高光譜成像技術在谷物品質檢測中的應用進展

吳永清 李 明 張 波 張影全 郭波莉

(中國農業科學院農產品加工研究所；農業農村部農產品加工重點實驗室，北京 100193)

谷物有大宗谷物與小宗谷物之分，大宗谷物包括小麥、玉米、稻谷，小宗谷物包括高粱、粟、黍、蕎麥、筱麥、薯類、豆類等[1]。谷物及谷物加工制品提供了人類所需能量物質的50%～80%，蛋白質的40%～70%，B族維生素60%以上，以及膳食纖維、碳水化合物、脂肪、鐵、鋅、維生素E、維生素C以及多種抗氧化活性成分等[1,2]。谷物品質的好壞直接影響到民眾的健康及其加工特性，因此谷物品質的檢測方法研究意義重大。

目前，谷物品質檢測的方法包括：蛋白質檢測的DNA分子標記法、凱氏定氮法、近紅外光譜分析法等，水分檢測的烘干法、近紅外光譜分析法等，淀粉檢測的分光光度法、熱重分析法等，品種鑒別的人工檢測法、蛋白電泳鑒定法等，活力檢測的電導率法、電子鼻法、發芽試驗法、葉綠素熒光檢測技術、激光檢測技術等，不完善籽粒檢測的聲學原理法、人工檢測法等。其中，傳統的谷物品質檢測的方法包括：人工檢測法、烘干法、凱氏定氮法、分光光度法、DNA分子標記法、蛋白電泳鑒定法等，而傳統的谷物品質檢測方法存在工作量大、主觀性強、效率低、操作繁瑣、時效性差、成本高、危害人體健康等缺點?，F代儀器法包括：電子鼻、機器視覺技術、葉綠素熒光檢測技術、激光檢測技術、近紅外光譜分析法等，但上述方法存在測定結果易受其他因素干擾、穩定性差的缺點。因此，研發一種簡便、快速、有效、穩定的谷物品質檢測技術一直是本學科的研究重點和熱點。

高光譜成像(Hyperspectral imaging，HSI)技術融合了傳統的光譜技術(反映化學組成等)和圖像技術(反映物理特性)，具有高分辨率、無損、快速等特點[3]。隨著化學計量學的發展，HIS技術作為一種新興的快速、無損檢測方式，已經廣泛應用于谷物無損檢測中。

針對近五年來HSI技術在谷物無損快速檢測方面的研究，分析了HIS技術在小麥、玉米、稻谷3種大宗谷物的化學成分檢測、品種鑒別、種子活力檢測、不完善籽粒檢測中的應用進展，提出了現有研究中存在的問題，并對HSI技術在谷物品質檢測應用中的研究進行了展望，以期為今后的研究提供參考。

1 HIS技術的基本原理與光譜信息數據處理方法

1.1 基本原理與主要構成

HIS技術是在一定的波長范圍內，將二維的平面圖像按照光譜分辨率連續地組成一個三維的數據立方體結構，其中的二維數據是圖像像素的橫縱坐標x和y軸，第三維是波長信息λ。HSI系統主要由光源、成像高光譜儀、相機、圖像采集系統和計算機等組成，其分辨率在Δ λ/λ=0.01數量級，波長范圍可以在紫外(200～400 nm)到可見光-近紅外(400～1 000 nm)，再到近紅外(900～1 700 nm，1 000～2 500 nm)以及波長大于2 500 nm的區域。按照HIS系統掃描方式不同可將其分為點掃描式、線掃描式及區域掃描式3種，其中線掃描式為最常用的一種方式[4]。

1.2 光譜信息數據處理方法

高光譜信息量巨大，采用化學計量學算法可挖掘詳細且重要的信息。目前，相關數據處理軟件有ENVI、Matlab和Unscrambler等。

1.2.1 圖像數據處理與分析

圖像處理和分析包括了圖像預處理、圖像分割和特征提取。圖像預處理可以通過直方圖均值化或主成分分析法(PCA)移除壞點、背景信息和邊緣效應，也可通過小波變換(WT)減少圖片噪聲和模糊邊緣，為后續的處理提供高質量的圖像。圖像分割的目的是將有差異的區域分割出來，使它們互不相交，從而為感興趣區域的提取、定性、定量分析提供基礎，常用的方法有大津閾值分割算法(OSTU)[5]等。圖像特征包括紋理、顏色和形態特征，紋理特征的提取方法有灰度共生矩陣(GLCM)[6]、WT[7]等，顏色特征的提取方法有顏色直方圖[8]等，形態特征的提取方法有傅里葉變換、幾何參數法等[9]。

1.2.2 光譜數據預處理與分析

高光譜數據中除了包含樣品的自身信息外，還包含其他無用的信息和噪聲，為了消除這些因素的影響，以優化增強光譜信息、提高模型的穩健性，在建模之前，需對原始光譜數據進行預處理[10]。光譜預處理的方法有很多種，包括平滑法[移動平均平滑法(MAS)和卷積平滑法(SG)]、導數法[光譜的一階(1stDer)和二階導數(2ndDer)]、散射效應校正[多元散射校正(MSC)和標準正態變量變換(SNV)]、數據增強算法[均值中心化(MC)、標準化(AL)和歸一化(NL)]、基線校正(BL)、WT、正交信號校正(OSC)、去趨勢算法(Dt)等[11]。

1.2.3 特征波長提取

高光譜數據的特點是波段多、數據量大、冗余性強，對高維數據分類時，由于可獲取的樣本數量是有限的，所以分類精度會隨著波段數量的增加出現先上升后下降的現象，也就是Hughes現象[12]，導致所建模型性能差、效率低。故提取特征波長、消除無關信息，是提高模型穩健性和準確性的關鍵步驟。常用的特征波長提取的方法有連續投影算法(SPA)、PCA、變量投影重要性(VIP)、無信息變量消除法(UVE)、競爭性自適應重加權算法(CARS)、間隔偏最小二乘算法(IPLS)、組合偏最小二乘波段選擇算法(SiPLS)、隨機蛙跳(RF)算法、遺傳算法(GA)等[11, 13，14]。

1.2.4 模型建立與驗證

由于高光譜數據冗余，需要應用統計學方法進行定性定量分析。其中定性分析中主要有監督分類與非監督分類、參數分類與非參數分類、確定性分類與非確定性分類等，常用的方法包括線性判別(LDA)、最小二乘判別(PLS-DA)、隨機森林(RF)、支持向量機(SVM)、人工神經網絡(ANN)、BP神經網絡(BPNN)、卷積神經網絡(CNN)、Fisher判別分析(FDA)、極限學習機(ELM)；定量分析模型中多采用多元變量回歸，可分為線性回歸和非線性回歸，線性回歸包括逐步線性回歸(SLR)多元線性回歸(MLR)、主成分回歸(PCR)、偏最小二乘回歸(PLS)等，非線性回歸包括人工神經網絡(ANN)、支持向量機(SVM)等[11, 15]。

2 在谷物品質檢測中的應用

高光譜技術發展迅速，在軍事、地質、農業領域都得到了廣泛研究。近年來，HSI技術用于谷物品質檢測主要集中在種子化學成分檢測、品種鑒別、種子活力檢測、不完善籽粒檢測等方面。

2.1 化學成分檢測

谷物化學成分含量是評價谷物品質的重要指標。谷物中含水分、淀粉、蛋白質、纖維素、維生素等營養成分。近幾年，HSI技術已經被作為一種快速無損技術用于谷物化學成分定性和定量的分析，并取得一定成果。

目前常用的高光譜波長范圍為可見-近紅外(VNIR)(400～1 000 nm)、近紅外(NIR)(900～1 700 nm)和短波紅外(SWIR)(1 000～2 500 nm)，其中近紅外譜段(780～2 500 nm)反映的是分子倍頻和組合頻吸收的特征，倍頻是伴隨中紅外區的分子基頻振動產生的，基頻的強度會隨倍頻的增大而降低；組合頻是多個基頻之和，其強度隨頻率之和的增大而降低[17]。近紅外區域最常觀測到的譜帶是O—H、N—H、C—H和S—H化學鍵基頻振動的組合頻以及一級、二級和三級倍頻吸收[3, 18]，主要基團組合頻與各級倍頻吸收帶的近似位置見表1。

表1 主要基團合頻與各級倍頻吸收帶的近似位置[17, 18]

小麥化學成分測定的研究表明，使用高光譜近紅外波段預測小麥蛋白質、水分、濕面筋含量的性能優于傳統的近紅外光譜[13, 21]。玉米水分含量測定研究表明，用NIR光譜建立的模型比用VNIR光譜建立的模型的進行測定玉米種子含水量更具潛力[16]。種子不同部位的化學成分的種類和含量不同，研究發現，玉米胚結構區域高光譜的特征波長建立的模型優于全表面區域[22]。Zhang等[16]將得到的定量模型傳遞到每個像素從而實現大米淀粉含量的可視化圖像，從可視化圖像可以了解大米淀粉的分布情況，為實現在線檢測提供了基礎。HSI技術在小麥蛋白質、水分、濕面筋含量指標[19-21, 23]，水稻和玉米的水分含量定量檢測[13, 16, 22, 24-27]方面取得了一定的成果，但在小麥的穩定時間、纖維素、千粒重、沉淀值、淀粉、濕面筋等，玉米的淀粉、脂肪、蛋白質等，水稻的淀粉、蛋白質等化學指標的較少甚至沒有。

2.2 谷物品種鑒別

小麥、水稻、玉米等谷物品種眾多，不同品種的谷物其生長條件、抗病蟲害情況、產量及加工品質等存在差異，對種植、收購、流通、儲運和加工均具有重要影響。然而大部分品種在缺乏經驗前提下憑肉眼無法鑒別，且部分品種外觀極其相似。近年來，基于高光譜成像技術在小麥、水稻、玉米等谷物品種鑒別方面已有探索性研究(表3)。

表2 HSI技術在谷物化學成分檢測中的應用

表3 HSI技術在谷物品種鑒定中的應用

小麥、水稻品種鑒別研究中均發現NIR波長范圍所建模型的品種鑒別效果優于VNIR波長范圍所建模型[31,32]。谷物品種鑒別的研究中，采用光譜和圖像信息結合進行建模，所建模型性能優于單一使用光譜或圖像信息[33]。模型的準確性和穩定性是評價模型性能的重要指標，Guo等[34]為了保持模型的準確性和穩定性，提出了一種基于高光譜成像結合預標記方法的不同年份玉米種子品種的模型更新算法。Qiu等[31]使用不同數量的訓練樣本進行建模，模型性能隨著訓練樣本數量的增加而提高。目前國內外研究均表明基于HIS技術進行小麥、水稻、玉米品種鑒別的可行性，但同時也發現HIS技術存在有效性和穩定性差等問題。此外，樣本在儲運和流通環節產生的不一致性也增加了高光譜建模的難度和不確定性。

2.3 種子活力檢測

種子活力是評估種子品質的一個重要指標，高活力的種子耐儲藏、發芽率高、具有較強的抗逆性。成熟時的種子活力最高，但會隨著貯藏時間的增加而降低。故在使用種子進行播種或食品加工前進行及時、準確的種子活力檢測具有重要的意義。目前，HIS技術在小麥、水稻、玉米種子活力檢測上都獲得了有效性驗證，但同時也表明種子活力受品種、種植區域、貯藏年份等的影響，需要對不同品種、種植區域、貯藏年份等的樣本建立檢測模型。

2.4 不完善籽粒檢測

不完善籽粒主要在生產、存儲、包裝等過程中產生，不完善籽粒的存在會降低谷物質量甚至影響糧食安全。目前我國谷物不完善籽粒檢測多以人工分選為主，存在主觀性較強，費時費力等問題。因此，如何快速準確鑒別谷物不完善粒是現階段提高生產率和保證糧食安全的重要問題，HSI技術作為一種無損和快速的光學成像分析技術可以解決這一重要問題。目前，HSI技術在谷物不完善籽粒檢測主要應用于小麥破損粒、黑胚粒、發芽、發霉、干癟、蟲蝕、病斑粒等檢測并取得一定進展，但由于不同品種小麥的特征波長可能有所不同，需大量的研究數據來建立可靠的識別模型，故仍存在樣本量少而導致模型可信度低的問題。

表4 HSI技術在谷物活力檢測中的應用

表5 HSI技術在谷物不完善籽粒檢測中的應用

3 問題和展望

HSI技術在谷物品質無損檢測研究與應用中已經取得一定的成果，但其應用于實際仍存在許多問題。HSI技術在小麥蛋白質、水分、濕面筋含量指標，水稻和玉米的水分含量檢測方面取得了一定的成果，但在小麥的穩定時間、纖維素、千粒重、沉淀值、淀粉等，玉米的淀粉、脂肪、蛋白質等，水稻的淀粉、蛋白質等化學指標較少甚至沒有。HSI技術在品種鑒別的研究上存在有效性和穩定性差等問題。此外，樣本在種植區域、儲藏年份、生產條件、儲運和流通環節產生的不一致性也增加了高光譜建模的難度和不確定性。HSI技術在種子活力檢測上都獲得了有效性驗證，但同時也發現模型的準確性和可信度受樣本的品種、種植區域、儲藏年份等的影響。HSI技術在谷物不完善籽粒檢測的研究中，由于不同品種的小麥的特征波長可能有所不同，需大量的研究數據來建立可靠的識別模型，故仍存在樣本量少而導致模型可信度低的問題。缺乏集光譜采集、數據處理、智能判別為一體的相關設備。目前實驗室用和室外用HSI成像設備，體積過于龐大、不易攜帶。高光譜設備和數據處理軟件操作難度大，大量數據通過不同數據軟件分析速度顯著不同，所構建的模型不具通用性，致使該技術的應用受限。

將高光譜成像技術成功應用于谷物無損快速檢測仍需做大量工作：建立多化學指標的高光譜定量模型；增加樣本來源和數量，嘗試不同數據處理方法，有助于提高模型的準確性、穩定性和重現性；借助互聯網、大數據等研發快速、無損、輕便、智能化的高光譜檢測或監測設備等。