欧美亚洲精品真实在线丨a免费观看丨国产一区二区三区在线观看视频丨精品久久久久中文字幕app丨亚洲天堂av在线免费观看丨国产精品资源一区二区丨涩涩涩涩涩涩涩涩涩涩丨国产69av

背景：

作為世界上*大的大米生產(chǎn)國(guó)和消費(fèi)國(guó)，中國(guó)的大米種植面積占全球約20%，其質(zhì)量直接影響糧食安全和經(jīng)濟(jì)效益。水分含量和脂肪酸含量是衡量大米品質(zhì)和儲(chǔ)存穩(wěn)定性的關(guān)鍵指標(biāo)，過高的水分含量易導(dǎo)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(hào)。因此，精準(zhǔn)、高效、無(wú)損地檢測(cè)大米的水分和脂肪酸含量對(duì)于糧食儲(chǔ)存管理至關(guān)重要。然而，傳統(tǒng)的檢測(cè)方法通常需要破壞樣本，并且過程復(fù)雜、耗時(shí)，難以滿足現(xiàn)代糧食存儲(chǔ)和加工行業(yè)對(duì)快速檢測(cè)的需求。高光譜成像（HSI）技術(shù)作為一種集成光譜分析和圖像處理的無(wú)損檢測(cè)方法，能夠同時(shí)獲取大米的物理與化學(xué)信息，為大米品質(zhì)的精準(zhǔn)檢測(cè)提供了新的技術(shù)路徑。

因此，該研究旨在利用高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法，實(shí)現(xiàn)大米水分和脂肪酸含量的快速、無(wú)損檢測(cè)，為糧食質(zhì)量控制和存儲(chǔ)管理提供科學(xué)依據(jù)。具體研究?jī)?nèi)容包括：（1）采用不同的預(yù)處理方法對(duì)大米和精米的光譜數(shù)據(jù)進(jìn)行處理，并建立其水分和脂肪酸含量的全光譜預(yù)測(cè)模型，最終根據(jù)模型性能確定最佳預(yù)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(guān)鍵波長(zhǎng)，并從化學(xué)角度對(duì)所選波長(zhǎng)進(jìn)行分析。（3）比較大米和精米水分及脂肪酸預(yù)測(cè)模型的性能，并分析稻殼對(duì)水分和脂肪酸模型預(yù)測(cè)效果的影響。（4）利用最佳模型對(duì)大米樣本的每個(gè)像素點(diǎn)進(jìn)行水分和脂肪酸預(yù)測(cè)，實(shí)現(xiàn)大米水分和脂肪酸含量的可視化分析。

實(shí)驗(yàn)設(shè)計(jì)

1.1材料與方法

（1）實(shí)驗(yàn)材料與方法

本研究以2021年收獲的13個(gè)晚稻品種為實(shí)驗(yàn)材料，其中包括4個(gè)粳稻品種和9個(gè)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(kù)提供。每個(gè)品種的晚稻樣品均采用自封袋密封包裝，并儲(chǔ)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(kuò)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(gè)實(shí)驗(yàn)樣品。然后向每個(gè)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(jī)去殼，然后用碾米機(jī)磨成精米。本研究中，所有樣品的MC按GB 5009.3-2016《食品安全國(guó)家標(biāo)準(zhǔn)-食品中水分的測(cè)定》中的直接干燥法測(cè)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(cè)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(yàn)箱（HSIA-BD）、四盞鹵素?zé)簦?0W）、升降臺(tái)、計(jì)算機(jī)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(tái)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(wú)畸變的高光譜圖像，傳送帶的移動(dòng)速度和移動(dòng)距離分別設(shè)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(shí)間為7毫秒。最終，每個(gè)樣品獲得了兩張高光譜圖像。

之后，對(duì)每張?jiān)几吖庾V圖像I0進(jìn)行了黑白色校正計(jì)算。收集到的原始圖像數(shù)據(jù)反映了信號(hào)強(qiáng)度，而通過黑白色校正計(jì)算可以獲取光譜的反射率。我們使用了白色校準(zhǔn)板進(jìn)行空白校準(zhǔn)，設(shè)定最大發(fā)射率（約99%），并用鏡頭蓋進(jìn)行暗校正，設(shè)定最小反射率（約0%）。

（3）光譜提取與預(yù)處理

通過對(duì)校正后的圖像進(jìn)行分割來提取每個(gè)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(duì)應(yīng)于1290nm的圖像，并使用最大類間方差法（OTSU）算法獲得最佳閾值。高于閾值的灰度圖像區(qū)域（大米/精米）被標(biāo)記為“1"，低于閾值的灰度圖像區(qū)域（背景）被標(biāo)記為“0"。然后為每個(gè)樣品創(chuàng)建了一個(gè)二值掩模，并將該掩模應(yīng)用于每個(gè)高光譜圖像立方體，以實(shí)現(xiàn)黑色背景的移除。為了提高預(yù)測(cè)的準(zhǔn)確性和可重復(fù)性，每個(gè)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(duì)同一樣品掃描得到的兩個(gè)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(yù)處理可以去除高光譜數(shù)據(jù)中的噪聲，例如高頻隨機(jī)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(yù)處理方法來處理樣品的原始光譜，包括多次散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量（SNV）、Savitzky-Golay（SG）平滑、SG+一階導(dǎo)數(shù)和SG+二階導(dǎo)數(shù)。根據(jù)全光譜模型的性能，最終選擇了合適的預(yù)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(diǎn)，這使得數(shù)據(jù)處理變得復(fù)雜且耗時(shí)。為了提高計(jì)算速度并實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，有必要使用一些變量選擇方法來選擇重要的波長(zhǎng)，并降低高光譜數(shù)據(jù)的維度。這些重要的波長(zhǎng)能更好地預(yù)測(cè)大米/精米樣品的MC和FAC。在本研究中，我們采用了競(jìng)爭(zhēng)自適應(yīng)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(zhǎng)。

1.2.結(jié)果與討論

（1）水分含量（MC）和脂肪酸值（FAC）的統(tǒng)計(jì)分析

一種合適的樣本劃分方法能夠?yàn)榻＿x擇更具代表性的樣本，并提高模型的穩(wěn)健性。在本研究中，采用了基于聯(lián)合x-y距離的樣本集分割（SPXY）方法，按照2:1的比例將樣本劃分為校準(zhǔn)集和預(yù)測(cè)集。表2顯示了不同集合中樣本的MC和FAC的統(tǒng)計(jì)結(jié)果。從表2可以看出，校準(zhǔn)集中的MC和FAC的范圍覆蓋了預(yù)測(cè)集中的范圍，這符合構(gòu)建高光譜校準(zhǔn)模型的條件。在所有樣本中排除了異常樣本，包括異常的光譜值、水分值和脂肪酸值。

（2）光譜分析

圖2展示了大米和精米在900至1700nm波長(zhǎng)范圍內(nèi)的原始反射光譜。從圖2可以看出，大米和精米在900至1400nm波長(zhǎng)范圍內(nèi)的光譜趨勢(shì)相同。然而，在1400至1700nm波長(zhǎng)范圍內(nèi)，大米的反射光譜逐漸增加，而精米的反射光譜趨于穩(wěn)定。此外，大米光譜的反射值通常高于精米。這可能是由于大米和精米在顏色、光滑度和透明度方面的不同造成的。在圖2中，大約在960、1200和1450nm處有三個(gè)明顯的峰值。960nm附近的峰值可能是由水中和碳水化合物中O-H的二階倍頻協(xié)同作用引起的。1200nm附近的峰值與樣品的水分含量（MC）有關(guān)，而1450nm附近的峰值歸因于O-H伸縮的一階倍頻。由于前后波長(zhǎng)范圍內(nèi)的光譜噪聲較大，因此舍棄了900至940nm和1670至1700nm的光譜數(shù)據(jù)。用于建模的光譜數(shù)據(jù)包含在940至1670nm波長(zhǎng)范圍內(nèi)的468個(gè)變量。

圖2. 大米和精米樣品的原始光譜：(a） 大米；(b） 精米。

（3）光譜預(yù)處理分析

五種預(yù)處理方法被用于處理大米和精米樣品的光譜，并且使用偏最小二乘回歸（PLSR）算法建立了MC和FAC的校準(zhǔn)模型。表3顯示了不同預(yù)處理方法下MC和FAC樣品PLS模型的預(yù)測(cè)結(jié)果。從表3中可以發(fā)現(xiàn)，在“大米水分"模型中，使用SNV和SG-2預(yù)處理得到的結(jié)果是較好的。使用SNV預(yù)處理建立的模型的決定系數(shù)（R2C）相對(duì)較高，達(dá)到了0.9682。然而，該模型不穩(wěn)定，穩(wěn)健性較差，預(yù)測(cè)相關(guān)系數(shù)（R2P）僅為0.9466。因此，SG-2預(yù)處理的模型比SNV預(yù)處理的模型表現(xiàn)更好。在“大米脂肪酸"模型中，除了SG-2外，其他預(yù)處理方法的R2P未達(dá)到0.8，且R2P與R2C差異顯著，因此這些模型的穩(wěn)健性較差。因此，SG-2是“大米脂肪酸"模型中最佳的預(yù)處理方法。對(duì)于“精米水分"，SG-2預(yù)處理的模型具有更高的R2C和R2P?？傊?，SG-2是在“大米水分"、“精米水分"和“大米脂肪酸"三個(gè)預(yù)測(cè)模型中最佳的預(yù)處理方法。這三個(gè)模型的R2P和均方根誤差（RMSEP）分別為0.9639、0.9528、0.8238和0.0032、0.0035、2.1517。而在“精米脂肪酸"模型中，SG平滑是最佳的預(yù)處理方法，該模型的R2P和RMSEP分別為0.8427和1.7806。

從表3可以看出，大米中MC模型的性能優(yōu)于精米中的模型。這是因?yàn)榈練ず兴郑湮芰Ω哂诰住Ｒ虼?，?dāng)大米樣品被水處理時(shí)，稻殼吸收的水分比精米多。所以大米的光譜包含了比精米更多的水分信息，導(dǎo)致大米中MC模型的性能優(yōu)于精米。相比之下，精米中FAC模型的性能優(yōu)于大米。稻殼的本質(zhì)是一種纖維，主要由纖維素、半纖維素、木質(zhì)素等成分構(gòu)成。這表明稻殼不含有脂肪酸，而存在于大米光譜中的稻殼干擾信息將影響建模過程中脂肪酸的預(yù)測(cè)。因此，獲得的光譜信息可能受到稻殼的干擾，導(dǎo)致精米的預(yù)測(cè)精度下降。所以使用高光譜圖像預(yù)測(cè)大米的脂肪酸時(shí)，稻殼會(huì)對(duì)預(yù)測(cè)精度產(chǎn)生特定影響。此外，過多的波長(zhǎng)并不能更有助于提高預(yù)測(cè)速度和模型的穩(wěn)健性。因此，進(jìn)行波長(zhǎng)變量選擇是必要的，以減少冗余波長(zhǎng)，提高模型穩(wěn)定性，并實(shí)現(xiàn)實(shí)時(shí)高光譜檢測(cè)。

（4）變量選擇

由于使用SG或SG-2預(yù)處理的MC和FAC模型獲得了最佳結(jié)果，因此對(duì)這些光譜進(jìn)行了CARS和SPA方法處理，以選擇對(duì)水分和脂肪酸有顯著影響的波長(zhǎng)。然后，使用這些選定的波長(zhǎng)通過PLSR開發(fā)了水分和脂肪酸的校準(zhǔn)模型，并比較了“大米水分、精米水分、大米脂肪酸和精米脂肪酸"四個(gè)模型的性能。從表4可以看出，CARS選擇的基本波長(zhǎng)數(shù)量分別為17、40、17和13，而SPA選擇的基本波長(zhǎng)數(shù)量分別為6、11、9和10。SPA選擇的重要波長(zhǎng)數(shù)量更少，使得實(shí)際應(yīng)用更為簡(jiǎn)便。CARS模型的R2P分別為0.9643、0.9445、0.7528和0.8480。SPA模型的R2P分別為0.9650、0.9567、0.8436和0.8573。SPA模型具有更高的R2P，且模型更為精確。CARS模型的RPD值分別為5.3750、4.3784、2.0565和2.6227。SPA模型的RPD值分別為5.5484、4.9091、2.5854和2.7070。SPA模型的RPD值更高，表明模型更為穩(wěn)定。

此外，SPA模型的性能優(yōu)于全光譜模型，這表明SPA選擇的波長(zhǎng)包含了MC或FAC幾乎所有的有效信息。與全光譜模型的結(jié)果類似，SPA模型中大米的MC預(yù)測(cè)精度高于精米，而大米的FAC預(yù)測(cè)精度低于精米。這進(jìn)一步證明了我們?cè)诘?.3節(jié)分析的可信度。圖3展示了SPA變量選擇的結(jié)果。從圖3(a, c, e, g）可以看出，隨著所選波長(zhǎng)變量數(shù)量的增加，RMSE值逐漸減小。我們的目標(biāo)是在盡可能選擇較少波長(zhǎng)的前提條件下獲得較低的RMSE值。圖3(b, d, f, h）顯示了所選特征波長(zhǎng)的分布?？傊按竺姿?、“精米水分"和“大米脂肪酸"的最佳模型是“SG2-SPA-PLS"，而“精米脂肪酸"的最佳模型是“SG-SPA-PLS"。

圖3. SPA對(duì)大米/精米中水分和脂肪酸的波長(zhǎng)選擇結(jié)果。(a） 大米中水分的RMSE變化 (b） 大米中選定水分波長(zhǎng)的分布 (c） 精米中水分的RMSE變化 (d） 精米中選定水分波長(zhǎng)的分布 (e） 大米中脂肪酸的RMSE變化 (f） 大米中選定脂肪酸波長(zhǎng)的分布 (g） 精米中脂肪酸的RMSE變化 (h） 精米中選定脂肪酸波長(zhǎng)的分布。

SPA選擇的波長(zhǎng)如表5所示。對(duì)于MC模型，主要波長(zhǎng)970、1150和1450nm分別歸因于O-H伸縮的一階、二階和三階倍頻。對(duì)于FAC模型，脂肪酸的顯著峰值分布在945、994、1105、1382和1527nm，主要來自C-H的第一和第二倍頻以及-CH2基團(tuán)的伸縮。約1160nm的吸收峰由-HC-CH-鍵形成，這可以解釋選擇的1141nm波長(zhǎng)。選擇的光譜波長(zhǎng)939.06、964.17和967.31nm主要來自O(shè)-H鍵的彎曲振動(dòng)。選擇的波長(zhǎng)1095.9、1596.59和1329.81nm中，1098nm的峰值屬于C-H鍵的第三倍頻多重振動(dòng)，1586nm的峰值歸因于N-H鍵的第二倍頻多重振動(dòng)，1320nm的峰值與C-H鍵的彎曲振動(dòng)相關(guān)。圖4顯示了MC和FAC的實(shí)際值與預(yù)測(cè)值之間的偏差。從圖4可以看出，MC的預(yù)測(cè)值和實(shí)際值高度吻合。這表明MC的預(yù)測(cè)模型具有很高的準(zhǔn)確性，預(yù)測(cè)值和實(shí)際值之間的差異很小。FAC的預(yù)測(cè)值和實(shí)際值的吻合度不如MC，但預(yù)測(cè)值和實(shí)際值也非常接近。這表明盡管FAC的模型性能略遜于MC，但它也能準(zhǔn)確預(yù)測(cè)大米和精米中的FAC。

圖4. 大米/精米中水分和脂肪酸預(yù)測(cè)結(jié)果的散點(diǎn)圖：(a） 大米中的水分；(b） 精米中的水分；(c） 大米中的脂肪酸；(d） 精米中的脂肪酸。RVM：水分的實(shí)際值；PVM：水分的預(yù)測(cè)值；RVFA：脂肪酸的實(shí)際值；PVFA：脂肪酸的預(yù)測(cè)值。

（5）稻殼影響分析

由于稻殼的高吸水能力，大米中MC模型的性能優(yōu)于精米，且大米光譜中包含了更多的水分信息。而大米中FAC模型的性能不如精米。因?yàn)榈練げ缓兄舅?，而存在于大米光譜中的稻殼干擾信息可能會(huì)影響脂肪酸的預(yù)測(cè)。然而，在進(jìn)行波長(zhǎng)選擇后，大米和精米中MC或FAC的預(yù)測(cè)精度更為接近，看起來稻殼的影響消失了。因此，通過Fearn提出的方法驗(yàn)證了稻殼對(duì)MC和FAC預(yù)測(cè)精度的影響。第一種方法是計(jì)算在95%置信水平下區(qū)間是否包含0。如果包含零，則偏差在5%水平上沒有顯著差異。從表6可以看出，計(jì)算出的大米和精米MC預(yù)測(cè)誤差的區(qū)間包含0，而FAC的區(qū)間不包含0。這表明大米和精米FAC預(yù)測(cè)誤差之間存在顯著差異，因此稻殼對(duì)FAC的預(yù)測(cè)精度有影響。

（6）模型預(yù)測(cè)可靠性分析

模型的可靠性分析有助于我們判斷模型是否能夠應(yīng)用于實(shí)際中。因此，為了對(duì)模型的可靠性進(jìn)行分析，我們進(jìn)行了箱線圖和T檢驗(yàn)。箱線圖是一種統(tǒng)計(jì)圖表，用于展示一組數(shù)據(jù)的離散程度，反映數(shù)據(jù)分布的特征。T檢驗(yàn)則利用t分布理論推斷差異發(fā)生的概率，并比較兩組數(shù)值之間的差異是否具有顯著性。

如圖5(a）所示，大米和精米中MC的預(yù)測(cè)偏差在±0.75%以內(nèi)，波動(dòng)范圍較小。大米中MC的最大和最小預(yù)測(cè)偏差分別為0.987%和0.007%。精米中MC的最大和最小預(yù)測(cè)偏差分別為1.028%和0.002%。這表明水分的預(yù)測(cè)精度高，模型表現(xiàn)良好。此外，大米中MC的預(yù)測(cè)精度高于精米，且大米中MC的預(yù)測(cè)偏差主要集中在0附近。如圖5(b）所示，大米中FAC的預(yù)測(cè)偏差大于精米，精米中FAC的預(yù)測(cè)偏差主要分布在±2附近。大米中FAC的最大和最小預(yù)測(cè)偏差分別為5.811%和0.599%。而精米中FAC的最大和最小預(yù)測(cè)偏差分別為4.649%和0.108%。這表明精米中FAC的模型表現(xiàn)優(yōu)于大米。總之，可以得出結(jié)論，所提出模型的預(yù)測(cè)偏差值小，模型性能可靠。

圖5. 大米和精米水分和脂肪酸預(yù)測(cè)偏差值的箱線圖：(a） 水分；(b） 脂肪酸。

通過對(duì)大米和精米中的水分和脂肪酸的預(yù)測(cè)值與真實(shí)值進(jìn)行T檢驗(yàn)分析。如表7所示，得到的T檢驗(yàn)值P大于0.05。這表明所建立模型的預(yù)測(cè)值與真實(shí)值之間沒有顯著差異。因此，這些模型在預(yù)測(cè)水分和脂肪酸方面表現(xiàn)良好。

（7）水分含量（MC）和脂肪酸值（FAC）的可視化

可視化可以幫助我們了解不同地區(qū)大米樣品的MC和FAC分布情況。首先，提取大米樣品中每個(gè)像素的光譜，然后使用*優(yōu)模型SPA-PLSR預(yù)測(cè)每個(gè)像素的MC和FAC，并獲取每個(gè)像素的MC和FAC預(yù)測(cè)值。使用不同顏色代表每個(gè)像素的MC和FAC，并生成偽彩色圖像，實(shí)現(xiàn)對(duì)大米樣品中MC和FAC的像素級(jí)可視化。圖6顯示了不同水分梯度下大米樣品MC的可視化結(jié)果。在圖6中，圖像右側(cè)的顏色條中不同的顏色對(duì)應(yīng)大米中不同的MC值。紅色表示較高的MC，而藍(lán)色表示較低的MC?？梢钥闯?，大米樣品的MC越高，可視化圖像中紅色區(qū)域越大；大米樣品的MC越低，可視化圖像中藍(lán)色區(qū)域越大。這與大米樣品的實(shí)際MC相符，表明MC模型能準(zhǔn)確預(yù)測(cè)每個(gè)像素的MC。此外，可視化圖像中大米樣品的MC分布不均勻，可能是由于樣品處理過程中水分吸收不均造成的。圖7顯示了大米樣品FAC的可視化結(jié)果。在圖7中，圖像右側(cè)的顏色條中不同的顏色對(duì)應(yīng)大米中不同的FAC值。紅色同樣代表較高的FAC，而藍(lán)色代表較低的FAC?？梢杂^察到，隨著大米樣品FAC的增加，可視化圖像中紅色區(qū)域變得更大，而FAC降低時(shí)藍(lán)色區(qū)域變得更大。這與大米樣品的實(shí)際FAC相符，表明FAC模型能準(zhǔn)確預(yù)測(cè)每個(gè)像素的FAC?？梢暬梢灾庇^反映大米中MC和FAC的空間變化，能夠在像素級(jí)別了解MC和FAC的分布。因此，在儲(chǔ)藏檢查和儲(chǔ)存監(jiān)測(cè)過程中，可以檢測(cè)到大米非常小范圍內(nèi)的異常MC和FAC，確保大米質(zhì)量的安全。

圖6. 大米水分含量的可視化圖。(a） 12-13克/100克水分含量 (b） 13-14克/100克水分含量 (c） 14-15克/100克水分含量 (d） 15-16克/100克水分含量 (e） 16-17克/100克水分含量 (f） 17-18克/100克水分含量。

圖7. 大米脂肪酸含量的可視化圖。(a） 脂肪酸含量 = 8.42毫克/100克 (b） 脂肪酸含量 = 16.13毫克/100克 (c） 脂肪酸含量 = 23.91毫克/100克 (d） 脂肪酸含量 = 25.56毫克/100克。

結(jié)論

在本研究中，作者利用HSI和化學(xué)計(jì)量學(xué)對(duì)大米和精米樣品中的MC和FAC進(jìn)行了檢測(cè)。通過PLSR算法結(jié)合選擇的顯著波長(zhǎng)變量，作者開發(fā)了MC和FAC的模型。此外，作者還分析了稻殼對(duì)模型性能的影響，并進(jìn)行了MC和FAC的可視化分析。結(jié)果表明，SPA方法比CARS更適合于為MC和FAC選擇顯著波長(zhǎng)。在“大米-水分"、“精米-水分"、“大米-脂肪酸"和“精米-脂肪酸"數(shù)據(jù)集中，SPA選擇的波長(zhǎng)數(shù)量分別為6、11、9和10，SPA模型的RP2和RMSEPs分別為0.9650、0.9567、0.8573、0.8436和0.0031、0.0033、1.6956、2.0270。使用特征波長(zhǎng)建立的模型性能與全光譜模型相當(dāng)，而模型中使用的波長(zhǎng)數(shù)量大幅減少。因此，在選擇了特征波長(zhǎng)后，這種方法可以用于大米儲(chǔ)存前MC和FAC的快速檢測(cè)，以及儲(chǔ)存期間的實(shí)時(shí)監(jiān)測(cè)。大米的MC和FAC都可以通過可視化圖進(jìn)行估算。此外，稻殼對(duì)MC模型的性能影響不顯著，但對(duì)FAC模型的性能有顯著影響。未來，將進(jìn)一步研究消除稻殼對(duì)脂肪酸檢測(cè)預(yù)測(cè)精度的影響，并在實(shí)際應(yīng)用中檢測(cè)大米的MC和FAC。

推薦產(chǎn)品

GaiaField-N17E

作者簡(jiǎn)介（人名+單位+博導(dǎo)/碩導(dǎo)）

孫通，浙江農(nóng)林大學(xué)光電工程學(xué)院，碩導(dǎo)

參考文獻(xiàn)

論文引用自二區(qū)文章：Yihan Song, Shuosen Cao, Xiuxiang Chu，Yimin Zhou, Yiqing Xu, Tong Sun, Guoxin Zhou, Xingquan Liu. Non-destructive detection of moisture and fatty acid content in rice using hyperspectral imaging and chemometrics. Journal of Food Composition and Analysis. 121 (2023) 105397.