利用VNIR-SWIR光谱与机器学习技术对燧石和软质玉米籽粒的物理化学质量进行分类:一种用于玉米储存及加工环节中批次分离决策的方法

《Journal of Stored Products Research》:Classification process of the physicochemical quality of flint and soft corn kernels using VNIR-SWIR spectroscopy and machine learning: a technique for decision-making on batch segregation in corn storage and processing units

【字体: 大 中 小 】 时间:2025年12月25日 来源:Journal of Stored Products Research 3.4

编辑推荐:

  Rosana Santos de Moraes|Nairiane dos Santos Bilhalva|Marisa Menezes Leal|Dthenifer Cordeiro Santana|Paulo Eduardo Teodoro|Larissa Pereira Ri

  
Rosana Santos de Moraes|Nairiane dos Santos Bilhalva|Marisa Menezes Leal|Dthenifer Cordeiro Santana|Paulo Eduardo Teodoro|Larissa Pereira Ribeiro Teodoro|Paulo Carteri Coradi
巴西南里奥格兰德州卡肖埃拉杜苏尔市,圣玛丽亚联邦大学卡肖埃拉杜苏尔校区,收货地址:96506-322,采后实验室(LAPOS)

摘要

采用采后技术能够保障产品质量、食品安全以及生产链的效率。因此,本研究旨在利用VNIR-SWIR光谱技术和机器学习模型,探索一种新的方法来评估硬粒玉米和软粒玉米籽粒的物理化学质量。研究结果表明,籽粒质量的物理分类方式以及玉米籽粒的类别都会显著影响其物理化学成分。这些结果进一步表明,除了常规的商业分类外,胚乳类型也会影响籽粒的物理化学成分,进而决定其工业用途及附加值。高光谱曲线显示,样本中的缺陷含量越低,反射率越低,这一规律在软粒玉米和硬粒玉米中均存在。尽管不同类别的籽粒在光谱特征上存在差异,但它们的变化模式仍有一定相似性,这体现了结合高光谱曲线与主成分分析技术用于区分和评估籽粒质量的潜力。混淆矩阵显示所有类别的识别准确率都很高。由此可见,近红外光谱技术与高光谱传感器分析相结合,可以有效评估籽粒质量,并帮助识别与缺陷相关的特征。支持向量机在分类软粒玉米和硬粒玉米方面表现最佳,其在各项精度指标上的数值都非常接近100%,其中CC指标为100%,Kappa指标为0.98,F分数指标为0.99,因此是最适合用于分类的算法。在籽粒储存过程中采用这种非破坏性的间接分析技术,相比传统的籽粒分类方法具有诸多优势,比如分析时间更短、精度更高、能消除主观因素的影响,还能提升最终产品的价值。该技术的应用有助于在储存仓中对籽粒进行分类管理,提高运营效率,增强可追溯性,同时满足市场对质量标准的要求。

引言

玉米(Zea mays L.)在世界各地都有种植,主要用途是生产籽粒和饲料。全球玉米年产量超过10亿吨,是全球消费量最高的谷物之一。巴西的玉米产量位居世界第三,2023/2024收获季的产量约为1.31亿吨(FAO,2023年数据)。随着全球玉米产量的持续增长,有必要在采后环节加大投入,重点完善籽粒入库时的采样、均匀化处理以及质量检测流程(Ziegler等人,2021年)。在这种背景下,非破坏性技术作为一种简单、快速、经济且样品制备要求低的手段,逐渐被应用于籽粒分类过程中的质量间接评估。与传统分类方法相比,非破坏性技术无需专业技术人员,成本更低,耗时更少,而且通常不需要使用化学试剂或溶剂,从而避免了操作过程中产生的废弃物(Parrenin等人,2024年;Patel等人,2024年)。
为满足人们对快速、可持续的籽粒物理分类分析的需求,光学间接测量方法逐渐成为一种高效的替代方案(Bevilacqua等人,2013年)。在这些方法中,近红外光谱技术已在农业和食品行业中得到广泛应用,尤其用于产品如籽粒(Bilhalva等人,2025年)、种子、面粉、水果、蔬菜、饮料以及其他多种农产工业产品的质量控制与特性分析(Bhardwaj等人,2015年)。近红外光谱技术是基于化学键如O-H、C-H、N-H的分子振动会对辐射能量产生吸收这一原理,从而能够同时测定多种物理化学成分。在籽粒研究中,可以通过该技术测定水分、淀粉、粗蛋白、脂质、粗纤维和灰分等含量,相关研究已针对煮熟米和精米(Bilhalva等人,2025年)、精米和糙米(Martens等人,2023年;Moraes等人,2023年)、大豆(Leal等人,2025年)以及玉米(Bilhalva等人,2023年;Rodrigues等人,2024年;Moraes等人,2025年)开展过研究。此外,该技术还可用于测定氨基酸、脂肪酸和酚类等其他类型的化合物(Bhardwaj等人,2015年)。
另一种值得关注的光学间接测量方法是高光谱传感器,它能够生成具有高维度、大数据量以及非线性复杂特性的数据。这项技术在农业科学领域具有很大的应用前景。当与反射光谱技术结合使用时,高光谱传感器可以获取电磁波谱中数百个连续的波段,且具备较高的空间分辨率和光谱分辨率(Grewal等人,2023年;Patel等人,2024年)。这类技术是通过测量样品反射的电磁能量来工作的,所覆盖的光谱区域包括可见光区(Vis——波长为350到700纳米)、近红外区(NIR——波长为700到1300纳米)以及短波红外区(SWIR——波长为1300到2500纳米)(Oliveira等人,2024a年)。光谱响应是由原子和分子中的电子与振动相互作用产生的,这些物质会根据自身的化学和物理结构有选择地吸收能量,从而形成被分析材料的独特光谱反射曲线(Grewal等人,2023年)。
多项研究表明,高光谱数据在实现对谷物和豆类的非破坏性、精准分析方面具有巨大潜力。Wu等人(2019年)利用高光谱数据在975–1646纳米波长范围内评估了四种燕麦品种的健康状况。Liang等人(2020年)运用该技术检测小麦籽粒及面粉中的脱氧雪腐镰刀菌烯醇含量,检测范围涵盖了可见光-近红外-短波红外光谱波段。Zhang和Guo(2020年)则利用可见光-近红外波段的光谱数据测定玉米种子中的水分含量。Oliveira等人(2024b年)借助高光谱数据根据种子的生理质量区分不同的大豆基因型。
不过,间接测量方法会产生极其复杂的光谱数据,因此有必要运用相关技术来挖掘这些数据中的信息,从而为决策提供有力支持。Silva等人(2024a年)指出,机器学习等技术既可以用于高光谱数据的采集,也可以用于数据处理。分类是机器学习算法的主要应用场景之一,这类算法会基于已知数据训练模型,以此识别模式并对新样本进行分类(Karakatic和Podgorelec,2016年)。由于不同算法在不同应用场景下的性能存在差异,因此需要测试多种算法,选出最适合该分类任务的算法(Lutz和Coradi,2022年;Santana等人,2023年)。与此同时,主成分分析等多变量统计分析方法也被用来降低数据的维度,便于直观呈现数据结构,识别相似的样本,以及发现可能存在的异常样本(Souza和Poppi,2012年)。
鉴于在籽粒储存环节需要更高效的玉米籽粒分类方法,将非破坏性技术与机器学习模型及多变量统计分析相结合,可以实现快速、精准且大规模的分析,从而实现玉米籽粒的自动化分类。基于此,本研究的目标为:(一)利用近红外光谱技术,测定并比较不同分类类型(I型、II型、III型以及非典型类型)和不同类别(软粒玉米和硬粒玉米)玉米籽粒的物理化学成分;(二)依据2011年12月22日发布的第60号规范要求,使用高光谱传感器分析软粒玉米和硬粒玉米不同分类类型在光谱特征上的差异;(三)根据三项精度指标的检测结果,确定最适合用于这些分类类型识别的算法模型。

章节节选

实验描述

本实验使用了来自不同品种的完整玉米籽粒样本,这些样本被分为软粒玉米组和硬粒玉米组。这些样本是在圣玛丽亚联邦大学卡肖埃拉杜苏尔校区的农产品采后实验室(LAPOS)中通过人工方式进行分类的。实验中首先将健康的籽粒与有缺陷的籽粒分开,所发现的缺陷包括烧焦、皱缩或未成熟的籽粒,以及发酵、发芽、粉质过硬、发霉的籽粒等。

近红外光谱分析

分析结果显示,在5%的误差概率水平下(p < 0.05),按商业分类标准划分的I型、II型、III型以及非典型类型玉米籽粒,再进一步分为硬粒玉米组和软粒玉米组后,其水分含量、粗蛋白含量、脂质含量、粗纤维含量和灰分含量之间存在显著差异。这一结果说明,这两个因素共同影响着玉米籽粒的物理化学成分。
在对玉米籽粒物理化学质量参数的平均分析结果中

结论

根据近红外光谱分析的结果可知,在所有分类类型中,非典型硬粒玉米籽粒的水分含量最高,而软粒玉米在粗蛋白、脂质和粗纤维含量方面则表现最为突出。两组玉米的I型和II型籽粒的淀粉含量最高。虽然两组玉米的灰分含量差异较为细微,但在部分分类类型中,软粒玉米的灰分含量略高。这些结果进一步证实了

作者贡献说明

Rosana Santos de Moraes:撰写——审稿与编辑,撰写——初稿,数据可视化,结果验证,软件应用,方法设计,实验研究,正式数据分析,数据整理,概念构建。Nairiane dos Santos Bilhalva:撰写——审稿与编辑,撰写——初稿,数据可视化,结果验证,软件应用,方法设计,实验研究,正式数据分析,数据整理。Marisa Menezes Leal:撰写——审稿与编辑,撰写——初稿,数据可视化,结果验证,软件应用,

资金支持

作者感谢CAPES(高等教育人员发展协调委员会)提供的资金支持——项目编号为001,CNPq(国家科学技术发展委员会)提供的资金支持——项目编号为304966/2023-1,以及FAPERGS-RS(南里奥格兰德州研究支持基金会)提供的资金支持——项目编号为24/2551-0001150-1,这些资助帮助完成了本研究项目以及相关实验的开展。

利益冲突声明

作者声明在本次研究中不存在任何利益冲突。

致谢

作者衷心感谢圣玛丽亚联邦大学采后实验室、采后创新:技术、质量与可持续发展研究小组,帕索丰多大学谷物实验室,以及南马托格罗索联邦大学在本次研究项目中所给予的帮助与支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号