干燥過程中玉米水分質(zhì)量分?jǐn)?shù)均勻度的高光譜圖像無損檢測

趙偉彥， 黃 敏*， 張 慜

（1．江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122；2.食品科學(xué)與技術(shù)國家重點(diǎn)實(shí)驗(yàn)室 江南大學(xué)，江蘇 無錫214122）

干燥過程中玉米水分質(zhì)量分?jǐn)?shù)均勻度的高光譜圖像無損檢測

趙偉彥1， 黃 敏*1， 張 慜2

（1．江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122；2.食品科學(xué)與技術(shù)國家重點(diǎn)實(shí)驗(yàn)室 江南大學(xué)，江蘇 無錫214122）

水分含量均勻度是干燥過程一個(gè)重要指標(biāo)，它是評價(jià)干燥食品質(zhì)量和干燥工藝一個(gè)重要參數(shù)。作者以干燥過程中的玉米為研究對象，研究高光譜圖像技術(shù)檢測水分質(zhì)量分?jǐn)?shù)均勻度的方法。采用均值特征和標(biāo)準(zhǔn)差特征結(jié)合偏最小二乘法（PLS）建立預(yù)測模型；并用正交信號校正法對均值特征和標(biāo)準(zhǔn)差進(jìn)行預(yù)處理。結(jié)果表明：均值特征和標(biāo)準(zhǔn)差進(jìn)行預(yù)處理后所建立的模型效果較好，預(yù)測相關(guān)系數(shù)為0.839，預(yù)測均方根誤差為1.74%，潛在變量的數(shù)目為2個(gè)。研究表明：高光譜圖像技術(shù)可用于水分質(zhì)量分?jǐn)?shù)均勻度的直接無損檢測。

糧食干燥；高光譜圖像技術(shù)；均勻度；正交信號校正法

干燥是食品儲藏、加工的一項(xiàng)重要技術(shù)。水分質(zhì)量分?jǐn)?shù)均勻度是反映干燥后食品質(zhì)量的重要指標(biāo)之一。干燥不均勻的食品，其安全儲存期相對縮短，生物活性及儲存穩(wěn)定性相對降低，嚴(yán)重時(shí)會引起食品的腐爛變質(zhì)，帶來食品生產(chǎn)安全事故[1-2]。傳統(tǒng)的測量水分質(zhì)量分?jǐn)?shù)均勻度的方法破壞樣本的完整性、操作復(fù)雜，費(fèi)時(shí)費(fèi)力[3]。因此尋找一種快速的準(zhǔn)確的無損的檢測干燥后食品水分質(zhì)量分?jǐn)?shù)均勻度方法顯的尤為必要。

從國內(nèi)外已有的文獻(xiàn)來看，國內(nèi)外學(xué)者研究了多種食品中水分的快速無損檢測方法[4-9]，但是對食品中水分質(zhì)量分?jǐn)?shù)均勻度直接無損檢測方法還未見有關(guān)報(bào)道。在這些水分無損檢測技術(shù)中，近紅外技術(shù)和高光譜圖像技術(shù)是兩個(gè)應(yīng)用最為廣泛的技術(shù)。李曉麗等[10]通過可見-近紅外光譜采用支持向量機(jī)建立了初制綠茶含水率的預(yù)測模型，預(yù)測集相關(guān)系數(shù)達(dá)到0.987 5；毛罕平等[11]通過光譜分析技術(shù)采用主成分回歸法建立了葡萄葉片干基含水率的定量分析預(yù)測模型，預(yù)測模型的相關(guān)系數(shù)達(dá)到0.94，模型的檢驗(yàn)誤差為0.15，Huang等[12]通過高光譜圖像技術(shù)實(shí)現(xiàn)了對脫水毛豆水分質(zhì)量分?jǐn)?shù)的無損檢測，預(yù)測集的相關(guān)系數(shù)達(dá)到0.973，預(yù)測集的均方根誤差為4.6%。上述研究對水分的預(yù)測得到了很高的精度；但作者的研究發(fā)現(xiàn)，利用預(yù)測的水分質(zhì)量分?jǐn)?shù)進(jìn)行水分質(zhì)量分?jǐn)?shù)均勻度計(jì)算卻存在較大的誤差，無法滿足實(shí)際應(yīng)用需要（參見本文的2.3結(jié)果）。如何利用近紅外或高光譜圖像技術(shù)進(jìn)行水分質(zhì)量分?jǐn)?shù)均勻度的直接無損檢測仍是一個(gè)需要研究的課題。作者以干燥過程中的玉米水分質(zhì)量分?jǐn)?shù)均勻度直接檢測為研究目的，研究了采用正交信號校正法對光譜進(jìn)行預(yù)處理后的所建模型的性能，以達(dá)到對水分質(zhì)量分?jǐn)?shù)均勻度快速的準(zhǔn)確的無損檢測和簡化模型、優(yōu)化模型性能的目的。

1 材料與方法

1.1 實(shí)驗(yàn)原料

玉米籽粒采購于無錫市市場，選擇飽滿子粒并清洗后放入溫度為4℃、相對濕度為95%的冷藏室儲存。每次實(shí)驗(yàn)前，回溫1 h后，擦干玉米表面的水分后使用。

1.2 干燥設(shè)備

采用脈沖噴動微波真空干燥（PSMVD）設(shè)備對玉米粒進(jìn)行干燥，該實(shí)驗(yàn)裝置脈沖噴動系統(tǒng)帶有一套空氣處理裝置及空氣流量調(diào)節(jié)與分配裝置[13]。干燥設(shè)備的具體參數(shù)設(shè)置如下：脈沖噴動的頻率設(shè)置為噴動間隔時(shí)間為3 s，每次噴動時(shí)間維持5 s。干燥倉內(nèi)真空壓力波動范圍設(shè)定在7～10 kPa，功率為516 W，每次干燥樣本質(zhì)量為（200±0.5）g。為了獲得較大范圍的水分質(zhì)量分?jǐn)?shù)及其均勻度分布，以反映檢測模型的適應(yīng)性。設(shè)置了 10，20，30，40，50，60 min共6個(gè)干燥時(shí)間，每個(gè)干燥時(shí)間實(shí)驗(yàn)重復(fù)3次。

1.3 高光譜圖像采集系統(tǒng)

實(shí)驗(yàn)中使用高光譜反射圖像采集系統(tǒng)如圖1所示。該系統(tǒng)主要包括高光譜成像單元、光源系統(tǒng)、樣本輸送平臺和裝有圖像采集卡的計(jì)算機(jī)組成。其中高光譜成像單元由 CCD攝像機(jī) （pixelfly QE IC*285AL，Cooke，USA）和圖像光譜儀 （1003A-10140 HyperspcTM VNIR C -Series，Headwall Photonics Inc.，USA）兩部分組成；光源系統(tǒng)為150 W的直流鹵素?zé)簦?250K，Techniquip，USA）。

圖1 高光譜反射圖像采集系統(tǒng)Fig.1 Schematic image of the hyperspectral reflectance imaging system

為了在獲得最佳的圖像采集效果，經(jīng)過反復(fù)調(diào)試，確定出最佳系統(tǒng)參數(shù)如下：圖像采集的曝光時(shí)間為250 ms，物距25 cm，線掃描步長80 μm，掃描寬度50 mm，binning為10，即實(shí)際波段間隔為6.44 nm，在400～1 000 nm波長范圍內(nèi)共獲得94個(gè)波段。采集結(jié)束時(shí)得到大小為1 392×625×94的圖像立方體。圖像采集時(shí)將干燥玉米樣本每10個(gè)為一組按兩排排放到20 cm×20 cm的黑色載物板上，垂直放到高光譜掃描單元的下方，為了減弱外部光源的干擾整個(gè)采集過程在密閉黑箱中進(jìn)行。每6組樣本測量后，采集1次白板和暗電流圖像，以用于圖像校正。

1.4 標(biāo)準(zhǔn)值的測量和計(jì)算

在本實(shí)驗(yàn)研究中，水分質(zhì)量分?jǐn)?shù)均勻度定義為相對標(biāo)準(zhǔn)差（RSD），其計(jì)算如公式（1）所示[3]。

式（1）中AME為k個(gè)樣本的水分質(zhì)量分?jǐn)?shù)MC平均值；SD為k個(gè)樣本的水分質(zhì)量分?jǐn)?shù)MC標(biāo)準(zhǔn)差。實(shí)驗(yàn)中取k=8。即每一干燥時(shí)間條件下，取8粒干燥玉米計(jì)算一個(gè)均勻度。本實(shí)驗(yàn)中，水分質(zhì)量分?jǐn)?shù)測量采用國標(biāo)（GB/5009.3-2010）的烘箱方法[14]，按照公式（2）計(jì)算得到玉米水分質(zhì)量分?jǐn)?shù)。

式（2）中mt為玉米顆粒干燥時(shí)間t（min）的水分質(zhì)量分?jǐn)?shù)，g；md為烘箱干燥后的干物質(zhì)質(zhì)量，g。

在本研究中一共得到720（10～60 min各120個(gè)樣本）個(gè)水分含量樣本，經(jīng)計(jì)算后共得到90（10～60 min各15個(gè)樣本）個(gè)水分質(zhì)量分?jǐn)?shù)均勻度樣本。

1.5 數(shù)據(jù)處理

1.5.1 高光譜圖像的校正 為了降低光源波動和噪聲對高光譜圖像影響，原始玉米高光譜圖像通過公式（3）校正：

式（3）中TR為校正后的玉米粒的相對反射圖像，TA、TG、TD分別是樣本的反射圖像、白板圖像和CCD檢測器的暗電流圖像。后期所有的分析都在校正后的圖像TR的基礎(chǔ)上進(jìn)行。

1.5.2 玉米顆粒的高光譜圖像特征提取 首先在718.2 nm波段下利用自適應(yīng)閾值法提取干燥后玉米顆粒的輪廓，并進(jìn)行必要的膨脹、腐蝕、開、閉運(yùn)算等預(yù)處理以減少微小的裂紋。在此之后，將718.2 nm波段下提取到的玉米輪廓投射到其它波段，作為對應(yīng)波段下玉米的輪廓圖像，在400～1 000 nm內(nèi)共提取了94個(gè)波段下玉米輪廓范圍內(nèi)的光譜的平均值（Mean Value，Mv）。平均值的表達(dá)式如式（4）所示。

式（4）中M、N分別為樣本在水平和垂直方向上的像素?cái)?shù)目，f（i，j）為像素的相對反射光強(qiáng)。作者共提取了720粒玉米樣本的光譜均值。

考慮到水分質(zhì)量分?jǐn)?shù)均勻度是由水分質(zhì)量分?jǐn)?shù)的標(biāo)準(zhǔn)差和平均水分含量共同決定，作者采用k個(gè)玉米樣本的光譜均值的平均值和光譜均值的標(biāo)準(zhǔn)差（為了和單粒玉米的光譜均值區(qū)別，分別稱之為均值特征AF和標(biāo)準(zhǔn)差特征SDF）。需要說明的是，這里的k個(gè)玉米樣本的選取應(yīng)和計(jì)算水分質(zhì)量分?jǐn)?shù)均勻度所使用的樣本對應(yīng)。

1.6 正交信號校正法

光譜數(shù)據(jù)的預(yù)處理方法有很多種，如標(biāo)準(zhǔn)化處理（標(biāo)準(zhǔn)中心化、標(biāo)準(zhǔn)正態(tài)變量變換等），數(shù)據(jù)平滑和去噪（數(shù)據(jù)平滑、數(shù)據(jù)求導(dǎo)、小波去噪等）；作者采用 的是正交信 號 校 正 法 （Orthogonal signal correction，OSC），正交信號校正法1988年由瑞典計(jì)量化學(xué)家Svante Wold提出來的[15]，后來又經(jīng)過很多人對這種預(yù)處理方法作了改進(jìn)與完善，主要應(yīng)用于近紅外光譜矩陣的預(yù)處理，用來消除光譜中與濃度無關(guān)的信息，增強(qiáng)濃度與光譜的相關(guān)性，作者將其應(yīng)用到高光譜圖像的光譜矩陣進(jìn)行預(yù)處理中。其基本思想利用數(shù)學(xué)上正交的方法，將光譜矩陣與被測成分矩陣正交，濾除光譜與被測成分矩陣無關(guān)的信號，因此用正交信號校正法濾除掉的信息對于被測成分來說是無用的信息。采用Tom Fearn的正交信號校正法對提取的均值特征AF和標(biāo)準(zhǔn)差特征SDF進(jìn)行預(yù)處理，其算法的具體步驟見參考文獻(xiàn)[16]。

1.7 訓(xùn)練、測試樣本劃分及模型性能評價(jià)

采用偏最小二乘 （partial least squares，PLS）作為建模工具。模型的潛在變量個(gè)數(shù)采用留一法交叉驗(yàn)證誤差確定。

在建立PLS模型之前，需要將總體樣本劃分為訓(xùn)練和測試樣本集合。其中訓(xùn)練集用于建立標(biāo)準(zhǔn)值的預(yù)測模型，測試集用于檢驗(yàn)?zāi)Ｐ?。作者對每種干燥時(shí)間條件下（10，…，60 min）的樣本進(jìn)行隨機(jī)取樣，抽取3/4樣本組成訓(xùn)練集（68個(gè)），剩余22個(gè)樣本構(gòu)成測試集。

模型的性能評價(jià)采用測試集樣本的均方根誤差RMSEP，相關(guān)系數(shù)Rp，校正模型的潛在變量個(gè)數(shù)LV等作為評價(jià)模型性能的指標(biāo)。RMSEP越小，Rp越高，LV越少，模型的性能越好?？紤]到模型的性能與建模樣本密切相關(guān)，采用10次隨機(jī)后平均的方法。

2 結(jié)果與分析

2.1 水分質(zhì)量分?jǐn)?shù)及水分質(zhì)量分?jǐn)?shù)均勻度的測量

表1給出了本實(shí)驗(yàn)6種干燥時(shí)間條件下獲得的共720個(gè)水分含量樣本和90個(gè)水分質(zhì)量分?jǐn)?shù)均勻度樣本的統(tǒng)計(jì)表。由表1可知玉米水分質(zhì)量分?jǐn)?shù)均勻度隨著干燥時(shí)間的增加先增加然后逐漸減小，在40 min時(shí)達(dá)到最大。這可能的原因是由于這時(shí)處于干燥過程中第二階段的結(jié)束和第三階段開始之間，此時(shí)，樣本的溫度已接近設(shè)定的最高溫度，高溫可能導(dǎo)致樣本內(nèi)部結(jié)構(gòu)發(fā)生變化，造成樣本孔隙或細(xì)胞間隙減少，從而改變樣本內(nèi)部水分遷移的速率[3]。

2.2 玉米粒光譜經(jīng)OSC處理前后特征曲線

圖2和3給出了均值特征AF和標(biāo)準(zhǔn)差特征SDF經(jīng)OSC處理前后的特征曲線。特征經(jīng)過OSC處理后總體趨勢沒有改變，處理后的特征曲線分布層次更加分明，不同干燥時(shí)間的特征曲線更加容易分開；說明經(jīng)過OSC處理的保留的原始光譜中的有用信息，濾除了一些噪聲信息。

表1 水分質(zhì)量分?jǐn)?shù)及水分質(zhì)量分?jǐn)?shù)均勻度統(tǒng)計(jì)表Table 1 Statistics of moisture content and moisture content uniformity

圖2 標(biāo)準(zhǔn)差特征用OSC處理前后的比較Fig.2 Comparison of standard deviation feature before and after preprocessing by OSC

圖3 均值特征用OSC處理前后的比較Fig.3 Comparison of average feature before and after preprocessing by OSC

2.3 玉米水分質(zhì)量分?jǐn)?shù)均勻度的無損檢測

將經(jīng)OSC處理后的標(biāo)準(zhǔn)差特征和均值特征串聯(lián)作為偏最小二乘法（PLS）PLS的輸入變量，建立對玉米水分質(zhì)量分?jǐn)?shù)均勻度的預(yù)測模型。表2給出了經(jīng)過OSC處理前后的建模結(jié)果比較。

表2 水分質(zhì)量分?jǐn)?shù)均勻度的預(yù)測結(jié)果Table 2 Prediction results of moisture content uniformity

由表2可知，高光譜圖像信息直接去預(yù)測水分質(zhì)量分?jǐn)?shù)均勻度能取得較好的預(yù)測效果；無論是原始的光譜還是經(jīng)過OSC處理的光譜所建立模型的預(yù)測精度都能達(dá)到82%以上；和原始光譜所建立的模型相比，經(jīng)過OSC預(yù)處理（濾除3個(gè)OSC因子）后所建立的預(yù)測模型得到明顯的優(yōu)化和簡化，潛在變量的數(shù)目由13個(gè)降為2個(gè)，預(yù)測模型的相關(guān)系數(shù)由0.823提到0.839，預(yù)測精度提高了1.79%，預(yù)測均方根誤差由0.017 5變?yōu)?.017 4；結(jié)果表明在保證模型預(yù)測精度的前提下，經(jīng)過OSC預(yù)處理后能夠刪除光譜中的冗余信息，保留了有效的光譜信息，模型得到簡化同時(shí)模型的預(yù)測能力也能得到一定程度的提高。

玉米水分質(zhì)量分?jǐn)?shù)均勻度預(yù)測集模型的散點(diǎn)圖分別如圖4所示，圖中橫坐標(biāo)表示水分質(zhì)量分?jǐn)?shù)均勻度的真實(shí)值，縱坐標(biāo)表示水分質(zhì)量分?jǐn)?shù)均勻度的預(yù)測值。由圖可知水分質(zhì)量分?jǐn)?shù)均勻度的真實(shí)值和預(yù)測值保持著較好的相關(guān)性，說明通過高光譜技術(shù)對玉米水分質(zhì)量分?jǐn)?shù)均勻度的檢測是可行的，基本能夠?qū)崿F(xiàn)對玉米水分質(zhì)量分?jǐn)?shù)均勻度快速無損檢測。

根據(jù)國內(nèi)外的研究報(bào)道，利用近紅外和高光譜圖像技術(shù)進(jìn)行食品水分質(zhì)量分?jǐn)?shù)的無損檢測均可獲得較高的預(yù)測精度。能否由預(yù)測的水分質(zhì)量分?jǐn)?shù)計(jì)算水分均勻度。

為了便于直接比較，將720粒玉米劃分成68×8=544粒的建模樣本和22×8=176測試樣本。利用其經(jīng)OSC處理后的光譜平均值Mv作為PLS模型的輸入特征，建立水分質(zhì)量分?jǐn)?shù)的PLS預(yù)測模型，可獲得Rp=0.993、RMSEP=0.028的預(yù)測結(jié)果（如圖5所示）。從圖中可以看出利用高光譜圖像預(yù)測的水分質(zhì)量分?jǐn)?shù)和真實(shí)水分質(zhì)量分?jǐn)?shù)之間具有良好的相關(guān)性。

圖4 水分質(zhì)量分?jǐn)?shù)均勻度的散點(diǎn)圖Fig.4 Scatter diagram of moisture content uniformity

圖5 水分質(zhì)量分?jǐn)?shù)的散點(diǎn)圖Fig.5 Scatter diagram of moisture content

圖6給出了利用176個(gè)測試樣本集的預(yù)測水分，得到的水分質(zhì)量分?jǐn)?shù)均勻度計(jì)算值（本文稱之為間接法）和真實(shí)的水分質(zhì)量分?jǐn)?shù)均勻度的散點(diǎn)圖。從圖中可以看出盡管水分的預(yù)測相關(guān)系數(shù)達(dá)到0.993，但通過水分質(zhì)量分?jǐn)?shù)均勻度的間接計(jì)算值和真實(shí)值之間的相關(guān)系數(shù)只有0.505，這樣的結(jié)果遠(yuǎn)不能滿足實(shí)際的需要。造成這樣結(jié)果的原因可能是由于均勻度是由樣本的水分質(zhì)量分?jǐn)?shù)標(biāo)準(zhǔn)差和水分含量均值共同決定的。圖7給出了利用176個(gè)預(yù)測樣本計(jì)算得到的22個(gè)水分質(zhì)量分?jǐn)?shù)均勻度，水分質(zhì)量分?jǐn)?shù)標(biāo)準(zhǔn)差和水分質(zhì)量分?jǐn)?shù)均值曲線。從圖中可以看出，間接法計(jì)算得到的水分質(zhì)量分?jǐn)?shù)均值A(chǔ)ME和真實(shí)的水分質(zhì)量分?jǐn)?shù)均值間偏差較小；但是計(jì)算獲得的水分質(zhì)量分?jǐn)?shù)標(biāo)準(zhǔn)差和真實(shí)的水分質(zhì)量分?jǐn)?shù)標(biāo)準(zhǔn)差之間仍然存在較大的偏差；從而導(dǎo)致間接法獲得的水分質(zhì)量分?jǐn)?shù)均勻度和真實(shí)的水分質(zhì)量分?jǐn)?shù)均勻度存在較大的誤差。

圖7 預(yù)測集計(jì)算所得均勻度，標(biāo)準(zhǔn)差，均值的關(guān)系圖Fig.7 Curves of uniformity，average feature，standard deviation feature calculating by the prediction set

3 結(jié)語

研究了干燥過程中的玉米水分質(zhì)量分?jǐn)?shù)均勻度快速無損檢測方法。對于水分質(zhì)量分?jǐn)?shù)均勻度來說，通過正交信號校正法對原始數(shù)據(jù)進(jìn)行預(yù)處理后建立的模型的預(yù)測精度為0.839，預(yù)測均方根誤差為1.74%，潛在變量的數(shù)目為2個(gè)。相比于利用高光譜圖像進(jìn)行水分檢測，并在此基礎(chǔ)上計(jì)算水分質(zhì)量分?jǐn)?shù)均勻度的間接測量方法，作者采用的方法可顯著提高測量精度，可用于水分質(zhì)量分?jǐn)?shù)均勻度的直接無損檢測。

[1]Hashemi S J，Murray Douglas W J.Moisture nonuniformity in drying paper：measurement and relation to process parameters[J]. Drying Technology，2003，21（2）：329-347.

[2]王丹陽，李成華，金宏亮，等.稻谷固定深床干燥均勻度的研究[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，40（4）：458-464. WANG Danyang，LI Chenghua，JIN Hongliang，et al.Study on the moisture uniformity of paddy drying in a deep fixed-bed[J]. Journal of Shenyang Agricultural University，2009，40（4）：458-464.（in Chinese）

[3]Wang Y C，Zhang M，Mujumdar A S，et al.Study of drying uniformity in Pulse-Spouted Microwave-Vacuum drying of stemlettuce slices with regard to product quality[J].Drying Technology，2013，31（1）：91-101.

[4]Büning-Pfaue H.Analysis of water in food by near infrared spectroscopy[J].Food Chemistry，2003，82（1）：107-115.

[5]劉潔，李小昱，李培武，等.基于近紅外光譜的板栗水分檢測方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（2）：338-341. LIU Jie，LI Xiaoyu，LI Peiwu，et al.Determination of moisture in chestnuts using near infrared spectroscopy[J].Transactions of the CSAE，2010，26（2）：338-341.（in Chinese）

[6]陳衛(wèi)江，林向陽，阮榕生，等.核磁共振技術(shù)無損快速評價(jià)食品水分的研究[J].食品研究與開發(fā)，2006，27（4）：125-127. CHEN Weijiang，LIN Xiangyang，RUAN Rongsheng，et al.Study on quickly and non-destructive estimate the moisture content of food using NMR[J].Food Research and Development，2006，27（4）：125-127.（in Chinese）

[7]張文昭，劉志壯，周文真.電容法豬肉含水率快速檢測的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（20）：272-275. ZHANG Wenzhao，LIU Zhizhuang，ZHOU Wenzhen.Quick detection of water content for pork by capacitance method[J]. Transactions of the CSAE，2012，28（20）：272-275.（in Chinese）

[8]Sundaram J，Kandala C V，Govindarajan K N，et al.Sensing of moisture content of In-shell peanuts by NIR reflectance spectroscopy[J].Journal of Sensor Technology，2012，2（1）：1-7.

[9]Mizukami Y，Sawai Y，Yamaguchi Y.Moisture content measurement of tea leaves by electrical impedance and capacitance[J]. Biosystems Engineering，2006，93（3）：293-299.

[10]李曉麗，程術(shù)希，何勇.基于漫反射光譜的初制綠茶含水率無損檢測方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（5）：195-200. LI Xiaoli，CHENG Shuxi，HE Yong.Nondestructive measurement of moisture content of green tea in primary processing based on diffuse reflectance spectroscopy[J].Transactions of the CSAE，2010，26（5）：195-200.（in Chinese）

[11]毛罕平，張曉東，李雪，等.基于光譜反射特征葡萄葉片含水率模型的建立[J].江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，29（5）：369-372. MAO Hanping，ZHANG Xiaodong，LI Xue，et al.Model establishment for grape leaves dry-basis moisture content based on spectral signature[J].Journal of Jiangsu University：Natural Science Edition，2008，29（5）：369-372.（in Chinese）

[12]Huang M，Wang Q G，Zhang M，et al.Prediction of color and moisture content for vegetable soybean during drying using hyperspectral imaging technology[J].Journal of Food Engineering，2014，128：24-30.

[13]王玉川.萵苣顆粒負(fù)壓微波高效節(jié)能均勻干燥機(jī)理及工藝研究[D].無錫：江南大學(xué)，2013.

[14]GB/5009.3-2010，食品安全國家標(biāo)準(zhǔn)-食品中水分的測定[S].

[15]Wold S，Antti H，Lindgren F，et al.Orthogonal signal correction of near-infrared spectra[J].Chemometrics and Intelligent Laboratory Systems，1998，44（1）：175-185.

[16]Fearn T.On orthogonal signal correction[J].Chemometrics and Intelligent Laboratory Systems，2000，50（1）：47-52.

Non-Destructive Detection of Moisture Content Uniformity During the Drying Process of Maize by Hyperspectral Imaging Technology

ZHAO Weiyan1， HUANG Min*1， ZHANG Min2
（1.Key Laboratory of Advanced Process Control for Light Industry，Ministry of Education，Jiangnan University，Wuxi 214122，China；2.State Key Laboratory of Food Science and Technology，Jiangnan University，Wuxi 214122，China）

Moisture content uniformity is one of the primary parameters in a drying process，which is important to evaluate the quality of dried-foods and the drying technique.The moisture content uniformity detected by the hyperspectral imaging technology was studied in the drying process of maize.A prediction model was developed by the mean and standard deviation features combined with the partial least squares（PLS），where orthogonal signal correction method was used as the preprocessing method.The results showed that the prediction model developed by the mean and standard deviation features after preprocessing achieved the optimal performance with the correlation coefficient of 0.839 and the root mean square error of 1.74%，while the latent variables was reduced to 2 variables.Therefore，the hyperspectral imaging technology could be used as a non-destructivedetection of moisture content uniformity.

grain drying，hyperspectral imaging technology，uniformity，orthogonal signal correction

S513；TS207.3

A

1673—1689（2015）07—0717—07

2014-09-13

國家自然科學(xué)基金項(xiàng)目（61271384，61275155）；江蘇省自然科學(xué)基金項(xiàng)目（BK2011148）。

*通信作者：黃 敏（1974—），女，遼寧鐵嶺人，工學(xué)博士，教授，碩士研究生導(dǎo)師，主要從事近紅外成像和高光譜圖像技術(shù)分析研究。E-mail：huangmzqb@163.com