娇妻被老王脔到高潮失禁视频,97在线免费视频,久久精品二区,日韩精品网,日韩中文av,麻豆91在线

【上期回顧】我們介紹了高光譜成像技術在糧食水分、脂肪酸、蛋白質等理化品質檢測中的最新研究進展，展示了其在糧食品質可視化和精準定量中的強大潛力。

【本期看點】今天我們將進一步聚焦高光譜成像技術在糧食品種識別與不完善粒檢測中的應用，從假種子識別、混雜品種分辨，到霉變、蟲蛀等缺陷的精準分類與可視化分析，一起看看高光譜如何“看穿"每一粒糧食的內外品質，為糧食安全保駕護航！

1. 高光譜成像技術在糧食品種識別中的應用

Zhang et al. (2024) 提出了一種基于高光譜成像和深度一類學習（OCL）的玉米種子欺詐檢測方法，旨在解決復雜開放場景下未知假品種的識別難題。通過融合高光譜數據的光譜與空間信息，結合波段注意力機制（BAM）抑制冗余波段干擾，構建雙分支特征提取網絡，并利用最小體積超球體學習策略實現真實品種的高效包裹與假品種的精準拒絕。實驗基于20個中國主栽玉米品種數據集，采用光譜（400.8-1000.7 nm）和降維后的單波段空間信息，模型在接收真實品種（ARK）和拒絕假品種（ARU）的準確率分別達到93.70%和94.28%，AUC值為0.9399，顯著優于傳統OCSVM、孤立森林及深度SVDD等方法。該方法通過端到端網絡架構避免了復雜光譜預處理，結合信息融合與注意力機制提升了模型的穩定性和解釋性，為種子質量監管及農產品防偽提供了高效、無損的解決方案。

圖10 種子欺詐檢測的單類分類器的網絡結構

Huang et al. (2022) 該研究結合近紅外高光譜成像（HSI）與深度森林（DF）模型，開發了一種快速無損測定高粱純度的方法。通過孤立森林算法（IF）和主成分分析（PCA）剔除異常數據后，采用競爭性自適應重加權采樣（CARS）與連續投影算法（SPA）提取特征波長，并結合灰度共生矩陣（GLCM）獲取紋理特征?；诓煌瑪祿愋停ㄈ庾V、特征光譜、紋理特征及融合數據）構建的DF模型中，特征光譜模型的性能*優，其平均正確識別率（CRR）超過91%，驗證集I的平均CRR為88.89%。此外，模型在摻假比例檢測中預測偏差小于4%。研究證實，HSI與DF的結合能夠高效區分高粱品種并精準評估純度，為谷物質量的無損檢測提供了新策略。高粱摻雜識別可視化如圖11所示。

圖11 高粱摻雜識別可視化

Han et al. (2024) 該研究開發了一種雙通道深度學習特征融合模型（DLFM），通過一維卷積模塊提取高光譜數據的光譜特征，二維卷積模塊提取RGB圖像的空間特征，并利用自適應特征融合模塊實現多源數據融合（圖12）。實驗表明，DLFM在三品種、四品種和五品種小麥組合中的識別準確率分別達到99.18%、97.30%和93.18%，平均準確率為92.87%，較傳統SVM、1DCNN和2DCNN模型提升顯著（最高提升12.54%）。驗證集可視化顯示，模型能有效區分光譜和紋理特征相似的小麥品種，且預測誤差控制在10粒以內。研究證實，DLFM通過自適應融合光譜與圖像特征，顯著提升了復雜混合場景下的分類穩定性，為谷物品種快速無損識別提供了新方法。

圖12 DLFM模型的結構

Makmuang et al. (2023) 提出了一種基于監督自組織映射（SOM）的高光譜近紅外（NIR）成像技術，用于快速、無損鑒別雜草水稻與栽培水稻種子。針對雜草水稻與栽培水稻形態相似導致傳統鑒別方法效率低的問題，研究通過優化高光譜成像參數（如縮放值與地圖大?。?，構建全局SOM模型，將種子圖像像素直接投影至模型進行分類，并結合熱重分析（TGA）、掃描電子顯微鏡（SEM）、傅里葉變換紅外光譜（ATR-FTIR）及實時直接分析質譜（DART-MS）驗證化學與物理特性差異（圖13）。實驗表明，該方法在雜草水稻與栽培水稻PL2和RD49品種的分類中分別達到98%和88%的準確率，且獨立于區域興趣（ROI）選擇，顯著優于傳統方法。研究首*將監督SOM與高光譜NIR技術結合應用于種子質量評估，為農業實踐中快速、精準的種子鑒別提供了創新解決方案。

圖13研究流程圖

2. 高光譜成像技術在糧食不完善粒識別中的應用

不完善粒是指受到損傷但仍有使用價值的籽粒包括蟲蝕粒、病斑粒、生芽粒、霉變粒、破損粒等，各種不完善粒的產生不僅會給糧食生產帶來經濟損失，還會危及食品安全健康。Yang et al. (2024) 本研究提出了一種基于高光譜成像（HSI）和融合光譜-空間注意力模塊的卷積神經網絡（CNN-Spl-Spal-At）的玉米粒缺陷無損檢測方法。通過對發芽、熱損傷、蟲害、霉變、破碎及健康六類玉米粒（共594個樣本）的高光譜數據（380-1000 nm）分析，構建了結合光譜注意力和空間注意力機制的深度學習模型，并對比了傳統機器學習模型（SVM、ELM）及不同CNN變體的性能（圖14）。實驗結果表明，CNN-Spl-Spal-At模型在訓練集和測試集上分別達到98.04%和94.56%的平均分類準確率，顯著優于傳統方法和單一注意力模塊的CNN模型。該模型通過可視化技術直觀展示不同缺陷類型在玉米粒表面的分布，驗證了其在細節特征提取和分類魯棒性上的優勢。研究為基于高光譜成像的糧食質量在線檢測設備開發提供了理論支持，并拓展了多模態特征融合與注意力機制在農業無損檢測中的應用潛力。

圖14 研究流程圖

Dhakal et al. (2023) 基于高光譜成像（HSI）與機器學習方法，提出了一種小麥籽粒赤霉病（FHB）損傷及其毒素脫氧雪腐鐮刀菌烯醇（DON）含量的無損檢測技術。通過對129個小麥品種的田間試驗樣本（DON含量通過GC-MS測定）進行高光譜數據采集，結合集成學習算法G-Boost和深度學習模型Mask R-CNN，實現了小麥籽粒損傷分類與DON含量的關聯分析（圖15）。結果表明，G-Boost在光譜特征分類中表現*優，訓練集準確率達97%，可有效區分健康、低DON（<0.5 ppm）與高DON（>1.5 ppm）籽粒；Mask R-CNN在實例分割中平均精度（mAP）達0.97，結合閾值法（70%病斑像素判定為病粒）后，DON含量與病粒數量回歸分析的決定系數（R2）提升至0.75。該研究驗證了高光譜成像結合多模態機器學習模型在農業毒素在線檢測中的潛力，為糧食加工環節的快速質量評估提供了技術參考。

圖15 研究流程圖

Zhang et al. (2021) 提出了一種基于多角度近紅外高光譜成像技術（波長范圍973–1657 nm）結合機器學習的方法，用于高效識別米象蟲（Sitophilus oryzae L.）損害的小麥籽粒。通過采集小麥籽粒四個側面的高光譜數據，結合標準正態變量變換（SNV）預處理、連續投影算法（SPA）特征提取與線性判別分析（LDA）建模，構建了SNV-SPA-LDA混合模型。實驗結果表明，該模型在外部驗證中分類準確率、靈敏度和特異性分別達到97%、98%和96%，顯著優于傳統單點光譜或單角度成像方法。研究強調了多角度數據采集對捕捉蟲洞隨機分布特征的重要性，并揭示了淀粉和蛋白質相關光譜波段（如1140–1200 nm和1550–1610 nm）在損傷檢測中的關鍵作用。該方法為開發多光譜在線檢測系統提供了理論依據，未來可進一步結合小麥品種、產地等因素優化模型普適性

圖16 研究流程圖

Yang et al. (2020) 基于高光譜成像（HSI）與堆疊稀疏自動編碼器（SSAE）算法，提出了一種貯藏玉米粒霉變狀態的早期無損檢測方法。通過對285個不同貯藏時間（0-40天）的玉米樣本（依據真菌孢子數劃分為健康、輕度、中度、重度霉變四類）進行高光譜數據（400-1000 nm）采集，結合SSAE網絡提取光譜非線性特征，并對比傳統特征選擇算法（VCPA、RF）及多種分類器（KELM、ELM、SVM）構建識別模型。結果表明，SSAE-KELM模型表現*優，訓練集與測試集平均分類準確率分別達97.36%和96.84%，敏感性與特異性均高于0.92。此外，研究通過像素級與物體級可視化技術直觀展示了不同霉變等級在玉米粒表面的分布特征（圖17）。該成果驗證了深度學習方法在高光譜數據特征挖掘中的優勢，為糧食倉儲中早期霉變的快速在線檢測提供了技術參考，并拓展了多模態特征融合在農業無損檢測中的應用潛力。

圖17基于像素級和對象級的玉米籽粒霉變等級可視化

Kang et al. (2022) 提出了一種基于高光譜成像技術（400–1000 nm）與協同聚類算法的無監督玉米粒霉變檢測方法（圖18）。通過融合模糊C均值聚類（FCM）和譜聚類（SC）開發了FCM-SC算法，有效解決了傳統方法對標記數據的依賴及復雜數據分布的分類難題。研究采用標準正態變量變換（SNV）和乘性散射校正（MSC）預處理光譜數據，結合主成分分析（PCA）降維及二維Gabor紋理特征提取，實現了光譜與圖像信息的協同利用。實驗表明，FCM-SC算法在準確率（93.47%）、歸一化互信息（0.5885）和蘭德指數（0.8943）上顯著優于傳統聚類算法（如K-means、GMM），且在不依賴標記樣本的情況下，其性能超過監督模型（如SVM、LDA）。該方法通過多階段聚類壓縮數據規模并保持非線性結構，為糧食質量無損檢測提供了高效的無監督解決方案，未來可進一步優化算法實時性與泛化能力

圖18 玉米籽粒霉變高光譜圖像檢測算法

總結與展望

高光譜成像技術結合光譜分析和圖像處理的優勢，實現了糧食品質的無損、快速、精準檢測。近年來，該技術在多個方面取得重要進展，包括：1）成分分析，利用高光譜數據定量檢測糧食中的水分、蛋白質、脂肪、淀粉等營養成分，提高品質監測的科學性；2）品質分級，結合機器學習和深度學習方法，基于光譜特征對糧食品質進行自動分級，提高分選效率；3）霉變與污染檢測，通過識別霉變區域和真菌毒素污染，實現食品安全快速篩查；4）品種鑒別，基于高光譜特征提取，不同糧食品種可精準分類；5）存儲和加工監測，跟蹤糧食在存儲、加工過程中的品質變化，如水分損失、氧化變質等，以優化儲存和加工條件。

未來，高光譜成像技術在糧食品質檢測領域將向智能化、便攜化、多功能化方向發展。1）設備小型化與實時檢測，開發便攜式或在線檢測系統，適用于生產線和現場檢測；2）多源信息融合，結合X射線、熱成像等技術，提高檢測全面性和精度；3）深度學習與大數據分析，利用Transformer、CNN等優化光譜數據處理，提高計算效率和模型泛化能力；4）標準化與產業化，建立統一的光譜數據處理方法和檢測標準，推動技術在糧食檢測行業的廣泛應用；5）光譜特征優化，研究高效波段選擇和特征提取方法，降低數據冗余，提高計算速度。未來，該技術將與人工智能、物聯網和自動化結合，推動糧食品質檢測向高效、精準、智能方向發展，為糧食安全提供更有力的技術支持。

參考文獻

An, T., Fan, Y., Tian, X., Wang, Q., Wang, Z., Fan, S., Huang, W., 2024. Green analytical assay for the viability assessment of single maize seeds using double-threshold strategy for catalase activity and malondialdehyde content. Food Chemistry. 455, 139889.

Dhakal, K., Sivaramakrishnan, U., Zhang, X., Belay, K., Oakes, J., Wei, X., Li, S., 2023. Machine Learning Analysis of Hyperspectral Images of Damaged Wheat Kernels, Sensors.

Han, L., Tian, J., Huang, Y., He, K., Liang, Y., Hu, X., Xie, L., Yang, H., Huang, D., 2024. Hyperspectral imaging combined with dual-channel deep learning feature fusion model for fast and non-destructive recognition of brew wheat varieties. Journal of Food Composition and Analysis. 125, 105785.

Huang, H., Hu, X., Tian, J., Peng, X., Luo, H., Huang, D., Zheng, J., Wang, H., 2022. Rapid and nondestructive determination of sorghum purity combined with deep forest and near-infrared hyperspectral imaging. Food Chemistry. 377, 131981.

Kang, Z., Huang, T., Zeng, S., Li, H., Dong, L., Zhang, C., 2022. A Method for Detection of Corn Kernel Mildew Based on Co-Clustering Algorithm with Hyperspectral Image Technology, Sensors.

Long, Y., Wang, Q., Tang, X., Huang, W., Zhang, B., 2025. Detection of starch content in maize kernel based on Raman hyperspectral imaging technique. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 336, 126025.

Makmuang, S., Terdwongworakul, A., Vilaivan, T., Maher, S., Ekgasit, S., Wongravee, K., 2023. Mapping hyperspectral NIR images using supervised self-organizing maps: Discrimination of weedy rice seeds. Microchemical Journal. 190, 108599.

Qi, H., Huang, Z., Jin, B., Tang, Q., Jia, L., Zhao, G., Cao, D., Sun, Z., Zhang, C., 2024. SAM-GAN: An improved DCGAN for rice seed viability determination using near-infrared hyperspectral imaging. Computers and Electronics in Agriculture. 216, 108473.

Qiao, M., Cui, T., Xia, G., Xu, Y., Li, Y., Fan, C., Han, S., Dong, J., 2024. Integration of spectral and image features of hyperspectral imaging for quantitative determination of protein and starch contents in maize kernels. Computers and Electronics in Agriculture. 218, 108718.

Song, Y., Cao, S., Chu, X., Zhou, Y., Xu, Y., Sun, T., Zhou, G., Liu, X., 2023. Non-destructive detection of moisture and fatty acid content in rice using hyperspectral imaging and chemometrics. Journal of Food Composition and Analysis. 121, 105397.

Xuan, G., Jia, H., Shao, Y., Shi, C., 2024. Protein content prediction of rice grains based on hyperspectral imaging. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 320, 124589.

Xue, H., Xu, X., Yang, Y., Hu, D., Niu, G., 2024. Rapid and Non-Destructive Prediction of Moisture Content in Maize Seeds Using Hyperspectral Imaging, Sensors.

Yang, D., Yuan, J., Chang, Q., Zhao, H., Cao, Y., 2020. Early determination of mildew status in storage maize kernels using hyperspectral imaging combined with the stacked sparse auto-encoder algorithm. Infrared Physics & Technology. 109, 103412.

Yang, D., Zhou, Y., Jie, Y., Li, Q., Shi, T., 2024. Non-destructive detection of defective maize kernels using hyperspectral imaging and convolutional neural network with attention module. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 313, 124166.

Zhang, L., Sun, H., Li, H., Rao, Z., Ji, H., 2021. Identification of rice-weevil (Sitophilus oryzae L.) damaged wheat kernels using multi-angle NIR hyperspectral data. Journal of Cereal Science. 101, 103313.

Zhang, L., Wei, Y., Liu, J., An, D., Wu, J., 2024. Maize seed fraud detection based on hyperspectral imaging and one-class learning. Engineering Applications of Artificial Intelligence. 133, 108130.

Zhu, H., Yang, R., Lu, M., Shi, W., Sun, W., Lv, D., Liu, H., Wu, Q., Jiang, X., Han, Z., 2025. Identification of maize seed vigor under different accelerated aging times using hyperspectral imaging and spectral deep features. Computers and Electronics in Agriculture. 231, 109980.