糧食，不僅是填飽肚子的“剛需”，更是關系國計民生的“硬核科技”。

隨著人們對食品安全和營養健康的關注不斷加深，如何快速、無損、精準地評估糧食品質，成為農業科技領域的研究熱點。而高光譜成像技術，作為融合了光譜分析與圖像處理的前沿工具，正逐步滲透進糧食檢測、品種分選、儲藏監控等多個環節。

本期內容將聚焦高光譜成像在糧食品質理化指標檢測中的研究進展，帶你了解水分、蛋白質、脂肪酸等關鍵參數如何“可視化”，探索高光譜在糧食智能檢測中的無限潛力。

1. 糧食品質檢測的重要性

我國是世界*一糧食生產大國，糧食種類豐富，包括麥類、豆類、粗糧類和稻谷類等。其中，小麥、玉米、水稻和馬鈴薯被譽為我國的四大糧食作物，在保障國家糧食安全的同時，也為人體提供豐富的碳水化合物、蛋白質、膳食纖維及多種微量元素，是人類膳食結構中不*或缺的重要組成部分。

隨著經濟的發展和人民生活水平的提高，人們對糧食的需求已從單純的充饑向高品質、多功能方向轉變，不僅關注糧食的產量，更加注重其外觀品質、營養價值和食用品質，如口感、香氣和加工特性等。這些因素直接影響糧食的市場競爭力和經濟價值。然而，傳統的糧食品質檢測方法通常依賴于化學分析和人工評估，存在操作復雜、費時費力、具有破壞性且受主觀因素影響較大等問題，難以滿足現代農業對高效、精準、大規模檢測的需求。

高光譜成像技術（HSI）作為一種融合光譜分析與圖像處理的先進檢測手段，在糧食品質檢測領域展現出巨大的應用潛力。該技術能夠同時采集樣本的光譜信息和空間信息，實現對糧食外觀與內部品質的全面分析。圖像信息可用于評估糧食的霉變、不完善粒和品種等外觀特征，而光譜信息則能揭示糧食的化學成分、物理結構及其含量分布，如水分、蛋白質、淀粉含量等內部品質指標。相較于傳統檢測方法，高光譜成像技術具有快速、客觀、非接觸和無損檢測的優勢，能夠在無需化學試劑的情況下高效分析大批量樣品，符合現代食品安全與品質控制的發展趨勢。隨著計算機視覺、機器學習和深度學習技術的不斷進步，HSI 在糧食品質檢測中的應用將更加智能化，為農業生產、食品加工和糧食儲藏等環節提供精準、高效的質量控制手段，有助于推動我國糧食產業向高質量、智能化方向發展。

2. 高光譜成像技術在糧食理化品質檢測中的應用

糧食水分含量在糧食收購、儲藏等過程中具有十分重要的意義。糧食水分過高，不易保管，容易發熱霉變，會使糧食品質發生變化，適量的水分可保證產品品質，以及糧食加工和食品制作的順利進行。提出了一種基于高光譜成像技術的玉米種子水分含量快速無損預測方法。Xue et al. (2024)研究以80個不同品種的玉米種子為樣本，利用1100–2498 nm波段的高光譜數據，結合七種預處理方法（如移動平均、S-G平滑、歸一化等）優化光譜信息，并通過SPA、CARS和UVE算法分別提取17、24和39個特征波長以降低數據冗余。對比PLSR、PCR和SVM等12種模型發現，歸一化-SPA-PLSR模型表現*優，其校準集和預測集的判定系數（Rc2=0.9917，Rp2=0.9914）及誤差（RMSEP=0.0343，RMSECV=0.0257）均顯著優于其他模型，驗證了其在水分預測中的高精度與穩定性。此外，研究通過偽彩色圖像實現了水分含量的空間分布可視化，為玉米種子儲存、加工中的質量控制提供了高效無損檢測技術支撐（圖1）。

圖1. 玉米含水量分布可視化

Song et al. (2023)基于高光譜成像技術（900-1700nm波段）結合化學計量學方法，開發了水稻籽粒水分含量（MC）和脂肪酸含量（FAC）的快速無損檢測模型。通過添加梯度水分處理構建了73個水稻樣本和75個精米樣本數據集，采用Savitzky-Golay二階導數(SG-2）等預處理方法優化光譜數據，并利用順序投影算法(SPA)分別篩選出6個MC和9個FAC特征波長，顯著降低了數據冗余?；谄钚《嘶貧w(PLSR）構建的預測模型中，“水稻-MC”和“精米-FAC”模型表現*優，其校準集與預測集的判定系數（Rc2/Rp2）分別為0.9650/0.9639和0.8573/0.8436，預測均方根誤差(RMSEP)分別為0.0031和1.6956。研究證實稻殼對MC模型影響不顯著，但會干擾FAC預測精度，因稻殼不含脂肪酸且引入光譜噪聲。此外，通過偽彩色成像技術實現了MC和FAC的空間分布可視化，直觀展示稻米內部成分異質性（圖2和圖3）。該方法為水稻貯藏前檢測及貯藏過程中品質監控提供了高效無損的技術支持，但需進一步驗證模型在多品種及復雜環境下的泛化能力。

圖2 大米水分含量可視化圖。(a)12-13 g/100 g含水量（B）13-14 g/100 g含水量（c）14-15 g/100 g含水量（d）15-16 g/100 g含水量（e）16-17 g/100 g含水量（f）17-18 g/100 g含水量。

圖3 大米脂肪酸含量可視化圖。(a)脂肪酸含量為 8.42 mg/100 g。(b)脂肪酸含量為 16.13 mg/100 g。(c)脂肪酸含量為 23.91 mg/100 g。(d)脂肪酸含量為 25.56 mg/100 g。

Long et al. (2025) 本研究基于拉曼高光譜成像技術（785 nm激光）結合二維相關光譜分析（2D-COS），揭示了玉米老化過程中淀粉分子基團的變化順序（如475 cm?1和931 cm?1對應糖苷鍵振動）。通過CARS算法篩選35個特征拉曼位移，結合歸一化預處理和極限學習機（ELM）建模，實現了淀粉含量的高精度預測（Rp2=0.8502，RMSEP=0.0577）。研究驗證了拉曼技術對老化玉米淀粉降解過程的定量分析能力，為谷物品質檢測及食品加工提供了理論支持和技術參考。

圖4 (A)單粒玉米平均光譜的提取過程;（B）拉曼光譜的預處理過程

Xuan et al. (2024) 利用高光譜成像技術（400-1000 nm）結合化學計量學方法，開發了一種非破壞性稻米蛋白質含量預測模型。通過凱氏定氮法測定四個品種稻米樣本的蛋白質參考值，并對光譜數據進行乘性散射校正（MSC）等預處理，結合連續投影算法（SPA）篩選特征波長。研究發現，基于MSC-SPA-多元線性回歸（MLR）的模型表現*優，校準集和驗證集的決定系數分別為0.9393和0.8998，驗證集均方根誤差（RMSEV）為0.1725，相對分析誤差（RPD）達3.16。此外，通過像素級映射實現了稻米蛋白質分布的可視化，揭示了不同品種間蛋白質含量的差異（如XD9含量*低，JF105和JF103較高）。研究過程如圖5所示。

圖5 研究流程圖

Qiao et al. (2024)通過整合高光譜成像的光譜與圖像特征，實現了玉米籽粒中蛋白質和淀粉含量的快速無損定量測定。研究利用可見光-近紅外（400-1005.80 nm）高光譜數據，結合顏色特征（H、S、V通道的低階矩）和紋理特征（對比度、相關性等），構建了40種預測模型。通過對比不同預處理方法（S-G平滑、MSC、SNV）和建模算法（PLSR、SVR、ELM），發現極*學習機（ELM）結合標準正態變換（SNV）和乘性散射校正（MSC）預處理效果*佳。進一步利用連續投影算法（SPA）和無信息變量消除（UVE）篩選特征波長，并與圖像特征融合后，蛋白質和淀粉的*優模型分別為SNV-SPA-Color-ELM（驗證集R2=0.9228，RMSEp=0.2771%）和MSC-UVE-Texture-ELM（驗證集R2=0.8847，RMSEp=1.1221%），其相對分析誤差（RPD）分別達2.60和2.38，表明模型具備高精度與強魯棒性。研究創新性地在未干燥樣本條件下通過特征融合克服水分干擾，為玉米品質田間實時監測及工業分選提供了高效無損檢測方案。研究過程如圖6所示。

圖6 研究流程圖

Zhu et al. (2025) 提出了一種基于多頭注意力卷積序列到序列模型（MAC-seq2seq）的玉米種子活力檢測方法，通過光譜重建與深度特征提取結合集成學習模型，實現了種子老化時間和活力的高效分類。實驗表明，MAC-seq2seq在400-1000 nm光譜范圍內重建誤差（RMSE）低至2.818×10??，結合子空間判別模型對老化時間（48-240小時）和活力（基于種子活力指數SVI≥0.4）的檢測準確率分別達93.33%和97.62%。研究進一步構建了集成光譜分析與可視化功能的在線檢測平臺，通過Shapley值解析了光譜特征貢獻，發現葉綠素（434/642/662 nm）和脂肪酸C-H振動（930-990 nm）等波段對活力預測具有顯著影響。該方法為小樣本場景下玉米種子活力的無損評估提供了高精度解決方案，尤其適用于復雜存儲條件下的種子質量監測。研究過程如圖7所示。

圖7 研究流程圖

An et al. (2024)通過結合高光譜成像技術與數據融合策略，開發了一種綠色無損的單粒玉米種子活力評估方法。研究以過氧化氫酶（CAT）活性和丙二醛（MDA）含量為關鍵生化指標，基于人工老化實驗構建了不同老化梯度的種子樣本，并利用偏最小二乘回歸（PLSR）模型預測CAT和MDA含量，結合低層與中層數據融合策略優化模型性能（預測集RPD分別為2.11和2.93）。進一步提出雙閾值判別策略，通過設定CAT活性（閾值317 μmol·min?1·g?1）和MDA含量（閾值22 nmol·g?1）的聯合閾值，實現了種子活力的高效分類，準確率達92.9%。該方法通過生化指標與光譜特征的關聯性，為種子活力評估提供了可解釋的定量依據，相比傳統發芽試驗和單一光譜模型，兼具高效性、環保性和高精度，為農業種子質量管理提供了新思路。研究過程如圖7所示。

圖8 研究流程圖

Qi et al. (2024)提出了一種改進的深度卷積生成對抗網絡（SAM-GAN），通過引入光譜角映射（SAM）優化生成器損失函數，結合近紅外高光譜成像技術，解決了自然老化水稻種子樣本稀缺條件下活力測定的難題（圖9）。實驗對比了SAM-GAN、WGAN-GP和DCGAN的性能，結果表明，SAM-GAN生成的光譜數據在波形相似性上顯著優于其他方法，混合真實數據與SAM-GAN生成數據訓練的卷積神經網絡（CNN）模型分類準確率接近100%，驗證了其在樣本量不足場景下的有效性。該方法為水稻種子活力的快速、無損檢測提供了新思路，尤其適用于樣本獲取困難的實際農業場景。

圖9 GAN的流程圖