背景：

作為世界上*大的大米生產(chǎn)國和消費國，中國的大米種植面積占全球約20%，其質(zhì)量直接影響糧食**和經(jīng)濟效益。水分含量和脂肪酸含量是衡量大米品質(zhì)和儲存穩(wěn)定性的關鍵指標，過高的水分含量易導致霉變和微生物滋生，而脂肪酸的增加則是大米氧化變質(zhì)的典型信號。因此，精準、高效、無損地檢測大米的水分和脂肪酸含量對于糧食儲存管理至關重要。然而，傳統(tǒng)的檢測方法通常需要破壞樣本，并且過程復雜、耗時，難以滿足現(xiàn)代糧食存儲和加工行業(yè)對快速檢測的需求。高光譜成像（HSI）技術作為一種集成光譜分析和圖像處理的無損檢測方法，能夠同時獲取大米的物理與化學信息，為大米品質(zhì)的精準檢測提供了新的技術路徑。

因此，該研究旨在利用高光譜成像技術結(jié)合化學計量學方法，實現(xiàn)大米水分和脂肪酸含量的快速、無損檢測，為糧食質(zhì)量控制和存儲管理提供科學依據(jù)。具體研究內(nèi)容包括：（1）采用不同的預處理方法對大米和精米的光譜數(shù)據(jù)進行處理，并建立其水分和脂肪酸含量的全光譜預測模型，*終根據(jù)模型性能確定*佳預處理方法。（2）采用兩種變量篩選方法，在900–1700nm范圍內(nèi)選擇大米和精米水分及脂肪酸含量的關鍵波長，并從化學角度對所選波長進行分析。（3）比較大米和精米水分及脂肪酸預測模型的性能，并分析稻殼對水分和脂肪酸模型預測效果的影響。（4）利用*佳模型對大米樣本的每個像素點進行水分和脂肪酸預測，實現(xiàn)大米水分和脂肪酸含量的可視化分析。

實驗設計

1.1材料與方法

（1）實驗材料與方法

本研究以2021年收獲的13個晚稻品種為實驗材料，其中包括4個粳稻品種和9個晚秈稻品種，具體信息如表1所示。所有晚稻樣品均由浙江省糧庫提供。每個品種的晚稻樣品均采用自封袋密封包裝，并儲存于恒溫恒濕環(huán)境中（溫度10℃，濕度50%）。

水分是影響大米脂肪酸值（FAC）變化的主要因素。因此，可以通過向樣品中添加不同量的水分來擴展樣品的水分含量（MC）和脂肪酸值（FAC）的范圍，從而提高模型的穩(wěn)健性。首先，稱取每種大米240克，并將其分成六份，得到78個實驗樣品。然后向每個樣品中添加不同質(zhì)量的蒸餾水并混合均勻，使得樣品中的水分含量呈現(xiàn)出12克/100克、13克/100克、14克/100克、15克/100克、16克/100克和17克/100克的梯度變化。

處理后的大米樣品用12 × 17 cm的自封袋密封，在溫度為10℃的室內(nèi)保存20 h，使樣品中的水分分布均勻。用已完成光譜采集的大米樣品制備精米樣品。大米樣品先用脫殼機去殼，然后用碾米機磨成精米。本研究中，所有樣品的MC按GB 5009.3-2016《食品**國家標準-食品中水分的測定》中的直接干燥法測定，F(xiàn)AC按GB/T 20569-2006《大米貯藏質(zhì)量判定規(guī)則》的方法測定。

（2）高光譜圖像采集與校正

高光譜成像系統(tǒng)由近紅外高光譜成像儀（GaiaField-N17E，江蘇雙利合譜科技有限公司，Dualix Spectral Imaging）、室內(nèi)試驗箱（HSIA-BD）、四盞鹵素燈（50W）、升降臺、計算機以及配套軟件（Optiplex 7080MT/SpecView）組成。該近紅外高光譜成像儀的光譜范圍為900至1700nm，空間分辨率為640像素，波段數(shù)為512，光譜分辨率為5nm。升降臺的尺寸和升降范圍分別為300×300毫米和90至370毫米。系統(tǒng)如圖1所示。

圖1. 高光譜成像系統(tǒng)。

使用高光譜成像系統(tǒng)采集了樣品的高光譜圖像。在高光譜圖像采集過程中，大米樣品被放置在黑色基板上，平鋪成15×15厘米的正方形，精米樣品平鋪成為13×13厘米的正方形，確保樣品的厚度不超過3粒大米的厚度。為了獲得清晰且無畸變的高光譜圖像，傳送帶的移動速度和移動距離分別設置為0.6厘米/秒和17厘米。樣品與鏡頭之間的垂直距離為42厘米，光源與水平面的角度為60度，曝光時間為7毫秒。*終，每個樣品獲得了兩張高光譜圖像。

之后，對每張原始高光譜圖像I0進行了黑白色校正計算。收集到的原始圖像數(shù)據(jù)反映了信號強度，而通過黑白色校正計算可以獲取光譜的反射率。我們使用了白色校準板進行空白校準，設定*大發(fā)射率（約99%），并用鏡頭蓋進行暗校正，設定*小反射率（約0%）。

（3）光譜提取與預處理

通過對校正后的圖像進行分割來提取每個樣品的興趣區(qū)域（ROI），以去除黑色背景。首先，從高光譜圖像中提取對應于1290nm的圖像，并使用*大類間方差法（OTSU）算法獲得*佳閾值。高于閾值的灰度圖像區(qū)域（大米/精米）被標記為“1”，低于閾值的灰度圖像區(qū)域（背景）被標記為“0”。然后為每個樣品創(chuàng)建了一個二值掩模，并將該掩模應用于每個高光譜圖像立方體，以實現(xiàn)黑色背景的移除。為了提高預測的準確性和可重復性，每個高光譜圖像中大米/精米像素的反射率值被平均化，以獲得其平均光譜。然后，對同一樣品掃描得到的兩個大米/精米高光譜圖像提取出的平均光譜再次平均，作為樣品的光譜數(shù)據(jù)。

預處理可以去除高光譜數(shù)據(jù)中的噪聲，例如高頻隨機噪聲和基線漂移，從而提高模型性能。在本研究中，我們采用了五種預處理方法來處理樣品的原始光譜，包括多次散射校正（MSC）、標準正態(tài)變量（SNV）、Savitzky-Golay（SG）平滑、SG+一階導數(shù)和SG+二階導數(shù)。根據(jù)全光譜模型的性能，*終選擇了合適的預處理方法。

（4）變量選擇

高光譜數(shù)據(jù)具有高維度和多重共線性的特點，這使得數(shù)據(jù)處理變得復雜且耗時。為了提高計算速度并實現(xiàn)實時檢測，有必要使用一些變量選擇方法來選擇重要的波長，并降低高光譜數(shù)據(jù)的維度。這些重要的波長能更好地預測大米/精米樣品的MC和FAC。在本研究中，我們采用了競爭自適應重加權(quán)采樣（CARS）和連續(xù)投影算法（SPA）來選擇大米/精米中MC和FAC的重要波長。