聂 森 马劭瑾 彭彦昆 王 威 李永玉
(中国农业大学工学院，北京 100083)
《中国统计年鉴》数据显示，近年我国稻米、小麦和玉米的产量约占我国粮食总产量90%，稻米、小麦和玉米作为三大主粮在我国居民粮食结构中占有重要位置。粮食生产、加工、储运等产业链中品质监测是不可或缺的重要环节，而且客观、无损、快速地定级、定价对整个粮食产业健康发展起重要带动作用。另外，在国际贸易摩擦加剧和国内粮食进口量大幅攀升的背景下，实现三大主粮在生产、储存和流通过程中的高效实时品质检测与监控，对保障我国粮食品质安全具有重要意义。
基于可见/近红外光谱(Visible and near-infrared, Vis/NIR)、近红外光谱(Near-infrared，NIR)、高光谱成像(Hyperspectral imaging，HSI)、拉曼光谱、荧光光谱、多光谱(Multispectral imaging，MSI)、机器视觉及其相互融合的光学无损实时传感技术，具有高通量、快速、低成本等特点，在三大主粮的内外部品质检测领域有着较为广泛的应用。本文阐述稻谷/大米、玉米和小麦的内外部品质检测需求，在对三大主粮的光学特性进行对比分析的基础上，总结分析三大主粮品质快速检测技术与装置的国内外研发现状，并归纳目前市面上已推广应用的装备特性，最后对存在的问题及发展趋势提出建议和展望。
1.1 内部品质检测技术
粮食内部品质指标主要包括蛋白质、水分、脂肪、直链淀粉含量等，这些参数直接影响稻谷/大米、小麦和玉米的加工、食用等品质，在生产链及销售链上备受关注。目前，粮食内部品质的光学检测技术主要包括NIR光谱、拉曼光谱、荧光光谱、HSI、MSI等。
表1 基于Vis/NIR光谱的三大主粮内部品质无损检测技术成果
图1 大米、玉米和小麦粉的Vis/NIR吸光光谱
图2 大米、玉米和小麦的拉曼光谱(激光光源均为785 nm)
荧光光谱技术以其高选择性和高灵敏度而被广泛用于农产品领域的检测研究。大米、玉米和小麦中含有色氨酸、阿魏酸、对羟基肉桂酸、核黄素等荧光团，这为采用荧光光谱技术对三大主粮进行分析奠定了理论基础[34]。大米、玉米和小麦粉的激发-发射矩阵(Excitation-emission matrix，EEM)特性如图3所示[35]，大米、小麦和玉米粉的荧光特性也十分相近，均具有两个荧光区域(Region Ⅰ和Region Ⅱ)。第1个荧光区域的激发范围为255～305 nm，发射范围为300～410 nm，对应蛋白质中氨基酸的荧光。第2个荧光区域的激发范围为310～400 nm，发射范围为380～490 nm，对应大米、小麦和玉米粉中的低分子量分子，如生育酚、吡哆醇和4-氨基苯甲酸[35]。NAGEL-HELD等[31]将小麦颗粒的拉曼反射光谱、荧光光谱和NIR光谱进行数据融合(Data fusion)实现了对玉米蛋白质含量和小麦蛋白质含量、湿面筋含量、吸水率、延伸阻力等多个参数的定量检测。目前，采用荧光光谱技术对三大主粮内部品质进行无损检测的相关研究则很少，主要原因是其具有特异性，只能对待测物中的荧光团进行直接的定量检测。
图3 大米、玉米和小麦粉的三维荧光光谱
HSI技术结合了待测物的空间信息和光谱信息，既可以通过图像特征提取待测物的外部特征(尺寸、几何结构、颜色)，也能够通过光谱信息提供待测样品的成分特性[36]。在三大主粮的内部品质检测方面，HSI可实现对成堆或者单个粮食颗粒的内部成分可视化。例如，有学者利用HSI对小麦颗粒、成堆大米的各个像素点的蛋白质含量进行了可视化[37-38]。吴静珠等[39]利用单粒小麦颗粒在876～1 729 nm 波段范围内的高光谱图像，并基于si-PLS算法建立了小麦粗蛋白质含量预测模型，并利用968.05～2 575.05 nm波段范围内的单粒玉米颗粒高光谱图像，结合集成学习建立了单粒玉米水分预测模型[40]。ZHANG等[41]获取了918.1～1 650.6 nm高光谱图像并提取了单粒玉米颗粒的NIR光谱，利用深度卷积生成性对抗网络(Deep convolutional generative adversarial network，DCGAN)同时扩充高光谱数据和脂肪含量的标准理化值，实现了对单粒玉米脂肪含量的无损快速预测。此外，也有一些研究利用Vis/NIR范围内(400～1 000 nm)的高光谱[42]和拉曼高光谱[43]对粮食颗粒的内部品质进行了检测。
因为HSI技术与NIR相比检测时间较长、成本相对较高，目前不少HSI相关研究为的是筛选三大主粮品质特征波长，从理论上为下一步开发MSI装置奠定基础。大米、小麦和玉米在Vis/NIR范围内的吸收光谱非常相近，不少基于HSI的研究所提取的大米、小麦和玉米品质特征波长位于1 000～1 100 nm、1 153～1 400 nm、1 473～1 497 nm、1 510～1 600 nm、2 110～2 150 nm、2 180～2 206 nm波段范围内[43]。与HSI相比，MSI的波长点数少，检测时间和成本上都比HSI更具有产业应用优势。
1.2 外观品质检测技术
外观品质是三大主粮的重要品质指标。根据国家标准[44]，评价大米质量时，其碎米含量、加工精度、不完善粒和黄粒米含量、垩白度是主要的外部品质指标。小麦外部品质的评价指标主要是不完善粒含量[45]，小麦的不完善粒包括虫蚀粒、病斑粒、破损粒、生芽粒和生霉粒。与小麦类似，玉米的外观品质评价主要也是根据不完善粒的含量[46]。与小麦不同的是玉米的不完善粒除了虫蚀粒、病斑粒、破损粒、生芽粒和生霉粒之外，还包括了热损伤粒。此外，玉米中霉变粒的含量是评价玉米质量的另一重要外部品质指标。目前，三大主粮外部品质光学检测技术主要有机器视觉技术、HSI技术等，如表2所示。
表2 三大主粮外部品质无损检测技术
机器视觉技术作为一种人工视觉检测的替代方法，具有成本低、客观、无损快速的特点，因此被广泛应用于三大主粮的破损粒[51]、加工精度[47]、垩白度[48]等品质的检测以及基于外部特征的分类[53]。除了采用数字相机自行搭建机器视觉系统，平板扫描仪是机器视觉技术检测中另一种常用的图像获取方式。例如，EBRAHIMI等[55]利用HP G3110平板扫描仪获取了小麦颗粒的图像，实现了对小麦中杂质(非小麦颗粒)的识别。SHOUCHE等[75]使用HP ScanJet IICX/T采集小麦图像并实现了对小麦形态学特征(例如面积、周长、长短轴长度及比率等)的分析。
HSI技术通常用于三大主粮霉变籽粒和虫蚀粒的检测。受霉菌侵染或者虫蚀的粮食颗粒不仅会呈现颜色等外观变化，其内部品质(如脂肪酸等)也会发生相应改变。稻谷/大米、小麦和玉米在种植、储藏和销售期间均容易受到真菌毒素的污染。玉米中的黄曲霉毒素B1(Aflatoxin B1，AFB1)、小麦赤霉病(Fusarium head blight，FHB)、小麦中脱氧雪腐镰刀菌烯醇(Deoxynivalenol，DON)毒素是最受关注的检测指标。玉米中的AFB1会在670～979 nm和850～950 nm波长范围内产生吸收峰[65]，在2 058 nm和2 346 nm附近也会产生NIR吸收峰，其中前者与AFB1中的内脂相关，后者则与AFB1中的香豆素环有关[76]。小麦的FHB是一种由禾谷镰刀菌侵染的病害，FHB会产生DON次级代谢产物，DON不会随着小麦的储藏、加工等降解，会对人畜健康造成很大的威胁[77]。与FHB相关的特征波长通常位于480、570、680、750、800、860、1 000、1 200、1 300、1 400 nm附近。虽然FHB与DON之间存在正相关关系，但是DON也会存在于具有FHB特征的小麦中，因此有必要直接检测DON侵染小麦。DON中的O—H在750、950、1 400 nm，C—H在1 200、1 400、1 650 nm，N—H官能团在1 050、1 500 nm处产生特征吸收峰，为使用NIR-HSI技术检测小麦中的DON奠定了理论基础[78]。另外，稻谷、小麦和玉米中最为常见的几种害虫是米象、玉米象和谷蠹。这些害虫在发育过程中会消耗粮食颗粒内部的淀粉，因此虫蚀粒的淀粉含量通常会比正常颗粒的含量要低[79]。除了利用HSI技术对粮食虫蚀粒进行检测之外，还有研究者利用Vis-NIR-HSI技术结合CNN和SVM实现了对多种不完善粒的识别，包括破损粒、虫蚀粒和黑胚粒，分类准确率达到99.98%[80]。与NIR光谱技术相比，HSI技术在三大主粮霉变及虫蚀粒检测中的最突出的优势是：不论检测对象是成堆粮食颗粒还是逐粒分开的单一颗粒，均可以以单一颗粒为目标进行霉变粒或虫蚀粒的剔除。此外，也有一些研究利用拉曼-HSI技术实现了对霉变玉米籽粒的检测。
2.1 三大主粮品质检测装置研究现状
目前，三大主粮外观品质光学检测技术主要有机器视觉、HSI、MSI等，其中机器视觉因低成本、客观等特点广泛应用于三大主粮外部品质检测。三大主粮外部品质机器视觉检测系统一般包括样品板、光源、相机、数据采集卡和计算机，其中相机(个数及空间位置)、光源(颜色、形状、强度)和样品板(颜色)是粮食外部品质检测系统研发过程中重点考虑的因素，其中三大主粮检测系统光源类型、形状、颜色以及样品板颜色选择示例如表3所示。在大米/稻谷、玉米和小麦的机器视觉检测装置中，相机的个数通常为单个，位于粮食颗粒的上方。例如，祝诗平等[58]使用华为手机从小麦上方20～25 cm的垂直高度采集小麦颗粒图像，实现了对完整粒和破损粒小麦的分类。MITTAL等[50]使用低成本的USB相机从大米颗粒上方25 cm的垂直距离进行图像采集，根据大米长度、加工精度和垩白率实现了对大米的分级检测。然而，单个相机很难获取粮食全表面信息，WU等[52]利用3个相机采集下落过程中大米图像，实现了对大米不完善粒的检测。ZHANG等[54]搭建了稻谷在线双面成像检测系统，用于对正常稻谷颗粒和未闭合颖片稻谷分类，检测系统结构示意图和实物图如图4所示[54]。该研究专门设计了振动盘和线性振动传送带，使其能够逐个通过滑道。两个相机放置于透明玻璃通道的两侧，当光纤传感器收到稻谷经过信号时，触发两个相机采集稻谷颗粒上下两面的图像。
表3 机器视觉系统光源类型、形状、颜色以及样品板颜色选择示例
图4 裂颖稻谷的在线双面识别与剔除系统
光源是机器视觉系统中影响检测结果的重要部件，光源的类型、形状、颜色、照明方式和强度决定了图像的清晰度、重复性和可靠性[81]。目前主要光源类型包括LED、白炽灯、红外灯和荧光灯，其中LED应用最为广泛。常见的商用光源形状主要为线光源、环形光源、方形光源和圆顶灯，颜色以白色为主。照明方式包括正面照明和背面照明两种，正面照明主要用于表征颗粒的表面特征，背面照明则适用于子曲面特征和边缘特征的突出。样品板的颜色即成像的背景颜色，其选择合理可以降低图像处理过程中背景分割的复杂性，通常会选择与待测样品颗粒颜色对比度大的颜色作为样品板的颜色。例如，LI等[60]开发了一套玉米应力裂纹在线式检测装置，包括一个种板、传动轴、两个相机、组合滑台和卸料区，硬件系统结构示意图如图5所示。该系统采用光源板对玉米颗粒进行照射，每个玉米颗粒对应1个光源。此外，光源板被固定在滑台上，可以沿前后左右4个方向正交移动，以对玉米裂纹进行清晰地照射。
图5 玉米应力裂纹硬件检测系统结构示意图[60]
另外，光源强度是影响机器视觉系统图像采集质量的一个重要因素。自然光等作为光源时其强度难以人为干预，会对图像采集和模型结果产生不可忽视的影响。CHEN等[49]基于WU等[52]的大米破损粒检测系统使用多视图完整空间学习(Multi-view intact space learning，MISL)算法削弱了照明强度对模型稳定性的影响。结果表明，MISL算法可以在不同照明条件下提升完整大米颗粒和破损大米颗粒分类模型的稳定性。
基于NIR的检测系统在三大主粮内部品质检测中的应用最为广泛。日本等发达国家在粮食收购、粮食储藏、粮食精深加工等各个环节已广泛应用NIR检测系统。国内基于NIR检测系统在粮食加工、在线控制等方面还没有成功应用。HSI系统融合了光谱和图像，被应用于对大米/稻谷、小麦和玉米的霉变或虫蚀粒检测，MSI检测系统与HSI相比成本低，更具有产业推广优势。用于MSI检测的光源按照波长可以分为紫外光、可见光和近红外光，但是在实际MSI光源的选型与配置中，还需要考虑光源(或者滤光片)的普适性和成本。一般地，通用的光源(如LED)和滤光片有特定的中心波长，因此根据HSI理论结果得到的特征波长不一定有对应的光源产品类型。此外，长波近红外范围内的光源和滤光片成本远高于可见光和短波近红外(400～1 100 nm)以及紫外光范围内的产品成本，从而限制了长波近红外光源在MSI系统搭建时的应用。JAILLAIS等[82]利用自行搭建的多光谱成像系统[83]对小麦中FHB抗性进行了评价。该装置的光源由 8个 LED灯珠组成，包括2个NIR光源(950、875 nm)、3个可见光源(红色、蓝色、绿色)和3个UV光源(360、400、370 nm)。褚璇等[84]利用可见光和365 nm紫外光为光源研发多光谱成像系统，用于含黄曲霉毒素玉米颗粒的检测。三大主粮品质光学无损检测系统研究成果如表4所示。
表4 三大主粮品质光学检测系统研究成果
此外，多种技术融合检测系统也被应用于三大主粮品质检测，当单一的检测方式无法满足检测的精确度和适用性时，选择将两种以上检测技术进行融合[96]。沈飞等[97]搭建了机器视觉和Vis-NIR光谱融合在线检测系统对玉米霉变程度和菌落总数进行了检测。该团队利用该系统完成了对玉米真菌侵染[98]和小麦DON侵染的检测[99]，结果显示机器视觉与Vis-NIR光谱的融合均可得到更佳的检测效果。此外，FABIYI等[100]将机器视觉技术与 Vis-NIR-HSI技术进行融合，建立了大米分类模型，结果同样凸显了机器视觉与Vis-NIR-HSI融合系统的优越性。
2.2 三大主粮品质检测装置应用现状
目前，国内外多家公司市售NIR粮食品质分析装置，用于检测多种粮食的内部品质，市场上常见的部分商业化粮食分析装置及其相关特性如表5所示。可以看出，各个国家所研制的NIR检测装置关注的内部品质指标基本包括了蛋白质、水分、脂肪和淀粉，且大多选用了透射模式进行检测。我国虽然起步较晚，但目前也有市售NIR粮食内部品质检测装置。特别是基于NIR法的小麦、稻谷、玉米成分测定被列为国家标准以来，大大促进了国内NIR粮食品质分析装置研发。目前，国内外大部分市售的粮食检测装置为放置式，仪器质量相对较大，随着芯片的发展基于多光谱传感器的手持式检测装置的推广应用是未来发展方向之一。
表5 市售NIR粮食内部品质检测装置
另外，商业化多光谱系统VideometerLab 4(Videometer，丹麦)常被应用于三大主粮品质的检测研究[101]。该装置采用的19个LED光源的波长在365～970 nm之间，包含了紫外、可见和短波近红外波段(405、435、450、470、505、525、570、590、630、645、660、700、780、800、870、890、910、940、970 nm)，此外还包括了一个供调换的外部光源。VideometerLab多光谱成像系统由摄像头、光源、积分球组成。摄像头位于积分球顶部，LED光源放置于积分球的边缘。积分球涂有可使光线均匀散播的不光滑白色颜料。基于该装置的三大主粮检测研究包括稻谷品种的识别[101]、转基因稻谷的检测[102]和糯玉米热损伤粒的快速鉴别[103]等。
本文围绕三大主粮重点总结了Vis/NIR、拉曼光谱、HSI、MSI以及机器视觉等快速检测技术及其装备的国内外现状。NIR是三大主粮品质检测中应用最为广泛的技术，但粮食种植区域、生产年份、储藏时间等环节产生的不一致性，增加了建模的难度和不确定性。另外，三大主粮收获到储藏、加工过程品质监控多数情况需要在线动态检测，但是粮食颗粒相对较小，对光学信息动态精准获取带来了一定难度。目前，突破模型普适性以及信息动态精准获取识别等技术瓶颈，是NIR在主粮检测领域广泛推广应用的关键。
Vis/NIR、NIR和MSI都已有商业化的粮食/粮食检测装置，而目前尚未见基于拉曼光谱、HSI的三大主粮商用化专用检测装备。虽然不少研究基于自行搭建的HSI检测系统实现了对三大主粮多品质指标的检测，但是其昂贵的仪器和时间成本使其不利于推向产业/商业应用。MSI检测装置虽然因成本低等优点而具有较好的推广应用前景，但是特征波长确定，不同波长光源之间的强度差异以及多光源/滤光片与相机、计算机之间的同步等系列问题有待解决和优化。
机器视觉具有成本低、客观、无损、快速等特点，广泛应用于外部品质的检测。基于机器视觉的研究多数集中于图像识别的理论算法，实现粮食外观品质高通量逐一检测，动态特征获取、检测时间以及系统适应性是关键。目前，基于机器视觉的粮食外观品质检测仍然停留在实验室阶段，市售检测装备少见。今后，应采用深度学习等进行模式识别提升系统适用性，根据检测需求利用相互融合的光学无损实时传感技术提高检测准确性，并逐步应用于粮食收获、干燥、加工等过程品质监控。
猜你喜欢 主粮光源光谱 基于三维Saab变换的高光谱图像压缩方法北京航空航天大学学报(2022年8期)2022-08-31基于3D-CNN的高光谱遥感图像分类算法黑龙江大学自然科学学报(2022年1期)2022-03-29高光谱遥感成像技术的发展与展望空间科学学报(2021年1期)2021-05-22光源改变光环境上海工艺美术(2021年4期)2021-04-24享受LED光源的卓越色彩 Acer(宏碁)PD1530i家庭影院技术(2021年2期)2021-03-29三主粮高质量发展科技研究之路知识产权获得公关世界(2019年17期)2019-09-10鲜艳迷人的HLD光源4K HDR新贵 BenQ(明基)X12000H家庭影院技术(2018年10期)2018-11-02LED照明光源的温升与散热分析电子制作(2018年2期)2018-04-18马铃薯主粮化中学生数理化·中考版(2015年12期)2015-09-10马铃薯将成为我国第四大主粮妇女生活(2015年6期)2015-07-13