高光谱成像：开启粮食品质检测的无损新时代

粮食，不仅是填饱肚子的“刚需”，更是关系国计民生的“硬核科技”。

随着人们对食品安全和营养健康的关注不断加深，如何快速、无损、精准地评估粮食品质，成为农业科技领域的研究热点。而高光谱成像技术，作为融合了光谱分析与图像处理的前沿工具，正逐步渗透进粮食检测、品种分选、储藏监控等多个环节。

本期内容将聚焦高光谱成像在粮食品质理化指标检测中的研究进展，带你了解水分、蛋白质、脂肪酸等关键参数如何“可视化”，探索高光谱在粮食智能检测中的无限潜力。

1. 粮食品质检测的重要性

我国是世界第一粮食生产大国，粮食种类丰富，包括麦类、豆类、粗粮类和稻谷类等。其中，小麦、玉米、水稻和马铃薯被誉为我国的四大粮食作物，在保障国家粮食安全的同时，也为人体提供丰富的碳水化合物、蛋白质、膳食纤维及多种微量元素，是人类膳食结构中不可或缺的重要组成部分。

随着经济的发展和人民生活水平的提高，人们对粮食的需求已从单纯的充饥向高品质、多功能方向转变，不仅关注粮食的产量，更加注重其外观品质、营养价值和食用品质，如口感、香气和加工特性等。这些因素直接影响粮食的市场竞争力和经济价值。然而，传统的粮食品质检测方法通常依赖于化学分析和人工评估，存在操作复杂、费时费力、具有破坏性且受主观因素影响较大等问题，难以满足现代农业对高效、精准、大规模检测的需求。

高光谱成像技术（HSI）作为一种融合光谱分析与图像处理的先进检测手段，在粮食品质检测领域展现出巨大的应用潜力。该技术能够同时采集样本的光谱信息和空间信息，实现对粮食外观与内部品质的全面分析。图像信息可用于评估粮食的霉变、不完善粒和品种等外观特征，而光谱信息则能揭示粮食的化学成分、物理结构及其含量分布，如水分、蛋白质、淀粉含量等内部品质指标。相较于传统检测方法，高光谱成像技术具有快速、客观、非接触和无损检测的优势，能够在无需化学试剂的情况下高效分析大批量样品，符合现代食品安全与品质控制的发展趋势。随着计算机视觉、机器学习和深度学习技术的不断进步，HSI 在粮食品质检测中的应用将更加智能化，为农业生产、食品加工和粮食储藏等环节提供精准、高效的质量控制手段，有助于推动我国粮食产业向高质量、智能化方向发展。

2. 高光谱成像技术在粮食理化品质检测中的应用

粮食水分含量在粮食收购、储藏等过程中具有十分重要的意义。粮食水分过高，不易保管，容易发热霉变，会使粮食品质发生变化，适量的水分可保证产品品质，以及粮食加工和食品制作的顺利进行。提出了一种基于高光谱成像技术的玉米种子水分含量快速无损预测方法。Xue et al. (2024)研究以80个不同品种的玉米种子为样本，利用1100–2498 nm波段的高光谱数据，结合七种预处理方法（如移动平均、S-G平滑、归一化等）优化光谱信息，并通过SPA、CARS和UVE算法分别提取17、24和39个特征波长以降低数据冗余。对比PLSR、PCR和SVM等12种模型发现，归一化-SPA-PLSR模型表现最优，其校准集和预测集的判定系数（Rc2=0.9917，Rp2=0.9914）及误差（RMSEP=0.0343，RMSECV=0.0257）均显著优于其他模型，验证了其在水分预测中的高精度与稳定性。此外，研究通过伪彩色图像实现了水分含量的空间分布可视化，为玉米种子储存、加工中的质量控制提供了高效无损检测技术支撑（图1）。

图1. 玉米含水量分布可视化

Song et al. (2023)基于高光谱成像技术（900-1700nm波段）结合化学计量学方法，开发了水稻籽粒水分含量（MC）和脂肪酸含量（FAC）的快速无损检测模型。通过添加梯度水分处理构建了73个水稻样本和75个精米样本数据集，采用Savitzky-Golay二阶导数(SG-2）等预处理方法优化光谱数据，并利用顺序投影算法(SPA)分别筛选出6个MC和9个FAC特征波长，显著降低了数据冗余。基于偏最小二乘回归(PLSR）构建的预测模型中，“水稻-MC”和“精米-FAC”模型表现最优，其校准集与预测集的判定系数（Rc2/Rp2）分别为0.9650/0.9639和0.8573/0.8436，预测均方根误差(RMSEP)分别为0.0031和1.6956。研究证实稻壳对MC模型影响不显著，但会干扰FAC预测精度，因稻壳不含脂肪酸且引入光谱噪声。此外，通过伪彩色成像技术实现了MC和FAC的空间分布可视化，直观展示稻米内部成分异质性（图2和图3）。该方法为水稻贮藏前检测及贮藏过程中品质监控提供了高效无损的技术支持，但需进一步验证模型在多品种及复杂环境下的泛化能力。

图2 大米水分含量可视化图。(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。

图3 大米脂肪酸含量可视化图。(a)脂肪酸含量为 8.42 mg/100 g。(b)脂肪酸含量为 16.13 mg/100 g。(c)脂肪酸含量为 23.91 mg/100 g。(d)脂肪酸含量为 25.56 mg/100 g。

Long et al. (2025) 本研究基于拉曼高光谱成像技术（785 nm激光）结合二维相关光谱分析（2D-COS），揭示了玉米老化过程中淀粉分子基团的变化顺序（如475 cm−1和931 cm−1对应糖苷键振动）。通过CARS算法筛选35个特征拉曼位移，结合归一化预处理和极限学习机（ELM）建模，实现了淀粉含量的高精度预测（Rp2=0.8502，RMSEP=0.0577）。研究验证了拉曼技术对老化玉米淀粉降解过程的定量分析能力，为谷物品质检测及食品加工提供了理论支持和技术参考。

图4 (A)单粒玉米平均光谱的提取过程;（B）拉曼光谱的预处理过程

Xuan et al. (2024) 利用高光谱成像技术（400-1000 nm）结合化学计量学方法，开发了一种非破坏性稻米蛋白质含量预测模型。通过凯氏定氮法测定四个品种稻米样本的蛋白质参考值，并对光谱数据进行乘性散射校正（MSC）等预处理，结合连续投影算法（SPA）筛选特征波长。研究发现，基于MSC-SPA-多元线性回归（MLR）的模型表现最优，校准集和验证集的决定系数分别为0.9393和0.8998，验证集均方根误差（RMSEV）为0.1725，相对分析误差（RPD）达3.16。此外，通过像素级映射实现了稻米蛋白质分布的可视化，揭示了不同品种间蛋白质含量的差异（如XD9含量最低，JF105和JF103较高）。研究过程如图5所示。

图5 研究流程图

Qiao et al. (2024)通过整合高光谱成像的光谱与图像特征，实现了玉米籽粒中蛋白质和淀粉含量的快速无损定量测定。研究利用可见光-近红外（400-1005.80 nm）高光谱数据，结合颜色特征（H、S、V通道的低阶矩）和纹理特征（对比度、相关性等），构建了40种预测模型。通过对比不同预处理方法（S-G平滑、MSC、SNV）和建模算法（PLSR、SVR、ELM），发现极端学习机（ELM）结合标准正态变换（SNV）和乘性散射校正（MSC）预处理效果最佳。进一步利用连续投影算法（SPA）和无信息变量消除（UVE）筛选特征波长，并与图像特征融合后，蛋白质和淀粉的最优模型分别为SNV-SPA-Color-ELM（验证集R²=0.9228，RMSEp=0.2771%）和MSC-UVE-Texture-ELM（验证集R²=0.8847，RMSEp=1.1221%），其相对分析误差（RPD）分别达2.60和2.38，表明模型具备高精度与强鲁棒性。研究创新性地在未干燥样本条件下通过特征融合克服水分干扰，为玉米品质田间实时监测及工业分选提供了高效无损检测方案。研究过程如图6所示。

图6 研究流程图

Zhu et al. (2025) 提出了一种基于多头注意力卷积序列到序列模型（MAC-seq2seq）的玉米种子活力检测方法，通过光谱重建与深度特征提取结合集成学习模型，实现了种子老化时间和活力的高效分类。实验表明，MAC-seq2seq在400-1000 nm光谱范围内重建误差（RMSE）低至2.818×10⁻⁶，结合子空间判别模型对老化时间（48-240小时）和活力（基于种子活力指数SVI≥0.4）的检测准确率分别达93.33%和97.62%。研究进一步构建了集成光谱分析与可视化功能的在线检测平台，通过Shapley值解析了光谱特征贡献，发现叶绿素（434/642/662 nm）和脂肪酸C-H振动（930-990 nm）等波段对活力预测具有显著影响。该方法为小样本场景下玉米种子活力的无损评估提供了高精度解决方案，尤其适用于复杂存储条件下的种子质量监测。研究过程如图7所示。

图7 研究流程图

An et al. (2024)通过结合高光谱成像技术与数据融合策略，开发了一种绿色无损的单粒玉米种子活力评估方法。研究以过氧化氢酶（CAT）活性和丙二醛（MDA）含量为关键生化指标，基于人工老化实验构建了不同老化梯度的种子样本，并利用偏最小二乘回归（PLSR）模型预测CAT和MDA含量，结合低层与中层数据融合策略优化模型性能（预测集RPD分别为2.11和2.93）。进一步提出双阈值判别策略，通过设定CAT活性（阈值317 μmol·min⁻¹·g⁻¹）和MDA含量（阈值22 nmol·g⁻¹）的联合阈值，实现了种子活力的高效分类，准确率达92.9%。该方法通过生化指标与光谱特征的关联性，为种子活力评估提供了可解释的定量依据，相比传统发芽试验和单一光谱模型，兼具高效性、环保性和高精度，为农业种子质量管理提供了新思路。研究过程如图7所示。

图8 研究流程图

Qi et al. (2024)提出了一种改进的深度卷积生成对抗网络（SAM-GAN），通过引入光谱角映射（SAM）优化生成器损失函数，结合近红外高光谱成像技术，解决了自然老化水稻种子样本稀缺条件下活力测定的难题（图9）。实验对比了SAM-GAN、WGAN-GP和DCGAN的性能，结果表明，SAM-GAN生成的光谱数据在波形相似性上显著优于其他方法，混合真实数据与SAM-GAN生成数据训练的卷积神经网络（CNN）模型分类准确率接近100%，验证了其在样本量不足场景下的有效性。该方法为水稻种子活力的快速、无损检测提供了新思路，尤其适用于样本获取困难的实际农业场景。

图9 GAN的流程图