問(wèn)題陳述：

玉米霉變程度的評(píng)價(jià)通常依賴于人工檢測(cè)，這種方法不僅效率低下，還可能存在誤差。如何準(zhǔn)確、快速地評(píng)價(jià)玉米霉變程度，一直是農(nóng)業(yè)生產(chǎn)中的難題。

解決方案：

高光譜相機(jī)是一種新型的光譜成像技術(shù)，能夠獲取物體的高光譜信息，從而實(shí)現(xiàn)對(duì)物體內(nèi)部結(jié)構(gòu)和性質(zhì)的準(zhǔn)確檢測(cè)。將其應(yīng)用于玉米霉變程度的評(píng)價(jià)，具有以下優(yōu)勢(shì)：

1. 非損傷性評(píng)估：高光譜相機(jī)通過(guò)獲取玉米的高光譜信息，無(wú)需破壞玉米樣品，即可對(duì)其內(nèi)部品質(zhì)進(jìn)行檢測(cè)。
2. 高準(zhǔn)確性：高光譜相機(jī)通過(guò)對(duì)玉米的多個(gè)光譜特征進(jìn)行分析，可以更準(zhǔn)確地反映其霉變程度。
3. 快速檢測(cè)：高光譜相機(jī)可以快速獲取玉米的高光譜信息，大大提高了檢測(cè)速度。

功能特點(diǎn)：

高光譜相機(jī)在評(píng)價(jià)玉米霉變程度方面具有以下特殊功能：

1. 高準(zhǔn)確性：通過(guò)對(duì)玉米的多光譜特征進(jìn)行分析，可以更準(zhǔn)確地反映其霉變程度。
2. 非損傷性評(píng)估：無(wú)需破壞玉米樣品，即可對(duì)其內(nèi)部品質(zhì)進(jìn)行檢測(cè)。
3. 快速檢測(cè)：可以快速獲取玉米的高光譜信息，大大提高了檢測(cè)速度。
4. 可視化分析：高光譜相機(jī)可以將獲取的玉米高光譜信息以圖像形式呈現(xiàn)，便于分析其內(nèi)部品質(zhì)。

基于高光譜技術(shù)的霉變玉米定量檢測(cè)方法研究

　　本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130M進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長(zhǎng)分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

　　新鮮玉米在存貯過(guò)程中，由于其胚部大、水分含量高、帶菌量多，高溫高濕環(huán)境下極易霉變，不僅給經(jīng)濟(jì)造成重大損失，而且霉變玉米在代謝過(guò)程中會(huì)產(chǎn)生多種對(duì)人體具有極強(qiáng)致病性、致癌性的毒素，危害人畜健康。而目前基于理化實(shí)驗(yàn)分析的霉變玉米檢測(cè)方法因存在樣品處理繁瑣、費(fèi)時(shí)、對(duì)樣品有破壞性等缺點(diǎn)，難以實(shí)現(xiàn)簡(jiǎn)單、快速、無(wú)損檢測(cè)，無(wú)法滿足實(shí)際生產(chǎn)的需要。因此，基于高光譜技術(shù)的快速、準(zhǔn)確、無(wú)損的霉變玉米檢測(cè)研究具有重要意義。黃曲霉毒素B1（aflatoxin B1，AFB1）和玉米赤霉烯酮（zearalenone，ZEN）是霉變玉米內(nèi)生成的2種比較穩(wěn)定的代謝產(chǎn)物，容易在霉變玉米中積累，導(dǎo)致含量升高，AFB1和ZEN的多少與玉米霉變情況密切相關(guān)，也是表征玉米霉變程度的重要指標(biāo)。因此，可以通過(guò)監(jiān)測(cè)玉米中AFB1和ZEN 含量變化來(lái)表征玉米的霉變情況，實(shí)現(xiàn)對(duì)玉米霉變程度的準(zhǔn)確評(píng)價(jià)。

　　首先，設(shè)置適宜的溫度和濕度條件，在實(shí)驗(yàn)室的恒溫恒濕培養(yǎng)箱中培育不同霉變等級(jí)的玉米樣品。按照國(guó)標(biāo)法測(cè)定不同霉變等級(jí)玉米樣品內(nèi)AFB1和ZEN 含量。同時(shí)采集所有樣本的高光譜圖像并進(jìn)行黑白校正。因?yàn)楸尘霸肼?、雜散光等無(wú)用信息的存在，原始光譜數(shù)據(jù)會(huì)受到一定的影響，進(jìn)行數(shù)據(jù)分析前應(yīng)對(duì)原始光譜進(jìn)行預(yù)處理。本文通過(guò)對(duì)比5種預(yù)處理方法，最終確定采用標(biāo)準(zhǔn)正態(tài)變量校正（SNV）法為預(yù)處理方法。為提高預(yù)測(cè)模型穩(wěn)健性，本研究對(duì)樣本集的劃分進(jìn)行研究，對(duì)比了隨機(jī)法（RS）、KS（Kennard-Stone）算法、雙向法（Duplex）和光譜-理化值共生距離（SPXY）算法4種樣本集劃分方法，PLSR模型構(gòu)建結(jié)果表明，利用SPXY法進(jìn)行樣本集劃分時(shí)，所構(gòu)建的模型校正集和測(cè)試集準(zhǔn)確率均高于其他三種，

　　因而本文采用SPXY算法對(duì)樣本集進(jìn)行劃分。為盡量有效地降低樣本間的共線性，降低模型復(fù)雜度，本文采用SPXY算法對(duì)校正集樣本進(jìn)行進(jìn)一步優(yōu)選，對(duì)于AFB1，最終從初始校正集中優(yōu)選出130個(gè)樣本組成模型校正集；對(duì)于ZEN，最終從初始校正集中優(yōu)選出140個(gè)樣本組成模型校正集。在采用均勻光譜間隔（USS）法對(duì)原始光譜變量進(jìn)行初降維的基礎(chǔ)上，對(duì)比連續(xù)投影算法（SPA）和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）2種變量提取法。結(jié)果表明∶經(jīng)SPA 法分別篩選出17個(gè)特征波段且基于較少校正集樣本和特征波長(zhǎng)光譜信息建立的PLSR 模型能夠獲得較優(yōu)的預(yù)測(cè)結(jié)果。因此，基于光譜-理化值共生距離（SPXY）算法和連續(xù)投影（SPA）算法進(jìn)行特征提取后建立的高光譜檢測(cè)模型，可以實(shí)現(xiàn)對(duì)霉

　　變玉米中AFB1和ZEN含量的準(zhǔn)確預(yù)測(cè)。最后，在原始光譜數(shù)據(jù)經(jīng)過(guò)SNV預(yù)處理后，采用SPXY算法對(duì)校正集樣本進(jìn)行劃分與優(yōu)選，運(yùn)用USS法結(jié)合SPA算法對(duì)光譜數(shù)據(jù)進(jìn)行篩選的基礎(chǔ)上分別建立基于優(yōu)選后的校正集樣本及特征波長(zhǎng)PLSR、LSSVM和MLR預(yù)測(cè)模型，并對(duì)比模型結(jié)果。本研究最終確定基于LS-SVM的模型能實(shí)現(xiàn)對(duì)霉變玉米內(nèi) AFB1和1ZEN 含量的準(zhǔn)確預(yù)測(cè)，該模型對(duì)AFB1和ZEN含量的預(yù)測(cè)精度（RPme，RMSEP）分別為（0.9981，0.5930）和（0.9989，0.8058）。