小麦是我国重要的粮食作物和主要的口粮来源,保证小麦品质对于保障国家粮食安全和小麦产业可持续发展具有重要意义[1]。小麦品质是指小麦的内在特性和使用价值,其不仅影响小麦加工产品的质量和口感,还关系消费者的接受度和市场竞争力[2]。目前,小麦品质检测技术包括传统检测技术和现代无损检测技术。传统方法主要通过物理或化学方法对相关指标测定分析,但多数方法需进行破坏性处理,操作复杂、费时费力且易受外部因素干扰,无法满足现场流通中的快速检测需求[3],如运用高效液相色谱法测定小麦的营养组分或真菌毒素含量时,需经历样品制备、预处理、色谱分析等环节,检测周期较长,同时需要专业的技术人员操作[4]。因此,无损快速检测是目前粮食行业大力提倡的检测方向,也是相关科学研究领域重点关注的问题之一。
随着科技的进步,传统检测技术与光谱技术、信息化技术等融合发展形成的现代无损检测技术提高了小麦品质检测的准确性、高效性和便捷性,在粮食行业逐渐被推广应用[5-6]。常见的无损检测技术包括成像技术、电子感官[7]、生物传感器[8]等。高光谱成像技术(hyperspectral imaging technology, HSI)是一种结合数字成像与光谱分析的技术,能全面获取被检测样品的图像和光谱信息,实现样品组分和理化性质的可视化。HSI在进行定性分析或定量检测的同时较好地保持了样品的完整性,在小麦等谷物检测领域逐渐推广应用,并取得良好的研究成果[9-10]。本文综述了近年来HSI在小麦品质检测领域的应用研究进展,主要包括质量和生理生化指标、营养成分、品种鉴别、品质安全和病害监测等方面,基于目前的研究进展进行总结与展望,以期为小麦品质检测研究提供一定参考。
HSI系统主要由高光谱成像仪、光源、光学镜头、相机升降台、电控移动平台、计算机及控制软件等组成(图1)[11]。其基本原理是利用光谱成像仪对样品在紫外(ultraviolet, UV)、可见光(visible light, VIS)、近红外(near infrared, NIR)和中红外(middle infrared, MIR)等光谱范围连续扫描成像,收集每个像素点的光谱信息,生成三维数据立方体,对获取的数据处理分析,并建立预测模型进行品质分析[12-13]。
1-电控移动平台;2-样品;3-相机升降台;4-高光谱成像仪;5-镜头;6-光源;7-计算机
图1 高光谱成像系统示意图[11]
Fig.1 Schematic diagram of hyperspectral imaging system[11]
1.2.1 光谱预处理
利用HSI检测样品时,收集的样品原始数据通常存在许多干扰信息,需进行光谱预处理提高光谱数据质量。常用的光谱预处理方法有一阶导数(first derivative, FD)、多元散射校正(multivariate scattering correction, MSC)、标准化(autoscales, Aut)、正交信号校正(orthogonal signal correction, OSC)、标准正态变量变换(standard normal variate, SNV)、卷积平滑导数法(savitzky-golay, SG)等[14]。
1.2.2 特征波长提取
HSI建模分析最明显的特点之一是光谱信息丰富,但采用全部波长建模时,计算量大且效率低,增加了后期分析和处理的难度,常在建模前对原始数据进行特征波长提取。常用的特征波长选择方法有主成分分析(principal components analysis, PCA)、遗传算法(genetic algorithm, GA)、随机蛙跳(interval random frog, iRF)、无信息变量消除(uniformative variable elimination, UVE)、包络线去除法(continuum removal, CR)、连续投影算法(successive projections algorithm, SPA)等[15-16]。
1.2.3 建模
基于HSI信息建立预测模型是实现定性分析或定量检测自动高效化的关键,将获取的图谱数据与数学模型相统一,可实现小麦样品的快速检测。常用的建模方法有偏最小二乘法回归(partial least square regression, PLSR)、支持向量机(support vector machine, SVM)、人工神经网络模型(artificial neural network, ANN)、偏最小二乘模型(partial least squares, PLS)、反向传播神经网络(back-propagation neural network, BPNN)模型、偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA)等[17]。
小麦质量指标的快速检测是粮食领域的研究热点之一,常见的质量指标包括水分含量、硬度、杂质和不完善粒含量等。朱洁[18]基于小麦籽粒的HSI信息建立相关系数(correlation coefficient, R)为0.90的PLSR模型对单粒小麦水分含量定量预测,获得单粒小麦的水分分布图。ERKINBAEV等[19]结合HSI与预测算法建立了PLS和ANN回归模型,其预测集决定系数(coefficient of determination of cross-validation, R2p)分别为0.80和0.90。刘鹏[20]基于HSI技术利用“光谱”、“形态+纹理”和“光谱+形态+纹理”3种特征结合方式对7种麦粒样本建立特征空间,构建的Mobile Net V2网络模型对小麦不完善粒的识别准确率为97.88%。陈丰农[21]利用高光谱仪器在400~1 000 nm识别不同类型小麦和杂质,构建的SVM模型对小麦并肩杂识别率高达99.34%。李佳琮等[22]采用高光谱技术检测小麦粉灰分含量,运用SNV和SPA方法,构建的最佳预测模型为深度极限学习机(deep extreme learning machines, DELM)模型,其R2p为0.968。LI等[23]提出一种基于NIR-HSI技术的小麦灰分识别方法,利用SPA提取16个特征波长建立深度卷积生成对抗网络(deep convolution generative adversarial networks, DCGAN)、卷积神经网络(convolutional neural network, CNN)、决策树(decision tree, DT)和SVM模型,其中DCGAN和CNN的联合模型R2p为0.989,具有良好性能。
收获后的小麦在储藏陈化过程中会伴随一系列生理生化变化,因此小麦的生理生化指标在一定程度上反映其品质的好坏。张晓[11]在不同小麦陈化过程中过氧化氢酶(catalase, CAT)活性、脂肪酸值和面筋吸水率变化规律的基础上,利用HSI技术结合FD、MSC和SNV等方法建立BPNN模型和SVM模型,最优模型的R2p分别为0.966 4、0.920 7和0.642 5。ZHANG等[24]为准确判断小麦新陈程度,采集850~1 700 nm光谱信息建立小麦CAT定量预测模型,基于全波段的FD-SVM模型具有最佳预测性能。潘运宇[25]对发芽小麦及其α-淀粉酶活性进行研究,建立的SVM模型对小麦发芽粒识别率高达96.43%。ZHANG等[26]建立PLS-DA和SVM模型识别种子活力,最优模型为PLS-DA模型,其分类精度为89.5%。在此基础上,ZHANG等[27]对小麦种子的发芽率(germination rate, GR)、发芽能(germination energy, GE)和活力指数(vitality index, VI)进行研究,最优模型均为偏最小二乘法回归(partial least square regression, PLSR)模型,并生成GR、GE和VI的化学分布图。刘光耀[28]利用HSI技术建立PLSR、PCR和MSR模型用以预测18种小麦的GE、GR、VI和发芽指数(germination index, GI)指标,结果表明,基于HSI信息建立的PLSR模型对种子活力预测更准确,4种指标模型的R2p均大于0.8,为HSI检测小麦种子品质方面提供了技术参考[28]。
蛋白质、淀粉和脂肪是小麦籽粒的主要营养物质,会直接或间接影响小麦的加工品质及小麦制品的口味和风味。CAPORASO等[29]应用HSI确定单粒小麦籽粒的蛋白质分布,获得R2p大于0.8且误差小于1%的PLSR模型,能较好可视化单粒小麦的蛋白质分布。周星宇等[30]利用可见光和近红外高光谱图像对78种小麦样本分析蛋白质含量,通过梯度下降(gradient descent, GD)、莱文贝格-马夸特法(levenberg marquardt, LM)等4种算法建立BPNN模型,最优模型的预测决定系数为0.892 8。张志勇等[31]利用高光谱遥感技术预测冬小麦籽粒蛋白质含量,测定开花期叶片叶绿素含量(soiland plant analyzer development, SPAD)、叶片干物质质量(leaf dry matter content, LDWC)等9个特征参数及小麦冠层光谱数据构建PLS模型,所得结果R2p与预测均方根误差(root mean square error of prediction,RMSEP)分别为0.99和4.10%。张豆豆[32]同样利用高光谱遥感技术建立基于光谱参数-农学参数-小麦蛋白质含量的监测模型,其中y=-4.19+20.86x-14.2x2,x为归一化植被指数NDVI(800, 670)模型监测效果最好。
韩文杰[33]基于350~2 500 nm高光谱信息采用多种预处理和建模方法分析小麦的营养品质相关性,小麦蛋白质、淀粉和脂肪含量最佳预测模型的R2p均大于0.8。HU等[12]基于高光谱技术建立PSLR模型对小麦籽粒和面粉中Ca、Mg、Mo和Zn等微量营养素进行预测,准确率可达0.82,且小麦籽粒比小麦粉的预测效果更好。张静[34]基于NIR-HSI技术采用区间变量迭代空间收缩(interval variable iterative space shrinkage approach, IVISSA)、迭代保留信息变量算法(iteratively retains informative variables, IRIV)等9种不同预处理算法构建PLSR、主成分回归(principal component regression, PCR)、支持向量回归(support vector regression, SVR)和多元线性回归(multiple linear regression, MLR)模型检测蛋白质和淀粉含量,R2p均大于0.9。吴静珠等[35]采集不同小麦样本的高光谱图像,建立水分、蛋白质和湿面筋的PLS定量分析模型,同时采用NIR光谱技术建立模型进行对比,结果显示高光谱模型的各性能指标均优于近红外模型,其R2p分别为0.941 5、0.970 3和0.931 2。
品种纯度是评估小麦种子质量的关键指标之一,李国厚等[36]基于HSI技术提出一种注意力机制混合卷积网络模型(attention-based mix convolutional neural network, AMCNN)模型,对8种小麦种子的分类准确率达到97.92%,与K近邻算法(k nearest neighbor, KNN)、残差网络(residual network, ResNet)等7种模型对比效果良好。阙昊天[37]利用高光谱仪器采集样本光谱信息,采用iRF和CR方法提取最优波长,构建的CNN模型对8类小麦种子识别效果最佳,准确率为95.53%。基于先前研究,阙昊天等[38]针对大批量种子检测问题,采用CR算法结合Ghost模块、Mobile Net V2模块压缩架构建立CNN分类模型,检测时间为原先的9.50%~12.87%,分类精度最高可达96.13%,表现出良好的分类预测能力。
朱潘雨等[39]基于高光谱信息建立PLS-DA模型检测小麦种子纯度,识别率为96.5%,并设计出种子纯度的快速检测系统。在此基础上,朱潘雨等[40]采用少数类过采样技术(synthetic minority oversampling technique, SMOTE)、UVE方法建立SVM模型,对5类小麦种子纯度的平均准确率可达95.98%。ZHANG等[41]获取4类小麦866.4~1 701.0 nm的高光谱数据,采用Aut、MSC和PCA方法处理并建立PLS-DA、KNN和SVM模型,其中SVM模型平均精度为96%,并可视化4种小麦籽粒的分类效应图。BAO等[42]运用高光谱仪器对5种小麦采集光谱图像,基于全波长和特征波长建立线性判别分析(linear discriminant analysis, LDA)、SVM和极限学习机(extreme learning machine, ELM)模型,结果显示全波长的ELM模型性能最高,为91.3%。其他4个研究组[43-46]同样采用HSI技术对不同数量和品种的杂交小麦籽粒进行分类,在400~1 000 nm进行光谱预处理和特征波长提取,建立的模型分类精度在92.29%~97.64%,证明了HSI进行小麦品种鉴定和混合比检测的可行性。
小麦的品质安全一直备受人们关注,HSI可用于评估小麦存在的安全隐患和风险,帮助人们提前采取预防措施,防止食品安全事故的发生。目前,HSI已应用于快速检测小麦掺假、真菌及真菌毒素等方面[47]。陈锦超[48]利用高光谱技术检测小麦粉中低浓度的滑石粉和过氧化苯甲酰,其中40目和50目过氧化苯甲酰检测效果最佳。ZHENG等[49]采集HSI光谱信息建立多粒度级联森林(multi-grained cascade forest, gcForest)模型检测花生和核桃中的过氧化苯甲酰,将有效波长与自适应卷积神经网络(self-attention convolution neural network, SACNN)提取的图像特征融合,构建模型的准确率大于92.45%。李斌等[50]基于HSI技术对蛋白粉中的玉米粉、大米粉和小麦粉三类掺假物进行定性和定量检测,随机森林(random forest, RF)模型的定性识别准确率可达100%,而最小二乘支持向量机(least squares support vector machines, LSSVM)模型在定量预测方面效果最佳,对应R2p分别为0.991 0、0.994 6和0.999 1。
SUN等[51]结合HSI技术和化学计量法对黄曲霉、青曲霉、寄生曲霉、赭曲霉和禾谷镰刀菌的生长时间进行定量预测,构建的PLS和SVM预测模型决定系数均超过0.82。LIU等[52]利用高光谱成像系统监测小麦籽粒中禾谷镰刀菌的生长和侵染程度,建立的BPNN模型准确率达到100%,可用于鉴别被侵害籽粒。方洪刚[53]采集900~2 500 nm高光谱信息研究小麦籽粒中赭曲霉的生长时间模型,SNV-SPA-SVM模型准确率为94.64%,性能最优。SENTHILKUMAR等[54]基于NIR-HSI技术检测小麦中青曲霉和赭曲霉侵染程度,LDA、二次判别分析(quadratic discriminant analysis, QDA)和马氏距离判别分析(Mahalanobis)3种模型能够准确区分不同侵染阶段的小麦,准确率均超过95%。
脱氧雪腐镰刀菌烯醇(deoxynivalenol,DON)是小麦中检出率最高、危害最严重的真菌毒素之一,ALISAAC等[47]使用高光谱图像研究禾谷镰刀菌、燕麦镰孢菌和梨孢镰刀菌感染的小麦籽粒和面粉,揭示了受感染籽粒的光谱数据与相应面粉、真菌DNA和DON毒素之间的相关性。丁静等[55]采用SPA和区间组合优化(index clear optimize, ICO)方法建立PLSR、MLR和SVR模型评估小麦中DON污染程度,其中MLR模型的R2p为0.921,预测效果最优。LIANG等[56]同样利用Vis-NIR和SWIR高光谱成像系统对小麦籽粒和小麦粉中DON含量进行研究,采用GA算法构建了堆栈自编码器(stacked autoencoder, SAE)模型,结果显示小麦籽粒和小麦粉的检出准确率分别为100%和96%。张静[34]利用光谱特征、纹理特征和光谱纹理融合特征建立了多个分类模型以识别小麦粉中DON污染程度,其中,基于光谱特征构建的自举软缩减法-簇类独立软模式法(bootstrapping soft shrinkage-soft independent modeling of class analogies, BOSS-SIMCA)展现出最佳的预测性能,识别准确率达到了92%。
小麦病害如赤霉病(Fusarium head blight, FHB)、腥黑穗病等会影响小麦的营养价值和加工品质,同时威胁人体健康,HSI可用于病害的早期预警。梁琨等[57]利用高光谱仪器采集357~1 016 nm的光谱信息,建立的序列融合光谱+ResNet 50模型准确率为93.89%,有效解决了小麦轻度腥黑穗病籽粒与健康籽粒混淆问题。HUANG等[58]基于小麦的高光谱图像特征和光谱信息,构建的PSO-SVM融合模型在识别FHB方面表现最佳,准确率为92%。ZHANG等[59]采集了374~1 050 nm的高光谱数据,用于开发新的镰刀菌病指数(Fusarium head blight disease index, FDI)。与其他16个指数相比,FDI在确定FHB程度方面展现更强的能力,其R2p>0.90。GUO等[60]基于HSI信息提取的6个最佳波段(optimum waveband, OW)、4个指数(vegetation indices, VI)和4个纹理特征(textural features, TF)建立模型,其中VI和TF的组合模型准确性可达95.8%,为HSI监测小麦病害方面提供了重要支持。
韩凯旋[61]利用高光谱图像结合残差注意力卷积神经网络(residual attention convolution neural network, RACNN)和架构自搜索深度网络(architecture self-search deep network, ASSDN)模型识别小麦FHB,准确率分别为98.13%和98.31%。孙嘉玥[62]基于2种FHB小麦高光谱图像构建的YOLOv5s算法能有效检测感染小麦,R2p为0.80。在此基础上,通过增加注意力机制调整改进,建立的YOLOv5s-TR-EIo U模型的R2p提升至0.85,并设计了小麦FHB检测系统。冯子恒等[63]利用高光谱仪器采集了不同时期小麦冠层的光谱数据,利用PLSR、岭回归(ridge regression, RR)和高斯过程回归(Gaussian process regression, GPR)建立小麦白粉病病情指数(powdery mildew disease index, pmDI)监测模型,其中FD-GPR模型展现出良好的估算能力,其R2p为0.805。基于先前研究,FENG等[64]采用多种预处理和特征提取方法建立了PLSR、SVR和RF模型检测小麦pmDI,结果显示RF模型性能最好,相比先前的FD-GPR模型,R2p提高了5.84%,提高了小麦白粉病的监测精度。
HSI在小麦品质检测方面展现出一定潜力和优势,但实际应用中仍存在一些问题和挑战。HSI应用于小麦品种鉴别时存在局限性和稳定性差等问题,预测模型通常基于特定的数据集和实验条件,由于种植区域差异、生产年份不同、储存条件变化以及运输和流通环境多样性的影响,小麦样本间的光谱特性会产生波动,增加了HSI建模的复杂性和不稳定性[13]。我国小麦生产是典型的小规模农户生产模式,市场上流通小麦多为混合小麦,而科学研究中采用的小麦多为纯种小麦,因此在实际应用中应充分考虑环境因素,并针对流通小麦的实际情况采取措施进行校正。
HSI在检测小麦籽粒蛋白质、硬度、微量营养素等理化指标方面已取得一定成果,但对容重、降落数值、稳定时间等质量和生理生化指标以及矿物质、维生素等方面的研究仍然不足,高光谱成像技术的适用范围有待进一步扩大。HSI包含大量光谱信息和图像信息,能否快速筛选关键成分会影响后续建模过程;处理过程需要研究者具备一定数据处理和分析能力,同样限制HSI检测小麦的效率[14]。此外,目前HSI系统的采购成本高、设备体积大,无法满足流通环节中的现场实时检测需求,且具备高空间和光谱分辨率的系统成本更高,后期需进一步改进优化和降低成本。
随着科学技术的发展进步,HSI在小麦品质检测中的应用将迎来更广阔的发展前景。高精度和便携式高光谱仪器是HSI技术优化改进的新方向。通过采用更小尺寸、更高集成度的光学元件,优化光谱仪的模块化设计,并利用更先进的探测器技术,能进一步提高光谱分辨率和空间分辨率、减小仪器的体积和质量,从而满足流通环节现场实时检测的要求[13]。针对数据处理问题,利用多核处理器、GPU加速或分布式计算集群,将大数据量的处理任务分解为多个小任务并行处理,同时融合云计算与边缘计算,以提高数据处理的速度和效率。数据存储和传输方面,利用光纤、5G等高速网络技术传输数据,采用自适应压缩算法等数据编码和压缩技术,减少存储空间的占用。
HSI与其他技术融合创新是未来的发展趋势。虚拟现实(virtual reality, VR)和增强现实(augmented reality, AR)技术为HSI技术的应用提供新的可能性,将光谱数据转化为VR/AR场景元素,能在虚拟环境直观查看和分析物体的光谱特性[65];HSI与NIR、激光雷达(light laser detection and ranging, LiDAR)等技术结合能实现多模态数据的融合处理,提高整体检测水平和应用效果。例如HSI与荧光光谱技术结合可用于探究小麦在逆境胁迫下多糖物质的响应情况[66];NIR-HSI技术是检测小麦粉中滑石粉和过氧化苯甲酰掺假的有效手段[48]。高光谱成像技术与无人机技术结合也是新研究方向之一。无人机搭载高光谱成像仪具有机动灵活、时效性高等优点,能快速获取农作物的光谱图像用以监测其生长及病虫害状况。例如,李军玲等[67]采用无人机获取的高光谱数据研究冬小麦叶面积指数(leaf area index, LAI)的动态变化,其中基于GF-1卫星的LAI反演模型相关系数达到0.787,可用于冬小麦的长势监测和估产。
高光谱成像技术在小麦品质检测中发挥了重要作用。通过获取不同波段光谱信息并结合图像处理技术,HSI实现了小麦品质的快速无损检测。目前,HSI主要应用于小麦蛋白质、淀粉、真菌毒素等指标的定量分析,以及小麦品种和病害的特性识别。展望未来,HSI在小麦品质检测领域将迎来更广阔的应用前景。利用HSI技术建模时,应充分考虑小麦自身和环境因素影响,建立小麦品质指标数据库,增强可比性和稳定性;数据处理方面,结合深度学习、云计算与边缘计算,提高数据处理分析效率;同时研制高精度、低成本、轻便易携的高光谱仪器,促进高光谱成像技术的推广和应用。随着技术的发展和完善,相信HSI将为小麦的生产加工提供更准确可靠的理论依据和技术支持。
[1] BANU K S, LERMA M, AHMED S U, et al.Hyperspectral microscopy- applications of hyperspectral imaging techniques in different fields of science:A review of recent advances[J].Applied Spectroscopy Reviews, 2024, 59(7):935-958.
[2] ABEDI E, POURMOHAMMADI K.Physical modifications of wheat gluten protein:An extensive review[J].Journal of Food Process Engineering, 2021, 44(3):e13619.1-e13619.28.
[3] 文静, 张昂, 马雯, 等.高光谱技术在葡萄品质无损检测应用上的研究进展[J].食品科学, 2024,45(21):357-367.
WEN J, ZHANG A, MA W, et al.Research progress on the application of hyperspectral technology in non-destructive testing of grape quality[J].Food Science, 2024,45(21):357-367.
[4] JANG Y R, BEOM H R, ALTENBACH S, et al.Improved method for reliable HMW-GS identification by RP-HPLC and SDS-PAGE in common wheat cultivars[J].Molecules, 2017, 22(7):1055.
[5] DHAKAL K, SIVARAMAKRISHNAN U, ZHANG X M, et al.Machine learning analysis of hyperspectral images of damaged wheat kernels[J].Sensors, 2023, 23(7):3523.
[6] WANG Y L, OU X Q, HE H J, et al.Advancements, limitations and challenges in hyperspectral imaging for comprehensive assessment of wheat quality:An up-to-date review[J].Food Chemistry:X, 2024, 21:101235.
[7] 邓淼磊, 陈斯, 李磊, 等.智能感官技术在储藏小麦品质评价中的研究进展[J].中国粮油学报, 2022, 37(6):36-44.
DENG M L, CHEN S, LI L, et al.Research progress of intelligent sensory technology in quality evaluation of stored wheat[J].Journal of the Chinese Cereals and Oils Association, 2022, 37(6):36-44.
[8] SUN Y J, SONG S S, WU A H, et al.A fluorescent paper biosensor for the rapid and ultrasensitive detection of Zearalenone in corn and wheat[J].Analytical Methods, 2021, 13(35):3970-3977.
[9] LIANG D X, ZHOU Q Y, LING C J, et al.Research progress on the application of hyperspectral imaging techniques in tea science[J].Journal of Chemometrics, 2023, 37(6).DOI:10.1002/cem.3481.
[10] ZHU M, HUANG D, HU X J, et al.Application of hyperspectral technology in detection of agricultural products and food:A Review[J].Food Science &Nutrition, 2020, 8(10):5206-5214.
[11] 张晓. 基于高光谱成像技术小麦新陈度的快速检测方法研究[D].郑州:河南工业大学, 2021.
ZHANG X.Study on rapid detection method of wheat freshness based on hyperspectral imaging technology[D].Zhengzhou:Henan University of Technology, 2021.
[12] HU N Y, LI W, DU C H, et al.Predicting micronutrients of wheat using hyperspectral imaging[J].Food Chemistry, 2021, 343:128473.
[13] XING F G, YAO H B, LIU Y, et al.Recent developments and applications of hyperspectral imaging for rapid detection of mycotoxins and mycotoxigenic fungi in food products[J].Critical Reviews in Food Science and Nutrition, 2019, 59(1):173-180.
[14] ZHU J W, LI H, RAO Z H, et al.Identification of slightly sprouted wheat kernels using hyperspectral imaging technology and different deep convolutional neural networks[J].Food Control, 2023, 143:109291.
[15] 杨杰锴, 郭志强, 黄远.高光谱成像在蔬菜性状无损检测中的研究进展[J].激光与光电子学进展, 2022, 59(10):1000002.
YANG J K, GUO Z Q, HUANG Y.Research progress of hyperspectral imaging in nondestructive testing of vegetable traits[J].Laser &Optoelectronics Progress, 2022, 59(10):1000002.
[16] 何馥娴, 蒙庆华, 唐柳, 等.高光谱成像技术在水果品质检测中的研究进展[J].果树学报, 2021, 38(9):1590-1599.
HE F X, MENG Q H, TANG L, et al.Research progress in hyperspectral imaging technology for fruit quality detection[J].Journal of Fruit Science, 2021, 38(9):1590-1599.
[17] 罗欣. 高光谱成像技术在火腿品质检测中的应用进展[J].现代食品, 2023, 29(3):16-19.
LUO X.Application progress of hyperspectral imaging technology in detection of ham quality[J].Modern Food, 2023, 29(3):16-19.
[18] 朱洁. 基于高光谱的单粒软硬麦鉴别及水分预测方法[D].重庆:西南大学, 2020.
ZHU J.Identification and moisture prediction method of single soft and hard wheat based on hyperspectral data[D].Chongqing:Southwest University, 2020.
[19] ERKINBAEV C, DERKSEN K, PALIWAL J.Single kernel wheat hardness estimation using near infrared hyperspectral imaging[J].Infrared Physics &Technology, 2019, 98:250-255.
[20] 刘鹏. 基于高光谱成像的小麦不完善粒识别研究[D].郑州:华北水利水电大学, 2021.
LIU P.Study on identification of wheat incomplete grains based on hyperspectral imaging[D].Zhengzhou:North China University of Water Resources and Electric Power, 2021.
[21] 陈丰农. 基于机器视觉的小麦并肩杂与不完善粒动态实时检测研究[D].杭州:浙江大学, 2012.
CHEN F N.Research on dynamic real-time detection of wheat side-by-side miscellaneous and imperfect grains based on machine vision[D].Hangzhou:Zhejiang University, 2012.
[22] 李佳琮, 谷晏, 刘翠玲, 等.基于高光谱技术检测小麦粉灰分含量[J].食品安全质量检测学报, 2023, 14(5):60-67.
LI J C, GU Y, LIU C L, et al.Detection of ash content in wheat flour based on hyperspectral technology[J].Journal of Food Safety & Quality, 2023, 14(5):60-67.
[23] LI H, ZHANG L, SUN H, et al.Discrimination of unsound wheat kernels based on deep convolutional generative adversarial network and near-infrared hyperspectral imaging technology[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2022, 268:120722.
[24] ZHANG Y R, LU G Q, ZHOU X Q, et al.Non-destructive hyperspectral imaging for rapid determination of catalase activity and ageing visualization of wheat stored for different durations[J].Molecules, 2022, 27(24):8648.
[25] 潘运宇. 基于高光谱成像技术的小麦发芽状态研究[D].郑州:河南工业大学, 2021.
PAN Y Y.Study on wheat germination state based on hyperspectral imaging technology[D].Zhengzhou:Henan University of Technology, 2021.
[26] ZHANG T T, WEI W S, ZHAO B, et al.A reliable methodology for determining seed viability by using hyperspectral data from two sides of wheat seeds[J].Sensors, 2018, 18(3):813.
[27] ZHANG T T, FAN S X, XIANG Y Y, et al.Non-destructive analysis of germination percentage, germination energy and simple vigour index on wheat seeds during storage by Vis/NIR and SWIR hyperspectral imaging[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2020, 239:118488.
[28] 刘光耀. 基于高光谱技术的小麦种子无损活力检测[D].杨凌:西北农林科技大学, 2022.
LIU G Y.Nondestructive vigor detection of wheat seeds based on hyperspectral technology[D].Yangling:Northwest A &F University, 2022.
[29] CAPORASO N, WHITWORTH M B, FISK I D.Protein content prediction in single wheat kernels using hyperspectral imaging[J].Food Chemistry, 2018, 240:32-42.
[30] 周星宇, 姜洪喆, 蒋雪松, 等.小麦质量指标可见/近红外光谱动态检测方法研究[J].中国粮油学报, 2022, 37(3):157-162.
ZHOU X Y, JIANG H Z, JIANG X S, et al.Prediction of wheat key quality parameters by visible/near infrared spectroscopy under dynamic condition[J].Journal of the Chinese Cereals and Oils Association, 2022, 37(3):157-162.
[31] 张志勇, 樊泽华, 张娟娟, 等.小麦籽粒蛋白质含量高光谱遥感预测模型比较[J].河南农业大学学报, 2022, 56(2):188-198.
ZHANG Z Y, FAN Z H, ZHANG J J, et al.Comparison of hyperspectral remote sensing prediction models for wheat grain protein content[J].Journal of Henan Agricultural University, 2022, 56(2):188-198.
[32] 张豆豆. 基于无人机高光谱的小麦籽粒蛋白质含量监测研究[D].泰安:山东农业大学, 2021.
ZHANG D D.Monitoring of protein content in wheat grain based on UAV hyperspectrum[D].Taian:Shandong Agricultural University, 2021.
[33] 韩文杰. 基于高光谱技术的冬小麦籽粒营养品质的定量估算研究[D].太谷:山西农业大学, 2022.
HAN W J.Quantitative estimation of nutritional quality of winter wheat grain based on hyperspectral technology[D].Taigu:Shanxi Agricultural University, 2022.
[34] 张静. 基于高光谱成像技术的面粉品质无损检测研究[D].淄博:山东理工大学, 2023.
ZHANG J.Study on nondestructive testing of flour quality based on hyperspectral imaging technology[D].Zibo:Shandong University of Technology, 2023.
[35] 吴静珠, 刘倩, 陈岩, 等.基于近红外与高光谱技术的小麦种子多指标检测方法[J].传感器与微系统, 2016, 35(7):42-44.
WU J Z, LIU Q, CHEN Y, et al.Multi-index detection method of wheat seed based on NIR and hyperspectrum technology[J].Transducer and Microsystem Technologies, 2016, 35(7):42-44.
[36] 李国厚, 李泽旭, 金松林, 等.混合卷积神经网络用于高光谱小麦品种鉴别[J].光谱学与光谱分析, 2024, 44(3):807-813.
LI G H, LI Z X, JIN S L, et al.Mix convolutional neural networks for hyperspectral wheat variety discrimination[J].Spectroscopy and Spectral Analysis, 2024, 44(3):807-813.
[37] 阙昊天. 基于深度神经网络的小麦品种高光谱图像识别[D].无锡:江南大学, 2023.
QUE H T.Hyperspectral image recognition of wheat varieties based on deep neural network[D].Wuxi:Jiangnan University, 2023.
[38] 阙昊天, 赵鑫, 黄敏, 等.基于特征波段卷积神经网络的小麦种子品种分类研究[J].中国粮油学报, 2023, 38(5):141-148.
QUE H T, ZHAO X, HUANG M, et al.Research of convolution neural network based on hyperspectral characteristic band in wheat seed varieties classification[J].Journal of the Chinese Cereals and Oils Association, 2023, 38(5):141-148.
[39] 朱潘雨, 方雯昕, 黄敏, 等.基于高光谱图像的小麦种子纯度/含水量检测系统[J].计算机测量与控制, 2023, 31(4):76-82.
ZHU P Y, FANG W X, HUANG M, et al.Wheat seed purity or moisture content detection system based on hyperspectral images[J].Computer Measurement &Control, 2023, 31(4):76-82.
[40] 朱潘雨, 黄敏, 赵鑫.基于SMOTE-UVE-SVM的小麦种子纯度高光谱图像检测[J].激光技术, 2024, 48(2):281-287.
ZHU P Y, HUANG M, ZHAO X.Hyperspectral image detection of wheat seed purity based on SMOTE-UVE-SVM[J].Laser Technology, 2024, 48(2):281-287.
[41] ZHANG L, JI H Y.Identification of wheat grain in different states based on hyperspectral imaging technology[J].Spectroscopy Letters, 2019, 52(6):356-366.
[42] BAO Y D, MI C X, WU N, et al.Rapid classification of wheat grain varieties using hyperspectral imaging and chemometrics[J].Applied Sciences-Basel, 2019, 9(19):4119.
[43] ZHAO W, ZHAO X N, LUO B, et al.Identification of wheat seed endosperm texture using hyperspectral imaging combined with an ensemble learning model[J].Journal of Food Composition and Analysis, 2023, 121:105398.
[44] ZHANG H, HOU Q L, LUO B, et al.Detection of seed purity of hybrid wheat using reflectance and transmittance hyperspectral imaging technology[J].Frontiers in Plant Science, 2022, 13:1015891.
[45] JIANG X N, BU Y H, HAN L P, et al.Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning[J].Food Control, 2023, 150:109740.
[46] JIN S L, ZHANG W D, YANG P F, et al.Spatial-spectral feature extraction of hyperspectral images for wheat seed identification[J].Computers and Electrical Engineering, 2022, 101:108077.
[47] ALISAAC E, BEHMANN J, RATHGEB A, et al.Assessment of Fusarium infection and mycotoxin contamination of wheat kernels and flour using hyperspectral imaging[J].Toxins, 2019, 11(10):556.
[48] 陈锦超. 基于近红外高光谱成像技术的小麦粉掺杂检测研究[D].杭州:浙江理工大学, 2020.
CHEN J C.Study on detection of wheat flour doping based on near infrared hyperspectral imaging technology[D].Hangzhou:Zhejiang Sci-Tech University, 2020.
[49] ZHENG L, BAO Q, WENG S Z, et al.Determination of adulteration in wheat flour using multi-grained cascade forest-related models coupled with the fusion information of hyperspectral imaging[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2022, 270:120813.
[50] 李斌, 殷海, 张烽, 等.基于高光谱技术的蛋白粉掺假检测研究[J].光谱学与光谱分析, 2022, 42(8):2380-2386.
LI B, YIN H, ZHANG F, et al.Research on protein powder adulteration detection based on hyperspectral technology[J].Spectroscopy and Spectral Analysis, 2022, 42(8):2380-2386.
[51] SUN Y Y, YE Z M, ZHONG M H, et al.Rapid and nondestructive method for identification of molds growth time in wheat grains based on hyperspectral imaging technology and chemometrics[J].Infrared Physics &Technology, 2023, 128:104532.
[52] LIU W, HE L, XIA Y M, et al.Monitoring the growth of Fusarium graminearum in wheat kernels using multispectral imaging with chemometric methods[J].Analytical Methods, 2022, 14(2):106-113.
[53] 方洪刚. 基于高光谱成像技术小麦霉变籽粒快速无损检测方法的研究[D].淄博:山东理工大学, 2023.
FANG H G.Study on rapid nondestructive detection method of wheat moldy seeds based on hyperspectral imaging technology[D].Zibo:Shandong University of Technology, 2023.
[54] SENTHILKUMAR T, JAYAS D S, WHITE N D G, et al.Detection of fungal infection and Ochratoxin A contamination in stored barley using near-infrared hyperspectral imaging[J].Biosystems Engineering, 2016, 147:162-173.
[55] 丁静, 梁琨, 韩东燊, 等.基于ICO-SPA特征提取的近红外高光谱小麦赤霉病粒呕吐毒素含量预测[J].麦类作物学报, 2019, 39(7):867-876.
DING J, LIANG K, HAN D S, et al.Detection of vomiting toxin content in wheat scab seeds by near-infrared hyperspectral based on ICO-SPA feature extraction[J].Journal of Triticeae Crops, 2019, 39(7):867-876.
[56] LIANG K, HUANG J N, HE R Y, et al.Comparison of Vis-NIR and SWIR hyperspectral imaging for the non-destructive detection of DON levels in Fusarium head blight wheat kernels and wheat flour[J].Infrared Physics &Technology, 2020, 106:103281.
[57] 梁琨, 宋金鹏, 张驰, 等.基于校正光谱序列融合的小麦腥黑穗病籽粒分类方法[J].农业机械学报, 2024, 55(5):263-272.
LIANG K, SONG J P, ZHANG C, et al.Classification of common bunt of wheat kernels based on series fusion of scatter correction techniques[J].Transactions of the Chinese Society for Agricultural Machinery, 2024, 55(5):263-272.
[58] HUANG L S, LI T K, DING C L, et al.Diagnosis of the severity of Fusarium head blight of wheat ears on the basis of image and spectral feature fusion[J].Sensors, 2020, 20(10):2887.
[59] ZHANG D Y, WANG Q, LIN F F, et al.Development and evaluation of a new spectral disease index to detect wheat Fusarium head blight using hyperspectral imaging[J].Sensors, 2020, 20(8):2260.
[60] GUO A T, HUANG W J, YE H C, et al.Identification of wheat yellow rust using spectral and texture features of hyperspectral images[J].Remote Sensing, 2020, 12(9):1419.
[61] 韩凯旋. 高光谱成像结合深度学习的小麦籽粒品质分析[D].合肥:安徽大学, 2022.
HAN K X.Analysis of wheat grain quality by hyperspectral imaging combined with deep learning[D].Hefei:Anhui University, 2022.
[62] 孙嘉玥. 基于深度学习的小麦赤霉病染病小穗检测研究[D].郑州:河南农业大学, 2023.
SUN J Y.Study on detection of infected spikelets of wheat scab based on deep learning[D].Zhengzhou:Henan Agricultural University, 2023.
[63] 冯子恒, 李晓, 段剑钊, 等.基于特征波段选择和机器学习的小麦白粉病高光谱遥感监测[J].作物学报, 2022, 48(9):2300-2314.
FENG Z H, LI X, DUAN J Z, et al.Hyperspectral remote sensing monitoring of wheat powdery mildew based on feature band selection and machine learning[J].Acta Agronomica Sinica, 2022, 48(9):2300-2314.
[64] FENG Z H, WANG L Y, YANG Z Q, et al.Hyperspectral monitoring of powdery mildew disease severity in wheat based on machine learning[J].Frontiers in Plant Science, 2022, 13:828454.
[65] 丁莉, 杨琴, 姜鹏.高光谱成像技术在中国古代书画分析中的应用研究综述[J].文物保护与考古科学, 2023, 35(5):128-141.
DING L, YANG Q, JIANG P.Review of the applications of hyperspectral imaging technology in the analysis of ancient Chinese calligraphy and paintings[J].Sciences of Conservation and Archaeology, 2023, 35(5):128-141.
[66] 张郡赫, 于海业, 党敬民.基于双光谱技术的高温紫外胁迫下小麦多糖反演模型研究[J].光谱学与光谱分析, 2023, 43(9):2705-2709.
ZHANG J H, YU H Y, DANG J M.Research on inversion model of wheat polysaccharide under high temperature and ultraviolet stress based on dual-spectral technique[J].Spectroscopy and Spectral Analysis, 2023, 43(9):2705-2709.
[67] 李军玲, 李梦夏, 熊坤, 等.基于无人机高光谱的冬小麦LAI估算及LAI遥感产品检验[J/OL].生态学杂志, 2024.http://kns.cnki.net/kcms/detail/21.1148.Q.20240704.2001.006.html.
LI J L, LI M X, XIONG K, et al.Winter wheat LAI estimation and LAI remote sensing product inspection based on unmanned aerial vehicle hyperspectral[J/OL].Journal of Ecology, 2024.2024.http://kns.cnki.net/kcms/detail/21.1148.Q.20240704.2001.006.html.