（5）稻殼影響分析

由于稻殼的高吸水能力，大米中MC模型的性能優(yōu)于精米，且大米光譜中包含了更多的水分信息。而大米中FAC模型的性能不如精米。因為稻殼不含有脂肪酸，而存在于大米光譜中的稻殼干擾信息可能會影響脂肪酸的預測。然而，在進行波長選擇后，大米和精米中MC或FAC的預測精度更為接近，看起來稻殼的影響消失了。因此，通過Fearn提出的方法驗證了稻殼對MC和FAC預測精度的影響。**種方法是計算在95%置信水平下區(qū)間是否包含0。如果包含零，則偏差在5%水平上沒有顯著差異。從表6可以看出，計算出的大米和精米MC預測誤差的區(qū)間包含0，而FAC的區(qū)間不包含0。這表明大米和精米FAC預測誤差之間存在顯著差異，因此稻殼對FAC的預測精度有影響。

（6）模型預測可靠性分析

模型的可靠性分析有助于我們判斷模型是否能夠應用于實際中。因此，為了對模型的可靠性進行分析，我們進行了箱線圖和T檢驗。箱線圖是一種統(tǒng)計圖表，用于展示一組數據的離散程度，反映數據分布的特征。T檢驗則利用t分布理論推斷差異發(fā)生的概率，并比較兩組數值之間的差異是否具有顯著性。

如圖5(a）所示，大米和精米中MC的預測偏差在±0.75%以內，波動范圍較小。大米中MC的*大和*小預測偏差分別為0.987%和0.007%。精米中MC的*大和*小預測偏差分別為1.028%和0.002%。這表明水分的預測精度高，模型表現(xiàn)良好。此外，大米中MC的預測精度高于精米，且大米中MC的預測偏差主要集中在0附近。如圖5(b）所示，大米中FAC的預測偏差大于精米，精米中FAC的預測偏差主要分布在±2附近。大米中FAC的*大和*小預測偏差分別為5.811%和0.599%。而精米中FAC的*大和*小預測偏差分別為4.649%和0.108%。這表明精米中FAC的模型表現(xiàn)優(yōu)于大米。總之，可以得出結論，所提出模型的預測偏差值小，模型性能可靠。

圖5. 大米和精米水分和脂肪酸預測偏差值的箱線圖：(a） 水分；(b） 脂肪酸。

通過對大米和精米中的水分和脂肪酸的預測值與真實值進行T檢驗分析。如表7所示，得到的T檢驗值P大于0.05。這表明所建立模型的預測值與真實值之間沒有顯著差異。因此，這些模型在預測水分和脂肪酸方面表現(xiàn)良好。

（7）水分含量（MC）和脂肪酸值（FAC）的可視化

可視化可以幫助我們了解不同地區(qū)大米樣品的MC和FAC分布情況。首先，提取大米樣品中每個像素的光譜，然后使用*優(yōu)模型SPA-PLSR預測每個像素的MC和FAC，并獲取每個像素的MC和FAC預測值。使用不同顏色代表每個像素的MC和FAC，并生成偽彩*圖像，實現(xiàn)對大米樣品中MC和FAC的像素級可視化。圖6顯示了不同水分梯度下大米樣品MC的可視化結果。在圖6中，圖像右側的顏色條中不同的顏色對應大米中不同的MC值。紅色表示較高的MC，而藍色表示較低的MC。可以看出，大米樣品的MC越高，可視化圖像中紅*區(qū)域越大；大米樣品的MC越低，可視化圖像中藍*區(qū)域越大。這與大米樣品的實際MC相符，表明MC模型能準確預測每個像素的MC。此外，可視化圖像中大米樣品的MC分布不均勻，可能是由于樣品處理過程中水分吸收不均造成的。圖7顯示了大米樣品FAC的可視化結果。在圖7中，圖像右側的顏色條中不同的顏色對應大米中不同的FAC值。紅色同樣代表較高的FAC，而藍色代表較低的FAC。可以觀察到，隨著大米樣品FAC的增加，可視化圖像中紅*區(qū)域變得更大，而FAC降低時藍*區(qū)域變得更大。這與大米樣品的實際FAC相符，表明FAC模型能準確預測每個像素的FAC。可視化可以直觀反映大米中MC和FAC的空間變化，能夠在像素級別了解MC和FAC的分布。因此，在儲藏檢查和儲存監(jiān)測過程中，可以檢測到大米非常小范圍內的異常MC和FAC，確保大米質量的**。

圖6. 大米水分含量的可視化圖。(a） 12-13克/100克水分含量 (b） 13-14克/100克水分含量 (c） 14-15克/100克水分含量 (d） 15-16克/100克水分含量 (e） 16-17克/100克水分含量 (f） 17-18克/100克水分含量。

圖7. 大米脂肪酸含量的可視化圖。(a） 脂肪酸含量 = 8.42毫克/100克 (b） 脂肪酸含量 = 16.13毫克/100克 (c） 脂肪酸含量 = 23.91毫克/100克 (d） 脂肪酸含量 = 25.56毫克/100克。

結論

在本研究中，作者利用HSI和化學計量學對大米和精米樣品中的MC和FAC進行了檢測。通過PLSR算法結合選擇的顯著波長變量，作者開發(fā)了MC和FAC的模型。此外，作者還分析了稻殼對模型性能的影響，并進行了MC和FAC的可視化分析。結果表明，SPA方法比CARS更適合于為MC和FAC選擇顯著波長。在“大米-水分”、“精米-水分”、“大米-脂肪酸”和“精米-脂肪酸”數據集中，SPA選擇的波長數量分別為6、11、9和10，SPA模型的R_P2和RMSEPs分別為0.9650、0.9567、0.8573、0.8436和0.0031、0.0033、1.6956、2.0270。使用特征波長建立的模型性能與全光譜模型相當，而模型中使用的波長數量大幅減少。因此，在選擇了特征波長后，這種方法可以用于大米儲存前MC和FAC的快速檢測，以及儲存期間的實時監(jiān)測。大米的MC和FAC都可以通過可視化圖進行估算。此外，稻殼對MC模型的性能影響不顯著，但對FAC模型的性能有顯著影響。未來，將進一步研究消除稻殼對脂肪酸檢測預測精度的影響，并在實際應用中檢測大米的MC和FAC。

推薦產品

GaiaField-N17E

作者簡介（人名+單位+博導/碩導）

孫通，浙江農林大學光電工程學院，碩導

參考文獻

論文引用自二區(qū)文章：Yihan Song, Shuosen Cao, Xiuxiang Chu，Yimin Zhou, Yiqing Xu, Tong Sun, Guoxin Zhou, Xingquan Liu. Non-destructive detection of moisture and fatty acid content in rice using hyperspectral imaging and chemometrics. Journal of Food Composition and Analysis. 121 (2023) 105397. https://doi.org/10.1016/j.jfca.2023.105397.