沈廣輝 曹瑤瑤 劉馨 徐劍宏 史建榮 LEE Yin-won

摘要：?為實現(xiàn)小麥赤霉病癟粒快速識別，本研究使用主成分分析（Principal component analysis， PCA）結(jié)合最大類間方差法（Otsu）對小麥高光譜圖像進行背景分割，以赤霉病癟粒識別正確率為評價指標(biāo)，探究判別分析方法與競爭性自適應(yīng)權(quán)重取樣法（Competitive adaptive reweighted sampling， CARS）的最佳組合方式。結(jié)果顯示，基于全譜段構(gòu)建的偏最小二乘判別分析（Partial least squares discrimination analysis， PLS-DA）和支持向量機判別分析（Support vector machine discriminant analysis， SVM-DA）模型預(yù)測精度相同，外部驗證集健康籽粒和赤霉病癟粒識別正確率分別為95.2%和100.0%;基于CARS篩選的8個特征波長構(gòu)建的CARS-PLS-DA模型外部驗證集健康籽粒和赤霉病癟粒識別正確率均為100.0%，預(yù)測精度高于CARS-SVM-DA模型，可有效實現(xiàn)赤霉病癟粒的快速識別。研究結(jié)果將為谷物倉儲和加工過程中赤霉病癟粒高通量快速識別提供理論依據(jù)和技術(shù)支撐。

關(guān)鍵詞：?高光譜成像;赤霉病癟粒;近紅外光譜;無損檢測

中圖分類號：?S123;TP391.41??文獻標(biāo)識碼：?A??文章編號：?1000-4440（2021）02-0509-08

Abstract：?In order to realize rapid identification of unfilled grain from wheat infected by Fusarium， principal component analysis （PCA） combined with Otsu algorithm was used for background segmentation of wheat hyperspectral imaging. The compound mode of discriminant analysis method and competitive adaptive reweighted sampling （CARS） method were optimized based on the identification accuracy of Fusarium damaged kernels. The results indicated that， the predication accuracy of partial least squares discrimination analysis （PLS-DA） model and support vector machine discriminant analysis （SVM-DA） model constructed based on full spectrum were the same， and the recognition accuracy of healthy and Fusarium damaged kernels in the external validation set were 95.2% and 100.0%， respectively. The recognition accuracy of healthy and Fusarium damaged kernels were both 100.0% in the external validation set of CARS-PLS-DA model which was built based on eight characteristic wavelengths selected by CARS algorithm， and the prediction accuracy was higher than CARS-SVM-DA model， and could rapidly identify Fusarium damaged kernels effectively. The results can provide theoretical basis and technical support for the high throughput and rapid detection of Fusarium damaged kernels during grain storage and processing.

Key words：?hyperspectral imaging;Fusarium damaged kernels;near infrared spectroscopy;non-destructive detection

小麥赤霉病是由亞洲鐮刀菌和禾谷鐮刀菌侵染引發(fā)的真菌病害，赤霉病發(fā)生過程中會產(chǎn)生有毒次級代謝產(chǎn)物脫氧雪腐鐮刀菌烯醇（Deoxynivalenol， DON），又稱嘔吐毒素，其不僅會破壞小麥的細(xì)胞組織結(jié)構(gòu)，降低出粉率，誤食被DON污染飼料的家畜會導(dǎo)致嘔吐、拒食、腹瀉、出血甚至死亡，對人體也有較大毒性[1-3]。近年來，受極端氣候等環(huán)境因素影響，小麥赤霉病爆發(fā)頻率增加，DON污染風(fēng)險不斷加劇，已成為制約中國及世界小麥產(chǎn)品質(zhì)量安全的主要風(fēng)險因子[4-5]。DON結(jié)構(gòu)性質(zhì)穩(wěn)定，在谷物加工過程中難以消除，中國規(guī)定小麥及全麥粉中DON的最大殘留限量標(biāo)準(zhǔn)為1 000 μg/kg。因此，及時檢測并發(fā)現(xiàn)DON污染，可有效避免DON對人畜健康構(gòu)成危害。

常用的DON檢測方法有色譜法和免疫學(xué)方法，色譜法包括高效液相色譜法（HPLC）[6]、氣相色譜法（GC）[7]、氣相色譜-質(zhì)譜聯(lián)用法（GC-MS）[8]和液相色譜-串聯(lián)質(zhì)譜法（LC-MS/MS）[9]等，這些方法具有較高的靈敏度和重復(fù)性，可同時對多種真菌毒素進行定量分析，但大都需要復(fù)雜的前處理，檢測周期長;免疫學(xué)方法包括熒光免疫分析法（FIA）、酶聯(lián)免疫吸附測定法（ELISA）和免疫生物傳感器法等[10]，此類方法雖然靈敏度較高，在一定程度上彌補了色譜法不能用于現(xiàn)場快速檢測的不足，但其檢測性能主要依賴于所用抗體，不能重復(fù)使用，檢測成本較高，與色譜法一樣屬于破壞性檢測，無法用于DON污染麥粒的快速篩分。

近紅外高光譜成像技術(shù)（NIR-HSI）將近紅外光譜和成像技術(shù)相結(jié)合，不僅可以同時獲取樣品內(nèi)部和外部信息，還可以表征不同組分在樣品中的空間分布，具有快速無損、抗干擾能力強等特點，已被廣泛應(yīng)用于制藥[11]、考古[12]、刑事偵查[13]、農(nóng)業(yè)[14]和食品[15]等領(lǐng)域。近年來，NIR-HSI在保障谷物安全方面也展現(xiàn)出了巨大的應(yīng)用潛力，如病蟲害識別、霉變谷物檢測等[16-18]。在赤霉病癟粒識別方面，國內(nèi)外研究人員基于NIR-HSI開展了一定的研究工作，如Delwiche等[19]發(fā)現(xiàn)基于近紅外高光譜（900～1 750 nm）對病癟粒的識別率高于可見光高光譜（430～900 nm），主要原因是1 200 nm處為麥角固醇（真菌細(xì)胞膜的主要成分）的吸收峰，能反映病癟粒中真菌的污染;Shahin等[20]將麥粒分為健康、鐮刀菌輕度感染和嚴(yán)重病變3個等級，基于高光譜成像技術(shù)構(gòu)建線性判別分析（LDA）模型，病癟粒識別正確率高于92%，鐮刀菌污染程度識別正確率為86%;梁琨等[21]基于可見光高光譜圖像構(gòu)建小麥赤霉病檢測方法，識別正確率大于90%;劉爽等[22]基于近紅外高光譜成像，對比分析了LDA模型、K-鄰近（KNN）算法和支持向量機（SVM）算法對病癟粒的識別率，發(fā)現(xiàn)Savitzky-Golay平滑-連續(xù)投影法-支持向量機（粒子群算法）[SG-SPA-SVM（PSO）]模型最優(yōu)，識別正確率高于95%。

以上研究結(jié)果表明，NIR-HSI可以實現(xiàn)赤霉病癟粒的快速識別，但在已有報道中，高光譜圖像背景扣除通常采用手動設(shè)置閾值進行圖像分割，校正集樣品信息獲取也大都基于手動選取感興趣區(qū)域（Region of interest， ROI）的方式，不僅分析效率低，還容易導(dǎo)致模型適用性差。鑒于此，本研究將采用PCA結(jié)合Otsu算法對小麥高光譜圖像進行背景分割，避免了人為設(shè)定閾值的不適用性，借助小麥籽粒自動識別算法提取單麥粒近紅外光譜，并基于特征波長篩選算法構(gòu)建赤霉病癟粒的快速、無損定性分析模型，提高數(shù)據(jù)處理效率，為開發(fā)基于近紅外高光譜成像技術(shù)的赤霉病癟粒自動識別和分選設(shè)備提供技術(shù)支撐。

1?材料與方法

1.1?試驗材料

試驗所用小麥品種為濟麥20，來源于江蘇省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品質(zhì)量安全與營養(yǎng)研究所樣品室，共收集健康飽滿籽粒99粒，赤霉病癟粒33粒，均經(jīng)過經(jīng)驗豐富的實驗員視覺區(qū)分確認(rèn)，其中隨機選取37粒健康籽粒和19粒赤霉病癟粒作為校正集，用于構(gòu)建定性分析模型，剩余小麥籽粒作為外部預(yù)測集對模型進行驗證。

1.2?樣品高光譜圖像采集

將小麥籽粒單層平鋪于樣品臺，使用近紅外高光譜成像系統(tǒng)獲取樣品圖像。近紅外高光譜系統(tǒng)硬件部分包括光源、成像光譜儀、電控位移平臺、暗箱和計算機等。光源為4盞50 W鹵素?zé)?，成像鏡頭為HSIA-OLES30（芬蘭SPECIM公司產(chǎn)品），可采集到的光譜范圍為901.05～ 2 517.89 nm，光譜分辨率為12 nm，相機分辨率為384×288像素，樣品臺移動速度為10 mm/s，曝光時間為5.7 ms。為消除暗電流以及光源強度分布不均勻?qū)е碌脑肼?，需要根?jù)公式（1）對原始高光譜圖像進行黑白校正：

式中I為黑白校正后的圖像信息，I0為原始高光譜圖像信息，B為蓋上鏡頭蓋的黑色標(biāo)定背景信息，W為標(biāo)準(zhǔn)聚四氟乙烯白板標(biāo)定圖像信息。

1.3?高光譜圖像分割及單麥粒光譜提取

首先，利用ENVI 5.1軟件的Resize功能對黑白校正后的圖像進行裁剪，去除不必要的區(qū)域和噪聲較大的波段（本研究使用波段為960～1 700 nm），壓縮數(shù)據(jù)，然后使用基于PCA得分的Otsu算法進行圖像分割和背景去除，提取只含有小麥籽粒信息的圖像，最后使用Matlab 2014a中Bwlabel函數(shù)對圖像中麥粒編號，實現(xiàn)單麥粒指紋圖譜的自動提取，并計算平均光譜作為此麥粒的近紅外光譜，用于后續(xù)判別分析。

1.4?數(shù)據(jù)處理

1.4.1?主成分分析（PCA）?PCA是將多個變量通過線性變換后投影到一個新的坐標(biāo)系中，使得到的新變量兩兩相互正交，互不相關(guān)，從而在保證不丟失主要信息的前提下對數(shù)據(jù)進行壓縮降維。本研究使用PCA對健康籽粒和赤霉病癟粒的近紅外光譜進行分析，探究不同麥粒的聚類趨勢。

1.4.2?判別分析?本研究采用偏最小二乘判別分析法（PLS-DA）和支持向量機判別分析法（SVM-DA）構(gòu)建赤霉病癟粒的判別分析模型。

PLS-DA是一種有監(jiān)督模式的定性判別分析方法，是將定量PLS算法用于判別分析的一種策略，其基本思想就是用二進制變量（類別變量）來代替濃度變量[23]。PLS-DA主要是計算光譜向量X與類別向量Y的相關(guān)關(guān)系，要求類別向量Y必須能描述特定種類的樣品。

SVM-DA是一種二分類模型，通過非線性變換將數(shù)據(jù)映射到高維空間，并尋找最優(yōu)分類面，不僅要將2類樣品準(zhǔn)確分開，還要使分類間距最大[24]。SVM-DA中包含2個參數(shù)，c是懲罰參數(shù)，起到控制對誤判樣本懲罰程度的作用，減小過擬合現(xiàn)象;g為核函數(shù)參數(shù)，與模型的穩(wěn)定程度有關(guān)。

1.4.3?特征波長篩選?為減少光譜中無用信息對模型的干擾，提高模型的預(yù)測精度，研究將采用競爭性自適應(yīng)權(quán)重取樣法（CARS）進行變量篩選[25]，并結(jié)合PLS-DA和SVM-DA構(gòu)建判別分析模型，探究與赤霉病癟粒相關(guān)的特征波段。CARS特征波長篩選模仿達爾文的“適者生存”法則，使用自適應(yīng)權(quán)重加權(quán)采樣保留模型回歸系數(shù)絕對值較大的波長點，再利用交互驗證選出交互驗證均方根誤差最小的子集作為最優(yōu)波長組合，可有效地去除無信息變量，篩選與性質(zhì)有關(guān)的特征變量。

2?結(jié)果與分析

2.1?圖像分割方法分析

小麥樣品原始圖像如圖1a所示，上半部分?jǐn)[放的為小麥健康籽粒，下半部分為不同病變程度的赤霉病癟粒，為了實現(xiàn)背景扣除和小麥籽粒光譜提取，以裁剪后小麥樣品高光譜圖像為對象進行PCA處理，提取第一主成分得分結(jié)合Otsu方法對圖像進行單閾值和雙閾值分割，分割后二值化圖像分別如圖1b和圖1c所示。由圖1b可知，部分小麥籽粒腹股溝部位被誤判為背景而扣除，其主要原因是掃描樣品高光譜圖像時，小麥腹股溝向上部位會產(chǎn)生陰影，導(dǎo)致腹股溝部位信息獲取不完整，進而影響圖像分割效果;雙閾值圖像分割可有效降低腹股溝部位陰影的影響（圖1c），因此，本研究采用雙閾值方式對圖像進行處理，實現(xiàn)圖像和背景的自動分割。

2.2?麥粒光譜解析

基于Matlab中bwlabel函數(shù)分別提取每一顆小麥籽粒的光譜，并計算平均值作為此麥粒的近紅外光譜，結(jié)果如圖2a所示，通過對比可知赤霉病癟粒光譜反射率普遍高于健康籽粒。為進一步解析2種麥粒間的光譜差異，分別計算健康籽粒和赤霉病癟粒的平均光譜，并做二階導(dǎo)數(shù)處理（圖2b），從圖2b中可知光譜在波長1 140 nm、1 200 nm、1 221 nm、1 340 nm、1 408 nm和1 446 nm附近有較大差異（這些波長記為CW），通過光譜解析發(fā)現(xiàn)這些吸收峰與蛋白質(zhì)、脂肪和淀粉含量有關(guān)，探究其原因，可能是禾谷鐮刀菌在侵染小麥過程中，會破壞小麥細(xì)胞壁和淀粉結(jié)構(gòu)，消耗小麥籽粒中的營養(yǎng)物質(zhì)，導(dǎo)致健康粒和赤霉病癟粒中的蛋白質(zhì)、脂肪和淀粉含量存在差異[26]。此外，1 200 nm處為麥角固醇吸收峰，也能反映赤霉病癟粒中真菌的污染。

2.3?主成分分析

對小麥光譜進行一階導(dǎo)數(shù)處理，消除基線漂移的影響，并進行主成分分析，發(fā)現(xiàn)前3個主成分可表達99.37%的原始信息。圖3a為PC1、PC2和PC3的三維聚類效果圖，從圖3a可知健康籽粒和赤霉病癟粒在PC2方向具有明顯的分類趨勢，提取PC2的載荷系數(shù)（圖3b），發(fā)現(xiàn)對聚類有重要影響的波段（局部最值波段）與圖2b中健康籽粒和赤霉病癟粒光譜間差異較大的波段基本一致，可進一步使用有監(jiān)督的判別分析方法進行分析。

2.4?赤霉病癟粒判別分析

2.4.1?基于全譜段的判別分析?以37粒健康籽粒和19粒赤霉病癟粒為校正集，分別基于全譜段構(gòu)建PLS-DA模型和SVM-DA模型，并對外部驗證集（62粒健康籽粒和14粒赤霉病癟粒）進行預(yù)測，判斷模型精度。PLS-DA模型構(gòu)建使用原始光譜，將健康粒類別設(shè)定為1，赤霉病癟粒類別設(shè)定為2，采用留一交互驗證的方式，根據(jù)交互驗證均方根誤差確定最佳潛變量數(shù)為4，結(jié)果如表1所示。由表1可知，校正集中健康籽粒和赤霉病癟粒識別正確率均大于94.00%，其中健康籽粒和赤霉病癟粒各有一個樣品被誤判，總識別正確率為96.40%。外部驗證集中健康籽粒識別正確率為95.20%，其中有3個健康籽粒被誤判為赤霉病癟粒，赤霉病癟粒識別正確率為100.00%，總識別正確率為96.10%。SVM-DA模型中懲罰系數(shù)（c）和核函數(shù)參數(shù)（g）最優(yōu)值分別為100和3.2×10-4，此時校正集健康籽粒識別正確率為100.00%，赤霉病癟粒識別正確率為94.70%，與PLS-DA模型判別結(jié)果相比略有提升，外部驗證集識別正確率與PLS-DA模型判別結(jié)果一致。以上結(jié)果表明，基于全譜段的PLS-DA模型與SVM-DA模型均可實現(xiàn)赤霉病癟粒的識別。

2.4.2?基于CW和CARS篩選特征波長的判別分析?高光譜數(shù)據(jù)具有數(shù)據(jù)量大、冗余信息多等特點，CARS方法能有效地去除無信息變量，篩選與禾谷鐮刀菌污染相關(guān)的特征波長，在保留有效信息的同時降低數(shù)據(jù)維度[25]。在本研究中，通過CARS法篩選出8個特征波長（圖4），分別為1 051 nm、1 114 nm、1 140 nm、1 195 nm、1 227 nm、1 334 nm、1 396 nm和1 452 nm。進一步分析可知，CARS法篩選出的特征波長與圖2中健康籽粒和赤霉病癟粒光譜間差異較大的波長（CW）以及主成分分析中PC2載荷中對聚類有重要影響的波長基本一致，其主要原因是近紅外區(qū)域的吸收多為寬峰且重疊嚴(yán)重，無法直接分辨是哪一種物質(zhì)的吸收峰，需要借助化學(xué)計量學(xué)對光譜信息進行解析。CARS法則是通過自適應(yīng)權(quán)重加權(quán)采樣保留模型回歸系數(shù)絕對值較大的波長，且這些波長分布在CW附近，表明CARS法篩選出的波長與麥粒中禾谷鐮刀菌污染導(dǎo)致的籽粒內(nèi)部和外部品質(zhì)變化有一定的關(guān)聯(lián)。基于CW和CARS法篩選出的特征波長分別構(gòu)建判別分析模型，并對外部驗證集進行預(yù)測，結(jié)果如表1所示。與基于全譜段判別分析結(jié)果相比，CW-SVM-DA模型和CARS-SVM-DA模型校正集和驗證集中健康籽粒和赤霉病癟粒的識別正確率均與SVM-DA模型的結(jié)果一致，CW和CARS篩選的特征波長壓縮數(shù)據(jù)的同時并未對模型精度造成影響;CARS-PLS-DA模型中校正集健康籽粒和赤霉病癟粒識別正確率與CW-PLS-DA模型和PLS-DA模型相同，但驗證集中健康籽粒識別正確率分別由96.80%和95.20%提高到100.00%，赤霉病癟粒識別正確率未發(fā)生變化，以上結(jié)果表明，通過CARS法可有效去除無用信息變量，篩選出與禾谷鐮刀菌污染相關(guān)的特征變量，且模型精度優(yōu)于使用二階導(dǎo)數(shù)處理后光譜差異較大的波長構(gòu)建的判別分析模型。將基于特征波長構(gòu)建的判別分析模型預(yù)測結(jié)果進行可視化，結(jié)果如圖5所示，從圖5a可知，14粒赤霉病癟粒分布在中心位置，62粒健康籽粒分布在赤霉病癟粒周圍，CARS-PLS-DA模型預(yù)測結(jié)果顯示健康籽粒和赤霉病癟粒均全部正確識別（圖5b），而CARS-SVM-DA模型預(yù)測結(jié)果中有2粒健康籽粒被誤判為赤霉病癟粒（圖5c）。

3?結(jié)論

采用近紅外高光譜圖像結(jié)合化學(xué)計量學(xué)算法對小麥赤霉病癟粒進行判別分析研究，主要研究結(jié)論如下：①提取960～1 700 nm光譜，利用PCA第一主成分得分結(jié)合Otsu算法的雙閾值分割，可有效實現(xiàn)背景扣除。②健康籽粒和赤霉病癟粒樣品光譜在1 140 nm、1 200 nm、1 221 nm、1 340 nm、1 408 nm和1 446 nm附近有較大差異，通過PCA分析發(fā)現(xiàn)健康籽粒和赤霉病癟粒在PC2方向具有明顯的聚類趨勢。③基于全譜段的PLS-DA模型和SVM-DA模型外部驗證集健康籽粒和赤霉病癟粒識別正確率相同，分別為95.20%和100.00%。④基于CARS法篩選出的8個特征波長構(gòu)建判別分析模型并對外部驗證集進行分析，結(jié)果表明CARS-PLS-DA模型外部驗證集健康籽粒和赤霉病癟粒識別正確率均為100.00%，預(yù)測精度高于CARS-SVM-DA模型。

以上結(jié)果表明，基于近紅外高光譜圖像結(jié)合特征波長篩選算法可有效實現(xiàn)赤霉病癟粒的快速、無損識別，提高數(shù)據(jù)處理效率，也為基于近紅外高光譜成像技術(shù)的赤霉病癟粒自動識別和分選設(shè)備的開發(fā)提供了技術(shù)支撐。但本研究使用的樣品僅為赤霉病感染程度嚴(yán)重和未發(fā)病的小麥籽粒樣品，未對輕微感染樣品進行分析，輕微感染小麥籽粒通常只有局部位置發(fā)生病變，麥粒擺放姿態(tài)（腹溝朝上或者朝下）可能會對光譜信號造成影響，進而導(dǎo)致對輕微感染樣品的誤判。因此，下一步將增大樣本量，采用不同感染等級的赤霉病癟粒，探明麥粒擺放姿態(tài)對模型精度的影響，探究此模型對不同感染等級赤霉病癟粒識別的可行性，并選用更多的小麥品種來驗證此模型的通用性和穩(wěn)定性。

參考文獻：

[1]?VISCONTI A， PASCALE M. An overview on Fusarium mycotoxins in the durum wheat pasta production chain[J]. Cereal Chemistry， 2010，87（1）：21-27.

[2]?KOUADIO J H， MOBIO T A， BAUDRIMONT I， et al. Comparative study of cytotoxicity and oxidative stress induced by deoxynivalenol， zearalenone or fumonisin B1 in human intestinal cell line Caco-2[J]. Toxicology， 2005，213（1/2）：56-65.

[3]?PESTKA J J， SMOLINSKI A T. Deoxynivalenol： toxicology and potential effects on humans[J]. Journal of Toxicology and Environmental Health（Part B）， 2005，8（1）：39-69.

[4]?WANG H W， SUN S L， GE W Y， et al. Horizontal gene transfer of Fhb7 from fungus underlies Fusarium head blight resistance in wheat[J]. Science， 2020，368（6493）：e5435.

[5]?史建榮，劉?馨，仇劍波，等. 小麥中鐮刀菌毒素脫氧雪腐鐮刀菌烯醇污染現(xiàn)狀與防控研究進展[J]. 中國農(nóng)業(yè)科學(xué)， 2014，47（18）：3641-3654.

[6]?ZHAO Y J， GUAN X L， ZONG Y， et al. Deoxynivalenol in wheat from the Northwestern region in China[J]. Food Additives & Contaminants（Part B）， 2018，11（4）：281-285.

[7]?CIRIO M， VILLARREAL M， LPEZ SEAL TOMS M， et al. Incidence of deoxynivalenol in wheat flour in argentina and GC-ECD method validation[J]. Journal of AOAC International， 2019，102（6）：1721-1724.

[8]?MCMASTER N， ACHARYA B， HARICH K， et al. Quantification of the mycotoxin deoxynivalenol （DON） in sorghum using GC-MS and a stable isotope dilution assay （SIDA）[J]. Food Analytical Methods， 2019，12（10）： 2334-2343.

[9]?VENDL O， BERTHILLER F， CREWS C， et al. Simultaneous determination of deoxynivalenol， zearalenone， and their major masked metabolites in cereal-based food by LC-MS-MS[J]. Analytical and Bioanalytical Chemistry， 2009，395（5）：1347-1354.

[10]TURNER N W， BRAMHMBHATT H， SZABO-VEZSE M， et al. Analytical methods for determination of mycotoxins： an update （2009-2014）[J]. Analytica Chimica Acta， 2015， 9019（2）：12-33.

[11]CLARKE F. Extracting process-related information from pharmaceutical dosage forms using near infrared microscopy[J]. Vibrational Spectroscopy， 2004，34（1）：25-35.

[12]CUCCI C， DELANEY J K， PICOLLO M. Reflectance hyperspectral imaging for investigation of works of art： old master paintings and illuminated manuscripts[J]. Accounts of Chemical Research， 2016， 49（10）：2070-2079.

[13]黃紅娟，鄭一平，樓壽松. 傅立葉顯微紅外化學(xué)成像在朱墨時序鑒定中的應(yīng)用研究[J]. 刑事技術(shù)， 2010（4）： 29-32.

[14]FERNNDEZ PIERNA J A， BAETEN V， RENIER A M， et al. Combination of support vector machines （SVM） and near-infrared （NIR） imaging spectroscopy for the detection of meat and bone meal （MBM） in compound feeds[J]. Journal of Chemometrics， 2004，18（7/8）： 341-349.

[15]LI J G， RAO X Q， YING Y B. Detection of common defects on oranges using hyperspectral reflectance imaging[J]. Computers and Electronics in Agriculture， 2011，78（1）：38-48.

[16]CHU X， WANG W， NI X Z， et al. Classifying maize kernels naturally infected by fungi using near-infrared hyperspectral imaging[J]. Infrared Physics & Technology， 2020，105（1）：103242.

[17]CHU X， WANG W， YOON S C， et al. Detection of aflatoxin B1 （AFB1） in individual maize kernels using short wave infrared （SWIR） hyperspectral imaging[J]. Biosystems Engineering， 2017，157：13-23.

[18]LIANG K， LIU Q X， XU J H， et al. Determination and visualization of different levels of deoxynivalenol in bulk wheat kernels by hyperspectral imaging[J]. Journal of Applied Spectroscopy， 2018，85（5）：953-961.

[19]DELWICHE STEPHEN R， KIM MOON S， DONG Y H. Fusarium damage assessment in wheat kernels by Vis/NIR hyperspectral imaging[J]. Sensing and Instrumentation for Food Quality and Safety， 2011，5（2）：63-71.

[20]SHAHIN M A， SYMONS S J. Detection of Fusarium damaged kernels in Canada Western Red Spring wheat using visible/near-infrared hyperspectral imaging and principal component analysis[J]. Computers and Electronics in Agriculture， 2011，75（1）：107-112.

[21]梁?琨，杜瑩瑩，盧?偉，等. 基于高光譜成像技術(shù)的小麥籽粒赤霉病識別[J]. 農(nóng)業(yè)機械學(xué)報， 2016，47（2）：309-315.

[22]劉?爽，譚?鑫，劉成玉，等. 高光譜數(shù)據(jù)處理算法的小麥赤霉病籽粒識別[J]. 光譜學(xué)與光譜分析， 2019，39（11）： 3540-3546.

[23]SHEN G H， FAN X， YANG Z L， et al. A feasibility study of non-targeted adulterant screening based on NIRM spectral library of soybean meal to guarantee quality： the example of non-protein nitrogen[J]. Food Chemistry， 2016，210：35-42.

[24]ZAREEF M， CHEN Q S， HASSAN M M， et al. An overview on the applications of typical non-linear algorithms coupled with NIR spectroscopy in food analysis[J]. Food Engineering Reviews， 2020，12（2）：173-190.

[25]LI H D， LIANG Y Z， XU Q S， et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta， 2009，648（1）： 77-84.

[26]BAURIEGEL E， GIEBEL A， GEYER M， et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging[J]. Computers and Electronics in Agriculture， 2011，75（2）：304-312.

（責(zé)任編輯：陳海霞）