高光谱成像技术及其在稻谷霉变检测中的研究进展

董震 阚君满 杨思成 毕文雅 王玉铎

摘要：高光谱成像技术将机器视觉和光谱技术的主要特征组合到一起，可同时获取被检测对象的光谱和空间信息，在食品霉变快速无损检测等方面研究广泛。文章综述和分析了高光谱成像技术及其在稻谷霉变检测中的研究进展，介绍了高光谱成像技术的基本原理及数据处理方法，包括图像采集、校准、空间和光谱预处理、降维以及分类和预测等；分析了高光谱成像技术在稻谷霉变程度检测和稻谷常见真菌种类鉴别中的应用现状。对高光谱成像技术在稻谷霉变检测应用中的研究进行了展望，提出未来还应在优化高光谱成像系统配置、改良高光谱的分类识别方法、挖掘高光图图像的空间信息、开发便携式高光谱检测设备等方面开展研究工作。

关键词：高光谱成像；稻谷；霉变

中图分类号：O657.3；TS210.7 文献标志码：A DOI：10.16465/j.gste.cn431252ts.20230317

基金项目：吉林省教育厅科学技术研究项目（JJKH20210212KJ，JJKH20210209KJ）；吉林工商学院科学技术研究项目（K[2021]第005号）。

Research progress on hyperspectral imaging technology in detection of moldy rice

Dong Zhen1， Kan Junman1， Yang Sicheng2， Bi Wenya3， Wang Yuduo1

（ 1. Jilin Business and Technology College， Changchun， Jilin 130507； 2. Huanggang Public Inspection and Testing Center， Huanggang， Hubei 438299； 3. Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun， Jilin 130102 ）

Abstract： Hyperspectral imaging technology combined the main features of machine vision and spectral technology， which can simultaneously obtain the spectral and spatial information of the detected object， and has been widely studied in the rapid non-destructive detection of mould in foodstuffs and so on. The hyperspectral imaging technology and its research progress in rice mildew detection are reviewed and analyzed. The fundamental and data processing methods of hyperspectral imaging technology were mainly introduced， including image acquisition， calibration， spatial and spectral preprocessing， dimension reduction， classification and prediction； and analyzed the application of hyperspectral imaging technology in the detection of rice mildew degree and identification of common rice fungi. The research on the application of hyperspectral imaging technology in the detection of rice mildew was prospected， and it was proposed that research work should be carried out in optimizing the configuration of hyperspectral imaging system， improving the classification and recognition methods of hyperspectral images， mining the spatial information of hyperspectral images and developing portable hyperspectral detection equipment in the future.

Key words： hyperspectral imaging， rice， mildew

我國是稻谷生产大国，稻谷年产量约占全国粮食总量的31%[1]。稻谷霉变会造成其重量和质量的损失，产生的霉菌毒素还会引起人类食源性疾病，直接关系到人体健康[2-3]。因此，开展稻谷霉变检测技术尤其是快速无损检测技术的研究，对于保障稻谷储藏的质量与安全具有重要意义。

目前，稻谷霉变快速检测技术的研究主要集中在电子鼻技术、机器视觉技术、光谱技术等方面[4]。电子鼻是用于检测挥发性化学成分的仪器。电子鼻技术以稻谷霉变产生的气味物质所表现的特性作为检测指标，建立电子鼻信号与霉菌毒素水平的关系模型，从而获得稻谷霉变情况[5]。该技术目前主要存在灵敏度不够、抗干扰性差等问题。机器视觉技术是针对霉变稻谷颗粒表面产生的褐变、发黑等颜色以及形态特征，对获取的霉变稻谷图像进行处理，建立纹理、颜色、亮度等信息转化成的数字化信号与稻谷霉变水平的关系模型[6]。机器视觉的方法可以很好地表征稻谷外部霉变特征，但无法检测霉变的化学成分及其含量。光谱技术可以检测稻谷的化学成分和结构特征，是用于稻谷快速无损检测的技术之一[7-8]。对霉变样品的光谱信息进行建模分析，可实现对稻谷霉变的快速无损检测，但由于不能获得被测对象的物理图像信息，因此无法体现霉变的空间分布情况。

高光谱成像（hyperspectral imaging，HSI）技術将机器视觉和光谱技术的主要特征组合到单一平台中，在保留机器视觉和光谱技术各自的优点的同时，弥补了各自的缺点，即可同时获取被检测对象的光谱和空间信息[9]。随着化学计量学的发展，高光谱成像技术在稻谷霉变检测中已有了一定的应用研究。本文就高光谱成像技术及其在稻谷霉变检测中的研究作综述和分析，并对高光谱成像技术在稻谷霉变检测应用中的研究进行展望。

1 高光谱成像技术的基本原理及数据处理方法

高光谱成像技术是光谱技术和机器视觉的结合，获取的高光谱图像在每个波长下都有一张图像，而且每个像素都有自己的光谱。其数据处理方法主要是利用计算机算法从可见光/近红外（visible near-infrared，VNIR）或近红外（near-infrared，NIR）高光谱图像中提取、存储和处理信息，并将其用于各种信息处理和数据挖掘任务，如分析、分类、回归、目标检测和模式识别等。典型的高光谱图像处理流程包括：图像采集、校准、空间和光谱预处理、降维以及分类和预测等[10]60-61。

1.1 图像采集

高光谱成像系统通常在每个图像像素处获取几百个离散波长数据点，从而产生xyz坐标的三维（3D）数据立方体，x、y轴反映图像坐标信息，z轴反映波段信息。通常采用色散光学元件（如衍射光栅、反射镜和棱镜）或电光滤波器（如液晶可调谐滤波器、声光可调谐滤波器）来获取完整的高光谱数据，产生的3D数据立方体通常以按波段顺序存储（BSQ）、按波段行交叉存储（BIL）或按波段像元交叉存储（BIP）的格式构建[11]。这些数据可用ENVI软件进行进一步处理。

1.2 校 准

式中：Iwhite、Idark和Im分别为白色参考、暗电流和测量图像；x和y为空间坐标，像素；λ为波长，nm；C（*）为在每个波长处定义的乘法比例因子，其通常由制造商提供。

平场校正是指当图像包含一个具有相对平滑光谱曲线和表面平坦的均匀区域时，将每个图像光谱除以平场平均光谱，使得其转换为相对反射率[10]62-63。

1.3 空间和光谱预处理

空间预处理是增强或调整空间图像信息的过程，任何用于滤波和增强的传统图像处理技术都可以在这里应用[11]。如通过直方图均值化或主成分分析法（PCA）移除坏点、背景信息和边缘效应，通过傅里叶变换（FT）提取出可用来对图像区域中物体类型进行分类的纹理特征，也可通过小波变换（WT）减少图片噪声和模糊边缘。为了提高模型的稳健性，消除高光谱数据中无用的信息和噪声的影响，在建模之前，还需对原始光谱数据进行预处理。

1.4 降 维

当样本量大小固定时，增加维数并不能提高分类精度，这一现象被称为维数灾难或修斯（Hughes）现象。因此，通常的做法是减小高光谱数据的维数并在较低维空间中提取空间和光谱特征。从而从大量的数据信息中提取出反映样品信息的关键信息，减小冗余数据干扰，提高计算效率。一般的特征提取方法包括主成分分析、偏最小二乘法（PLS）、独立成分分析（ICA）、核PCA和空间图像处理等[12]。

1.5 分类和预测

针对不同的分析、分类、检测目标，需要不同的数据挖掘方法对高光谱数据进行处理，这些方法已经在化学计量学中有了广泛应用。高光谱图像数据分类和预测中最常用的数据分析技术主要包括：支持向量机（SVM）、主成分分析、模糊聚类、偏最小二乘法、人工神经网络等。

2 高光谱成像技术在稻谷霉变检测中的应用

2.1 稻谷霉变程度检测

刘纪伟等[13]采用可见/近红外高光谱成像技术，利用偏最小二乘回归算法，构建了稻谷储藏过程中几种典型霉菌污染的检测方法。黄曲霉、黑曲霉与杂色曲霉含量预测模型的相关系数分别为0.77、0.76、0.81，均方根误差分别为1.15、1.19、0.95 lg（CFU/g）。郑立章等[14]利用高光谱技术采集200份霉变样本可见/近红外光谱信息，建立多种模型，并提取特征波长，优化最佳模型的构建速度。主成分线性判别分析（PCA-LDA）、簇类独立软模式法（SIMCA）和SPA-SIMCA对样本的识别正确率为92.50%、97.00%、99.00%。龚中良等[15]利用高光谱技术采集4类不同霉变程度的籼稻样本的光谱数据，通过提取特征波长，采用偏最小二乘法回归判别分析（PLS-DA）建立鉴别模型。RAW-CARS-PLS-DA模型的预测效果最好，对霉变籼稻样本的分类准确率为93.33%。

与以上研究方法不同，文韬等[16]以脂肪酸含量作为表征稻谷霉变信息的重要指标，利用高光谱成像技术结合理化试验方法，测定不同霉变时期的稻谷样本相应的光谱信息和脂肪酸含量，对比分析不同方法获得模型的预测效果。采用以SG-SPAMLR方法构建的模型预测时，其外部验证的相关系数和均方根误差分别为0.936 6、12.355 0 mg/100 g，模型对不同霉变时期的稻谷脂肪酸含量均具有较强的预测能力。

上述研究通过采集稻谷样本的光谱信息，结合多种算法，如偏最小二乘回归算法、主成分线性判别分析、簇类独立软模式法、偏最小二乘法回归判别分析等，建立了预测稻谷中不同霉菌污染程度的模型。这些模型的预测效果较好，具有较强的分类和预测能力。其中一项研究以脂肪酸含量作为表征稻谷霉变信息的重要指标，结合高光谱成像技术和理化试验方法，获得了具有较高预测能力的模型。这些研究为稻谷霉变检测提供了一种快速、非破坏性、可靠的方法，具有广泛的应用前景。

2.2 稻谷常见真菌种类鉴别

肖慧等[17]采用高光谱成像技术，利用主成分分析结合偏最小二乘法判别分析（PLS-DA）方法，在马铃薯葡萄糖琼脂板上鉴别了5种稻谷贮藏常见真菌。训练集和测试集中，PLS-DA模型对培养48 h的黑曲霉、米曲霉、构巢曲霉、桔青霉4种真菌及对照组的区分准确率为100%；而对杂色曲霉，训练集和测试集区分的准确率分别为100%和33.33%。褚璇[18]选择谷物中常见的5种霉菌，跟踪每种菌落群在培养基上的生长过程，利用高光谱成像技术，获取了每种霉菌及其混合菌的高光谱图像，结合图谱分析、理化分析等方法，提取了每种菌落的生长发育光学特征，并建立了霉变玉米霉菌种类的高光谱成像判别模型。

上述研究都成功建立了高光谱成像判別模型，并实现了对不同真菌或霉菌种类的精准区分。值得注意的是，褚璇的研究还利用了图谱分析、理化分析等方法，提取了每种菌落的生长发育光学特征，这表明在高光谱成像技术的基础上，结合多种手段进行分析能够更全面地了解样品的特征和变化。

3 讨论和展望

综上所述，高光谱成像技术在霉变稻谷的快速无损检测方面具有一定的应用前景。但和其它农产品相比，该领域的研究较少，且大都处于实验阶段，未来还应在以下几个方面开展相关研究工作。

（1）优化高光谱成像系统的配置。现阶段高光谱相机的波段已拓展到400～2 500 nm，集成了400～1 000、900～1 700、1 000～2 500 nm高光谱相机，基本能够满足实验分析的波段要求。然而作为整个成像系统的核心部分，相机镜头的功能还有很大的改良空间。为了更好地体现高光谱“图谱合一”的优势，更有效地利用图像信息，一方面需要提高相机镜头的分辨率，另一方面可结合显微成像等技术，开发具有不同观测功能的相机。

（2）改良高光谱的分类识别方法。当前基于光谱特征的霉变稻谷识别研究，主要通过分析稻谷霉变信息的光谱特征，探究适用于霉变稻谷识别的特征波长提取算法并构建霉变稻谷识别模型。随着卷积神经网络（CNN）等深度学习分类方法的发展，众多网络模型已被广泛应用于各个领域。识别模型可以很好地表征原始输入数据与目标之间复杂的映射关系，在高光谱图像的分类和预测方面有很好的应用前景[19]。然而高光谱图像存在数据处理量大、运算速度低的问题，需要在特征提取和建模方法上持续优化，探寻快速、精准的稻谷霉变识别模型。

（3）挖掘高光图图像的空间信息。目前高光谱霉变稻谷识别方面多以光谱信息为主，忽略了空间域中可用的信息，在霉变像元分类识别过程中对空间信息的利用相对较少。因此，还应加强融合空间-光谱信息的霉变稻谷高光谱图像识别研究[20]。具体的，可以通过在特征向量中包含空间信息来扩展现有的聚类方法[21-22]、连续地考虑光谱和空间域等方式将空间信息纳入模型开发。

（4）开发便携式高光谱检测设备。高光谱在粮食霉变的定量检测上已有研究，袁莹等[23]利用高光谱成像技术，实现了玉米表面不同浓度黄曲霉毒素的识别，高光谱成像技术在粮食质量安全监测中可以发挥重要作用。然而高光谱对农产品的检测工作主要在实验室开展，难以满足田间检测的需求。配备适合野外工作的三角支架、旋转的位移台、特种移动电源，可开发出便携式的检测设备，使得现场工作不受困扰。

参 考 文 献

[1] 李建平，李俊杰，李文娟，等.“十四五”期间我国水稻增产潜力与实现路径[J].农业经济问题，2021（7）：25-37.

[2] 李娜，周红丽，周涛，等.稻谷中霉菌的危害及其毒素检测与防控研究进展[J].粮食与油脂，2020，33（5）：7-9.

[3] CONG S L， SUN J， MAO H P， et al. Non-destructive detection for mold colonies in rice based on hyperspectra and GWO-SVR[J]. J Sci Food Agric， 2018， 98（4）： 1453-1459.

[4] 杨思成，曹阳，赵会义，等.粮食霉变及其快速检测技术研究进展[J].粮食与油脂，2018，31（7）：21-23.

[5] 万忠民，张崇彬，邓铭杰，等.基于电子鼻和GC-MS对优质稻谷挥发性成分差异性分析[J].中国粮油学报，2022，37（8）：261-271.

[6] 石颖.玉米种粒霉变及霉变程度视觉检测方法研究[D].扬州：扬州大学，2021：38.

[7] 温冯睿，关海鸥，马晓丹，等.近红外光谱图像处理的霉变稻谷检测方法[J].光谱学与光谱分析，2022，42（2）：428-433.

[8] ELMASRY G， SUN D. CHAPTER 1 - principles of hyperspectral imaging technology[M]// SUN D. Hyperspectral Imaging for Food Quality Analysis and Control. San Diego： Academic Press， 2010： 3-43.

[9] 吴永清，李明，张波，等.高光谱成像技术在谷物品质检测中的应用进展[J].中国粮油学报，2021，36（5）：165-173.

[10] 帕克，卢仁富.食品和农业中的高光谱成像技术[M].王伟，译.北京：科学出版社，2020.

[11] 王海军.深度卷积神经网络在遥感影像分类的应用研究[D].北京：中国地质大学（北京），2018：15.

[12] 刘燕德，邓清.高光谱成像技术在水果无损检测中的应用[J].农机化研究，2015，37（7）：227-231+235.

[13] 刘纪伟，张婉婷，丁焱薇，等.基于高光谱成像技术的稻谷中霉菌定量检测及模型建立[J].粮食科技与经济，2021，46（5）：82-88.

[14] 郑立章，龚中良，文韬，等.基于高光谱技术的籼稻霉变程度鉴别模型构建与优化[J].中国粮油学报，2017，32（11）：151-157.

[15] 龚中良，郑立章，文韬，等.基于高光谱技术的不同霉变程度籼稻快速鉴别[J].中国粮油学报，2017，32（8）：123-130.

[16] 文韬，洪添胜，李立君，等.基于高光谱技术的霉变稻谷脂肪酸含量无损检测[J].农业工程学报，2015，31（18）：233-239.

[17] 肖慧，王振杰，孙晔，等.高光谱图像法对稻谷贮藏中五种常见真菌生长拟合及区分[J].食品工业科技，2016，37（13）：276-281.

[18] 褚璇.谷物霉菌的高光谱成像辨识方法和霉变玉米籽粒检测方法研究[D].北京：中国农业大学，2018：31-56.

[19] 亓晓彤，崔希民，蒋金豹，等.一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法：CN113420614[P].2021-09-21.

[20] 亓晓彤.霉变花生高光谱图像识别方法研究[D].北京：中国矿业大学（北京），2020：119-120.

[21] CAMPS-VALLS G， GOMEZ-CHOVA L， MUNOZ-MARI J， et al. Composite kernels for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters， 2006， 3（1）：93-97.

[22] NOORDAM J C， VAN DEN BROEK W H A M， BUYDENS L M C. Multivariate image segmentation with cluster size insensitive Fuzzy C-means[J]. Chemometrics and Intelligent Laboratory Systems， 2002， 64（1）： 65-78.

[23] 袁莹，王伟，褚璇，等.基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究[J].中国粮油学报，2014，29（12）：107-110+118.