高光谱成像技术在大米溯源研究中的应用

中国是世界大米生产和消费的大国之一，但不同产地的大米口感、营养价值及品质均具有明显差异。为了确保大米的品种的产地，需要采取无损检测技术，高光谱成像技术提供了很好的方法选择。

大米溯源研究：高光谱成像技术法

本方法以大米产地的溯源为出发点，使用高光谱成像技术，以来源于5种东北和5种非东北的大米作为样本集，对大米的产地进行溯源研究。通过主成分分析法(principal component analysis，PCA)进行主成分提取，实现高光谱数据降维，避免信息冗余。采用SVM建立大米产地溯源模型，旨在对市场中流通的大米产地进行快速、准确的判别。

通过预测结果可以发现，高光谱信息较为相近的大米溯源会有一定误差，有待进一步数据处理进行大米产地溯源判断。实验结果表明，高光谱成像技术可以实现对大米产地溯源的快速、准确预测，在大米产地溯源具有广阔的应用前景。

大米溯源研究方法综述  

传统的检测方法(如感官识别、近红外光谱等)均有一定劣势和不足。如感官识别受到主观因素影响，检测结果的准确性和稳定性并不高。近红外光谱法需要对大米进行研磨粉碎[45]，使得进行检测的大米样本不能进行后续的使用。高光谱成像技术结合了近红外光谱和数字成像技术，具有高速、无损、精度高的特点，使样本避免被破坏，被广泛应用于食品检测领域。

PEREZ-RODRIGUEZ M等利用基于支持向量机 (support vector machine，SVM) 的预测模型，建立了一种简单、快速、高效的火花放电激光诱导击穿光谱方法。对四个水稻品种(古里、IRGA424、普伊特和塔伊姆)的72个样品进行分析，得到了按植物品种鉴别水稻样品的最佳模型。该模型在试验样本中的正确预测率达到了96.4%。

JIM等基于高光谱成像技术建立的最小二乘支持向量机模型对猪肉中的不饱和脂肪酸包括单不饱和脂肪酸和多不饱和脂肪酸进行了检测，并绘制了单不饱和脂肪酸和多不饱和脂肪酸含量的彩色图，取得了良好的实验结果。吴宝婷等利用高光谱技术对灵武枣发酵过程中pH值和总酸含量进行了定量分析，结合竞争性自适应加权算法(competitive adaptive reweighting sampling， CARS)和遗传算法(genetic algorithm，GA)进行特征波段的筛选，进而建立偏最小二乘定量分析模型。结果表明，高光谱技术可以对灵武枣发酵过程中pH值和总酸含量进行定量预测。可见，高光谱成像技术已经广泛应用于食品检测的各个领域，而大米产地溯源领域的报道并不是很多。

王璐采用随机方法对大米样品进行训练集和测试集的划分，根据训练集中样本大米的平均光谱建立了最小二乘支持向量机 (least squares support veotor maohine，LS-SVMD分类模型。选取正交信号校正法(orthogonal signal correction，OSC)作为光谱预处理方法，并利用连续投影算法(successive projections algorithm， SPA)提取特征波段建立大米产地分类模型，分类结果为95.36%。

王靖会等采集了吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像作为研究对象，利用多元散射校正(multiple scattering correction，MSC)处理方法对光谱进行了预处理。采用了多层感知机(mul-tilayer perceptron，MLP)、极限学习机(extreme learning ma chine，ELMD与在线序列极限学习机(online sequence extreme learning machine，OS-ELM)算法，分别基于全波段高光谱数据建立产地溯源模型。实验结果表明，OS-ELM模型分类效果最好，可以准确的进行大米产地的溯源。

市场上大米产地来源极多，造成东北大米掺假问题严重。东北大米来源于多个产地，品种不一，不同产地的东北大米也存在着形态、成分组成等差异。再加上高光谱数据信息量丰富，但一些相关性不强的光谱信息会影响预测模型的准确性，容易造成信息冗余，这就为应用高光谱技术建立大米产地溯源造成了干扰和困难。