基于高光谱技术的不同霉变程度籼稻快速鉴别

龚中良 郑立章 文 韬,2 李立君 谢洁飞 马 强

(中南林业科技大学机电工程学院1，长沙 410004) (华南农业大学工程学院 南方农业机械与装备关键技术教育部重点实验室2，广州 510642) (中南林业科技大学理学院3，长沙 410004)

基于高光谱技术的不同霉变程度籼稻快速鉴别

龚中良1郑立章1文 韬1,2李立君1谢洁飞1马 强3

(中南林业科技大学机电工程学院1，长沙 410004) (华南农业大学工程学院 南方农业机械与装备关键技术教育部重点实验室2，广州 510642) (中南林业科技大学理学院3，长沙 410004)

为解决快速、无损鉴别籼稻霉变程度问题。该文利用高光谱技术采集正常、轻度霉变、中度霉变和重度霉变共4类籼稻样本的光谱数据，经不同预处理后，通过连续投影算法(SPA)提取特征波长，采用多元线性回归判别分析(MLR-DA)建立籼稻霉变程度鉴别模型。同时，通过竞争性自适应重加权算法(CARS)筛选特征变量，采用偏最小二乘法回归判别分析(PLS-DA)建立鉴别模型。研究结果表明，SG-SPA-MLR-DA和RAW-CARS-PLS-DA模型的验证集相关系数RP均大于0.950。其中，RAW-CARS-PLS-DA模型的预测效果最优，其验证集相关系数RP为0.969，均方根误差RMSEP为0.269，对未知籼稻样本的总体分类准确率为93.33%。该模型对不同霉变程度籼稻具有较强的鉴别能力，故该方法可为快速、无损鉴别籼稻霉变程度提供技术支持。

高光谱技术 预处理 霉变 籼稻 模型 鉴别

[3]可知，当稻谷的脂肪酸含量超过25 mg·100 g-1可认为其开始霉变，但对霉变程度还鲜见有具体的量化标准，如惠国华等[4]、张红梅等[5]、邹小波等[6]均根据培养时间确定谷物的霉变程度；陈红等[7]根据不同霉变花生的外观和颜色确定其霉变程度；袁莹等[8]根据不同霉变玉米的霉变覆盖面积确定其霉变程度。稻谷霉变程度通常可划分为3个等级，即轻度霉变、中度霉变和重度霉变。在轻度霉变时，稻谷开始变色、潮湿，直接观察稻谷很难判别是否霉变；中度霉变时，其胚部开始出现菌落，并伴有霉斑和霉味；重度霉变时，稻谷产生刺鼻的霉味和酸味，出现结块现象[9-10]。目前，稻谷霉变程度的测定主要依赖于人工检测，检测人员依照上述提及的不同霉变程度稻谷所具有的不同特点进行分类。检测时，一些不确定的人为因素对检测结果影响很大，因此人工鉴别稻谷霉变程度具有不稳定性，准确度不高等缺点。

研究人员发现霉变稻谷的脂肪酸含量会随着霉变程度的加深而增加。因为，霉变稻谷里的微生物会与稻谷的淀粉、蛋白质等物质进行着复杂的生物化学反应。这种反应会产生许多代谢物质，而脂肪酸就是其中之一，这种稳定的物质会在霉变稻谷中逐渐累积，最终导致霉变稻谷的脂肪酸含量上升[11-13]。因此，稻谷的霉变程度可以用脂肪酸含量来衡量。

高光谱分析技术在鉴别农产品类别上应用很广，其优势在于该技术操作简单、快速、无损。目前，国内外研究者已经将高光谱技术应用到不同产品类型上鉴别，并取得了很好的预测效果。高俊峰等[14]应用高光谱技术结合多种化学分析方法，建立了鉴别打蜡苹果的模型；邹伟等[15]应用高光谱技术结合人工神经网络，建立了鉴别油菜籽品种的模型；郝学飞等[16]应用近红外光谱技术结合偏最小二乘法，建立了鉴别馒头品质的模型；上述模型的预测准确度均能达到90%以上，为本文研究提供可行性技术支持。在对霉变稻谷进行研究时，国内外研究者主要针对其含有的黄曲霉毒素[17]，脂肪酸含量[18]以及生物超弱发光[19]等理化指标进行研究，但上述方法不能直接鉴别稻谷霉变程度。本文将选取霉变籼稻作为研究对象，用高光谱技术采集4种不同霉变程度籼稻的光谱信息图，建立鉴别不同霉变程度籼稻的模型，以期为快速鉴别其霉变程度提供一种新方法。

1 材料与方法

1.1 霉变籼稻分级及制备

考虑到试验样本应具有普适性和代表性，结合上述传统的分级方法和参考文献[4-8]所述的样本划分方法，本研究将霉变籼稻划分为4个等级：正常、轻度霉变、中度霉变、重度霉变。根据霉菌作用稻谷的时间不同，使其产生不同程度霉变，将霉变稻谷培养划分为3个周期，10 d为1周期[20]。试验样本采用湖南农业大学提供的含水率为14.2%的C两优34156籼稻，将试验样本均匀分成200份，保证每份含有100 g，选取其中50份样本按实际稻谷储藏要求(温度10 ℃，相对湿度15%)进行储存，保证样本不发生霉变。将剩余150份样本进行霉变培养，为了能获取不同霉变程度稻谷，通过人为改变储藏条件，温度设置为30 ℃，相对湿度90%，模拟实际储藏条件变化所导致的稻谷不同程度霉变结果，培养方式借助传统经验观察稻谷色泽和气味的感官变化，并通过随机抽样测定培养霉变稻谷的脂肪酸含量，保证能获得不同霉变程度样本。培养结束后，根据上述人工对霉变稻谷的分类方法，将其分类，并测量其所含脂肪酸浓度，最终获得正常、轻度、中度和重度霉变籼稻的脂肪酸含量范围分别为18.55～24.40 mg·100 g-1、27.03～80.90 mg·100 g-1、84.44～127.26 mg·100 g-1、101.09～124.88 mg·100 g-1。

1.2 光谱数据采集及预处理

本研究使用HyperSIS-VNIR-PFH高光谱分析仪(北京卓立汉光仪器有限公司)采集光谱信息，该系统内部结构如图1所示，其放大部分为稻谷样本在光谱检测载物台上的分布，通过高光谱相机采集每个稻谷的256个波段图像，利用遥感图像处理平台选取载物台上的稻谷样本作为感兴趣区域，通过计算感兴趣区域的各个像素点的光谱反射率平均值，作为观测稻谷的光谱反射率。其中仪器扫描距离150 mm，曝光时间20 ms，平台移动速度为14.6 mm/s，测定范围380～1 000 nm，分辨率为2.8 nm。

注：1高光谱相机，2光源，3暗箱，4载物台，5线性导轨图。图1 高光谱信息采样系统

本研究采用Unscrambler10.3 和Matlab R2013a软件对光谱数据进行处理和分析。考虑到高光谱分析仪直接采集的数据不仅受到霉变稻谷成分的影响，而且也受到外界环境影响，为了提高建模和预测效果，消除噪声和物理因素的影响，故本试验采用Savitzky-Golay平滑(savitzky-golay, SG)、多元散射校正(multiplicative scatter correction, MSC)、标准正态变换(standard normal variate, SNV)、一阶导数(first derivation, FD)、二阶导数(second derivation, SD)等方法预处理，通过对比优选最佳预处理方法。光谱经过SG平滑后可以消除数据中环境和仪器噪声；经MSC和SNV处理可以去除由稻谷颗粒大小不一所带来的散射影响；经FD和SD处理可以去除基线漂移和噪声、分辨重叠峰、增强光谱特征[21]。

1.3 模型建立与评价

由于霉变稻谷与可见/近红外光谱数据之间属于非确定性问题，为了研究该问题，考虑到回归分析在构造变量间关系时，具有有效性[22]。因此，本试验选用多元线性回归判别分析(multivariable linear regression-discriminate analysis, MLR-DA)和偏最小二乘法回归判别分析(partial least squares-discriminate analysis, PLS-DA)进行回归建模分析，本研究需要计算光谱数据与籼稻霉变程度等级的关系，其具体建模过程如下：①确定建模集霉变程度等级；②通过SPA和CARS提取特征波长和筛选特征变量；③采用MLR-DA和PLS-DA，分别建立霉变程度等级与光谱数据之间的模型；④用所建模型对验证集样本进行预测分级。由于回归模型得到的样本的预测值不是整数，需设置阈值以判别样本的归属，本文中阈值设置为0.5[23]，即预测值YP与真实等级值YR之差的绝对值小于0.5时，则样本属于该等级，反之，则不属于。

本试验评价模型优劣的指标有建模集相关系数RC、建模集均方根误差RMSEC和验证集相关系数RP、验证集均方根误差RMSEP。RC与RP越大，且RMSEC与RMSEP越小，说明建模质量越高，模型越可靠。

2 霉变籼稻脂肪酸含量测定与光谱特征分析

2.1 霉变籼稻脂肪酸含量的测定结果

试验共采集了200份籼稻样本，分别包含正常、轻度霉变、中度霉变和重度霉变样本各50份。随机选取155份样本用于模型建立，建立可见/近红外光谱与籼稻霉变程度关系的模型，并对其进行分级，即：1级为正常、2级为轻度霉变、3级为中度霉变、4级为重度霉变。剩余45份样本用于模型验证，评价所建模型的优劣性能。表1分别列出了建模集和验证集中不同霉变程度籼稻分布数量及相应的脂肪酸含量统计结果。

表1 不同霉变程度籼稻分布数量及相应的脂肪酸含量统计结果

2.2 不同霉变程度籼稻的光谱特征分析

采用Savitzky-Golay(SG)平滑预处理后的不同霉变程度籼稻平均光谱图如图1所示，4种不同霉变程度籼稻的反射率曲线拥有相似的变化趋势，呈现霉变籼稻所独有的光谱特性：在波长为420 nm附近时，4种不同霉变程度籼稻光谱反射率均产生了低谷。在波长为450～650 nm之间时，随着霉变程度的增加，其光谱反射率变化趋势减缓，此反射区大小差异明显，正常和重度霉变样本反射率曲线差异较大，说明在后期鉴别时会较容易区分两者。但是，轻度霉变和中度霉变样本的反射率曲线基本重合，这势必会为后期准确鉴别两者带来困难。在波长为700～850 nm时，不同霉变程度籼稻光谱反射率基本相同。在波长为850～1 000 nm时，光谱反射率曲线差异较大，相对正常样本，中度和重度霉变样本反射率均有所下降。但是，轻度霉变样本例外，其反射率曲线与正常样本几乎重合。

图1 4种霉变籼稻光谱平滑图

除了霉变程度外，样本大小、表面纹理以及其所含营养物质等因素均会对光谱反射率产生影响。所以直接观察光谱反射率曲线无法准确鉴别籼稻霉变程度，但上述反射率之间的差异为鉴别其霉变程度奠定了基础。

3 籼稻霉变程度鉴别模型的建立与分析

3.1 多元线性回归判别分析建模

3.1.1 光谱特征波长选取

由于试验选用的高光谱分析仪分辨率很高，导致采集的光谱数据维数过高，如果直接将采集的光谱数据作为输入变量，由于光谱数据之间存在共线性，会出现数据冗余现象，导致建模时间过长。因此建模之前先采用连续投影算法(successive projections algorithm, SPA)[24]对维数过高的光谱数据进行压缩，从中提取对籼稻霉变程度贡献率大的一些特征波长，去除一些低敏感波长。将提取出来的特征波长作为多元线性回归建模输入变量。利用SPA对建模集进行特征波长选取时，采用留一法进行内部交叉验证。根据内部交叉验证均方根误差RMSECV大小确定最佳特征波长数，RMSECV越小，则表明所建模型质量越高、预测效果越好[25]。如图2a所示，当选取的特征波长数为16时，RMSECV最小(0.293)，图2b为经SPA优选出来的特征波长。

图2 特征波长数确定和选择

3.1.2 不同预处理方法下的模型预测结果

采用不同预处理方法，建立模型后对建模集和验证集预测结果如表2所示。由表2可知，光谱数据经MSC、SNV和SD处理后的建模集相关系数RC均较高，但验证集相关系数RP均较低，均方根误差RMSEP较高，出现了过拟合现象，所以上述3种预处理方法建立模型的稳定性需进一步研究。而经SG预处理的模型，其建模集相关系数RC为0.984，验证集相关系数RP为0.960，在几种预处理方法中，其建模集相关系数RC和验证集相关系数RP均最高，且建模集均方根误差RMSEC和验证集均方根误差RMSEP均最低，分别为0.206、0.304。光谱数据经不同预处理后，再经过SPA进行数据压缩，最终选取参与建模变量数范围为10～27，相比全光谱256个数据，大大削减了输入变量、提高了建模效率。因此，多元线性回归判别分析建模时最佳预处理方法为SG平滑。

表2 不同预处理方法下SPA-MLR-DA模型预测统计结果

3.1.3 最优SPA-MLR-DA对籼稻霉变程度鉴别与分析

由分析可知，经SG-SPA-MLR-DA建模效果最优，应用该判别模型预测4种类型共45个样本，其鉴别结果如图3所示。

图3 SG-SPA-MLR-DA模型鉴别结果

图3的鉴别结果表明，该模型对轻度霉变样本鉴别效果最差，其误判样本YP分别为1.317、2.502、2.678，该类样本分散不够集中；模型对轻度霉变和正常、轻度霉变和中度霉变之间有比较明显的交叉误判，图中空心三角形为误判样本，具体鉴别统计结果如表3所示。

表3 采用SG预处理的SPA-MLR-DA鉴别籼稻霉变程度统计结果

注：1代表正常样本，2代表轻度霉变样本，3代表中度霉变样本，4代表重度霉变样本，下同。

表3结果表明，该模型能正确识别正常、中度霉变和重度霉变3种样本类型，识别率均为100%，但对轻度霉变样本却存在着误判，将3个轻度霉变样本分别误判为1个正常和2个中度霉变样本，可能是因为轻度霉变样本的光谱反射率曲线同正常、中度霉变样本之间存在重合现象。SG-SPA-MLR-DA模型对未知籼稻样本的总体分类准确率为93.33%。

3.2 偏最小二乘法回归判别分析建模

3.2.1 筛选特征波长变量

为解决光谱数据中不相关变量对模型精度的影响，同时，也为简化模型，提高运算效率。本试验选用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)[26]筛选出与霉变籼稻相关的重要变量，其筛选变量过程如图4所示，筛选特征变量时，最大因子数由蒙特卡罗交叉验证确定，运行次数为50，根据均方根误差RMSECV大小确定最佳特征变量。由图4a可知，被保留波长数随运行次数的增加呈递减趋势，运行次数1～5范围内，被保留波长数迅速下降，运行5次时，被保留波长数仅为原来的24%，体现了CARS的特征变量粗选；在5～50范围内，被保留波长数下降趋势减缓，体现了特征变量的精选。由图4b可知，运行次数1～24范围内，RMSECV随运行次数的增加呈递减趋势，表明此过程剔除了与霉变样本不相关的波长变量；24～50范围内，RMSECV逐渐递增，可能此过程剔除了与样本相关的波长变量。由图4c可知，竖线对应的位置为运行次数24时，RMSECV最小值(0.277)，此时被保留波长数为26，所对应的波长即为筛选的最佳特征波长变量。

图4 波长变量筛选图

3.2.2 不同预处理方法下的模型预测结果

采用不同预处理方法，建立模型后对建模集和验证集预测结果如表4所示。由表4可知，采用CARS算法可将建模变量压缩至原始的5%～10%，简化了模型，提高了运算效率；未预处理和SG平滑建模的预测效果优于其他方法，其建模集相关系数RC和验证集相关系数RP均能达到0.950以上，且建模集均方根误差RMSEC和验证集均方根误差RMSEP均小于0.300，但未预处理的RMSEC与RMSEP均比SG平滑小。因此，采用原始数据建立CARS-PLS-DA模型预测效果最佳。经MSC、SNV、FD、SD预处理的模型预测效果较差，其中FD建模预测效果最差，其RP最小(0.864)，可能因为在预处理过程中丢失了一些重要信息。

表4 不同预处理方法下CARS-PLS-DA模型预测统计结果

3.2.3 最优CARS-PLS-DA对籼稻霉变程度鉴别与分析

由上述分析可知，经RAW-CARS-PLS-DA建模效果最优，应用该判别模型预测4种类型共45个样本，其鉴别结果如图5所示。

图5 RWA-CARS-PLS-DA模型鉴别结果

图5的鉴别结果表明，该模型对正常和轻度霉变样本鉴别效果较差，其误判样本YP分别为1.538、1.198、2.739，相对其他2种样本类型，该类样本比较分散；模型对轻度霉变和正常、轻度霉变和中度霉变之间存在交叉误判，图中空心三角形和四边形为误判样本，具体鉴别统计结果如表5所示。

表5 采用未预处理的CARS-PLS-DA鉴别籼稻霉变程度统计结果

表5结果表明，该模型能正确识别中度和重度霉变样本类型，识别率均为100%，对正常和轻度霉变样本的正确识别率分别为90.91%、81.82%，模型对上述两者均出现误判，将1个正常样本误判为轻度霉变样本，2个轻度霉变样本误判为正常和中度霉变样本。RAW-CARS-PLS-DA模型对未知籼稻样本的总体分类准确率为93.33%。

4 结论

本研究基于高光谱技术分析了正常、轻度霉变、中度霉变、重度霉变籼稻的光谱信息，研究了快速鉴别籼稻霉变程度方法，通过试验验证，得出了如下结论：

对比5种不同预处理方法，得出多元线性回归判别分析和偏最小二乘法判别分析的最优数据预处理方法分别为SG、RAW，其建模集相关系数RC和验证集相关系数RP均大于0.950。

采用SPA和CARS提取的建模变量数的分布范围分别为10～27、12～26，上述方法将变量数压缩至原始的4%～11%，大大减少了输入变量，提高了运算效率。

最优 SG-SPA-MLR-DA和RAW-CARS-PLS-DA模型对未知籼稻样本的误判数均为3，其总体分类准确率均为93.33%，但后者的验证集相关系数RP为0.969，前者RP为0.960。因此，RAW-CARS-PLS-DA建立的鉴别模型最优，其建模集相关系数RC为0.981，均方根误差RMSEC为0.219，验证集均方根误差RMSEP为0.269，模型对不同霉变程度籼稻具有较强的鉴别能力。

高光谱技术结合RAW-CARS-PLS-DA建模，可以为快速、无损鉴别籼稻霉变程度提供技术支持，也可以为在线检测流入市场的籼稻是否霉变以及霉变程度提供参考依据。

参考文献

[1]包清彬，猪谷富雄. 储藏条件对糙米理化特性影响的研究[J]. 农业工程学报，2003, 19(6):25-27 Bao Qingbin, Tomio ITANI. Influence of storage conditions on physicochemical characteristic of brown rice[J].Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(6): 25-27

[2]苏永腾，刘强. 谷物霉菌毒素的危害及其控制措施的研究[J]. 中国食物与营养，2010 (4):9-12 Su Yongten, Liu Qiang. Hazards and control measures of grain mycotoxin[J]. Food and Nutrition in China, 2010 (4): 9-12

[3]杨晓蓉，周建新，姚明兰，等. 不同储藏条件下稻谷脂肪酸值变化和霉变相关性研究[J]. 粮食储藏，2006, 35(5):49-52 Yang Xiaorong, Zhou Jianxin, Yao Minglan, et al. Study on a correlation between the fatty acid value change and mould of indica rice in different storage conditions[J]. Grain storage, 2006, 35(5): 49-52

[4]惠国华，陈裕泉. 基于随机共振的电子鼻系统构建及在谷物霉变程度检测中的应用[J]. 传感技术学报，2011, 24(2):159-164 Hui Guohua, Chen Yuquan, Establishment of an electronic nose system using stochastic resonance and its application in moldy corn status detection[J]. Chinese Journal of sensors and actuators, 2011, 24(2):159-164

[5]张红梅，王俊，叶盛，等. 电子鼻传感器阵列优化与谷物霉变程度的检测[J]. 传感技术学报，2007, 20(6):1207-1210 Zhang Hongmei, Wang Jun, Ye Sheng, et al. Optimized of sensor array and detection of moldy degree for grain by electronic nose[J]. Chinese Journal of sensors and actuators, 2007, 20(6):1207-1210

[6]邹小波，赵杰文. 电子鼻快速检测谷物霉变的研究[J]. 农业工程学报，2004, 20(4):121-124 Zou Xiaobo, Zhao Jiewen. Rapid identification of moldy corn by electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(4): 121-124

[7]陈红，熊利荣，胡筱波. 基于神经网络与图像处理的花生仁霉变识别方法[J]. 农业工程学报，2007, 23(4):158-161 Chen Hong, Xiong Lirong, Hu Xiaobo, et al. Identification method for moldy peanut kernels based on neural network and image processing [ J]. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23( 4): 158-161

[8]袁莹，王伟，褚璇，等. 基于傅里叶变换近红外和支持向量机的霉变玉米检测[J]. 中国粮油学报，2015, 30(5):143-146 Yuan Ying, Wang Wei, Chu Xuan, et al. Detection of moldy corns with FT-NIR spectroscopy based on SVM[J]. Journal of the Chinese cereals and oils association, 2015, 30(5): 143-146

[9]周建新. 论粮食霉变中的生物化学[J]. 粮食储藏，2004, 32(1): 9-12 Zhou Jianxin. The biochemistry during grain mildewing[J]. Grain storage, 2004, 32(1): 9-12

[10]惠国华，倪彧. 基于信噪比分析技术的谷物霉变快速检测方法[J]. 农业工程学报，2011, 27(3):336-340 Hui Guohua, Ni Yu. Investigation of moldy corn fast detection based on signal-to-noise ratio spectrum analysis technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 336-340

[11]Aibara S, Ismail I A. Changes in rice bran lipids and fatty acids during storage[J]. Agriculture Biology Chemistry, 1986, 50(3): 665-673

[12]蔡静平. 粮油食品微生物学[M]. 北京：中国轻工业出版社，2002 Cai Jingping.Grain and oil food microbiology[M]. Beijing: China Light Industry Press, 2002

[13]邵龙，邵怀宗，彭启琮. 稻谷脂肪自动酸滴定仪设计与实现[J]. 电子测量与仪器学报，2008, 22(6):97-102 Shao Long, Shao Huaizong, Peng Qicong. Design and realization of rice fatty acid automatic titrator[J]. Journal of electronic measurement and instrument, 2008, 22(6): 97-102

[14]高俊峰，章海亮，孔汶汶，等. 应用高光谱成像技术对打蜡苹果无损鉴别研究[J]. 光谱学与光谱分析，2013, 33(7):1922-1926 Gao Junfeng, Zhang Hailiang, Kong Wenwen, et al. Nondestructive discrimination of waxed apples based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2013, 33(7):1922-1926

[15]邹伟，方慧，刘飞，等. 基于高光谱图像技术的油菜籽品种鉴别方法研究[J]. 浙江大学学报(农业与生命科学版)，2011, 37(2):175-180 Zhou Wei, Fang Hui, Liu Fei, et al. Identification of rapeseed varieties base on hyperspectral imagery[J]. Journal of Zhejiang University (Agric & Life Sci), 2011, 37(2):175-180

[16]郝学飞，苏东民，余大杰，等. 近红外方法预测馒头品质[J]. 中国粮油学报，2014, 29(4):113-117 Hao Xuefei, Su Dongmin, Yu Dajie, et al. Assessment of steamed bun quality by near infrared reflectance method[J]. Journal of the Chinese cereals and oils association, 2014, 29(4):113-117

[17]张强，刘成海，孙井坤，等. 基于支持向量机稻谷黄曲霉毒素B1近红外无损检测[J].东北农业大学学报，2015, 46(5):84-88 Zhang Qiang, Liu Chenghai, Sun Jingkun, et al. Near-infrared spectroscopy nondestructive determination of aflatoxin B1 in indica rice rice based on support vector machine regression[J]. Journal of Northeast Agricultural University, 2015, 46(5):84-88

[18]李新华，李利霞，杨权. 不同储存条件下稻谷水分和脂肪酸值变化及霉变规律[J]. 粮食储藏，2016, 45(2):49-51 Li Xinhua, Li Lixia, Yang Quan, Study on the change law of the moisture content and fatty acid value and the regularity on the mould ofindica rice in different storage conditions [J]. Grain Storage, 2016, 45(2):49-51

[19]舒伟军，田晓静，王俊. 基于生物超弱发光的稻谷霉变特性研究[J]. 科技通报，2008, 24(6):815-819 Shu Weijun, Tian Xiaojing, Wang Jun.Study on characteristics of rice mildew bioluminescence based on super-weak bioluminescence[J]. Chinese Science Bulletin, 2008, 24(6):815-819

[20]张瑛，吴先山，吴敬德，等. 稻谷储藏过程中理化特性变化的研究[J]. 中国粮油学报，2003, 18(6):565-566 Zhang Ying, Wu Xianshan, Wu Jingde, et al. Study on physical and chemical characters in rice storage[J]. Journal of the Chinese cereals and oils association, 2003, 18(6): 565-566

[21]尼珍，胡昌勤，冯芳，等. 近红外光谱分析中光谱预处理方法的作用及其发展[J]. 药物分析杂志，2008, 28(5):824-829 Ni Zhen, Hu Changqin, Feng Fang, et al. Progress and effect of spectral data pretreatment in NIR analytical technique[J]. Chinese Journal of Pharmaceutical Analysis, 2008, 28(5): 824-829

[22]赵杰文，林颢. 食品、农产品检测中的数据处理和分析方法[M]. 北京：科学出版社，2012:78-139 Zhao Jiewen, Lin Hao.Methods of data processing and analysis in the detection of food and agricultural products[M]. Beijing: Science Press, 2012:78-139

[23]Canaza-Cayo A W, Cozzolino D, Alomar D, et al. A feasibility study of the classification of Alpaca (Lama pacos) wool samples from different ages, sex and color by means of visible and near infrared reflectance spectroscopy[J]. Computers and Electronics in Agriculture, 2012, 88(4): 141-147

[24]Galváo R K H, Araujo M C U, Silva E C, et al. Cross validation for the selection of spectral variables using the successive projections algorithm[J]. Braz. Chem. Soc, 2007, 18(8): 1580-1584

[25]Wold S, Sjöström M, Eriksson L. PLS-regression: a basic tool of chemometrics[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 58(1): 109-130

[26]Li Hongdong, Liang Yizeng, Xu Qingsong, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta. 2009, 648(1):77-84．

Identification of the Different Degree of Moldy Indica Rice Based on Hyperspectral Technology

Gong Zhongliang1Zheng Lizhang1Wen Tao1,2Li Lijun1Xie Jiefei1Ma Qiang3

(School of Mechanical and Electrical Engineering, Central South University of Forestry and Technology1, Changsha 410004) (Key Laboratory of Key Technology for South Agricultural Machinery and Equipment, Ministry of Education,Engineering College, South China Agricultural University2, Guangzhou 510642) (School of Science, Central South University of Forestry and Technology3, Changsha 410004)

In order to solve the problem of fast and nondestructive identification of moldy, the spectral data of four kinds of moldy indica rice, including normal indica rice, mildly moldy indica rice, moderately moldy indica rice and seriously moldy indica rice, was collected by using the hyperspectral technology. After preprocessing with five methods, the successive projections algorithm (SPA) was proposed to extract the characteristic wavelength; then, the identification models of different degree of moldy indica rice were established by using the multivariate linear regression-discriminate analysis (MLR-DA). Meanwhile, the competitive adaptive reweighted sampling (CARS) was used to obtain characteristic variables; the identification models were established by using partial least squares regression -discriminate analysis (PLS-DA). The results showed that the correlation coefficient of validation set (RP) of the SG-SPA-MLR-DA model and RAW-CARS-PLS-DA model were more than 0.950. The prediction precision of the RAW-CARS-PLS-DA model was optimal, the correlation coefficient of validation set (RP) was 0.969, the root mean square error of validation set (RMSEP) was 0.269, and the overall accuracy of identification rate of predicted samples was 93.33%. The model has the ability of identifying the different degree of moldy indica rice. Therefore, this method can provide technical support for quick and nondestructive identification of the mildewing process of the indica rice.

hyperspectral technology, preprocessing, mildew, indica rice, models, identification

国家自然科学基金(31401281)，湖南省自然科学基金(14JJ3115)，湖南省高校科技创新团队支持计划(2014207)，国家级大学生创新创业训练计划项目(201410538014)

2016-05-17

龚中良，男，1965年出生，教授，农产品品质与安全无损检测技术应用基础研究

文韬，男，1983年出生，副教授，农产品品质与安全无损检测技术应用基础研究

S123；S511

：A

：1003-0174(2017)08-0123-08

稻谷含有丰富的淀粉、蛋白质、碳水化合物等成分，在霉菌的作用下易造成稻谷霉烂变质，产生对人体有毒害的黄曲霉毒素[1-2]。因此如何快速鉴别稻谷霉变程度是保障稻谷类食品安全的基础。