劉紀偉 張婉婷 丁焱薇 任秋涵 Firew Tafesse Mamo 周曰春 胡秋輝 丁超 劉強

摘要：采用可見/近紅外高光譜成像技術，并結合主成分分析（principal component analysis， PCA），利用偏最小二乘回歸PLSR算法，構建稻谷儲藏過程中典型霉菌（黃曲霉、黑曲霉與雜色曲霉）污染的無損檢測方法。結果表明：稻谷分別接種3種霉菌后，黃曲霉菌繁殖速率最快，對比霉變過程下稻谷在400～1 000 nm波段信號發(fā)現(xiàn)，光譜反射率隨霉變時間延長關聯(lián)下降，其中黑曲霉對應的光譜信號變化幅度最為明顯；結合PCA結果，不同霉變階段性下稻谷光譜信號存在差異；霉變稻谷中黃曲霉、黑曲霉與雜色曲霉含量預測模型的相關系數(shù)分別為0.77、0.76和0.81，均方根誤差分別為1.15、1.19和0.95 lg（CFU/g），能夠做到對3種霉菌的準確預測。該結果可以為稻谷霉變的無損預測提供技術支持和理論依據(jù)。

關鍵詞：高光譜；稻谷；霉變；無損檢測；預測模型

中圖分類號：TS210.7 文獻標識碼：A DOI：10.16465/j.gste.cn431252ts.20210521

基金項目：國家重點研發(fā)計劃課題 （2019YFC1605301）；江蘇省高校優(yōu)勢學科建設工程資助項目（PAPD）；江蘇省創(chuàng)新訓練省級一般項目（202010327046Y）。

我國是稻谷生產(chǎn)大國，稻谷年產(chǎn)量占全國糧食總量的31%[1]。新鮮稻谷本身營養(yǎng)較為豐富，在儲藏的過程中，極易受到霉菌的污染而霉變，稻谷霉變后食用品質大大降低[2]。感染產(chǎn)毒霉菌的稻谷還會產(chǎn)生一些對人體健康有害的真菌毒素，造成極大的健康隱患[3-4]。因此，研究能夠快速檢測出稻谷儲藏過程中的霉菌污染，并對稻谷霉變程度進行有效判別的快速檢測技術，在延長稻谷儲藏期、保證稻谷產(chǎn)品質量和食用品質方面顯得尤為重要。

目前，稻谷中霉菌含量的檢測方法主要包括平板計數(shù)法、選擇性和鑒別培養(yǎng)基法、熒光分析法、微生物活性測定法、分子生物學方法等[5-6]。這些稻谷中霉菌含量檢測的常規(guī)方法檢測準確度較高，但往往需要花費大量時間進行制樣和檢測，不僅無法做到對儲藏稻谷霉變程度的快速檢測，還會對檢測樣品的結構造成破壞[5]。因此，建立一種快速、無損、定量檢測儲藏稻谷霉變程度的檢測方法，對促進稻谷安全儲藏和確保消費安全具有重要意義。

高光譜成像技術是一種通過同時采集樣品的2D空間信息和1D光譜信息，在獲取到樣品的3D光譜數(shù)據(jù)立方體后，再利用高光譜成像系統(tǒng)的空間像元間成分差異辨識能力和光譜分析能力，提取樣品圖像和光譜信息特征，將樣品內外品質指標之間建立聯(lián)系，實現(xiàn)對樣品內外綜合品質評價的快速、無損檢測的光譜技術[7]。高光譜成像技術由于檢測精度高，速度快，不僅能對樣品的光譜特征進行區(qū)分，還能夠對樣品中的成分進行分析，現(xiàn)已被廣泛應用于農(nóng)產(chǎn)品中霉菌以及真菌毒素的檢測。Del Fiore等[8]使用高光譜成像技術建立了一種無損檢測玉米籽粒中產(chǎn)毒真菌的方法，結果表明，使用高光譜成像技術，可以對接種黑曲霉或黃曲霉48 h后的商品玉米籽粒與未被侵染的玉米籽粒進行有效區(qū)分。Singh等[9]建立了基于高光譜技術的小麥粒中3種真菌的判別模型，模型正確率為97.3%～100%。Jiang等[10]使用高光譜技術，建立了能夠快速判別花生樣品是否被真菌侵染的判別方法，正確率為87.14%。以上研究均表明，高光譜成像技術在農(nóng)產(chǎn)品霉菌快速檢測方面效果突出。上述的研究已從可行性方面證實了高光譜成像技術在糧食霉變無損檢測的可行性，能否構建更加精準的霉變程度定量檢測，特別是霉變含量的無損預測將推動高光譜成像技術在糧食行業(yè)中的應用。

綜上，本研究聚焦稻谷產(chǎn)后典型霉菌生長特性，以儲藏稻谷霉變過程中的霉菌含量為表征指標，通過測定不同儲藏時間下霉變稻谷樣本的光譜信號和霉菌含量，建立基于高光譜成像系統(tǒng)的儲藏稻谷中黃曲霉、黑曲霉與雜色曲霉的定量預測模型，從而實現(xiàn)對稻谷霉變程度的快速、準確分析，為稻谷霉變的在線、快速、精確檢測提供參考依據(jù)。

1 材料與方法

1.1 材料與試劑

稻谷產(chǎn)自宿遷（2019年京優(yōu)1號稻谷，濕基水分含量（19.0±0.5）%；孟加拉紅培養(yǎng)基（分析級）、馬鈴薯瓊脂培養(yǎng)基（分析級）：上海盛思生化科技有限公司；吐溫-80 （分析級）：阿拉丁試劑（上海）有限公司；黃曲霉（Aspergillus flavus）、黑曲霉（Aspergillus niger）、雜色曲霉（Aspergillus versicolor）：廣東微生物菌種保藏中心。

1.2 儀器與設備

HIS-Enir-400-1700型可見/近紅外高光譜成像儀：臺灣五鈴光電有限公司；SW-CJ-2FD型超凈工作臺：蘇凈集團蘇州安泰空氣技術有限公司；GNP-9160型恒溫恒濕培養(yǎng)箱：上海三發(fā)科學儀器有限公司；SX-700型高壓蒸汽滅菌鍋：上海申安醫(yī)療器械廠；HH-6型恒溫水浴鍋：國華電器有限公司。

1.3 方法

1.3.1 稻谷處理

將去雜與干燥后的稻谷以20 g每袋裝入自封袋，置于超凈工作臺中紫外光輻射下消毒24 h，完成后置于無菌培養(yǎng)皿中隔離存放，防止交叉感染。

1.3.2 菌種活化與接種

參考楊基漢等[11]與張繼忠等[12]的方法并稍作修改，具體為：選取稻谷3種典型致腐真菌：黃曲霉菌（Aspergillus flavus，GDMCC 3.493）、黑曲霉（Aspergillus niger，GDMCC 3.649）和雜色曲霉（Aspergillus versicolor，ACCC30169）作為接種對象。在稻谷霉菌接種前，對菌種進行活化，活化時間設為7 d，培養(yǎng)溫度設為28 ℃。采用5 mL含0.03%吐溫-80 （質量分數(shù)）的無菌緩沖液反復沖刷菌落表面，并重復上述步驟一次，共收集約10 mL孢子液。將離心管置于渦漩振蕩器上震蕩1 min后獲得分散的菌絲-孢子懸液。用3層無菌紗布過濾菌懸液，結合血球計數(shù)板進行計數(shù)，將孢子懸液的濃度調整到1×106 mL-1備用。

取1 mL孢子懸浮液，均勻地噴灑在稻谷表面，振動晃勻。每種霉菌均接種100個稻谷平板，并設置1組正常稻谷（未接菌）用以空白對照。將4組稻谷平板（黃曲霉組、黑曲霉組、雜色曲霉組和正常稻谷組）隔離存放，于溫度（28±1）℃，濕度（85±5）%的條件培養(yǎng)10 d，以加速霉菌滋生繁殖。在貯藏10 d的過程中，每組每天隨機抽取10個平板樣本用以高光譜掃描及微生物菌落計數(shù)[13]。

1.3.3 高光譜成像系統(tǒng)

采用反射模式下可見/近紅外高光譜成像設備捕捉樣本高光譜信息，光譜成像范圍保留400～1 000 nm有效信息，單波段圖像像素為804×440。高光譜成像系統(tǒng)由成像系統(tǒng)、移動平臺和鹵素燈光譜與及若干光纖組成。相機鏡頭距離樣品26 cm，兩側光源由50 W鹵素燈組成，投射角度與水平呈60°夾角，光源與樣品距離30 cm，光譜分辨率為2.8 nm，移動臺速度5 mm/s，曝光時間2.5 ms。

1.3.4 微生物菌落數(shù)測定

參照GB 4789.15—2016《食品安全國家標準食品微生物學檢驗 霉菌和酵母計數(shù)》進行微生物菌落總數(shù)的測定，含量以lg （CFU/g）表示。

1.3.5 光譜圖像數(shù)據(jù)處理與建模方法

預測模型采用Matlab軟件中PLS-toolbox 7.5工具箱進行構建；PCA采用SPSS 18.0版軟件進行分析；所有圖形繪制均采用Origin 9.0軟件；簡單數(shù)據(jù)統(tǒng)計采用Excel文檔進行存儲。

2 結果與分析

2.1 霉菌含量與霉變程度分析

稻谷接種霉菌后，菌落總數(shù)的含量和表觀形態(tài)與接種時間呈現(xiàn)規(guī)律性變化。不同霉菌侵染稻谷的菌落總數(shù)隨霉菌接種后貯藏時間的變化如圖1所示，在接種黃曲霉、黑曲霉與雜色曲霉的孢子懸浮液2 d后，稻谷3種霉菌的含量上升至3.65～4.63 lg （CFU/g），隨著接種后貯藏時間的增加，稻谷上3種霉菌的含量顯著上升，貯藏10 d時，稻谷上3種霉菌的含量均已超過6.92 lg （CFU/g）。稻谷霉菌含量是判斷稻谷是否發(fā)生霉變以及霉變程度的重要指標之一[18]，當霉菌量在3.0 lg （CFU/g）以下時，稻谷尚未發(fā)生霉變，在3.0～7.0 lg（CFU/g） 時稻谷處于霉變狀態(tài)，超過7.0 lg （CFU/g）時稻谷已經(jīng)發(fā)生嚴重霉變。稻谷接種不同霉菌孢子懸浮液2 d后，3種霉菌菌落總數(shù)均在3.65～4.63 lg （CFU/g），說明3種霉菌均已被成功接種到稻谷上，通常真菌在接種初始階段呈現(xiàn)潛伏狀態(tài)，隨后進入發(fā)病期，對應的生長曲線呈現(xiàn)典型的“S”型上升[19]，但此次實驗中，接種不同霉菌后，3種霉菌的生長迅速進入指數(shù)期，潛伏狀態(tài)基本沒有，可能是因為模擬的貯藏環(huán)境，極其適合微生物快速生長。此后，隨著儲藏時間的延長，3種霉菌便開始快速增殖，樣品霉變程度均在逐漸加重，但不同霉菌菌株的增長速率之間存在差異。相對于黑曲霉和雜色曲霉，黃曲霉在稻谷上的生長速率最快，霉變10 d后，稻谷上黃曲霉含量已上升至7.85 lg （CFU/g），顯著高于黑曲霉組6.92 lg （CFU/g）（P<0.01）與雜色曲霉組7.80 lg （CFU/g）。說明在3種霉菌當中，黃曲霉侵染稻谷儲藏10 d后的霉變程度高于被黑曲霉和雜色曲霉侵染的稻谷。

本實驗還發(fā)現(xiàn)，隨著儲藏時間的延長，接種黃曲霉、黑曲霉與雜色曲霉的稻谷顏色均在逐漸加深，劉慧等[17]通過測定接種不同曲霉與青霉稻谷的色度，發(fā)現(xiàn)接種霉菌的稻谷其黃藍值（b*值）上升，說明稻谷在接種霉菌后，表面顏色逐漸加深并向黃褐色轉變。當儲藏時間達到3 d時，稻谷表面已經(jīng)開始出現(xiàn)肉眼可見的霉菌菌落，儲藏10 d時，黃曲霉、黑曲霉、雜色曲霉的菌落幾乎將稻谷表面全部覆蓋，其中，接種黃曲霉的稻谷表面霉變程度最嚴重，這與接種不同霉菌的稻谷上霉菌菌落總數(shù)的測定結果相對應。但當儲藏時間為2 d時，稻谷表面沒有出現(xiàn)肉眼可見的霉菌菌落，而此時的菌落數(shù)測定結果均大于3.0 lg （CFU/g），說明此時稻谷已經(jīng)受到了霉菌的侵染。類似研究對稻谷霉變階段劃分表明，當霉菌含量在4.0～4.78 lg （CFU/g） 時，稻谷表觀色澤變化幅度有限且會產(chǎn)生輕微異味，可以視為輕度霉變；而當霉菌含量超過5.30 lg （CFU/g）后，稻谷已處于嚴重霉變，雖然能通過霉菌病斑實現(xiàn)判斷，但此時已喪失商品價值[20]。因此，為了實現(xiàn)稻谷早期霉變診斷和定量判斷，需要借助一些定量檢測方法才能對稻谷霉菌侵染的早期霉變狀況進行分析。

2.2 光譜特性分析

接種霉菌后的稻谷在儲藏期間，霉菌的增長會引起光譜反射值的變化。圖2為稻谷接種3種霉菌后，稻谷儲藏不同天數(shù)后在400～1 000 nm光譜范圍內的光譜響應曲線，3種不同霉菌侵染后的稻谷反射曲線具有相同的趨勢，在750～900 nm波長范圍內差異明顯。儲藏天數(shù)相同的條件下，在425～900 nm波長范圍內，光譜相對反射率均呈現(xiàn)上升趨勢，最大值出現(xiàn)在900 nm處，這可能與稻谷籽粒內部游離態(tài)水分含量相關[21]。從霉菌生長天數(shù)與光譜相對反射率的關系來看，不同生長天數(shù)下，3種霉菌所對應的光譜相對反射率均呈下降趨勢，這是因為在霉變早期，由于霉菌生長速度較慢，3種霉菌在稻谷表面尚未形成明顯的菌落，且早期形成的菌落呈現(xiàn)白色，對光產(chǎn)生較大的反射[22-23]，隨著儲藏時間的增加，3種霉菌的菌絲體會在稻谷表面產(chǎn)生大量分生孢子，孢子的產(chǎn)生使得稻谷表面的顏色不斷加深，降低了對光的反射，進而導致光譜相對反射率的降低[24]。其中，黑曲霉對應的光譜反射率變化幅度最為明顯，說明在接種儲藏的過程中，被黑曲霉侵染的稻谷前后顏色變化較大，潘磊慶等[22]采用計算機視覺對引起稻谷霉變的5種常見真菌進行檢測發(fā)現(xiàn)，黑曲霉侵染下的稻谷霉變外觀形態(tài)變化最為明顯，并利用連續(xù)投影算法結合支持向量機模型對霉菌霉變程度進行了100%的準確區(qū)分，證實了不同真菌引起的稻谷霉變光譜存在差異。雜色曲霉在不同儲藏天數(shù)下，光譜曲線重合度較高，說明被雜色曲霉侵染的稻谷，在儲藏過程中顏色變化程度較小。雖然接種霉菌的稻谷在儲藏過程中光譜特性會發(fā)生變化，但只能初步說明接種霉菌后的稻谷在儲藏過程中顏色特性發(fā)生了一定變化。要想準確判斷出稻谷的霉變程度，則需進一步對光譜數(shù)據(jù)進行分析與處理。

2.3 主成分分析

參照萬立昊等[19]根據(jù)霉變攜帶量對儲藏稻谷霉變程度的劃分：輕度霉變（<5 lg （CFU/g） ）和重度霉變（≥5 lg （CFU/g））。本文采用PCA對樣本光譜數(shù)據(jù)進行降維和壓縮，探討稻谷各霉變類型下不同霉變程度間的差異。如圖3所示，黃曲霉、黑曲霉和雜色曲霉3種霉菌的主成分1（PC1）對總體方差的貢獻率分別為84.64%、88.95%和89.29%，主成分2（PC2）對總體方差的貢獻率分別為4.87%、4.61%和3.81%，PC1和PC2的累計貢獻率分別為89.51%、93.56%和93.1%，當選取的主成分累計貢獻率超過85% 時，認為原有的絕大部分信息可以通過降維由PC1和PC2兩個主成分對高光譜數(shù)據(jù)進行保留和有效區(qū)分[25]，從圖3可以看出黃曲霉、黑曲霉與雜色曲霉的樣本間均呈現(xiàn)出了一定的聚類趨勢。黃曲霉組重度霉變的樣本主要位于輕度霉變樣本的左下方，黑曲霉組重度霉變樣本主要位于輕度霉變樣本的左上方，雜色曲霉組重度霉變樣本主要位于輕度霉變樣本的左上方。3種霉菌樣本中，樣品之間雖沒有完全分離，均有小部分樣本發(fā)生重疊，但絕大多數(shù)樣本仍可以被有效地區(qū)分，表明了使用高光譜成像技術，可以對稻谷在儲藏過程中發(fā)生的3種霉變的程度進行有效區(qū)分[26]。

2.4 霉菌含量PLSR模型分析

采用蒙特卡羅交叉驗證（MCCV）將樣本中具有較高均值和標準偏差的樣本定義為奇異樣本并從總體樣本中剔除，將最終剩余的270份樣品用于霉菌含量預測模型的建立，使用 SPXY 算法[27]將總樣本按照2∶1的比例劃分為建模集和預測集，建模樣品霉菌含量如表1所示，黃曲霉組霉菌含量在2.93～7.95 lg （CFU/g），黑曲霉組霉菌含量在2.67～6.88 lg （CFU/g），雜色曲霉組霉菌含量在2.50～7.95 lg （CFU/g），3種霉菌樣本霉菌含量的變化范圍較大，有利于建立穩(wěn)定的預測模型。使用SNV對原始光譜數(shù)據(jù)進行預處理，消除在采集過程中由光源強度分布不均勻、攝像頭暗電流的存在，以及稻谷自身形狀的不規(guī)則性等產(chǎn)生的噪聲和干擾[28]，建立稻谷霉變過程中霉菌含量的PLSR預測模型，采用Rp2和RMSEP兩個指標對模型的效果進行評價，建模結果如表 2 所示。

由表2可知，黃曲霉組預測集Rp2為0.77，RMSEP為1.15 lg （CFU/g），黑曲霉組預測集Rp2為0.76，RMSEP為1.19 lg （CFU/g），雜色曲霉組預測集Rp2為0.81，RMSEP為0.95 lg （CFU/g）。通常，擁有較大Rp2值和較小RMSEP值的模型其模型性能較優(yōu)[29]，本實驗建立的PLSR模型在3種曲霉樣本中對雜色曲霉的預測效果優(yōu)于黃曲霉和黑曲霉。劉鵬等[29]建立了基于近紅外光譜技術的花生中黃曲霉、寄生曲霉與赭曲霉的PLSR模型，模型的Rp2值為0.874，與本實驗結果相近；類似的，田容才等[30]建立了基于高光譜技術的不同氣候生態(tài)型秈稻糙米粗蛋白含量的PLSR模型，發(fā)現(xiàn)在不同波長下建立的PLSR模型的Rp2均在0.8以上，RMSE值均小于0.6%。

以霉變稻谷中霉菌含量的真實值為橫坐標，模型預測值為縱坐標作圖，可以直觀地看到稻谷樣品中菌落總數(shù)與高光譜預測模型預測值的相關關系，結果如圖4所示。圖形的斜率與截距可以用來評判線性模型的預測效果，當斜率接近于1，截距接近于0時，模型線性相關性高[31]。圖4中3種霉菌預測模型的回歸曲線斜率和截距均接近于1和0，且所有樣品都分布于中心線兩側，說明模型預測值與真實值之間相關度較高。所以使用高光譜技術結合PLSR模型可以對稻谷中的霉菌含量進行定量檢測，并對稻谷霉變狀況進行判別。

3 結論

本實驗通過對接種了單一霉菌的稻谷進行培養(yǎng)，模擬稻谷在儲藏過程中受霉菌侵染的過程，利用稻谷不同霉變時期的高光譜檢測數(shù)據(jù)，研究高光譜技術用于霉變稻谷中黃曲霉、黑曲霉和雜色曲霉含量檢測模型的構建，并得到以下結論：

（1） 稻谷接種霉菌后，霉菌菌落總數(shù)隨著接種后儲藏時間的增加，含量顯著上升，3種霉菌中，黃曲霉在稻谷上生長的速度最快，稻谷表面顏色隨儲藏時間的延長逐漸加深并向黃褐色轉變。

（2） 霉變稻谷在儲藏期間光譜反射值發(fā)生變化。儲藏時間相同時，在425～900 nm波長范圍內，光譜相對反射率呈現(xiàn)上升趨勢，最大值出現(xiàn)在900 nm處，在900 nm后，呈下降趨勢。不同生長天數(shù)下，3種霉菌所對應的光譜相對反射率均呈下降趨勢，黑曲霉對應的光譜反射率變化幅度最為明顯，雜色曲霉在不同儲藏天數(shù)下，光譜曲線重合度較高。

（3） PCA結果表明：霉變稻谷3種霉菌主成分1（PC1）和主成分2（PC2）的累計貢獻率分別為89.51%、93.56%和93.1%，在稻谷霉變的中期以及后期，使用高光譜技術可以對3種霉菌的霉變程度進行有效區(qū)分，霉變的早期階段，可以將黃曲霉與黑曲霉、雜色曲霉進行區(qū)分，但無法完全區(qū)分黑曲霉與雜色曲霉。

綜合上述研究結果，基于高光譜成像技術的稻谷中典型霉菌定量檢測模型，可以實現(xiàn)對霉變稻谷中黃曲霉、黑曲霉與雜色曲霉含量的準確預測，預測效果良好。

參 考 文 獻

[1]李建平， 李俊杰， 李文娟， 等.“十四五”期間我國水稻增產(chǎn)潛力與實現(xiàn)路徑[J].農(nóng)業(yè)經(jīng)濟問題，2021（07）：25-37.

[2]李娜， 周紅麗， 周濤， 等. 稻谷中霉菌的危害及其毒素檢測與防控研究進展[J]. 糧食與油脂， 2020， 33（5）： 7-9.

[3]李娜， 周紅麗， 張兵， 等. 稻谷霉菌的分離鑒定及其對稻谷品質的影響研究[J]. 中國糧油學報， 2020， 35（12）： 115-124.

[4] CONG S L， SUN J， MAO H P， et al. Non-destructive detection for mold colonies in rice based on hyperspectra and GWOSVR[J]. Journal of The Science of Food and Agriculture， 2018， 98（4）： 1453-1459.

[5]MCMULLIN D， MIZAIKOFF B， KRSKA R. Advancements in IR spectroscopic approaches for the determination of fungal derived contaminations in food crops[J]. Analytical and Bioanalytical Chemistry， 2015， 407（3）： 653-600.

[6]周玉庭， 任佳麗， 張紫鶯. 糧食中霉菌污染檢測方法現(xiàn)狀及發(fā)展趨勢[J]. 食品安全質量檢測學報， 2016， 7（1）： 244-250.

[7]高澤東， 郝群， 劉宇， 等. 高光譜成像與應用技術發(fā)展[J]. 計測技術， 2019， 39（4）： 24-34.

[8] 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.

[9] SINGH C B， JAYAS D S， PALIWAL J， et al. Fungal damage detection in wheat using short-wave near-infrared hyperspectral and digital colour imaging[J]. International Journal of Food Properties， 2012， 15（1）： 11-24.

[10] JIANG J B， QIAO X J， HE R Y. Use of near-infrared hyperspectral images to identify moldy peanuts[J]. Journal of Food Engineering， 2016， 169： 284-290.

[11]楊基漢， 張瑞， 王璐， 等. 高濕條件下溫度對儲藏稻谷水分和脂肪酸值的影響研究[J]. 糧食儲藏， 2011， 40（1）： 45-47.

[12]張繼忠， 王薇. 抗菌防霉試驗中標準霉菌的討論與部分條件因素的比較[J]. 工業(yè)微生物， 2018， 48（1）： 49-53.

[13]付消費， 宋偉， 錢家鋮， 等. 不同儲藏條件對粳稻品質變化的影響研究[J]. 糧食科技與經(jīng)濟， 2019， 44（2）： 79-87.

[14] SHETTY N， GISLUM R. Quantification of fructan concentration in grasses using NIR spectroscopy and PLSR[J]. Field Crops Research， 2011， 120（1）： 31-37.

[15]楊思成， 舒在習， 曹陽. 基于高光譜成像技術的稻谷品種鑒別研究[J]. 光譜學與光譜分析， 2019， 39（10）： 3273-3280.

[16]丁立， 田林亞. 單因變量偏最小二乘回歸程序設計及其應用[J]. 勘察科學技術， 2015（1）： 47-51.

[17]劉慧， 周建新， 方勇， 等. 優(yōu)勢霉菌對稻谷品質的影響[J].食品科學， 2020， 41（21）： 197-203.

[18] IMPE J， POSCHET F， GEEROERD A， et al. Towards a novel class of predictive microbial growth models[J]. International Journal of Food Microbiology， 2005， 100（1/2/3）： 97-105.

[19]萬立昊， 渠琛玲， 薛飛， 等. 稻谷霉變程度與敏感品質變化關系研究[J]. 糧食與油脂， 2019， 32（9）： 71-75.

[20] LIU Qiang， SUN Ke， PENG Jing， et al. Identification of bruise and fungi contamination in strawberries using hyperspectral imaging technology and multivariate analysis[J]. Food Analytical Methods， 2018， 11（5）： 1518-1527.

[21]都立輝， 和肖營， 劉凌平， 等. 淮稻5號的真菌多樣性及其儲藏過程中可培養(yǎng)的優(yōu)勢真菌[J]. 中國農(nóng)業(yè)科學， 2016， 49（7）： 1371-1381.

[22]潘磊慶， 王振杰， 孫柯， 等. 基于計算機視覺的稻谷霉變程度檢測[J]. 農(nóng)業(yè)工程學報， 2017， 33（3）： 272-280.

[23] SIRIPATRAWAN U， MAKINO Y. Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology，2015， 199： 93-100.

[24]王輝， 田寒友， 李文采， 等. 基于頂空氣相色譜-離子遷移譜技術的冷凍豬肉貯藏時間快速判別方法[J]. 食品科學， 2019， 40（2）： 269-274.

[25]王蓓， 沈飛， 何學明， 等. 電子鼻同步檢測花生霉菌及霉菌毒素[J/OL]. 食品科學. [2021-07-27]. http：//kns.cnki.net/ kcms/detail/11. 2206.TS.20210524.0953.043.html.

[26] XU Q S， LIANG Y Z. Monte Carlo cross validation[J]. Chemometrics and Intelligent Laboratory Systems， 2001， 56（1）： 1-11.

[27]周宏平， 胡逸磊， 姜洪喆， 等. 基于高光譜成像的油茶籽含油率檢測方法研究[J]. 農(nóng)業(yè)機械學報，2021，52（5）：308-315.

[28]戴國新， 陳國興， 楊萬能， 等. 基于高光譜的水稻精米品質參數(shù)測量技術研究[J]. 農(nóng)業(yè)大數(shù)據(jù)學報， 2019， 1（2）： 51-63.

[29]劉鵬， 蔣雪松， 沈飛， 等. 近紅外光譜技術的花生產(chǎn)毒霉菌侵染快速檢測[J]. 光譜學與光譜分析， 2017， 37（5）： 1397-1402.

[30]田容才， 周昆， 高志強， 等. 不同氣候生態(tài)型秈稻糙米粗蛋白含量光譜估測模型研究[J/OL]. 中國糧油學報.[2021-04-16]. http：//kns.cnki.net/kcms/detail/11.2864. TS.20210318.1200.014.html.

[31]沈飛， 魏穎琪， 張斌， 等. 稻谷有害霉菌侵染的近紅外光譜快速檢測[J]. 光譜學與光譜分析， 2018， 38（12）： 3748-3752.

Quantitative Detection and Model Establishment of Mold in Rice Based on Hyperspectral Imaging Technology

Liu Jiwei1， Zhang Wanting1， Ding Yanwei1， Ren Qiuhan1， Firew Tafesse Mamo2， Zhou Yuechun3， Hu Qiuhui1， Ding Chao1， Liu Qiang1

（ 1. Collaborative Innovation Center for Modern Grain Circulation and Safety， College of Food Science and Engineering， Nanjing University of Finance and Economics， Nanjing， Jiangsu 210023； 2. Bahir Dar University， Ethiopian Biotechnology Institute， Addis Ababa Ethiopia 999047； 3. Nanjing Lingshan Grain Reserve Co. Ltd.， Nanjing， Jiangsu 211599 ）

Abstract： The non-destructive detection method of typical molds （Aspergillus flavus， Aspergillus niger and Aspergillus versicolor） during rice storage was constructed by visible/near-infrared hyperspectral imaging technology combined with principal component analysis （PCA） and partial least squares regression PLSR algorithm， which realized the quantitative prediction of three kinds of mold contamination in rice. The results showed that the reproduction rate of Aspergillus flavus was the fastest after the rice was inoculated with three molds. Comparing with the signals of rice between 400～1 000 nm band during the mildew process， it was found that the spectral reflectance decreases with the extension of the mildew time， and the spectral signal corresponding to Aspergillus niger has the most obvious change. The results combined with the PCA showed that there were differences in rice spectral signals under different mildew stages； the correlation coefficient Rp2 of the three mold content prediction models of moldy rice were between 0.77， 0.76 and 0.81， and the root mean square error RMSEP were between 1.15， 1.19 and 0.95 lg （ CFU/g）， it was possible to predicted the three types of molds accurately. The results can provide technical support and theoretical basis for the non-destructive testing of rice mildew.

Key words： hyperspectral， rice， mildew， nondestructive testing， prediction model