糧食，不僅是填飽肚子的“剛需”，更是關(guān)系國(guó)計(jì)民生的“硬核科技”。

隨著人們對(duì)食品安全和營(yíng)養(yǎng)健康的關(guān)注不斷加深，如何快速、無(wú)損、精準(zhǔn)地評(píng)估糧食品質(zhì)，成為農(nóng)業(yè)科技領(lǐng)域的研究熱點(diǎn)。而高光譜成像技術(shù)，作為融合了光譜分析與圖像處理的前沿工具，正逐步滲透進(jìn)糧食檢測(cè)、品種分選、儲(chǔ)藏監(jiān)控等多個(gè)環(huán)節(jié)。

本期內(nèi)容將聚焦高光譜成像在糧食品質(zhì)理化指標(biāo)檢測(cè)中的研究進(jìn)展，帶你了解水分、蛋白質(zhì)、脂肪酸等關(guān)鍵參數(shù)如何“可視化”，探索高光譜在糧食智能檢測(cè)中的無(wú)限潛力。

1. 糧食品質(zhì)檢測(cè)的重要性

我國(guó)是世界*一糧食生產(chǎn)大國(guó)，糧食種類豐富，包括麥類、豆類、粗糧類和稻谷類等。其中，小麥、玉米、水稻和馬鈴薯被譽(yù)為我國(guó)的四大糧食作物，在保障國(guó)家糧食安全的同時(shí)，也為人體提供豐富的碳水化合物、蛋白質(zhì)、膳食纖維及多種微量元素，是人類膳食結(jié)構(gòu)中不*或缺的重要組成部分。

隨著經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，人們對(duì)糧食的需求已從單純的充饑向高品質(zhì)、多功能方向轉(zhuǎn)變，不僅關(guān)注糧食的產(chǎn)量，更加注重其外觀品質(zhì)、營(yíng)養(yǎng)價(jià)值和食用品質(zhì)，如口感、香氣和加工特性等。這些因素直接影響糧食的市場(chǎng)競(jìng)爭(zhēng)力和經(jīng)濟(jì)價(jià)值。然而，傳統(tǒng)的糧食品質(zhì)檢測(cè)方法通常依賴于化學(xué)分析和人工評(píng)估，存在操作復(fù)雜、費(fèi)時(shí)費(fèi)力、具有破壞性且受主觀因素影響較大等問(wèn)題，難以滿足現(xiàn)代農(nóng)業(yè)對(duì)高效、精準(zhǔn)、大規(guī)模檢測(cè)的需求。

高光譜成像技術(shù)（HSI）作為一種融合光譜分析與圖像處理的先進(jìn)檢測(cè)手段，在糧食品質(zhì)檢測(cè)領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。該技術(shù)能夠同時(shí)采集樣本的光譜信息和空間信息，實(shí)現(xiàn)對(duì)糧食外觀與內(nèi)部品質(zhì)的全面分析。圖像信息可用于評(píng)估糧食的霉變、不完善粒和品種等外觀特征，而光譜信息則能揭示糧食的化學(xué)成分、物理結(jié)構(gòu)及其含量分布，如水分、蛋白質(zhì)、淀粉含量等內(nèi)部品質(zhì)指標(biāo)。相較于傳統(tǒng)檢測(cè)方法，高光譜成像技術(shù)具有快速、客觀、非接觸和無(wú)損檢測(cè)的優(yōu)勢(shì)，能夠在無(wú)需化學(xué)試劑的情況下高效分析大批量樣品，符合現(xiàn)代食品安全與品質(zhì)控制的發(fā)展趨勢(shì)。隨著計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的不斷進(jìn)步，HSI 在糧食品質(zhì)檢測(cè)中的應(yīng)用將更加智能化，為農(nóng)業(yè)生產(chǎn)、食品加工和糧食儲(chǔ)藏等環(huán)節(jié)提供精準(zhǔn)、高效的質(zhì)量控制手段，有助于推動(dòng)我國(guó)糧食產(chǎn)業(yè)向高質(zhì)量、智能化方向發(fā)展。

2. 高光譜成像技術(shù)在糧食理化品質(zhì)檢測(cè)中的應(yīng)用

糧食水分含量在糧食收購(gòu)、儲(chǔ)藏等過(guò)程中具有十分重要的意義。糧食水分過(guò)高，不易保管，容易發(fā)熱霉變，會(huì)使糧食品質(zhì)發(fā)生變化，適量的水分可保證產(chǎn)品品質(zhì)，以及糧食加工和食品制作的順利進(jìn)行。提出了一種基于高光譜成像技術(shù)的玉米種子水分含量快速無(wú)損預(yù)測(cè)方法。Xue et al. (2024)研究以80個(gè)不同品種的玉米種子為樣本，利用1100–2498 nm波段的高光譜數(shù)據(jù)，結(jié)合七種預(yù)處理方法（如移動(dòng)平均、S-G平滑、歸一化等）優(yōu)化光譜信息，并通過(guò)SPA、CARS和UVE算法分別提取17、24和39個(gè)特征波長(zhǎng)以降低數(shù)據(jù)冗余。對(duì)比PLSR、PCR和SVM等12種模型發(fā)現(xiàn)，歸一化-SPA-PLSR模型表現(xiàn)*優(yōu)，其校準(zhǔn)集和預(yù)測(cè)集的判定系數(shù)（Rc2=0.9917，Rp2=0.9914）及誤差（RMSEP=0.0343，RMSECV=0.0257）均顯著優(yōu)于其他模型，驗(yàn)證了其在水分預(yù)測(cè)中的高精度與穩(wěn)定性。此外，研究通過(guò)偽彩色圖像實(shí)現(xiàn)了水分含量的空間分布可視化，為玉米種子儲(chǔ)存、加工中的質(zhì)量控制提供了高效無(wú)損檢測(cè)技術(shù)支撐（圖1）。

圖1. 玉米含水量分布可視化

Song et al. (2023)基于高光譜成像技術(shù)（900-1700nm波段）結(jié)合化學(xué)計(jì)量學(xué)方法，開(kāi)發(fā)了水稻籽粒水分含量（MC）和脂肪酸含量（FAC）的快速無(wú)損檢測(cè)模型。通過(guò)添加梯度水分處理構(gòu)建了73個(gè)水稻樣本和75個(gè)精米樣本數(shù)據(jù)集，采用Savitzky-Golay二階導(dǎo)數(shù)(SG-2）等預(yù)處理方法優(yōu)化光譜數(shù)據(jù)，并利用順序投影算法(SPA)分別篩選出6個(gè)MC和9個(gè)FAC特征波長(zhǎng)，顯著降低了數(shù)據(jù)冗余。基于偏最小二乘回歸(PLSR）構(gòu)建的預(yù)測(cè)模型中，“水稻-MC”和“精米-FAC”模型表現(xiàn)*優(yōu)，其校準(zhǔn)集與預(yù)測(cè)集的判定系數(shù)（Rc2/Rp2）分別為0.9650/0.9639和0.8573/0.8436，預(yù)測(cè)均方根誤差(RMSEP)分別為0.0031和1.6956。研究證實(shí)稻殼對(duì)MC模型影響不顯著，但會(huì)干擾FAC預(yù)測(cè)精度，因稻殼不含脂肪酸且引入光譜噪聲。此外，通過(guò)偽彩色成像技術(shù)實(shí)現(xiàn)了MC和FAC的空間分布可視化，直觀展示稻米內(nèi)部成分異質(zhì)性（圖2和圖3）。該方法為水稻貯藏前檢測(cè)及貯藏過(guò)程中品質(zhì)監(jiān)控提供了高效無(wú)損的技術(shù)支持，但需進(jìn)一步驗(yàn)證模型在多品種及復(fù)雜環(huán)境下的泛化能力。

圖2 大米水分含量可視化圖。(a)12-13 g/100 g含水量（B）13-14 g/100 g含水量（c）14-15 g/100 g含水量（d）15-16 g/100 g含水量（e）16-17 g/100 g含水量（f）17-18 g/100 g含水量。

圖3 大米脂肪酸含量可視化圖。(a)脂肪酸含量為 8.42 mg/100 g。(b)脂肪酸含量為 16.13 mg/100 g。(c)脂肪酸含量為 23.91 mg/100 g。(d)脂肪酸含量為 25.56 mg/100 g。

Long et al. (2025) 本研究基于拉曼高光譜成像技術(shù)（785 nm激光）結(jié)合二維相關(guān)光譜分析（2D-COS），揭示了玉米老化過(guò)程中淀粉分子基團(tuán)的變化順序（如475 cm?1和931 cm?1對(duì)應(yīng)糖苷鍵振動(dòng)）。通過(guò)CARS算法篩選35個(gè)特征拉曼位移，結(jié)合歸一化預(yù)處理和極限學(xué)習(xí)機(jī)（ELM）建模，實(shí)現(xiàn)了淀粉含量的高精度預(yù)測(cè)（Rp2=0.8502，RMSEP=0.0577）。研究驗(yàn)證了拉曼技術(shù)對(duì)老化玉米淀粉降解過(guò)程的定量分析能力，為谷物品質(zhì)檢測(cè)及食品加工提供了理論支持和技術(shù)參考。

圖4 (A)單粒玉米平均光譜的提取過(guò)程;（B）拉曼光譜的預(yù)處理過(guò)程

Xuan et al. (2024) 利用高光譜成像技術(shù)（400-1000 nm）結(jié)合化學(xué)計(jì)量學(xué)方法，開(kāi)發(fā)了一種非破壞性稻米蛋白質(zhì)含量預(yù)測(cè)模型。通過(guò)凱氏定氮法測(cè)定四個(gè)品種稻米樣本的蛋白質(zhì)參考值，并對(duì)光譜數(shù)據(jù)進(jìn)行乘性散射校正（MSC）等預(yù)處理，結(jié)合連續(xù)投影算法（SPA）篩選特征波長(zhǎng)。研究發(fā)現(xiàn)，基于MSC-SPA-多元線性回歸（MLR）的模型表現(xiàn)*優(yōu)，校準(zhǔn)集和驗(yàn)證集的決定系數(shù)分別為0.9393和0.8998，驗(yàn)證集均方根誤差（RMSEV）為0.1725，相對(duì)分析誤差（RPD）達(dá)3.16。此外，通過(guò)像素級(jí)映射實(shí)現(xiàn)了稻米蛋白質(zhì)分布的可視化，揭示了不同品種間蛋白質(zhì)含量的差異（如XD9含量*低，JF105和JF103較高）。研究過(guò)程如圖5所示。

圖5 研究流程圖

Qiao et al. (2024)通過(guò)整合高光譜成像的光譜與圖像特征，實(shí)現(xiàn)了玉米籽粒中蛋白質(zhì)和淀粉含量的快速無(wú)損定量測(cè)定。研究利用可見(jiàn)光-近紅外（400-1005.80 nm）高光譜數(shù)據(jù)，結(jié)合顏色特征（H、S、V通道的低階矩）和紋理特征（對(duì)比度、相關(guān)性等），構(gòu)建了40種預(yù)測(cè)模型。通過(guò)對(duì)比不同預(yù)處理方法（S-G平滑、MSC、SNV）和建模算法（PLSR、SVR、ELM），發(fā)現(xiàn)極*學(xué)習(xí)機(jī)（ELM）結(jié)合標(biāo)準(zhǔn)正態(tài)變換（SNV）和乘性散射校正（MSC）預(yù)處理效果*佳。進(jìn)一步利用連續(xù)投影算法（SPA）和無(wú)信息變量消除（UVE）篩選特征波長(zhǎng)，并與圖像特征融合后，蛋白質(zhì)和淀粉的*優(yōu)模型分別為SNV-SPA-Color-ELM（驗(yàn)證集R2=0.9228，RMSEp=0.2771%）和MSC-UVE-Texture-ELM（驗(yàn)證集R2=0.8847，RMSEp=1.1221%），其相對(duì)分析誤差（RPD）分別達(dá)2.60和2.38，表明模型具備高精度與強(qiáng)魯棒性。研究創(chuàng)新性地在未干燥樣本條件下通過(guò)特征融合克服水分干擾，為玉米品質(zhì)田間實(shí)時(shí)監(jiān)測(cè)及工業(yè)分選提供了高效無(wú)損檢測(cè)方案。研究過(guò)程如圖6所示。

圖6 研究流程圖

Zhu et al. (2025) 提出了一種基于多頭注意力卷積序列到序列模型（MAC-seq2seq）的玉米種子活力檢測(cè)方法，通過(guò)光譜重建與深度特征提取結(jié)合集成學(xué)習(xí)模型，實(shí)現(xiàn)了種子老化時(shí)間和活力的高效分類。實(shí)驗(yàn)表明，MAC-seq2seq在400-1000 nm光譜范圍內(nèi)重建誤差（RMSE）低至2.818×10??，結(jié)合子空間判別模型對(duì)老化時(shí)間（48-240小時(shí)）和活力（基于種子活力指數(shù)SVI≥0.4）的檢測(cè)準(zhǔn)確率分別達(dá)93.33%和97.62%。研究進(jìn)一步構(gòu)建了集成光譜分析與可視化功能的在線檢測(cè)平臺(tái)，通過(guò)Shapley值解析了光譜特征貢獻(xiàn)，發(fā)現(xiàn)葉綠素（434/642/662 nm）和脂肪酸C-H振動(dòng)（930-990 nm）等波段對(duì)活力預(yù)測(cè)具有顯著影響。該方法為小樣本場(chǎng)景下玉米種子活力的無(wú)損評(píng)估提供了高精度解決方案，尤其適用于復(fù)雜存儲(chǔ)條件下的種子質(zhì)量監(jiān)測(cè)。研究過(guò)程如圖7所示。

圖7 研究流程圖

An et al. (2024)通過(guò)結(jié)合高光譜成像技術(shù)與數(shù)據(jù)融合策略，開(kāi)發(fā)了一種綠色無(wú)損的單粒玉米種子活力評(píng)估方法。研究以過(guò)氧化氫酶（CAT）活性和丙二醛（MDA）含量為關(guān)鍵生化指標(biāo)，基于人工老化實(shí)驗(yàn)構(gòu)建了不同老化梯度的種子樣本，并利用偏最小二乘回歸（PLSR）模型預(yù)測(cè)CAT和MDA含量，結(jié)合低層與中層數(shù)據(jù)融合策略優(yōu)化模型性能（預(yù)測(cè)集RPD分別為2.11和2.93）。進(jìn)一步提出雙閾值判別策略，通過(guò)設(shè)定CAT活性（閾值317 μmol·min?1·g?1）和MDA含量（閾值22 nmol·g?1）的聯(lián)合閾值，實(shí)現(xiàn)了種子活力的高效分類，準(zhǔn)確率達(dá)92.9%。該方法通過(guò)生化指標(biāo)與光譜特征的關(guān)聯(lián)性，為種子活力評(píng)估提供了可解釋的定量依據(jù)，相比傳統(tǒng)發(fā)芽試驗(yàn)和單一光譜模型，兼具高效性、環(huán)保性和高精度，為農(nóng)業(yè)種子質(zhì)量管理提供了新思路。研究過(guò)程如圖7所示。

圖8 研究流程圖

Qi et al. (2024)提出了一種改進(jìn)的深度卷積生成對(duì)抗網(wǎng)絡(luò)（SAM-GAN），通過(guò)引入光譜角映射（SAM）優(yōu)化生成器損失函數(shù)，結(jié)合近紅外高光譜成像技術(shù)，解決了自然老化水稻種子樣本稀缺條件下活力測(cè)定的難題（圖9）。實(shí)驗(yàn)對(duì)比了SAM-GAN、WGAN-GP和DCGAN的性能，結(jié)果表明，SAM-GAN生成的光譜數(shù)據(jù)在波形相似性上顯著優(yōu)于其他方法，混合真實(shí)數(shù)據(jù)與SAM-GAN生成數(shù)據(jù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型分類準(zhǔn)確率接近100%，驗(yàn)證了其在樣本量不足場(chǎng)景下的有效性。該方法為水稻種子活力的快速、無(wú)損檢測(cè)提供了新思路，尤其適用于樣本獲取困難的實(shí)際農(nóng)業(yè)場(chǎng)景。

圖9 GAN的流程圖