-CARS-PLS-DA建模效果最優(yōu)，應(yīng)用該判別模型預(yù)測(cè)4種類(lèi)型共45個(gè)樣本，其鑒別結(jié)果如圖5所示。

圖5 RWA-CARS-PLS-DA模型鑒別結(jié)果

圖5的鑒別結(jié)果表明，該模型對(duì)正常和輕度霉變樣本鑒別效果較差，其誤判樣本YP分別為1.538、1.198、2.739，相對(duì)其他2種樣本類(lèi)型，該類(lèi)樣本比較分散；模型對(duì)輕度霉變和正常、輕度霉變和中度霉變之間存在交叉誤判，圖中空心三角形和四邊形為誤判樣本，具體鑒別統(tǒng)計(jì)結(jié)果如表5所示。

表5 采用未預(yù)處理的CARS-PLS-DA鑒別秈稻霉變程度統(tǒng)計(jì)結(jié)果

表5結(jié)果表明，該模型能正確識(shí)別中度和重度霉變樣本類(lèi)型，識(shí)別率均為100%，對(duì)正常和輕度霉變樣本的正確識(shí)別率分別為90.91%、81.82%，模型對(duì)上述兩者均出現(xiàn)誤判，將1個(gè)正常樣本誤判為輕度霉變樣本，2個(gè)輕度霉變樣本誤判為正常和中度霉變樣本。RAW-CARS-PLS-DA模型對(duì)未知秈稻樣本的總體分類(lèi)準(zhǔn)確率為93.33%。

4 結(jié)論

本研究基于高光譜技術(shù)分析了正常、輕度霉變、中度霉變、重度霉變秈稻的光譜信息，研究了快速鑒別秈稻霉變程度方法，通過(guò)試驗(yàn)驗(yàn)證，得出了如下結(jié)論：

對(duì)比5種不同預(yù)處理方法，得出多元線性回歸判別分析和偏最小二乘法判別分析的最優(yōu)數(shù)據(jù)預(yù)處理方法分別為SG、RAW，其建模集相關(guān)系數(shù)RC和驗(yàn)證集相關(guān)系數(shù)RP均大于0.950。

采用SPA和CARS提取的建模變量數(shù)的分布范圍分別為10～27、12～26，上述方法將變量數(shù)壓縮至原始的4%～11%，大大減少了輸入變量，提高了運(yùn)算效率。

最優(yōu) SG-SPA-MLR-DA和RAW-CARS-PLS-DA模型對(duì)未知秈稻樣本的誤判數(shù)均為3，其總體分類(lèi)準(zhǔn)確率均為93.33%，但后者的驗(yàn)證集相關(guān)系數(shù)RP為0.969，前者RP為0.960。因此，RAW-CARS-PLS-DA建立的鑒別模型最優(yōu)，其建模集相關(guān)系數(shù)RC為0.981，均方根誤差RMSEC為0.219，驗(yàn)證集均方根誤差RMSEP為0.269，模型對(duì)不同霉變程度秈稻具有較強(qiáng)的鑒別能力。

高光譜技術(shù)結(jié)合RAW-CARS-PLS-DA建模，可以為快速、無(wú)損鑒別秈稻霉變程度提供技術(shù)支持，也可以為在線檢測(cè)流入市場(chǎng)的秈稻是否霉變以及霉變程度提供參考依據(jù)。

參考文獻(xiàn)

[1]包清彬，豬谷富雄. 儲(chǔ)藏條件對(duì)糙米理化特性影響的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2003, 19(6):25-27 Bao Qingbin, Tomio ITANI. Influence of storage conditions on physicochemical characteristic of brown rice[J].Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(6): 25-27

[2]蘇永騰，劉強(qiáng). 谷物霉菌毒素的危害及其控制措施的研究[J]. 中國(guó)食物與營(yíng)養(yǎng)，2010 (4):9-12 Su Yongten, Liu Qiang. Hazards and control measures of grain mycotoxin[J]. Food and Nutrition in China, 2010 (4): 9-12

[3]楊曉蓉，周建新，姚明蘭，等. 不同儲(chǔ)藏條件下稻谷脂肪酸值變化和霉變相關(guān)性研究[J]. 糧食儲(chǔ)藏，2006, 35(5):49-52 Yang Xiaorong, Zhou Jianxin, Yao Minglan, et al. Study on a correlation between the fatty acid value change and mould of indica rice in different storage conditions[J]. Grain storage, 2006, 35(5): 49-52

[4]惠國(guó)華，陳裕泉. 基于隨機(jī)共振的電子鼻系統(tǒng)構(gòu)建及在谷物霉變程度檢測(cè)中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào)，2011, 24(2):159-164 Hui Guohua, Chen Yuquan, Establishment of an electronic nose system using stochastic resonance and its application in moldy corn status detection[J]. Chinese Journal of sensors and actuators, 2011, 24(2):159-164

[5]張紅梅，王俊，葉盛，等. 電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測(cè)[J]. 傳感技術(shù)學(xué)報(bào)，2007, 20(6):1207-1210 Zhang Hongmei, Wang Jun, Ye Sheng, et al. Optimized of sensor array and detection of moldy degree for grain by electronic nose[J]. Chinese Journal of sensors and actuators, 2007, 20(6):1207-1210

[6]鄒小波，趙杰文. 電子鼻快速檢測(cè)谷物霉變的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004, 20(4):121-124 Zou Xiaobo, Zhao Jiewen. Rapid identification of moldy corn by electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(4): 121-124

[7]陳紅，熊利榮，胡筱波. 基于神經(jīng)網(wǎng)絡(luò)與圖像處理的花生仁霉變識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007, 23(4):158-161 Chen Hong, Xiong Lirong, Hu Xiaobo, et al. Identification method for moldy peanut kernels based on neural network and image processing [ J]. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23( 4): 158-161

[8]袁瑩，王偉，褚璇，等. 基于傅里葉變換近紅外和支持向量機(jī)的霉變玉米檢測(cè)[J]. 中國(guó)糧油學(xué)報(bào)，2015, 30(5):143-146 Yuan Ying, Wang Wei, Chu Xuan, et al. Detection of moldy corns with FT-NIR spectroscopy based on SVM[J]. Journal of the Chinese cereals and oils association, 2015, 30(5): 143-146

[9]周建新. 論糧食霉變中的生物化學(xué)[J]. 糧食儲(chǔ)藏，2004, 32(1): 9-12 Zhou Jianxin. The biochemistry during grain mildewing[J]. Grain storage, 2004, 32(1): 9-12

[10]惠國(guó)華，倪彧. 基于信噪比分析技術(shù)的谷物霉變快速檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011, 27(3):336-340 Hui Guohua, Ni Yu. Investigation of moldy corn fast detection based on signal-to-noise ratio spectrum analysis technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 336-340

[11]Aibara S, Ismail I A. Changes in rice bran lipids and fatty acids during storage[J]. Agriculture Biology Chemistry, 1986, 50(3): 665-673

[12]蔡靜平. 糧油食品微生物學(xué)[M]. 北京：中國(guó)輕工業(yè)出版社，2002 Cai Jingping.Grain and oil food microbiology[M]. Beijing: China Light Industry Press, 2002

[13]邵龍，邵懷宗，彭啟琮. 稻谷脂肪自動(dòng)酸滴定儀設(shè)計(jì)與實(shí)現(xiàn)[J]. 電子測(cè)量與儀器學(xué)報(bào)，2008, 22(6):97-102 Shao Long, Shao Huaizong, Peng Qicong. Design and realization of rice fatty acid automatic titrator[J]. Journal of electronic measurement and instrument, 2008, 22(6): 97-102

[14]高俊峰，章海亮，孔汶汶，等. 應(yīng)用高光譜成像技術(shù)對(duì)打蠟蘋(píng)果無(wú)損鑒別研究[J]. 光譜學(xué)與光譜分析，2013, 33(7):1922-1926 Gao Junfeng, Zhang Hailiang, Kong Wenwen, et al. Nondestructive discrimination of waxed apples based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2013, 33(7):1922-1926

[15]鄒偉，方慧，劉飛，等. 基于高光譜圖像技術(shù)的油菜籽品種鑒別方法研究[J]. 浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)，2011, 37(2):175-180 Zhou Wei, Fang Hui, Liu Fei, et al. Identification of rapeseed varieties base on hyperspectral imagery[J]. Journal of Zhejiang University (Agric & Life Sci), 2011, 37(2):175-180

[16]郝學(xué)飛，蘇東民，余大杰，等. 近紅外方法預(yù)測(cè)饅頭品質(zhì)[J]. 中國(guó)糧油學(xué)報(bào)，2014, 29(4):113-117 Hao Xuefei, Su Dongmin, Yu Dajie, et al. Assessment of steamed bun quality by near infrared reflectance method[J]. Journal of the Chinese cereals and oils association, 2014, 29(4):113-117

[17]張強(qiáng)，劉成海，孫井坤，等. 基于支持向量機(jī)稻谷黃曲霉毒素B1近紅外無(wú)損檢測(cè)[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015, 46(5):84-88 Zhang Qiang, Liu Chenghai, Sun Jingkun, et al. Near-infrared spectroscopy nondestructive determination of aflatoxin B1 in indica rice rice based on support vector machine regression[J]. Journal of Northeast Agricultural University, 2015, 46(5):84-88

[18]李新華，李利霞，楊權(quán). 不同儲(chǔ)存條件下稻谷水分和脂肪酸值變化及霉變規(guī)律[J]. 糧食儲(chǔ)藏，2016, 45(2):49-51 Li Xinhua, Li Lixia, Yang Quan, Study on the change law of the moisture content and fatty acid value and the regularity on the mould ofindica rice in different storage conditions [J]. Grain Storage, 2016, 45(2):49-51

[19]舒?zhèn)ボ?，田曉靜，王俊. 基于生物超弱發(fā)光的稻谷霉變特性研究[J]. 科技通報(bào)，2008, 24(6):815-819 Shu Weijun, Tian Xiaojing, Wang Jun.Study on characteristics of rice mildew bioluminescence based on super-weak bioluminescence[J]. Chinese Science Bulletin, 2008, 24(6):815-819

[20]張瑛，吳先山，吳敬德，等. 稻谷儲(chǔ)藏過(guò)程中理化特性變化的研究[J]. 中國(guó)糧油學(xué)報(bào)，2003, 18(6):565-566 Zhang Ying, Wu Xianshan, Wu Jingde, et al. Study on physical and chemical characters in rice storage[J]. Journal of the Chinese cereals and oils association, 2003, 18(6): 565-566

[21]尼珍，胡昌勤，馮芳，等. 近紅外光譜分析中光譜預(yù)處理方法的作用及其發(fā)展[J]. 藥物分析雜志，2008, 28(5):824-829 Ni Zhen, Hu Changqin, Feng Fang, et al. Progress and effect of spectral data pretreatment in NIR analytical technique[J]. Chinese Journal of Pharmaceutical Analysis, 2008, 28(5): 824-829

[22]趙杰文，林顥. 食品、農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法[M]. 北京：科學(xué)出版社，2012:78-139 Zhao Jiewen, Lin Hao.Methods of data processing and analysis in the detection of food and agricultural products[M]. Beijing: Science Press, 2012:78-139

[23]Canaza-Cayo A W, Cozzolino D, Alomar D, et al. A feasibility study of the classification of Alpaca (Lama pacos) wool samples from different ages, sex and color by means of visible and near infrared reflectance spectroscopy[J]. Computers and Electronics in Agriculture, 2012, 88(4): 141-147

[24]Galváo R K H, Araujo M C U, Silva E C, et al. Cross validation for the selection of spectral variables using the successive projections algorithm[J]. Braz. Chem. Soc, 2007, 18(8): 1580-1584

[25]Wold S, Sj?str?m M, Eriksson L. PLS-regression: a basic tool of chemometrics[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 58(1): 109-130

[26]Li Hongdong, Liang Yizeng, Xu Qingsong, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta. 2009, 648(1):77-84．

Identification of the Different Degree of Moldy Indica Rice Based on Hyperspectral Technology

Gong Zhongliang1Zheng Lizhang1Wen Tao1,2Li Lijun1Xie Jiefei1Ma Qiang3

(School of Mechanical and Electrical Engineering, Central South University of Forestry and Technology1, Changsha 410004) (Key Laboratory of Key Technology for South Agricultural Machinery and Equipment, Ministry of Education,Engineering College, South China Agricultural University2, Guangzhou 510642) (School of Science, Central South University of Forestry and Technology3, Changsha 410004)

In order to solve the problem of fast and nondestructive identification of moldy, the spectral data of four kinds of moldy indica rice, including normal indica rice, mildly moldy indica rice, moderately moldy indica rice and seriously moldy indica rice, was collected by using the hyperspectral technology. After preprocessing with five methods, the successive projections algorithm (SPA) was proposed to extract the characteristic wavelength; then, the identification models of different degree of moldy indica rice were established by using the multivariate linear regression-discriminate analysis (MLR-DA). Meanwhile, the competitive adaptive reweighted sampling (CARS) was used to obtain characteristic variables; the identification models were established by using partial least squares regression -discriminate analysis (PLS-DA). The results showed that the correlation coefficient of validation set (RP) of the SG-SPA-MLR-DA model and RAW-CARS-PLS-DA model were more than 0.950. The prediction precision of the RAW-CARS-PLS-DA model was optimal, the correlation coefficient of validation set (RP) was 0.969, the root mean square error of validation set (RMSEP) was 0.269, and the overall accuracy of identification rate of predicted samples was 93.33%. The model has the ability of identifying the different degree of moldy indica rice. Therefore, this method can provide technical support for quick and nondestructive identification of the mildewing process of the indica rice.

hyperspectral technology, preprocessing, mildew, indica rice, models, identification

國(guó)家自然科學(xué)基金(31401281)，湖南省自然科學(xué)基金(14JJ3115)，湖南省高校科技創(chuàng)新團(tuán)隊(duì)支持計(jì)劃(2014207)，國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(201410538014)

2016-05-17

龔中良，男，1965年出生，教授，農(nóng)產(chǎn)品品質(zhì)與安全無(wú)損檢測(cè)技術(shù)應(yīng)用基礎(chǔ)研究

文韜，男，1983年出生，副教授，農(nóng)產(chǎn)品品質(zhì)與安全無(wú)損檢測(cè)技術(shù)應(yīng)用基礎(chǔ)研究

S123；S511

：A

：1003-0174(2017)08-0123-08

稻谷含有豐富的淀粉、蛋白質(zhì)、碳水化合物等成分，在霉菌的作用下易造成稻谷霉?fàn)€變質(zhì)，產(chǎn)生對(duì)人體有毒害的黃曲霉毒素[1-2]。因此如何快速鑒別稻谷霉變程度是保障稻谷類(lèi)食品安全的基礎(chǔ)。