大米拉曼光譜表征與統計識別的實驗設計與實證分析

摘要：針對質量管理工程專業當代高水平人才培養的現實需求，結合南京財經大學“糧食特色”發展戰略，開展“質量快檢實驗”課程實驗教學項目設計與實證探索。實驗以地理標志大米的產地判別為例，依次進行了樣品拉曼光譜數據采集與表征分析、統計質量控制、基于卷積神經網絡的識別及特征分析等，具有數據采集速度快、判別運算效率高、結果可視化展示等優勢。實驗項目滿足“金課”標準“高階性、創新性、挑戰度”要求，綜合鍛煉了學生的文獻調研與分析能力、質量特性快檢數據采集與領域知識剖析能力，質量控制圖繪制與解析能力，智能識別算法構造與編程實現能力，實驗報告撰寫與小組配合能力等，積極響應了新時代數字化、智能化背景下質量管理工程復合應用型人才的培養要求。

關鍵詞：實驗教學；質量快檢；大米質控；統計識別；案例分析

中圖分類號：G642.0；TU201.2 文獻標志碼：A DOI：10.16465/j.gste.cn431252ts.20240514

基金項目：南京財經大學教學改革項目（JGY202270，JGZ2023003，JGY2023081）；南京財經大學《儀器分析概論》產教融合一流課程建設項目（南財教字〔2023〕88號）；江蘇省高等教育學會高校實驗室研究委員會項目（GS2022BZZ19）；江蘇高校“青藍工程”優秀青年骨干教師項目（蘇教師函〔2021〕11號）。

Experimental design and empirical analysis of Raman spectroscopy characterization and statistical identification of rice

Zhang Zhengyong， Zha Ruoxuan， Yang Yu， Sha Min

（ School of Management Science and Engineering， Nanjing University of Finance and Economics， Nanjing， Jiangsu 210023 ）

Abstract： In response to the practical needs of cultivating contemporary high-level talents in the field of quality management engineering， and in combination with school’s development strategy of grain characteristics， carry out the design and empirical exploration of the experimental teaching project for the \"quality rapid inspection experiment\" course. Taking the identification of geographical indication rice as an example， the experiment sequentially conducted sample Raman spectroscopy data collection and characterization analysis， statistical quality control， recognition and feature analysis based on convolutional neural networks， etc. It has advantages such as fast data collection speed， high discrimination operation efficiency， and visual display of results. The experimental project meets the requirements of the course standards of advanced， innovative and challenging， comprehensively exercising the students’ abilities in literature research and analysis， quality characteristic rapid inspection data collection and domain knowledge analysis， quality control chart drawing and analysis， intelligent recognition algorithm construction and programming implementation， experimental report writing and group cooperation， etc. It actively responds to the training requirements of composite applied talents in quality management engineering under the background of digitalization and intelligence in the new era.

Key words： experimental teaching； quick quality inspection； rice quality control； statistical identification； case analysis

近年來，隨著國民經濟進入高質量發展階段，質量的重要性日益凸顯。2023年2月中共中央、國務院印發了《質量強國建設綱要》，旨在統籌推進質量強國建設，全面提高我國質量總體水平，這必然離不開質量專業人才的支撐。質量管理工程專業是教育部2012年增設的本科專業，將為各企事業單位輸送質量管理專門人才，助力提升各組織的質量管理水平，社會需求度高，時代屬性明顯[1-2]。質量快檢實驗是南京財經大學質量管理工程本科人才培養方案中的一門綜合實踐類課程，旨在通過實驗訓練，學生能夠較為系統地掌握質量數據快速采集、處理、分析、評估相關知識，更加深刻地理解質量檢驗、儀器分析類課程理論，提升學生們分析、解決質量問題的能力，掌握快速評估的方式方法。

在教學活動中，傳統的實驗實踐教學內容常偏于基礎，以操作性、驗證性項目為主，僅能夠滿足基本的操作指令訓練，在面向新時代復合交叉創新應用型人才培養需求方面，滿足“高階性、創新性、挑戰度”的綜合性、設計性、開放性實驗實踐項目相對還較為匱乏。這可能會導致實驗實踐教學模式手段較為單一、知識更新緩慢，學生通過實驗實踐教學動手能力訓練不足、靈活應用能力欠缺，實驗實踐教學效果難以匹配社會發展需要，難以滿足高層次創新型人才的培養要求[3-4]。為此，需要不斷探索實踐教學改革，為積極響應科學研究“四個面向”，并結合我校“糧食特色”發展戰略，本文設計論證了基于拉曼光譜表征與統計識別的地標大米質量判別實證研究，以期促進實踐教學模式變革，推進實驗課程持續質量改進。

1 大米拉曼光譜表征與統計識別的實驗教學設計

大米是一種常見的農產品，地理標志即大米的產地屬性，也是大米的重要質量和品牌屬性，以地理標志大米的產地判別為例，擬解決的質量問題是相似樣品的分類鑒定，實現以次充好樣品的快速識別[5]。以此問題為導向，設計涵蓋質量特性數據采集、統計質量控制、智能學習算法、譜圖數據挖掘的快速檢測方法，培養學生面對類似問題的分析思路。在質量問題研究方面，學生需要開展文獻調研，總結現有的大米質量問題演變態勢及現有對策，梳理檢測方法、快檢技術及優缺點[6-7]。在質量特性數據采集方面，需要了解研究對象相關的理化特性，以及光譜等快速檢測方法，并了解設備構造、操作步驟及數據物質歸屬。在統計質量控制運算方面，需要了解質量控制圖計算方法、判定規則，理解事中控制的質量思想。在智能學習計算方面，需要了解卷積神經網絡等機器學習算法的構建思想以及特征挖掘方法，能夠借助Matlab等軟件平臺編程實現算法運算并得到優化識別結果。

通過綜合實驗，學生將獲得以下多種能力訓練與提升，達成課程目標。首先，通過文獻調研，或者借助文獻計量學工具，學生能夠了解到大米品質研究呈現出由貯藏條件、蒸煮品質向食味品質演變的趨勢，研究方法與計算機技術愈發緊密[8]。經過文獻梳理，可以發現大米質量檢驗方法包括感官檢驗法和成分分析法，在GB/T 1354—2018 《大米》中設置了色澤、氣味、品嘗評分值等感官質量指標，以及直鏈淀粉、水分等成分質量指標，面臨著感官檢驗受專家情感影響較大、主觀性較強的制約，成分分析法指標較易被定向添加所蒙蔽的制約。快速檢測方法包括比色法、試紙條法、便攜式設備鑒定法等，尤其是近年來人工智能的快速發展，與智能識別算法結合愈發緊密。其次，表征大米質量特性數值的技術繁多，包括光譜法、色譜法、質譜法等，各種技術均有其適用性，可以反映大米樣品在某一視角下的質量特性，其中，拉曼光譜因其具有采樣速度快、可無損檢測、可便攜化等優勢，成為了智能快檢技術研發的熱點數據源[9-10]。隨后，學生們針對所采集的表征數據進行質量分析，選用質量控制圖、卷積神經網絡等方法進行變化規律探索，求解樣品質量波動情況及差異情況，為科學決策提供技術支持。

2 實驗方法

2.1 實驗材料與設備

實驗用大米樣品均購置于南京蘇果超市，選取3個產地，分別是五常大米，延邊大米和魚臺大米，每個產地25個樣品，經粉碎研磨過篩后，得到75個樣品粉末。Prott-ezRaman-D3型便攜式拉曼光譜儀：美國Enwave Optronics公司。

2.2 拉曼光譜數據采集

使用拉曼光譜儀在暗室內進行數據采集實驗，得到大米樣品光譜表征數據。儀器激光波長為785 nm，激光功率為450 mW，積分時間為4 s，平均3次，光譜采集范圍為250～1 750 cm-1，光譜分辨率1 cm-1，電荷耦合檢測器溫度為-85 ℃。

2.3 數據處理

拉曼光譜的基線校正基于SLSR ReaderV8.3.9軟件（美國Enwave Optronics公司）；單值移動極差控制圖計算基于Minitab軟件（美國Minitab公司），實驗所涉及的相似度、特征提取、卷積神經網絡運算基于Matlab 2018b軟件（美國MathWorks公司）實現。

3 實證案例分析

3.1 大米拉曼光譜表征數據分析

實驗所用的3種大米地標產品來自不同產地，外觀較為相似，均為白色顆粒，裸眼難以進行直觀判別。儀器采集得到的大米樣品拉曼光譜表征數據如圖1所示，大米的主要成分有淀粉、脂肪、蛋白質等，結合已有的相關文獻[11-13]，可對樣品的主要拉曼光譜峰進行物質歸屬，如表1所示，如最高峰492 cm-1主要源于淀粉的C—C—C變形振動和C—O扭曲振動；848～1 140 cm-1主要是來源于C—O、C—C的伸縮振動、C—C—H、C—O—H的變形振動等，不同產地大米的拉曼光譜出峰位置差異不大，峰寬也十分相似。運用相關系數進行大米光譜圖間的相似度評估，五常大米的拉曼光譜數據和延邊大米的拉曼光譜數據間相關系數為0.994，五常大米和魚臺大米間相關系數為0.993，延邊大米和魚臺大米間相關系數為0.997，結果顯示出各產地大米光譜圖間相似度很高，僅憑裸眼進行判別存在較大不確定性，這提示我們需要引入統計學習方法開展進一步的識別分析。

3.2 基于統計質量控制的大米波動分析

3.3 基于卷積神經網絡的識別分析與特征挖掘

實驗進一步隨機選取80%的實驗樣本構建訓練集，剩余20%的樣本構建測試集，將大米全波段拉曼光譜數據導入卷積神經網絡進行智能識別分析，為消除量綱影響，進行了歸一化運算，而后平均運算10次，得到平均識別率為98%，在最優條件下，識別率可達到100%，如圖3所示。實驗結果顯示，基于卷積神經網絡的智能識別算法可對地標大米產品的分類判別取得較高的識別效果，運算時間僅需不到1 min[15-16]。卷積神經網絡通過對拉曼光譜數據進行卷積運算可達到局部特征提取，利用池化層減小數據維度，利用全連接層實現特征分類，使得該算法具有較好的識別性能。隨后，為了進一步分析拉曼光譜特征波段對識別結果的可能影響，結合圖1所示的譜圖出峰位置劃分了20個特征區間，依次導入卷積神經網絡算法，運算得到表2所示結果，顯示出不同波段所對應的識別率有一定差異，如1 109～1 195 cm-1波段識別率可達100%，而1 511～1 750 cm-1波段識別率僅有72.7%。此外，特征波段提取后算法運算時間可得到約80%的縮減。

4 實驗教學改革分析

本實驗設計主要針對質量管理工程專業。與傳統的比色法、試紙法等快速檢測方法相比，這些方法以定性分析為主。而本實驗設計內涵更為豐富、綜合，采用數據驅動的質量識別方法，其結果均以定量化形式呈現。分析過程包括了大米拉曼光譜質量特性數據采集與解析，質量控制圖波動分析，以及基于卷積神經網絡的質量判別與譜峰特征挖掘，信息量較大，對學生綜合能力訓練程度要求較高，整體實驗過程用時并不長，符合質量快檢時間要求，但知識密度較大、分析要求較高，對學生多途徑、系統化解決問題思路進行了著力訓練，實驗一般2～3名同學為一組，以團隊協助形式落實項目實施，實驗用時1周左右。

（1） 實驗準備階段，學生們需要閱讀學習質量快檢最新文獻報道，了解領域發展趨勢，理解機器學習賦能質量管理方式方法，梳理總結撰寫文獻進展報告。同時，了解快檢設備測定原理、內部結構，熟悉卷積神經網絡等相關算法構造思想和基本運算，并能夠根據已有知識和資料分析提出可能的實驗改進設想。

（2） 實驗進行階段，學生需要熟悉快檢設備操作流程、注意事項，能夠自行操作設備進行信號采集，在實驗中進一步理解大米快檢與常規檢測在預處理等手段上的聯系與差異。熟悉相關算法軟件編程實現，能夠進行參數調試以及結果圖像化輸出繪制，理解數據結果的內在統計規律，可以提出對應的合理性解釋。進一步，通過特征提取操作開展數據挖掘分析，研究數據內部差異，為深入理解算法與持續改進優化算法提供思路。

（3） 實驗外延階段，學生可以在多個方面嘗試進行外延拓展，在質量特性數據表征方面可以進行如紅外光譜、紫外光譜、熒光光譜等光譜類，或色譜類、質譜類數據采集；在統計質量控制方法方面可以根據實際情況考慮均值極差、指數加權移動平均控制圖分析；在智能識別算法方面可以與多種算法進行識別效果對比分析，如支持向量機、極限學習機、概率神經網絡等；在產品品類方面，可以在多種食品、中藥材領域進行拓展。

5 結 語

質量快檢實驗作為質量管理工程專業的一門綜合性實驗實踐課程，在人才培養過程中發揮著舉足輕重的作用，需要隨著科學技術發展不斷在實驗項目上推陳出新，為此研究設計了面向地理標志大米的產地判別實驗設計。方案涵蓋快檢數據采集、統計判別、智能識別等多個方面，實踐中既訓練了學生硬件設備的操作能力，又訓練了軟件編程運算能力，可供質量管理工程以及相關專業學生作為實驗實踐教學參考。

參 考 文 獻

[1] 王強.質量強國背景下質量管理工程專業大學生職業使命感的調查研究[J].成才，2023（13）：99-101.

[2] 沙敏，張正勇，張慶民，等.以學科交叉推動質量管理工程復合應用型人才培養的探索與實踐[J].教育現代化，2019，6（54）：1-6.

[3]周劍新，覃金少.糧油快速檢測課程實驗教學改革研究[J].糧食科技與經濟，2024，49（3）：77-79+107.

[4] 裴朝東.OBE理念下糧油食品高水平專業群實踐教學模式重構[J].糧食科技與經濟，2023，48（1）：67-70.

[5] 王靖會，秦潤蒙，程嬌嬌，等.基于機器學習的地標大米摻假鑒別模型研究[J].東北農業科學，2021，46（2）：138-144.

[6] 洪铦棟，羅炳嘉，吳文超，等.我國糧食安全與糧食質量研究動態的可視化比對分析[J].糧食問題研究，2023（2）：9-14+19.

[7] 陳倩，周燦，韓景林.基于光譜技術的食品質量快速檢測方法研究[J].中國質量監管，2023（12）：84-85.

[8] 石小晶，姚安陽，李思維，等.我國大米品質研究發展動態的可視化分析[J].糧食問題研究，2021（2）：34-39+51.

[9] 吳靜珠，李曉琪，林瓏，等.基于AlexNet卷積神經網絡的大米產地高光譜快速判別[J].中國食品學報，2022，22（1）：282-288.

[10] 趙迎，李明，肖茲蘭，等.基于拉曼光譜快速鑒別新陳大米的方法研究[J].光譜學與光譜分析，2016，36（S1）：303-304.

[11] 沙敏，桂冬冬，張正勇，等.拉曼光譜結合模式識別方法鑒別大米種類[J].中國糧油學報，2020，35（1）：168-174.

[12] 沙敏，李良翠，黃家樂，等.拉曼光譜數據處理方式對大米產地鑒別模型的影響[J].中國食品學報，2021，21（5）：369-376.

[13] 王亞軒，譚峰，辛元明，等.大米拉曼光譜不同預處理方法的相近產地鑒別研究[J].光譜學與光譜分析，2021，41（2）：565-571.

[14] 尤潔.利用統計控制圖改進項目掙值管理的研究[J].質量技術監督研究，2018（4）：51-56.

[15] 楊亞萍，劉軍，王洪亮.基于改進卷積神經網絡的智能物料識別技術研究[J].電子設計工程，2024，32（8）：191-195.

[16] 鄧楊，王粵，尚玉婷.基于深度學習的大米堊白分割算法研究[J].中國糧油學報，2021，36（4）：139-144.