基于高光譜技術的秈稻霉變程度鑒別模型構建與優化

鄭立章 龔中良 文 韜,2 董 帥 桑孟祥

(中南林業科技大學機電工程學院1，長沙 410004) (華南農業大學南方農業機械與裝備關鍵技術教育部重點實驗室2，廣州 510642)

基于高光譜技術的秈稻霉變程度鑒別模型構建與優化

鄭立章1龔中良1文 韜1,2董 帥1桑孟祥1

(中南林業科技大學機電工程學院1，長沙 410004) (華南農業大學南方農業機械與裝備關鍵技術教育部重點實驗室2，廣州 510642)

為解決快速無損鑒別秈稻霉變程度問題，利用高光譜技術采集200份霉變樣本可見/近紅外光譜信息，隨機選取155份樣本作為校正集，剩余45份作為驗證集，根據預測濃度殘差檢驗標準對校正集中異常樣本進行剔除。以新校正集建立主成分線性判別分析(PCA-LDA)和簇類獨立軟模式法(SIMCA)模型，選用正確識別率為指標，優選最佳鑒別模型。并采用連續投影算法(SPA)提取特征波長，優化優選的最佳模型構建速度。研究結果表明，PCA-LDA對所有樣本的誤判總數為15，正確識別率為92.50%；SIMCA和SPA-SIMCA對所有樣本的未能正確識別總數分別為6、2，正確識別率分別為97.00%、99.00%，并且經SPA篩選的變量數為20，僅占原始變量數的7.81%，建模時長縮短為原始變量的40.93%。因此，SPA-SIMCA鑒別效果最好，該方法在快速、準確鑒別秈稻霉變程度上具有可行性。

高光譜技術 霉變秈稻 鑒別 簇類獨立軟模式法 連續投影算法

稻谷的生產具有季節性，儲藏時，所含淀粉、蛋白質及碳水化合物等成分在微生物作用下會發生變化，導致其營養價值和品質降低，甚至有可能霉變[1]。霉變稻谷一旦流入市場，必將存在安全隱患，因此，如何快速、準確鑒別稻谷霉變程度顯得尤為重要。稻谷霉變過程中會產生一種穩定物質(脂肪酸)，該物質會在霉變稻谷內沉積[2-3]，因此，稻谷的霉變程度可由脂肪酸含量衡量。

當稻谷的脂肪酸含量超過25 mg/100 g可認為其開始霉變[4]，但對霉變程度還鮮見具體量化標準。惠國華等[5]、張紅梅等[6]、鄒小波等[7]均根據培養時間確定谷物的霉變程度；陳紅等[8]根據不同霉變花生的外觀和顏色確定其霉變程度。通常將稻谷霉變程度劃分為3個等級，即輕度霉變、中度霉變和重度霉變。在輕度霉變時，稻谷開始變色、潮濕；中度霉變時，其胚部開始出現菌落，并伴有霉斑和霉味；重度霉變時，稻谷產生刺鼻的霉味和酸味，出現結塊現象[9-10]。目前，主要依賴于人工檢測稻谷霉變程度，檢測員根據不同霉變稻谷的特點進行分類，這種傳統的檢測方法比較費時，不適用于快速鑒別。

高光譜分析是一種操作簡便、快速、綠色環保的檢測技術，該技術用于霉變農作物的理化指標測定[11-15]的研究報道較多，但對其霉變程度的鑒別報道相對較少，近年來，該技術逐步應用于農作物的霉變鑒別，如袁瑩等[16]應用近紅外對霉變玉米進行了檢測；周竹等[17]對霉變板栗進行識別；黃星奕等[18]對霉變出芽花生進行了鑒別，這些研究的鑒別準確率范圍為87.8%～98.84%，為本試驗提供了可行性技術支持。但上述研究方法很少涉及異常樣本對模型精度影響的研究，也很少涉及分析PCA-LDA和SIMCA方法對鑒別結果的影響。因此，本試驗選取霉變秈稻作為研究對象，用高光譜分析儀采集4種不同霉變程度秈稻的光譜信息，將樣本隨機劃分為校正集和驗證集，對校正集中異常樣本進行剔除，采用新校正集構建PCA-LDA和SIMCA鑒別模型，優選最佳模型，并對其建模速度進行優化，以期為快速、準確鑒別秈稻霉變程度提供一種新方法。

1 材料與方法

1.1 材料

試驗材料分別為正常秈稻(C兩優34156秈稻，為兩系雜交一季晚稻，含水量14.2%，千粒重23.1 g，由湖南農業大學選育，主要種植在湖南地區)和不同霉變程度秈稻(實驗室培養制得)，考慮到試驗樣本應具有普適性和代表性，結合傳統分級方法和參考文獻[4-7]所述的樣本劃分方法，將霉變秈稻劃分為3個等級：輕度、中度以及重度霉變。根據霉菌作用秈稻時間不同，使其產生不同程度霉變，故可用培養初始(正常稻谷)、第10、第20、第30天來標記稻谷的4個霉變等級[19]，每個等級樣本為50份，每份100 g，正常稻谷按實際儲藏要求(溫度10 ℃，相對濕度15%)進行儲存，保證樣本不發生霉變。霉變稻谷儲藏溫度為30 ℃，相對濕度90%，模擬實際儲藏條件變化所導致的稻谷不同程度霉變結果。培養過程中借助傳統經驗觀察稻谷色澤和氣味的感官變化，并通過隨機抽樣測定培養霉變秈稻的脂肪酸含量，保證能獲得不同霉變程度樣本，培養結束后，測定其脂肪酸含量，最終獲得正常、輕度、中度和重度霉變秈稻的脂肪酸含量范圍分別為18.55～24.40、27.03～80.90、84.44～127.26、101.09～124.88 mg/100 g。

1.2 光譜數據采集及預處理

采用HyperSIS-VNIR-PFH高光譜成像分析儀(北京卓立漢光儀器有限公司)采集樣本的光譜信息，該系統內部結構如圖1所示。圖2為稻谷樣本在光譜檢測載物臺上的分布，通過高光譜相機采集每個稻谷的256個波段圖像，利用遙感圖像處理平臺選取載物臺上的稻谷樣本作為感興趣區域，通過計算感興趣區域的各個像素點的光譜反射率平均值，作為觀測稻谷的光譜反射率。其中理想曝光時間20 ms，平臺移動速度14.6 mm/s，掃描距離150 mm，光譜范圍380～1 000 nm，光譜分辨率2.8 nm。

注：1 高光譜相機；2 光源；3 暗箱；4 載物臺；5 線性導軌圖。圖1 高光譜信息采樣系統

圖2 稻谷樣本在光譜檢測載物臺上的分布

采用Unscrambler 10.3和Matlab R2013a軟件對光譜數據進行處理和分析。由于高光譜分析儀采集的數據在反映樣品化學信息的同時，也會受到其物理性質和環境因素的影響，例如由稻谷樣本顆粒不均勻產生的散射、儀器和環境噪聲以及基線漂移為光譜數據引入了較大誤差。故采用Savitzky-Golay平滑(savitzky-golay,SG)、多元散射校正(multiplicative scatter correction,MSC)、一階導數(first derivation,FD)、二階導數(second derivation,SD)對光譜進行預處理以提高建模和預測效果，通過對比優選最佳預處理方法。

1.3 建模方法

利用霉變秈稻的可見/近紅外光譜信息，分別選用主成分線性判別分析(principal component analysis-linear discriminate analysis,PCA-LDA)和簇類獨立軟模式法(soft independent modeling of class analogy,SIMCA)構建秈稻霉變程度鑒別模型。其中PCA-LDA算法是對所有類樣本的光譜數據進行特征壓縮，然后建立數學模型，并將所有未知樣本與數學模型進行擬合，從而判斷樣本所屬的類，而SIMCA則是針對每一類樣本的光譜數據進行主成分分析，建立每一類主成分分析數學模型，然后分別將未知樣品與各類樣品的數學模型進行逐一擬合，進而判斷未知樣品的類別。

鑒別模型的構建如圖3所示，對霉變秈稻賦值，即正常為1、輕度為2、中度為3、重度為4，以此作為真實分類變量；隨機選取155份樣本作校正集(正常、輕度、中度、重度分別為39、39、37、40)，脂肪酸含量范圍為18.55～127.26 mg/100 g，剩余45份作為驗證集(正常、輕度、中度、重度分別為11、11、13、10)，脂肪酸含量范圍為18.74～116.55 mg/100 g；對校正集樣本采用留一交叉驗證MLR建模，根據預測濃度殘差檢驗標準[20]剔除校正集中異常樣本；采用新校正集建立PCA-LDA和SIMCA模型，并對驗證集樣本進行預測分類，以正確識別率為評價指標，優選最佳鑒別模型；采用連續投影算法(successive projections algorithm,SPA)篩選特征變量，壓縮輸入變量，簡化最佳鑒別模型。

圖3 模型的建立與評價

2 結果與分析

2.1 可見/近紅外光譜特征分析

4種霉變程度秈稻的光譜數據經SG平滑預處理后的平均光譜圖如圖4所示。由圖4可知，4條光譜反射率曲線整體變化趨勢基本相同，呈現霉變秈稻所特有的光譜變化規律：在波長為380～700、850～1 000 nm時，光譜反射率有較明顯變化，在波長為700～850 nm時，光譜反射率無明顯變化。在波長為420 nm附近時，4條反射率曲線均出現不同程度的低谷，在波長為450～700 nm時，光譜反射率變化趨勢隨著秈稻霉變程度的加深而減緩，此波長范圍內，光譜反射率差異明顯，其中正常和重度霉變樣本的反射率曲線差異最大，表明在后期鑒別時較容易區分2者。但輕度和中度霉變樣本的反射率曲線差異較小，這必定給后期準確鑒別2者帶來困難。在波長為850～1 000 nm時，正常、中度和重度霉變樣本的反射率曲線差異較大，其反射率值均有所下降，但正常和輕度霉變樣本的反射率基本重合。

2.2 剔除異常的校正集樣本

當校正集中存在異常樣本時，使用該樣本集建立模型，會使其可靠性和預測精度降低。因此，必須尋找和剔除異常樣本，保證模型的有效性。試驗先采用PCA對光譜數據進行壓縮，根據主成分累計貢獻率確定較佳主成分數，其前1、2、3、4個主成分累計貢獻率分別為98.96%、99.57%、99.91%、99.95%，前3個主成分累計貢獻率已達99.91%，說明其包含了原始光譜的99.91%的信息。以該較佳主成分作為輸入變量，采用留一交叉驗證MLR法計算預測值與真實分類變量之間的殘差，并對該殘差進行顯著水平P=0.05的F檢驗，根據殘差置信區間范圍篩選異常樣本，由圖5可知，黑色線條對應樣本的殘差離零點較遠，說明該類樣本的預測值與真實值偏離程度較大，并且其殘差置信區間不包括零，即該類樣本異常。表1為不同校正集的MLR模型預測結果，由表1可知，輕度霉變樣本剔除個數為1，中度為5，重度為1，以新校正集建立模型的校正集相關系數RC比未剔除異常樣本提高了0.031，但驗證集相關系數RP減小了0.004。因此，剔除異常樣本雖可提高校正模型精度，但預測精度卻存在下降，為了保證模型的預測效果較優，本研究選用的校正集為原始校正樣本集。

圖4 4種霉變稻谷光譜平滑圖

圖5 校正集樣本的殘差

表1 不同校正集的MLR模型預測結果

校正集類型樣本數異常樣本數正常輕度中度重度校正集RMSECRC驗證集RMSEPRP未預處理15500000545087505770850新校正集14801510482090605840846

2.3 PCA-LDA和SIMCA對霉變秈稻的判別分析

2.3.1 PCA-LDA對霉變秈稻的判別分析

對校正集原始光譜數據進行主成分分析，其前3個主成分累計貢獻率達到99.91%，包含了絕大部分光譜信息。圖6為樣本前3個主成分得分圖，該3個主成分得分值分別為98.96%、0.61%、0.34%，由圖6可知，正常、輕度和中度霉變樣本各自的聚合程度較好，其中正常樣本同輕度和中度霉變樣本之間存在少量重疊，但輕度和中度霉變樣本之間重疊部分較多，說明某些輕度霉變樣本的光譜與中度霉變樣本較為相似，給準確識別帶來了困難。重度霉變樣本的聚合程度較差，同輕度和中度霉變樣本之間存在少量重疊，但重度霉變樣本同正常樣本之間區分明顯，可以準確區分兩類樣本。因此，通過PCA對不同霉變樣本的區分具有可行性，為了提高模型預測精度和定量分析誤判情況，對原始光譜數據實施SG、MSC、FD、SD等預處理，并采用PCA分別提取經上述方法處理后的光譜數據的主成分，其主成分數分別為3、3、4、4，對應的累計貢獻率分別為99.91%、99.93%、99.95%、99.98%，利用上述主成分的得分對校正集樣本進行Fisher判別分析，同時，應用該模型對驗證集樣本進行預測分類，不同預處理方法的PCA-LDA鑒別結果如表2所示。

圖6 霉變稻谷樣本前3個主成分得分圖

表2 不同預處理方法的PCA-LDA鑒別結果

預處理方法主成分數校正集誤判數識別率/%驗證集誤判數識別率/%未預處理311929049111SG311929049111MSC318883968667FD423851678444SD421864598000

由表2可知，光譜數據經MSC、FD、SD等處理后的校正集和驗證集的正確識別率均小90%，其中，SD處理的預測效果最差，驗證集的正確識別率最小(80%)，光譜數據經MSC、FD、SD預處理效果變差，可能因為預處理過程中丟失了一些重要信息。未預處理和SG平滑建模的校正集和驗證集的正確識別率相同，均大于90%，因此，本試驗選用原始數據建模效果較佳，由原始數據建立的PCA-LDA鑒別結果如表3所示。

表3 采用原始數據的PCA-LDA鑒別結果

注：1代表正常樣本；2代表輕度霉變樣本；3代表中度霉變樣本；4代表重度霉變樣本，下同。

由表3可知，PCA-LDA對校正集中的4類樣本均存在誤判，正確識別率范圍為89.19%～94.87%，將2個正常樣本誤判為中度霉變；2輕度霉變樣本分別誤判為中度和重度霉變；4個中度霉變樣本分別誤判為1個正常、2個輕度和1個重度霉變；3個重度霉變樣本誤判為輕度霉變。該模型可正確識別驗證集中的輕度霉變樣本，識別率為100%；將1個正常樣本誤判為中度霉變；2個中度霉變和1個重度霉變樣本均誤判為輕度霉變，正確識別率分別為84.62%、90.00%。PCA-LDA對校正集和驗證集樣本的總體正確識別率分別為92.90%、91.11%，因此，該模型可對霉變稻谷進行粗略鑒別，其識別精度有待提高。

2.3.2 SIMCA對霉變秈稻的判別分析

為解決PCA-LDA精度不高問題，在主成分分析基礎上采用SIMCA模式識別方法。利用校正集建立SIMCA鑒別模型，并通過驗證集的45份樣本對模型可靠性進行檢驗。先對校正集中的4類樣本分別進行主成分分析，通過交叉驗證法得出正常、輕度、中度、重度霉變樣本的主成分數分別為3、3、5、3，45份樣本驗證該模型的結果如表4所示。

表4 采用原始數據的SIMCA鑒別結果

由表4可知，在顯著水平P=0.05下，校正集和驗證集中的輕度和重度霉變樣本的正確識別率均為100%；校正集和驗證集中的正常樣本的正確識別率分別為97.44%、90.91%，兩類樣本集中均有1個樣本未能正確識別；校正集和驗證集中的中度霉變樣本的正確識別率分別為91.89%、92.31%，未能正確識別個數分別為3、1。SIMCA的構建時長為1 488 s，其對校正集和驗證集樣本的總體正確識別率分別為97.42%、95.56%，因此，該模型對霉變稻谷的鑒別具有可行性。

2.4 SPA優化SIMCA光譜建模

對比PCA-LDA和SIMCA的鑒別結果，可知SIMCA鑒別效果優于前者，其對校正集和驗證集樣本的總體正確識別率分別提高了4.52%、4.45%。為了進一步提高SIMCA構建速度，同時剔除光譜數據中的冗余信息。采用SPA提取光譜特征波段，指定波段數N范圍為10～50，并以該特征波段作為SIMCA的輸入變量。圖7為不同變量數下的交叉驗證均方根誤差(RMSECV)的變化情況。由圖7可知，變量數在1～20范圍內，RMSECV具有較高的下降速率，在變量數為20時，RMSECV值最小(0.299)，變量數在20～43范圍內，RMSECV變化趨于平緩，說明在變量數為20以后，其預測值與真實值之間的均方根誤差無明顯差異。故最終優選的變量數為20，僅占原始變量數的7.81%，大大壓縮了數據維數，簡化了SIMCA模型。將特征波段作為輸入變量構建SIMCA模型，并對校正集和驗證集樣本進行預測分類，具體鑒別結果如表5所示。

圖7 最優特征波長數選取

由表5可知，SPA-SIMCA可準確鑒別校正集中的輕度、中度和重度霉變樣本，正確識別率均為100%，正常樣本中存在2個樣本未能正確識別，正確識別率為94.87%；該模型可準確鑒別驗證集中的4類樣本。SPA-SIMCA的構建時長為609 s，其對校正集和驗證集樣本的總體正確識別率分別為98.71%、100%。因此，該模型的鑒別效果優于全波段的SIMCA模型，SPA算法不僅可以壓縮光譜數據，節約建模時間，也可提高SIMCA精度。同時，SPA-SIMCA的鑒別效果也優于PCA-LDA，可能因為光譜數據經SPA處理，剔除了一些冗余信息，保留了對秈稻霉變程度貢獻率大的特征波段，而PCA進行數據壓縮時，一些低敏感波段被保留下來，導致其鑒別效果較差。

表5 采用原始數據的SPA-SIMCA鑒別結果

3 結論

3.1 霉變秈稻的反射率曲線變化趨勢基本一致，呈現其獨有的光譜特性：在波長為380～700、850～1 000 nm時，反射率有較明顯變化，在波長為700～850 nm時，反射率無明顯變化。

3.2 根據預測濃度殘差檢驗標準，得出校正集中存在7個異常樣本，剔除該樣本后的校正集相關系數比未剔除異常樣本提高了0.031，但驗證集相關系數RP減小了0.004。

3.3 PCA-LDA對校正集和驗證集的誤判個數分別為11、4，總體正確識別率分別為92.90%、91.11%；SIMCA對校正集和驗證集的未能正確識別個數分別為4、2，總體正確識別率分別為97.42%、95.56%。

3.4 SPA篩選的特征變量數為20，僅占原始變量數的7.81%，建模時長縮短為原始變量的40.93%，同時，采用特征波段建立的SIMCA模型對校正集和驗證集的正確識別率比全波段建模分別提高了1.29%、4.44%。SPA-SIMCA對校正集和驗證集的未能正確識別個數分別為2、0，總體正確識別率分別為98.71%、100%。

因此，SPA-SIMCA更適于建模，該方法可為快速、無損鑒別秈稻霉變程度提供技術支持，也可以為在線檢測流入市場的秈稻是否霉變以及霉變程度提供參考依據。

[1]包清彬，豬谷富雄.儲藏條件對糙米理化特性影響的研究[J].農業工程學報，2003,19(6):25-27

Bao Qinbing,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]蘇永騰，劉強.谷物霉菌毒素的危害及其控制措施的研究[J].中國食物與營養，2010(4):9-12

Su Yongteng,Liu Qiang.Hazards and control measures of grain mycotoxin[J].Food and Nutrition in China,2010(4):9-12

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

[4]楊曉蓉，周建新，姚明蘭，等.不同儲藏條件下稻谷脂肪酸值變化和霉變相關性研究[J].糧食儲藏，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

[5]惠國華，陳裕泉.基于隨機共振的電子鼻系統構建及在谷物霉變程度檢測中的應用[J].傳感技術學報，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

[6]張紅梅，王俊，葉盛，等.電子鼻傳感器陣列優化與谷物霉變程度的檢測[J].傳感技術學報，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

[7]鄒小波，趙杰文.電子鼻快速檢測谷物霉變的研究[J].農業工程學報，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

[8]陳紅，熊利榮，胡筱波.基于神經網絡與圖像處理的花生仁霉變識別方法[J].農業工程學報，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

[9]周建新.論糧食霉變中的生物化學[J].糧食儲藏，2004,32(1):9-12

Zhou Jianxin.The biochemistry during grain mildewing[J].Grain Storage,2004,32(1):9-12

[10]惠國華，倪彧.基于信噪比分析技術的谷物霉變快速檢測方法[J].農業工程學報，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]張強，劉成海，孫井坤，等.基于支持向量機稻谷黃曲霉毒素B1近紅外無損檢測[J].東北農業大學學報，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

[12]Pettersson H,Aberg L.Near infrared spectroscopy for deter-mination of mycotoxins in cereals[J].Food Control,2003,14(4):229-232

[13]袁瑩，王偉，褚璇，等.基于高光譜成像技術和因子判別分析的玉米黃曲霉毒素檢測研究[J].中國糧油學報，2014,29(12):107-110

Yuan Ying,Wang Wei,Chu Xuan,et al.Detection of Corn Aflatoxin Based on Hyperspectral Imaging Technology and Factor Discriminant Analysis[J].Journal of the Chinese Cereals and Oils Association,2014,29(12):107-110

[14]Fernández-Ibanez V,Soldado A,Martínez-Fernández A,et al.Application of near infrared spectroscopy for rapid detection of aflatoxin B1 in maize and barley as analytical quality assessment[J].Food Chemistry,2009,113(2):629-634

[15]文韜，洪添勝，李立君，等.基于高光譜技術的霉變稻谷脂肪酸含量無損檢測[J].農業工程學報，2015,31(18):233-239

Wen Tao,Hong Tiansheng,Li Lijun,et al.Non-destructive detection of fatty acid content in mould indica rice based on high-spectral technology[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(18):233-239

[16]袁瑩，王偉，褚璇，等.基于傅里葉變換近紅外和支持向量機的霉變玉米檢測[J].中國糧油學報,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

[17]周竹，李小昱，李培武，等.基于GA-LSSVM和近紅外傅里葉變換的霉變板栗識別[J].農業工程學報，2011,3(3):331-335

Zhou Zhu,Li Xiaoyu,Li Peiwu,et al.Near-infrared spectral detection of moldy chestnut based on GA-LSSVM and FFT[J].Transactions of the Chinese Society of Agricultural Engineering,2011,3(3):331-335

[18]黃星奕，丁然，史嘉辰，等.霉變出芽花生的近紅外光譜無損檢測研究[J].中國農業科技導報，2015,17(5):27-32

Huang Xingyi,Ding ran,Shi Jiachen.et al.Studies on Non-destructive testing method of moldy and budding peanuts by Near Infrared Spectroscopy[J].Journal of Agricultural Science and Technology,2015,17(5):27-32

[19]張瑛，吳先山，吳敬德，等.稻谷儲藏過程中理化特性變化的研究[J].中國糧油學報，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

[20]祝詩平，王一鳴，張小超，等.近紅外光譜建模異常樣品剔除準則與方法[J].農業機械學報，2004,35(4):115-119

Zhu Shiping,Wang Yiming,Zhang Xiaochao,et al.Outlier sample eliminating criterions and methods for building calibration model of near infrared spectroscopy analysis[J].Transactions of the Chinese Society of Agricultural Machinery,2004,35(4):115-119.

Establishment and Optimization of Identification Model for the Degree of Moldy Indica Rice Based on Hyperspectral Technology

Zheng Lizhang1Gong Zhongliang1Wen Tao1,2Dong Shuai1Sang Mengxiang1

(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,South China Agricultural University2,Guangzhou 510642)

In order to solve the problem of fast and nondestructive identification of moldy indica rice,the hyperspectral technique was used to collect the visible/near infrared spectroscopy of 200 moldy paddies,155 samples were randomly chosen as calibration set,and 45 samples were chosen as validation set.According to the criterion of predicted concentration residual,the outlier samples of calibration set were eliminated.Then,the principal component analysis combined with linear discriminate analysis(PCA-LDA)and soft independent modeling of class analogy(SIMCA)were established by using the new calibration set.Further,by comparing the correct recognition rate of the two models,the optimal model was elected.In order to improve the speed of establishing the optimal model,the successive projections algorithm(SPA)was used to extract the characteristic wavelength.The results showed that 15 samples of the all samples were mistakenly identified by using the PCA-LDA,the correct recognition rate was 92.50%.The numbers of wrongly identified samples of the all samples respectively were 6 and 2 by using the SIMCA and SPA-SIMCA;the correct recognition rates were 97.00% and 99.00%,respectively.20 characteristic wavelengths were selected by SPA;the number of variables was dropped to 7.81%,and the time of establishing model was reduced to 40.93% compared with initial variables.Therefore,the identification model established by the SPA-SIMCA was the best.The model is feasible for fast and accurately identifying the moldy degree of the indica rice.

hyperspectral technology,moldy indica rice,identification,soft independent modeling of class analogy,successive projections algorithm

S123；S511

A

1003-0174(2017)11-0151-07

國家自然科學基金(31401281),湖南省科技計劃重點研發項目(2016NK2151),湖南省自然科學基金(14JJ3115),湖南省高校科技創新團隊支持計劃(2014207)

2016-10-06

鄭立章，男，1992年出生，碩士，農產品品質與安全無損檢測技術應用基礎研究

文韜，男，1983年出生，副教授，農產品品質與安全無損檢測技術應用基礎研究