本研究由Mengmeng Qiao（中国农业大学）、Tao Cui（中国农业大学）、Guoyi Xia（Universität Bremen）、Yang Xu（中国农业大学，通讯作者）、Yibo Li（中国农业大学）、Chenlong Fan（南京林业大学）、Shaoyun Han（中国农业大学）和Jiaqi Dong（中国农业大学）合作完成，发表于2024年2月的《Computers and Electronics in Agriculture》期刊第218卷，文章编号108718。

学术背景
该研究属于农业工程与食品检测交叉领域，聚焦高光谱成像（Hyperspectral Imaging, HSI）技术在玉米籽粒蛋白质和淀粉含量快速检测中的应用。玉米作为中国主要粮食作物，其品质评估依赖于蛋白质和淀粉含量的精准测定。传统生化检测方法虽准确但耗时且破坏样本，而现有光谱技术需干燥样本以提高精度，延长了检测周期。针对这一研究空白，本研究旨在开发一种基于HSI光谱与图像特征融合的非破坏性检测方法，直接对含水玉米籽粒进行快速、高精度成分分析。

研究流程
1. 样本制备
- 研究对象：18个玉米品种，分5个收获期采集，共270组样本（每组24粒籽粒），含水量范围12.26%~50.89%。
- 预处理：籽粒表面水分擦拭后立即进行高光谱成像，避免储存影响。

1. 高光谱数据采集与校正

   • 使用自主研发的HSI系统（SOC710VP相机，波长范围374.98–1038.79 nm），采集128个波段的反射率数据。
     
   • 图像校正：通过标准白板反射率归一化，消除光照不均匀性。
     

2. 特征提取

   • 光谱特征：提取399.75–1005.80 nm范围内的平均反射率，采用SG平滑（Savitzky-Golay）、一阶导数（1D）、多元散射校正（MSC）和标准正态变量变换（SNV）预处理。
     
   • 图像特征：
     
     • 颜色特征：HSV色彩空间的一阶、二阶、三阶矩（共9维）。
       
     • 纹理特征：灰度共生矩阵（GLCM）的对比度、相关性、能量、同质性和熵（共5维）。
       

3. 特征选择与建模

   • 特征波长筛选：采用连续投影算法（SPA）和无信息变量消除（UVE），分别将波长维度从128降至12–62个。
     
   • 模型构建：对比偏最小二乘回归（PLSR）、支持向量回归（SVR）和极限学习机（ELM）算法，建立40种预测模型。
     
   • 数据融合：将特征波长与颜色/纹理特征融合，优化模型精度。
     

4. 模型验证

   • 样本按3:1分为校准集（203组）和预测集（67组），通过相关系数（R）、均方根误差（RMSE）、性能偏差比（RPD）和误差范围比（RER）评估模型性能。
     

主要结果
1. 预处理与算法比较
- MSC和SNV预处理显著提升模型性能（RPD>2），ELM算法优于PLSR和SVR（蛋白质模型R_p=0.8997，淀粉模型R_p=0.8756）。
- 特征波长筛选后，模型变量减少至12–39个，精度进一步提高（蛋白质SPA-ELM模型R_p=0.8997，淀粉UVE-ELM模型R_p=0.8756）。

1. 数据融合效果

   • 蛋白质检测：SNV-SPA-颜色-ELM融合模型最优（R_p=0.9228，RPD=2.5985），颜色特征贡献显著（可见光波段特征波长占比高）。
     
   • 淀粉检测：MSC-UVE-纹理-ELM融合模型最优（R_p=0.8847，RPD=2.3832），近红外波段纹理特征起主导作用。
     

2. 水分干扰克服

   • 筛选的特征波长避开了水分敏感波段（如960 nm），证实模型在含水条件下仍具鲁棒性。
     

结论与价值
本研究首次将HSI光谱与图像特征融合应用于含水玉米籽粒的蛋白质和淀粉检测，开发了SNV-SPA-颜色-ELM（蛋白质）和MSC-UVE-纹理-ELM（淀粉）两种高精度模型（RPD>2，RER>10），变量数分别降至27和33维。其科学价值在于：
1. 提出了含水样本直接检测的新方法，突破了传统干燥处理的时效限制；
2. 验证了颜色和纹理特征对成分预测的互补性，为多模态数据融合提供范例；
3. 为谷物品质现场检测设备开发奠定了算法基础。

研究亮点
1. 方法创新：首次实现含水玉米籽粒的无损快速检测，检测时间从传统方法的数小时缩短至分钟级。
2. 技术融合：结合HSI光谱与机器视觉特征，模型精度超越单一光谱技术（RP提升5%~8%）。
3. 工程适用性：自主研发的高光谱采集系统（SOC710VP）与算法流程可直接应用于产线检测。

其他价值
研究团队公开了模型构建的完整参数（如ELM隐藏层神经元数、SPA/UVE筛选波长列表），为后续研究提供可复现的基准。此外，样本覆盖18个品种和5个生长期，增强了模型的泛化能力。未来可扩展至其他谷物（如小麦、水稻）的品质检测领域。