大米拉曼光谱表征与统计识别的实验设计与实证分析

摘要：针对质量管理工程专业当代高水平人才培养的现实需求，结合南京财经大学“粮食特色”发展战略，开展“质量快检实验”课程实验教学项目设计与实证探索。实验以地理标志大米的产地判别为例，依次进行了样品拉曼光谱数据采集与表征分析、统计质量控制、基于卷积神经网络的识别及特征分析等，具有数据采集速度快、判别运算效率高、结果可视化展示等优势。实验项目满足“金课”标准“高阶性、创新性、挑战度”要求，综合锻炼了学生的文献调研与分析能力、质量特性快检数据采集与领域知识剖析能力，质量控制图绘制与解析能力，智能识别算法构造与编程实现能力，实验报告撰写与小组配合能力等，积极响应了新时代数字化、智能化背景下质量管理工程复合应用型人才的培养要求。

关键词：实验教学；质量快检；大米质控；统计识别；案例分析

中图分类号：G642.0；TU201.2 文献标志码：A DOI：10.16465/j.gste.cn431252ts.20240514

基金项目：南京财经大学教学改革项目（JGY202270，JGZ2023003，JGY2023081）；南京财经大学《仪器分析概论》产教融合一流课程建设项目（南财教字〔2023〕88号）；江苏省高等教育学会高校实验室研究委员会项目（GS2022BZZ19）；江苏高校“青蓝工程”优秀青年骨干教师项目（苏教师函〔2021〕11号）。

Experimental design and empirical analysis of Raman spectroscopy characterization and statistical identification of rice

Zhang Zhengyong， Zha Ruoxuan， Yang Yu， Sha Min

（ School of Management Science and Engineering， Nanjing University of Finance and Economics， Nanjing， Jiangsu 210023 ）

Abstract： In response to the practical needs of cultivating contemporary high-level talents in the field of quality management engineering， and in combination with school’s development strategy of grain characteristics， carry out the design and empirical exploration of the experimental teaching project for the \"quality rapid inspection experiment\" course. Taking the identification of geographical indication rice as an example， the experiment sequentially conducted sample Raman spectroscopy data collection and characterization analysis， statistical quality control， recognition and feature analysis based on convolutional neural networks， etc. It has advantages such as fast data collection speed， high discrimination operation efficiency， and visual display of results. The experimental project meets the requirements of the course standards of advanced， innovative and challenging， comprehensively exercising the students’ abilities in literature research and analysis， quality characteristic rapid inspection data collection and domain knowledge analysis， quality control chart drawing and analysis， intelligent recognition algorithm construction and programming implementation， experimental report writing and group cooperation， etc. It actively responds to the training requirements of composite applied talents in quality management engineering under the background of digitalization and intelligence in the new era.

Key words： experimental teaching； quick quality inspection； rice quality control； statistical identification； case analysis

近年来，随着国民经济进入高质量发展阶段，质量的重要性日益凸显。2023年2月中共中央、国务院印发了《质量强国建设纲要》，旨在统筹推进质量强国建设，全面提高我国质量总体水平，这必然离不开质量专业人才的支撑。质量管理工程专业是教育部2012年增设的本科专业，将为各企事业单位输送质量管理专门人才，助力提升各组织的质量管理水平，社会需求度高，时代属性明显[1-2]。质量快检实验是南京财经大学质量管理工程本科人才培养方案中的一门综合实践类课程，旨在通过实验训练，学生能够较为系统地掌握质量数据快速采集、处理、分析、评估相关知识，更加深刻地理解质量检验、仪器分析类课程理论，提升学生们分析、解决质量问题的能力，掌握快速评估的方式方法。

在教学活动中，传统的实验实践教学内容常偏于基础，以操作性、验证性项目为主，仅能够满足基本的操作指令训练，在面向新时代复合交叉创新应用型人才培养需求方面，满足“高阶性、创新性、挑战度”的综合性、设计性、开放性实验实践项目相对还较为匮乏。这可能会导致实验实践教学模式手段较为单一、知识更新缓慢，学生通过实验实践教学动手能力训练不足、灵活应用能力欠缺，实验实践教学效果难以匹配社会发展需要，难以满足高层次创新型人才的培养要求[3-4]。为此，需要不断探索实践教学改革，为积极响应科学研究“四个面向”，并结合我校“粮食特色”发展战略，本文设计论证了基于拉曼光谱表征与统计识别的地标大米质量判别实证研究，以期促进实践教学模式变革，推进实验课程持续质量改进。

1 大米拉曼光谱表征与统计识别的实验教学设计

大米是一种常见的农产品，地理标志即大米的产地属性，也是大米的重要质量和品牌属性，以地理标志大米的产地判别为例，拟解决的质量问题是相似样品的分类鉴定，实现以次充好样品的快速识别[5]。以此问题为导向，设计涵盖质量特性数据采集、统计质量控制、智能学习算法、谱图数据挖掘的快速检测方法，培养学生面对类似问题的分析思路。在质量问题研究方面，学生需要开展文献调研，总结现有的大米质量问题演变态势及现有对策，梳理检测方法、快检技术及优缺点[6-7]。在质量特性数据采集方面，需要了解研究对象相关的理化特性，以及光谱等快速检测方法，并了解设备构造、操作步骤及数据物质归属。在统计质量控制运算方面，需要了解质量控制图计算方法、判定规则，理解事中控制的质量思想。在智能学习计算方面，需要了解卷积神经网络等机器学习算法的构建思想以及特征挖掘方法，能够借助Matlab等软件平台编程实现算法运算并得到优化识别结果。

通过综合实验，学生将获得以下多种能力训练与提升，达成课程目标。首先，通过文献调研，或者借助文献计量学工具，学生能够了解到大米品质研究呈现出由贮藏条件、蒸煮品质向食味品质演变的趋势，研究方法与计算机技术愈发紧密[8]。经过文献梳理，可以发现大米质量检验方法包括感官检验法和成分分析法，在GB/T 1354—2018 《大米》中设置了色泽、气味、品尝评分值等感官质量指标，以及直链淀粉、水分等成分质量指标，面临着感官检验受专家情感影响较大、主观性较强的制约，成分分析法指标较易被定向添加所蒙蔽的制约。快速检测方法包括比色法、试纸条法、便携式设备鉴定法等，尤其是近年来人工智能的快速发展，与智能识别算法结合愈发紧密。其次，表征大米质量特性数值的技术繁多，包括光谱法、色谱法、质谱法等，各种技术均有其适用性，可以反映大米样品在某一视角下的质量特性，其中，拉曼光谱因其具有采样速度快、可无损检测、可便携化等优势，成为了智能快检技术研发的热点数据源[9-10]。随后，学生们针对所采集的表征数据进行质量分析，选用质量控制图、卷积神经网络等方法进行变化规律探索，求解样品质量波动情况及差异情况，为科学决策提供技术支持。

2 实验方法

2.1 实验材料与设备

实验用大米样品均购置于南京苏果超市，选取3个产地，分别是五常大米，延边大米和鱼台大米，每个产地25个样品，经粉碎研磨过筛后，得到75个样品粉末。Prott-ezRaman-D3型便携式拉曼光谱仪：美国Enwave Optronics公司。

2.2 拉曼光谱数据采集

使用拉曼光谱仪在暗室内进行数据采集实验，得到大米样品光谱表征数据。仪器激光波长为785 nm，激光功率为450 mW，积分时间为4 s，平均3次，光谱采集范围为250～1 750 cm-1，光谱分辨率1 cm-1，电荷耦合检测器温度为-85 ℃。

2.3 数据处理

拉曼光谱的基线校正基于SLSR ReaderV8.3.9软件（美国Enwave Optronics公司）；单值移动极差控制图计算基于Minitab软件（美国Minitab公司），实验所涉及的相似度、特征提取、卷积神经网络运算基于Matlab 2018b软件（美国MathWorks公司）实现。

3 实证案例分析

3.1 大米拉曼光谱表征数据分析

实验所用的3种大米地标产品来自不同产地，外观较为相似，均为白色颗粒，裸眼难以进行直观判别。仪器采集得到的大米样品拉曼光谱表征数据如图1所示，大米的主要成分有淀粉、脂肪、蛋白质等，结合已有的相关文献[11-13]，可对样品的主要拉曼光谱峰进行物质归属，如表1所示，如最高峰492 cm-1主要源于淀粉的C—C—C变形振动和C—O扭曲振动；848～1 140 cm-1主要是来源于C—O、C—C的伸缩振动、C—C—H、C—O—H的变形振动等，不同产地大米的拉曼光谱出峰位置差异不大，峰宽也十分相似。运用相关系数进行大米光谱图间的相似度评估，五常大米的拉曼光谱数据和延边大米的拉曼光谱数据间相关系数为0.994，五常大米和鱼台大米间相关系数为0.993，延边大米和鱼台大米间相关系数为0.997，结果显示出各产地大米光谱图间相似度很高，仅凭裸眼进行判别存在较大不确定性，这提示我们需要引入统计学习方法开展进一步的识别分析。

3.2 基于统计质量控制的大米波动分析

3.3 基于卷积神经网络的识别分析与特征挖掘

实验进一步随机选取80%的实验样本构建训练集，剩余20%的样本构建测试集，将大米全波段拉曼光谱数据导入卷积神经网络进行智能识别分析，为消除量纲影响，进行了归一化运算，而后平均运算10次，得到平均识别率为98%，在最优条件下，识别率可达到100%，如图3所示。实验结果显示，基于卷积神经网络的智能识别算法可对地标大米产品的分类判别取得较高的识别效果，运算时间仅需不到1 min[15-16]。卷积神经网络通过对拉曼光谱数据进行卷积运算可达到局部特征提取，利用池化层减小数据维度，利用全连接层实现特征分类，使得该算法具有较好的识别性能。随后，为了进一步分析拉曼光谱特征波段对识别结果的可能影响，结合图1所示的谱图出峰位置划分了20个特征区间，依次导入卷积神经网络算法，运算得到表2所示结果，显示出不同波段所对应的识别率有一定差异，如1 109～1 195 cm-1波段识别率可达100%，而1 511～1 750 cm-1波段识别率仅有72.7%。此外，特征波段提取后算法运算时间可得到约80%的缩减。

4 实验教学改革分析

本实验设计主要针对质量管理工程专业。与传统的比色法、试纸法等快速检测方法相比，这些方法以定性分析为主。而本实验设计内涵更为丰富、综合，采用数据驱动的质量识别方法，其结果均以定量化形式呈现。分析过程包括了大米拉曼光谱质量特性数据采集与解析，质量控制图波动分析，以及基于卷积神经网络的质量判别与谱峰特征挖掘，信息量较大，对学生综合能力训练程度要求较高，整体实验过程用时并不长，符合质量快检时间要求，但知识密度较大、分析要求较高，对学生多途径、系统化解决问题思路进行了着力训练，实验一般2～3名同学为一组，以团队协助形式落实项目实施，实验用时1周左右。

（1） 实验准备阶段，学生们需要阅读学习质量快检最新文献报道，了解领域发展趋势，理解机器学习赋能质量管理方式方法，梳理总结撰写文献进展报告。同时，了解快检设备测定原理、内部结构，熟悉卷积神经网络等相关算法构造思想和基本运算，并能够根据已有知识和资料分析提出可能的实验改进设想。

（2） 实验进行阶段，学生需要熟悉快检设备操作流程、注意事项，能够自行操作设备进行信号采集，在实验中进一步理解大米快检与常规检测在预处理等手段上的联系与差异。熟悉相关算法软件编程实现，能够进行参数调试以及结果图像化输出绘制，理解数据结果的内在统计规律，可以提出对应的合理性解释。进一步，通过特征提取操作开展数据挖掘分析，研究数据内部差异，为深入理解算法与持续改进优化算法提供思路。

（3） 实验外延阶段，学生可以在多个方面尝试进行外延拓展，在质量特性数据表征方面可以进行如红外光谱、紫外光谱、荧光光谱等光谱类，或色谱类、质谱类数据采集；在统计质量控制方法方面可以根据实际情况考虑均值极差、指数加权移动平均控制图分析；在智能识别算法方面可以与多种算法进行识别效果对比分析，如支持向量机、极限学习机、概率神经网络等；在产品品类方面，可以在多种食品、中药材领域进行拓展。

5 结 语

质量快检实验作为质量管理工程专业的一门综合性实验实践课程，在人才培养过程中发挥着举足轻重的作用，需要随着科学技术发展不断在实验项目上推陈出新，为此研究设计了面向地理标志大米的产地判别实验设计。方案涵盖快检数据采集、统计判别、智能识别等多个方面，实践中既训练了学生硬件设备的操作能力，又训练了软件编程运算能力，可供质量管理工程以及相关专业学生作为实验实践教学参考。

参 考 文 献

[1] 王强.质量强国背景下质量管理工程专业大学生职业使命感的调查研究[J].成才，2023（13）：99-101.

[2] 沙敏，张正勇，张庆民，等.以学科交叉推动质量管理工程复合应用型人才培养的探索与实践[J].教育现代化，2019，6（54）：1-6.

[3]周剑新，覃金少.粮油快速检测课程实验教学改革研究[J].粮食科技与经济，2024，49（3）：77-79+107.

[4] 裴朝东.OBE理念下粮油食品高水平专业群实践教学模式重构[J].粮食科技与经济，2023，48（1）：67-70.

[5] 王靖会，秦润蒙，程娇娇，等.基于机器学习的地标大米掺假鉴别模型研究[J].东北农业科学，2021，46（2）：138-144.

[6] 洪铦栋，罗炳嘉，吴文超，等.我国粮食安全与粮食质量研究动态的可视化比对分析[J].粮食问题研究，2023（2）：9-14+19.

[7] 陈倩，周灿，韩景林.基于光谱技术的食品质量快速检测方法研究[J].中国质量监管，2023（12）：84-85.

[8] 石小晶，姚安阳，李思维，等.我国大米品质研究发展动态的可视化分析[J].粮食问题研究，2021（2）：34-39+51.

[9] 吴静珠，李晓琪，林珑，等.基于AlexNet卷积神经网络的大米产地高光谱快速判别[J].中国食品学报，2022，22（1）：282-288.

[10] 赵迎，李明，肖兹兰，等.基于拉曼光谱快速鉴别新陈大米的方法研究[J].光谱学与光谱分析，2016，36（S1）：303-304.

[11] 沙敏，桂冬冬，张正勇，等.拉曼光谱结合模式识别方法鉴别大米种类[J].中国粮油学报，2020，35（1）：168-174.

[12] 沙敏，李良翠，黄家乐，等.拉曼光谱数据处理方式对大米产地鉴别模型的影响[J].中国食品学报，2021，21（5）：369-376.

[13] 王亚轩，谭峰，辛元明，等.大米拉曼光谱不同预处理方法的相近产地鉴别研究[J].光谱学与光谱分析，2021，41（2）：565-571.

[14] 尤洁.利用统计控制图改进项目挣值管理的研究[J].质量技术监督研究，2018（4）：51-56.

[15] 杨亚萍，刘军，王洪亮.基于改进卷积神经网络的智能物料识别技术研究[J].电子设计工程，2024，32（8）：191-195.

[16] 邓杨，王粤，尚玉婷.基于深度学习的大米垩白分割算法研究[J].中国粮油学报，2021，36（4）：139-144.