玉米主要品質(zhì)便攜式檢測裝置設(shè)計與試驗

彭彥昆 戴寶瓊 李 陽 趙鑫龍 鄒文龍 王亞麗

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083； 2.國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心， 北京 100083)

0 引言

玉米是重要的糧食、飼料和生物燃料的來源[1-4]。玉米中主要成分包括淀粉(約72%)、蛋白質(zhì)(約10%)和脂肪(約4%)，而淀粉、蛋白質(zhì)和脂肪含量是評價玉米營養(yǎng)品質(zhì)和品嘗品質(zhì)的重要參考指標[5]。其中玉米中的淀粉是人畜攝取能量的主要能源，而且是最具工業(yè)化生產(chǎn)淀粉的谷物原料[6]。蛋白質(zhì)是玉米營養(yǎng)成分中最重要部分。此外玉米中還含有少量的脂肪，與貯藏時風味變化相關(guān)[7-9]。了解玉米籽粒內(nèi)部各成分含量有利于對玉米品質(zhì)進行實時評估，為消費者、玉米加工廠等在購買或收購玉米時，將玉米用作不同用途提供參考。然而，在糧食收購、樣品抽檢等場合，還需將樣本送至專業(yè)實驗室采用化學(xué)分析方法，而對于普通消費者而言，只能依靠感官經(jīng)驗來判斷玉米品質(zhì)。常規(guī)的檢測方法存在破壞性、檢測效率低等弊端，時間上嚴重滯后，無法及時提供所需的分析數(shù)據(jù)，嚴重制約收糧、抽檢等工作的效率。因此，研究玉米品質(zhì)快速、無損檢測方法及便攜式裝置具有重要意義。

可見/近紅外光譜分析技術(shù)具有檢測樣品用量少、檢測速度快、非破壞、無污染、可同時獲取多品質(zhì)成分含量等優(yōu)點，已被廣泛應(yīng)用到工業(yè)、農(nóng)業(yè)、食品、醫(yī)藥等領(lǐng)域，并且已成為農(nóng)產(chǎn)品品質(zhì)分析的重要手段[10-18]。國內(nèi)外基于可見/近紅外技術(shù)研發(fā)的谷物分析儀器也有很多，如美國的波通9500plus型多功能谷物近紅外分析儀，1 min內(nèi)可同時測定谷物籽粒樣品或粉末狀樣品的含水率、容重以及蛋白、脂肪、淀粉、灰分含量等多項參數(shù)；德國Bruins OmegAnalyzerG型近紅外谷物分析儀可檢測谷物種類多達十余種，分析參數(shù)包括含水率以及蛋白質(zhì)、油分、淀粉含量等十余種。國內(nèi)BN1700型近紅外谷物分析儀，1 min能同時分析出小麥、面粉、麩皮、次粉、掛面等顆粒、粉狀、片狀物的含水率、吸水率以及灰分、蛋白、面筋含量等多個指標；DH9800型大豆含油率檢測儀適用于玉米、葵花籽、香菜籽、山茶籽、菜籽、花生、大豆、棉籽、芝麻、橄欖等含油作物含油率的測定。但目前已有谷物分析設(shè)備均存在以下問題：一是設(shè)備價格昂貴，嚴重制約該設(shè)備在市場上的應(yīng)用與推廣；二是設(shè)備體積整體偏大，不利于隨身攜帶使用；三是設(shè)備操作復(fù)雜，有的甚至需要專業(yè)工作人員進行操作。

綜上分析可知，目前缺少一種價格低廉、尺寸小巧便攜、檢測速度快、可隨時隨地應(yīng)用于各種場合的便攜式玉米多品質(zhì)檢測裝置。本文基于可見/近紅外光譜分析技術(shù)，結(jié)合化學(xué)計量學(xué)方法，采用含有與玉米主要品質(zhì)信息相關(guān)波段的傳感器，建立玉米蛋白質(zhì)、脂肪和淀粉含量等主要品質(zhì)預(yù)測模型。并通過單片機進行裝置的控制，設(shè)計光譜采集單元結(jié)構(gòu)，以使裝置整體小巧便攜。

1 材料與方法

1.1 試驗材料

本試驗所用玉米樣本由黑龍江省農(nóng)業(yè)科學(xué)院玉米研究所提供，為了確保不同玉米樣本中各組分(淀粉、蛋白質(zhì)、脂肪等)含量具有梯度，共選取了8個品種，每個品種隨機選擇9個子樣，共準備72個玉米樣本。每份玉米樣本要求無霉變、無缺陷、外形近似、質(zhì)量約110 g，依次對玉米樣本進行編號。試驗前將待測玉米樣本放置室溫(20℃)下貯藏24 h，以消除溫度的影響。

1.2 光譜數(shù)據(jù)采集

本試驗利用實驗室自行設(shè)計的可見/近紅外光譜采集平臺對所有玉米樣本進行光譜數(shù)據(jù)采集，其漫反射原始光譜曲線如圖1所示。試驗所采用的光譜采集平臺主要包括AVS-DESKTOP-USB2- EXT-12V型光譜儀(Avantes公司，荷蘭)，分辨率為0.6 nm，選取了500～1 050 nm波段的數(shù)據(jù)；光纖為R200-7-VIS-NIR型，光纖直徑為200 μm。測量之前，將光譜儀以及光源預(yù)熱30 min，以便保證光譜儀以及光源達到穩(wěn)定的工作狀態(tài)。然后設(shè)置光譜儀檢測參數(shù)，包括積分時間、平滑度和平均次數(shù)。為防止室內(nèi)光線對光譜數(shù)據(jù)采集的影響，本試驗在暗箱中進行。采集時先放置標準校正白板采集白參考，再放置標準黑板采集黑參考，并保存黑、白參考數(shù)據(jù)。之后依次將待測玉米樣本放置物料杯中，盡量壓平玉米樣本，使用光譜采集平臺依次采集每個樣本的反射光譜數(shù)據(jù)，每個樣本采集3次取其平均值。

圖1 玉米籽粒漫反射光譜曲線Fig.1 Reflectance spectrum curves of corn kernel

1.3 理化值測定

玉米籽粒中總淀粉含量標準理化值依據(jù)文獻[19]所規(guī)定的酸水解法進行測量；蛋白質(zhì)含量標準理化值依據(jù)文獻[20]所規(guī)定的凱氏定氮法進行測量；脂肪含量標準理化值依據(jù)文獻[21]所規(guī)定的索氏抽提法進行測量。

玉米樣本各指標理化值的統(tǒng)計分析結(jié)果如表1所示。

表1 玉米樣本各品質(zhì)指標含量統(tǒng)計結(jié)果Tab.1 Statistical results of each quality index content of corn samples %

1.4 玉米主要品質(zhì)特征變量篩選

1.4.1全光譜數(shù)據(jù)模型建立與分析

為了消除原始光譜數(shù)據(jù)摻雜的無關(guān)信息和噪聲對數(shù)據(jù)的影響，需要對原始數(shù)據(jù)進行預(yù)處理分析[22]。采用6種預(yù)處理方式，分別為多元散射校正(Multiplicative correction，MSC)、標準正態(tài)(Standard normal variate，SNV)、歸一化(Normalize，Nor)、S-G平滑結(jié)合多元散射校正(SG-MSC)、S-G平滑結(jié)合標準正態(tài)(SG-SNV)、S-G平滑結(jié)合歸一化(SG-Nor)[23]。其中MSC是利用所測全部樣本的平均光譜來校正每個樣本光譜的散射，達到消除樣本間因散射影響所導(dǎo)致的基線漂移和平移現(xiàn)象的目的；SNV通過對每條光譜進行標準正態(tài)化，進而消除光譜中激光光源功率變化、光強衰減等引起的噪聲；S-G平滑可以有效地消除光譜圖中的高頻成分而保留低頻成分，有效提高信噪比[10,22-23]。通過對比不同光譜預(yù)處理方法對所建立的偏最小二乘預(yù)測模型結(jié)果的影響，得出適合該研究的最優(yōu)預(yù)處理方式。

表2為不同預(yù)處理方法下玉米蛋白質(zhì)、脂肪和淀粉全部波長變量的PLS(偏最小二乘)建模結(jié)果，從表2可以看出，MSC、SNV、Nor、SG-MSC、SG-SNV以及SG-Nor光譜預(yù)處理方法相比于原始光譜建模，均能有效提升建模結(jié)果，這可能是因為預(yù)處理消除或降低了原始光譜曲線摻雜的無關(guān)信息和噪聲對數(shù)據(jù)的影響。除淀粉模型結(jié)果外，蛋白質(zhì)和脂肪的模型結(jié)果經(jīng)過S-G平滑和其余3種預(yù)處理方法組合處理后均優(yōu)于其余3種預(yù)處理方法，原因可能是進行S-G平滑處理時，平滑點數(shù)選擇合適，去除了原始光譜中大部分的噪聲，然后再經(jīng)過其它預(yù)處理方法處理，進一步降低了其它影響因素對模型結(jié)果的影響。其中蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)預(yù)測的最優(yōu)預(yù)處理方法分別是S-G平滑結(jié)合歸一化(SG-Nor)、S-G平滑結(jié)合多元散射校正(SG-MSC)、歸一化(Nor)，預(yù)測相關(guān)系數(shù)Rp分別為0.930 9、0.949 7、0.952 0；預(yù)測均方根誤差分別為0.486 6%、0.154 9%、0.471 4%。

表2 玉米蛋白質(zhì)、脂肪、淀粉含量全波長PLS建模結(jié)果Tab.2 Modeling results of corn protein, fat and starch contents with full wavelength PLS

1.4.2基于競爭性自適應(yīng)重加權(quán)算法模型變量選擇

由上述分析可知，基于不同預(yù)處理方法分別建立玉米籽粒蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)的全波長變量偏最小二乘預(yù)測模型，其結(jié)果均較好，表明采用可見/近紅外光譜法對玉米籽粒蛋白質(zhì)、脂肪和淀粉含量進行預(yù)測具有可行性。但可見/近紅外光譜數(shù)據(jù)的多維性和多重共線性會延長模型的運行時間，限制了模型的應(yīng)用，通過篩選與待測品質(zhì)參數(shù)相關(guān)的特征變量，有助于提高檢測速度和精度、簡化模型。故本文采用競爭自適應(yīng)重加權(quán)算法(CARS)分析了玉米主要品質(zhì)的特征變量分布范圍，為后續(xù)便攜式檢測裝置的開發(fā)提供理論依據(jù)。

CARS算法是通過自適應(yīng)重加權(quán)采樣(ARS)技術(shù)選擇出PLS模型中回歸系數(shù)絕對值大的波長點，去掉權(quán)重小的波長點，反復(fù)迭代采樣并利用交互驗證比較每次采樣的交互驗證均方根誤差，直至找到最小交互驗證均方根誤差所包含的最優(yōu)變量子集，可有效尋出最優(yōu)變量組合[24-26]。

圖2顯示了利用CARS算法對玉米籽粒中蛋白質(zhì)、脂肪和淀粉含量進行50次蒙特卡羅采樣的變量選擇過程。由圖2可見，CARS方法在選擇光譜變量的過程中，隨著采樣次數(shù)的增加，被選擇的變量數(shù)逐漸下降，且下降的速度先快后慢，同時交互驗證均方根誤差曲線呈先緩慢下降至最低點后又逐漸上升的趨勢。同時發(fā)現(xiàn)有些變量回歸系數(shù)的絕對值不斷變大，而另一些變量回歸系數(shù)的絕對值卻不斷變小，這表明在CARS方法進行變量篩選過程中，先剔除了與蛋白質(zhì)、脂肪、淀粉質(zhì)量分數(shù)無關(guān)的波長變量，使交互驗證均方根誤差下降，而后又剔除了與蛋白質(zhì)、脂肪、淀粉含量相關(guān)的波長變量，信息丟失導(dǎo)致交互驗證均方根誤差增加[27-28]。圖中“*”對應(yīng)的位置為交互驗證均方根誤差最小處，此時蛋白質(zhì)所對應(yīng)的采樣次數(shù)為25次，特征變量數(shù)為47；脂肪所對應(yīng)的采樣次數(shù)為28次，特征變量數(shù)為37；淀粉所對應(yīng)的采樣次數(shù)為30次，特征變量數(shù)為28。各組分所篩選出的特征變量在全波段光譜圖上的分布情況如圖3所示。

圖3 CARS算法特征變量分布Fig.3 Feature variable distributions of CARS algorithm

經(jīng)CARS算法變量篩選后，利用PLS方法分別建立玉米蛋白質(zhì)、脂肪和淀粉含量預(yù)測模型，基于全波長和特征波長所建立的PLS預(yù)測模型對比結(jié)果如表3所示。從表中可以看出，使用CARS挑選特征波長后，蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)的模型效果均有所提升，均方根誤差相應(yīng)地有所降低，蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)預(yù)測集相關(guān)系數(shù)Rp分別為0.960 3、0.977 0、0.960 5；預(yù)測集均方根誤差分別為0.406 8%、0.098 9%、0.467 5%。由此說明，采用CARS方法能在不丟失關(guān)鍵信息的情況下有效篩選出與蛋白質(zhì)、脂肪以及淀粉含量相關(guān)波長變量，大幅度降低模型的數(shù)據(jù)維度。也表明了變量篩選的重要性，不僅降低計算量、提高模型運算效率，也為開發(fā)基于特征波長變量的玉米主要品質(zhì)便攜式檢測裝置提供科學(xué)依據(jù)。

表3 基于全波長和特征波長的PLS建模結(jié)果比較Tab.3 Comparison of PLS modeling results based on full wavelength and characteristic wavelength

2 檢測裝置硬件設(shè)計

2.1 光譜傳感器選擇

為了滿足玉米品質(zhì)無損檢測領(lǐng)域?qū)Ρ銛y式、低成本設(shè)備的開發(fā)需求，在上述對玉米蛋白質(zhì)、脂肪以及淀粉等組分特征變量分析的基礎(chǔ)上，選用了兼顧玉米蛋白質(zhì)、脂肪和淀粉等組分含量特征變量的Senorics型近紅外光譜傳感器，設(shè)計了玉米主要品質(zhì)便攜式檢測裝置。該傳感器具有18個通道，光譜響應(yīng)范圍為400～1 000 nm。每個通道均集成了一個濾波器和光電二極管，濾波器采用干涉拓撲設(shè)計，保證了所獲取的信息在時間和溫度方面有較高的穩(wěn)定性，每個通道的半峰全寬(FWHM)為20 nm。

由上述CARS算法篩選特征變量的結(jié)果可知，在500～600 nm、600～700 nm、700～800 nm、800～900 nm、900～1 000 nm等波段均涉及到蛋白質(zhì)、脂肪和淀粉含量的特征變量，且該傳感器的各通道也均涵蓋了上述各波段。結(jié)合傳感器各通道波長和所篩選的特征變量進一步分析，以傳感器每個通道為中心，左右兩側(cè)各半峰全寬的50%(即10 nm)處所覆蓋的蛋白質(zhì)質(zhì)量分數(shù)特征變量(波長)有：501、502、515、516、535、538、539、540、545、570、672、704、897、907、908、909、940、941、942、943、944 nm，占CARS算法篩選出總變量數(shù)的44.68%；所覆蓋的脂肪質(zhì)量分數(shù)特征變量有：646、648、689、690、691、705、731、736、907、908、909、910 nm，占CARS算法篩選出總變量數(shù)的32.43%；所覆蓋的淀粉質(zhì)量分數(shù)特征變量有：519、554、578、579、678、680、683、723、759、764、908、909、910、941、943、948 nm，占CARS算法篩選出總變量數(shù)的57.14%。綜上所述，該傳感器各通道覆蓋了玉米蛋白質(zhì)、脂肪以及淀粉大部分的特征波長變量，故使用該傳感器建立蛋白質(zhì)、脂肪以及淀粉質(zhì)量分數(shù)預(yù)測模型是可行的。

2.2 整體結(jié)構(gòu)設(shè)計

基于上述所選光譜傳感器設(shè)計了便攜式檢測裝置，其中包括光譜采集單元、控制單元、顯示單元、電源單元以及散熱單元。檢測裝置如圖4所示，整體外觀呈圓臺形，最大高度18 cm，外形最大直徑11 cm，總質(zhì)量900 g，具有小巧、易攜帶、操作簡單等特點，實現(xiàn)了“一鍵式”快速檢測與實時顯示。

圖4 便攜式檢測裝置結(jié)構(gòu)圖Fig.4 Structure drawings of portable testing device1.物料杯 2.光譜采集單元 3.指示燈 4.散熱風扇 5.電源總開關(guān) 6.USB接口 7.電池充電口 8.散熱孔 9.外殼 10.顯示屏 11.檢測按鈕

2.2.1光譜采集單元設(shè)計

光譜信息采集單元主要包括物料杯、光源探頭、鹵素燈、光譜傳感器等部分，6個飛利浦W1.2W-12516CP型鹵素燈呈環(huán)形均勻分布在光譜傳感器四周并固定在光源探頭上，為其提供均勻的環(huán)形光照。光譜傳感器固定于光源探頭中間，便于接收反射信息。光譜信息采集單元結(jié)構(gòu)如圖5所示。

圖5 光譜信息采集單元結(jié)構(gòu)示意圖Fig.5 Schematic of spectral information acquisition unit1.物料杯 2.玉米籽粒 3.光源探頭 4.光譜傳感器 5.鹵素燈

2.2.2控制與顯示單元設(shè)計

控制單元在該裝置中需要控制光譜傳感器完成數(shù)據(jù)采集，并對數(shù)據(jù)進行處理與計算，最后控制顯示單元實時顯示出各指標預(yù)測結(jié)果。本裝置采用NodeMCU開發(fā)板作為核心控制單元，該開發(fā)板具有強大計算與存儲功能，輕量化、運行速度快、低功耗、支持多接口(UART、IIC、GPIO、ADC、HSPI等)，與大多數(shù)傳感器具有很好兼容性。顯示單元選用了2.0英寸TFT型液晶顯示屏。其驅(qū)動芯片是ILI9225，分辨率是176像素×220像素，顯示區(qū)域為31.68 mm×39.60 mm，四線SPI接口，可以很容易與NodeMCU開發(fā)板通過SPI通信協(xié)議進行數(shù)據(jù)傳輸。

2.2.3電源單元設(shè)計

該裝置中功耗較大的是光源以及散熱風扇。每個鹵素燈額定電壓為12 V，額定功率為1.2 W。散熱風扇選用4 cm×4 cm小型風扇，額定電壓為12 V，額定功率約為2.4 W。而NodeMCU開發(fā)板、顯示屏、傳感器等功耗相對較小，故本裝置中選用12 V、8 400 mA·h大容量可充電鋰電池。裝置中不同單元之間工作電壓要求不同(12 V/5 V)，故需要通過穩(wěn)壓模塊來保證輸出電壓的穩(wěn)定。如圖6所示，該裝置中電路主要分兩路，一路由降壓模塊轉(zhuǎn)換成5 V為控制單元供電，另一路由穩(wěn)壓模塊為光源和散熱風扇提供穩(wěn)定的12 V電壓。經(jīng)測試，使用該電池可以為便攜式裝置持續(xù)供電6 h以上，可以滿足實際使用需求。

圖6 檢測裝置電源單元供電示意圖Fig.6 Schematic of power supply unit of detection device

3 檢測裝置程序設(shè)計

基于NodeMCU開發(fā)板和Arduino IDE開發(fā)工具，采用Arduino語言開發(fā)了玉米主要品質(zhì)便攜式檢測裝置的控制程序，該控制程序包括光譜采集、數(shù)據(jù)處理與模型計算、數(shù)據(jù)顯示以及電源電量監(jiān)測，其流程如圖7所示。裝置開啟后，程序首先會設(shè)置光譜傳感器參數(shù)、加載各參數(shù)模型和初始化顯示界面，然后等待檢測按鈕被觸發(fā)。當檢測按鈕被觸發(fā)，首先由控制系統(tǒng)控制光譜采集單元獲取玉米籽粒的漫反射光譜數(shù)據(jù)，然后對獲取的數(shù)據(jù)進行相應(yīng)的預(yù)處理，再調(diào)用移植在該裝置中的玉米各品質(zhì)參數(shù)預(yù)測模型，計算出各參數(shù)的含量預(yù)測值，并實時顯示在顯示界面上。

圖7 檢測裝置控制程序流程圖Fig.7 Flow chart of test device control program

4 裝置試驗驗證

利用該裝置獲取80個玉米樣本的漫反射光譜數(shù)據(jù)，采用偏最小二乘方法分別建立玉米蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)預(yù)測模型，并將各參數(shù)模型移植到裝置控制程序中。為了進一步驗證所設(shè)計的便攜式檢測裝置檢測精度和模型可靠性，另選取30個未參與建模玉米籽粒樣本，對所設(shè)計的玉米主要品質(zhì)便攜式檢測裝置進行試驗驗證。將玉米籽粒樣本放入物料盒中，通過裝置中的光譜采集單元進行信息采集，并由裝置預(yù)測出玉米籽粒蛋白質(zhì)、脂肪和淀粉等組分的含量。然后參照國家標準方法依次測定出各組分的實際理化值。各組分試驗預(yù)測結(jié)果散點圖如圖8所示。為測試裝置的穩(wěn)定性，對同一樣本重復(fù)預(yù)測30次，蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)預(yù)測結(jié)果的變異系數(shù)分別為0.235%、0.241%和0.028%。并通過試驗測試，在室溫下裝置連續(xù)工作4 h，其內(nèi)部溫度基本穩(wěn)定在30℃上下，且持續(xù)工作狀態(tài)下儀器無溫漂現(xiàn)象。以上驗證結(jié)果表明，玉米主要品質(zhì)便攜式檢測裝置預(yù)測精度和穩(wěn)定性均滿足實時檢測要求。

圖8 預(yù)測結(jié)果散點圖Fig.8 Scatter diagrams of predicted results

5 結(jié)論

(1)基于可見/近紅外光譜方法分別建立了玉米籽粒蛋白質(zhì)、脂肪和淀粉含量的PLS預(yù)測模型，對比了不同預(yù)處理方法對建模結(jié)果的影響，結(jié)果表明，蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)預(yù)測的最優(yōu)模型預(yù)處理方式分別為SG-Nor、SG-MSC、Nor，最優(yōu)模型的驗證集相關(guān)系數(shù)分別為0.930 9、0.949 7、0.952 0，均方根誤差分別為0.486 6%、0.154 9%、0.471 4%。

(2)采用CARS方法篩選玉米籽粒光譜的特征變量，并建立了玉米蛋白質(zhì)、脂肪和淀粉含量的PLS定量分析模型，結(jié)果表明，CARS方法不僅可以有效篩選出各組分的相關(guān)變量，大大降低數(shù)據(jù)維度，減少模型計算量，而且還提升了建模結(jié)果。蛋白質(zhì)質(zhì)量分數(shù)預(yù)測模型的均方根誤差由0.486 6%降至0.406 8%，Rp由0.930 9提升至0.960 3；脂肪質(zhì)量分數(shù)預(yù)測模型的均方根誤差由0.154 9%降至0.098 9%，Rp由0.949 7提升至0.977 0；淀粉質(zhì)量分數(shù)預(yù)測模型的均方根誤差由0.471 4%降至0.467 5%，Rp由0.952 0提升至0.960 5。

(3)根據(jù)CARS方法所篩選的各組分特征變量，選擇了合適的近紅外光譜傳感器。基于該傳感器設(shè)計了玉米主要品質(zhì)便攜式檢測裝置，其中硬件部分包括光譜采集單元、控制單元、顯示單元、電源單元以及散熱單元。并基于NodeMCU開發(fā)板和Arduino IDE開發(fā)工具，采用Arduino語言對裝置控制程序進行開發(fā)，實現(xiàn)“一鍵式”快速檢測。

(4)試驗驗證了該裝置的檢測精度和穩(wěn)定性，結(jié)果表明，預(yù)測玉米籽粒蛋白質(zhì)、脂肪和淀粉質(zhì)量分數(shù)的相關(guān)系數(shù)分別為0.843 1、0.824 3、0.815 4，預(yù)測均方根誤差分別為0.357 6%、0.231 8%、0.233 3%，相對分析誤差分別為1.857 7、1.776 1、1.573 5。對同一樣本多次重復(fù)預(yù)測，各組分預(yù)測值的變異系數(shù)分別為0.235%、0.241%和0.028%。這表明，自行設(shè)計的玉米主要品質(zhì)便攜式檢測裝置可以實現(xiàn)對玉米籽粒的蛋白質(zhì)、脂肪和淀粉等多品質(zhì)含量進行實時、無損、快速檢測，具有較高的應(yīng)用前景。