大米拉曼光譜表征與統(tǒng)計識別的實(shí)驗設(shè)計與實(shí)證分析

摘要：針對質(zhì)量管理工程專業(yè)當(dāng)代高水平人才培養(yǎng)的現(xiàn)實(shí)需求，結(jié)合南京財經(jīng)大學(xué)“糧食特色”發(fā)展戰(zhàn)略，開展“質(zhì)量快檢實(shí)驗”課程實(shí)驗教學(xué)項目設(shè)計與實(shí)證探索。實(shí)驗以地理標(biāo)志大米的產(chǎn)地判別為例，依次進(jìn)行了樣品拉曼光譜數(shù)據(jù)采集與表征分析、統(tǒng)計質(zhì)量控制、基于卷積神經(jīng)網(wǎng)絡(luò)的識別及特征分析等，具有數(shù)據(jù)采集速度快、判別運(yùn)算效率高、結(jié)果可視化展示等優(yōu)勢。實(shí)驗項目滿足“金課”標(biāo)準(zhǔn)“高階性、創(chuàng)新性、挑戰(zhàn)度”要求，綜合鍛煉了學(xué)生的文獻(xiàn)調(diào)研與分析能力、質(zhì)量特性快檢數(shù)據(jù)采集與領(lǐng)域知識剖析能力，質(zhì)量控制圖繪制與解析能力，智能識別算法構(gòu)造與編程實(shí)現(xiàn)能力，實(shí)驗報告撰寫與小組配合能力等，積極響應(yīng)了新時代數(shù)字化、智能化背景下質(zhì)量管理工程復(fù)合應(yīng)用型人才的培養(yǎng)要求。

關(guān)鍵詞：實(shí)驗教學(xué)；質(zhì)量快檢；大米質(zhì)控；統(tǒng)計識別；案例分析

中圖分類號：G642.0；TU201.2 文獻(xiàn)標(biāo)志碼：A DOI：10.16465/j.gste.cn431252ts.20240514

基金項目：南京財經(jīng)大學(xué)教學(xué)改革項目（JGY202270，JGZ2023003，JGY2023081）；南京財經(jīng)大學(xué)《儀器分析概論》產(chǎn)教融合一流課程建設(shè)項目（南財教字〔2023〕88號）；江蘇省高等教育學(xué)會高校實(shí)驗室研究委員會項目（GS2022BZZ19）；江蘇高?！扒嗨{(lán)工程”優(yōu)秀青年骨干教師項目（蘇教師函〔2021〕11號）。

Experimental design and empirical analysis of Raman spectroscopy characterization and statistical identification of rice

Zhang Zhengyong， Zha Ruoxuan， Yang Yu， Sha Min

（ School of Management Science and Engineering， Nanjing University of Finance and Economics， Nanjing， Jiangsu 210023 ）

Abstract： In response to the practical needs of cultivating contemporary high-level talents in the field of quality management engineering， and in combination with school’s development strategy of grain characteristics， carry out the design and empirical exploration of the experimental teaching project for the \"quality rapid inspection experiment\" course. Taking the identification of geographical indication rice as an example， the experiment sequentially conducted sample Raman spectroscopy data collection and characterization analysis， statistical quality control， recognition and feature analysis based on convolutional neural networks， etc. It has advantages such as fast data collection speed， high discrimination operation efficiency， and visual display of results. The experimental project meets the requirements of the course standards of advanced， innovative and challenging， comprehensively exercising the students’ abilities in literature research and analysis， quality characteristic rapid inspection data collection and domain knowledge analysis， quality control chart drawing and analysis， intelligent recognition algorithm construction and programming implementation， experimental report writing and group cooperation， etc. It actively responds to the training requirements of composite applied talents in quality management engineering under the background of digitalization and intelligence in the new era.

Key words： experimental teaching； quick quality inspection； rice quality control； statistical identification； case analysis

近年來，隨著國民經(jīng)濟(jì)進(jìn)入高質(zhì)量發(fā)展階段，質(zhì)量的重要性日益凸顯。2023年2月中共中央、國務(wù)院印發(fā)了《質(zhì)量強(qiáng)國建設(shè)綱要》，旨在統(tǒng)籌推進(jìn)質(zhì)量強(qiáng)國建設(shè)，全面提高我國質(zhì)量總體水平，這必然離不開質(zhì)量專業(yè)人才的支撐。質(zhì)量管理工程專業(yè)是教育部2012年增設(shè)的本科專業(yè)，將為各企事業(yè)單位輸送質(zhì)量管理專門人才，助力提升各組織的質(zhì)量管理水平，社會需求度高，時代屬性明顯[1-2]。質(zhì)量快檢實(shí)驗是南京財經(jīng)大學(xué)質(zhì)量管理工程本科人才培養(yǎng)方案中的一門綜合實(shí)踐類課程，旨在通過實(shí)驗訓(xùn)練，學(xué)生能夠較為系統(tǒng)地掌握質(zhì)量數(shù)據(jù)快速采集、處理、分析、評估相關(guān)知識，更加深刻地理解質(zhì)量檢驗、儀器分析類課程理論，提升學(xué)生們分析、解決質(zhì)量問題的能力，掌握快速評估的方式方法。

在教學(xué)活動中，傳統(tǒng)的實(shí)驗實(shí)踐教學(xué)內(nèi)容常偏于基礎(chǔ)，以操作性、驗證性項目為主，僅能夠滿足基本的操作指令訓(xùn)練，在面向新時代復(fù)合交叉創(chuàng)新應(yīng)用型人才培養(yǎng)需求方面，滿足“高階性、創(chuàng)新性、挑戰(zhàn)度”的綜合性、設(shè)計性、開放性實(shí)驗實(shí)踐項目相對還較為匱乏。這可能會導(dǎo)致實(shí)驗實(shí)踐教學(xué)模式手段較為單一、知識更新緩慢，學(xué)生通過實(shí)驗實(shí)踐教學(xué)動手能力訓(xùn)練不足、靈活應(yīng)用能力欠缺，實(shí)驗實(shí)踐教學(xué)效果難以匹配社會發(fā)展需要，難以滿足高層次創(chuàng)新型人才的培養(yǎng)要求[3-4]。為此，需要不斷探索實(shí)踐教學(xué)改革，為積極響應(yīng)科學(xué)研究“四個面向”，并結(jié)合我?！凹Z食特色”發(fā)展戰(zhàn)略，本文設(shè)計論證了基于拉曼光譜表征與統(tǒng)計識別的地標(biāo)大米質(zhì)量判別實(shí)證研究，以期促進(jìn)實(shí)踐教學(xué)模式變革，推進(jìn)實(shí)驗課程持續(xù)質(zhì)量改進(jìn)。

1 大米拉曼光譜表征與統(tǒng)計識別的實(shí)驗教學(xué)設(shè)計

大米是一種常見的農(nóng)產(chǎn)品，地理標(biāo)志即大米的產(chǎn)地屬性，也是大米的重要質(zhì)量和品牌屬性，以地理標(biāo)志大米的產(chǎn)地判別為例，擬解決的質(zhì)量問題是相似樣品的分類鑒定，實(shí)現(xiàn)以次充好樣品的快速識別[5]。以此問題為導(dǎo)向，設(shè)計涵蓋質(zhì)量特性數(shù)據(jù)采集、統(tǒng)計質(zhì)量控制、智能學(xué)習(xí)算法、譜圖數(shù)據(jù)挖掘的快速檢測方法，培養(yǎng)學(xué)生面對類似問題的分析思路。在質(zhì)量問題研究方面，學(xué)生需要開展文獻(xiàn)調(diào)研，總結(jié)現(xiàn)有的大米質(zhì)量問題演變態(tài)勢及現(xiàn)有對策，梳理檢測方法、快檢技術(shù)及優(yōu)缺點(diǎn)[6-7]。在質(zhì)量特性數(shù)據(jù)采集方面，需要了解研究對象相關(guān)的理化特性，以及光譜等快速檢測方法，并了解設(shè)備構(gòu)造、操作步驟及數(shù)據(jù)物質(zhì)歸屬。在統(tǒng)計質(zhì)量控制運(yùn)算方面，需要了解質(zhì)量控制圖計算方法、判定規(guī)則，理解事中控制的質(zhì)量思想。在智能學(xué)習(xí)計算方面，需要了解卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法的構(gòu)建思想以及特征挖掘方法，能夠借助Matlab等軟件平臺編程實(shí)現(xiàn)算法運(yùn)算并得到優(yōu)化識別結(jié)果。

通過綜合實(shí)驗，學(xué)生將獲得以下多種能力訓(xùn)練與提升，達(dá)成課程目標(biāo)。首先，通過文獻(xiàn)調(diào)研，或者借助文獻(xiàn)計量學(xué)工具，學(xué)生能夠了解到大米品質(zhì)研究呈現(xiàn)出由貯藏條件、蒸煮品質(zhì)向食味品質(zhì)演變的趨勢，研究方法與計算機(jī)技術(shù)愈發(fā)緊密[8]。經(jīng)過文獻(xiàn)梳理，可以發(fā)現(xiàn)大米質(zhì)量檢驗方法包括感官檢驗法和成分分析法，在GB/T 1354—2018 《大米》中設(shè)置了色澤、氣味、品嘗評分值等感官質(zhì)量指標(biāo)，以及直鏈淀粉、水分等成分質(zhì)量指標(biāo)，面臨著感官檢驗受專家情感影響較大、主觀性較強(qiáng)的制約，成分分析法指標(biāo)較易被定向添加所蒙蔽的制約?？焖贆z測方法包括比色法、試紙條法、便攜式設(shè)備鑒定法等，尤其是近年來人工智能的快速發(fā)展，與智能識別算法結(jié)合愈發(fā)緊密。其次，表征大米質(zhì)量特性數(shù)值的技術(shù)繁多，包括光譜法、色譜法、質(zhì)譜法等，各種技術(shù)均有其適用性，可以反映大米樣品在某一視角下的質(zhì)量特性，其中，拉曼光譜因其具有采樣速度快、可無損檢測、可便攜化等優(yōu)勢，成為了智能快檢技術(shù)研發(fā)的熱點(diǎn)數(shù)據(jù)源[9-10]。隨后，學(xué)生們針對所采集的表征數(shù)據(jù)進(jìn)行質(zhì)量分析，選用質(zhì)量控制圖、卷積神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行變化規(guī)律探索，求解樣品質(zhì)量波動情況及差異情況，為科學(xué)決策提供技術(shù)支持。

2 實(shí)驗方法

2.1 實(shí)驗材料與設(shè)備

實(shí)驗用大米樣品均購置于南京蘇果超市，選取3個產(chǎn)地，分別是五常大米，延邊大米和魚臺大米，每個產(chǎn)地25個樣品，經(jīng)粉碎研磨過篩后，得到75個樣品粉末。Prott-ezRaman-D3型便攜式拉曼光譜儀：美國Enwave Optronics公司。

2.2 拉曼光譜數(shù)據(jù)采集

使用拉曼光譜儀在暗室內(nèi)進(jìn)行數(shù)據(jù)采集實(shí)驗，得到大米樣品光譜表征數(shù)據(jù)。儀器激光波長為785 nm，激光功率為450 mW，積分時間為4 s，平均3次，光譜采集范圍為250～1 750 cm-1，光譜分辨率1 cm-1，電荷耦合檢測器溫度為-85 ℃。

2.3 數(shù)據(jù)處理

拉曼光譜的基線校正基于SLSR ReaderV8.3.9軟件（美國Enwave Optronics公司）；單值移動極差控制圖計算基于Minitab軟件（美國Minitab公司），實(shí)驗所涉及的相似度、特征提取、卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算基于Matlab 2018b軟件（美國MathWorks公司）實(shí)現(xiàn)。

3 實(shí)證案例分析

3.1 大米拉曼光譜表征數(shù)據(jù)分析

實(shí)驗所用的3種大米地標(biāo)產(chǎn)品來自不同產(chǎn)地，外觀較為相似，均為白色顆粒，裸眼難以進(jìn)行直觀判別。儀器采集得到的大米樣品拉曼光譜表征數(shù)據(jù)如圖1所示，大米的主要成分有淀粉、脂肪、蛋白質(zhì)等，結(jié)合已有的相關(guān)文獻(xiàn)[11-13]，可對樣品的主要拉曼光譜峰進(jìn)行物質(zhì)歸屬，如表1所示，如最高峰492 cm-1主要源于淀粉的C—C—C變形振動和C—O扭曲振動；848～1 140 cm-1主要是來源于C—O、C—C的伸縮振動、C—C—H、C—O—H的變形振動等，不同產(chǎn)地大米的拉曼光譜出峰位置差異不大，峰寬也十分相似。運(yùn)用相關(guān)系數(shù)進(jìn)行大米光譜圖間的相似度評估，五常大米的拉曼光譜數(shù)據(jù)和延邊大米的拉曼光譜數(shù)據(jù)間相關(guān)系數(shù)為0.994，五常大米和魚臺大米間相關(guān)系數(shù)為0.993，延邊大米和魚臺大米間相關(guān)系數(shù)為0.997，結(jié)果顯示出各產(chǎn)地大米光譜圖間相似度很高，僅憑裸眼進(jìn)行判別存在較大不確定性，這提示我們需要引入統(tǒng)計學(xué)習(xí)方法開展進(jìn)一步的識別分析。

3.2 基于統(tǒng)計質(zhì)量控制的大米波動分析

3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的識別分析與特征挖掘

實(shí)驗進(jìn)一步隨機(jī)選取80%的實(shí)驗樣本構(gòu)建訓(xùn)練集，剩余20%的樣本構(gòu)建測試集，將大米全波段拉曼光譜數(shù)據(jù)導(dǎo)入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行智能識別分析，為消除量綱影響，進(jìn)行了歸一化運(yùn)算，而后平均運(yùn)算10次，得到平均識別率為98%，在最優(yōu)條件下，識別率可達(dá)到100%，如圖3所示。實(shí)驗結(jié)果顯示，基于卷積神經(jīng)網(wǎng)絡(luò)的智能識別算法可對地標(biāo)大米產(chǎn)品的分類判別取得較高的識別效果，運(yùn)算時間僅需不到1 min[15-16]。卷積神經(jīng)網(wǎng)絡(luò)通過對拉曼光譜數(shù)據(jù)進(jìn)行卷積運(yùn)算可達(dá)到局部特征提取，利用池化層減小數(shù)據(jù)維度，利用全連接層實(shí)現(xiàn)特征分類，使得該算法具有較好的識別性能。隨后，為了進(jìn)一步分析拉曼光譜特征波段對識別結(jié)果的可能影響，結(jié)合圖1所示的譜圖出峰位置劃分了20個特征區(qū)間，依次導(dǎo)入卷積神經(jīng)網(wǎng)絡(luò)算法，運(yùn)算得到表2所示結(jié)果，顯示出不同波段所對應(yīng)的識別率有一定差異，如1 109～1 195 cm-1波段識別率可達(dá)100%，而1 511～1 750 cm-1波段識別率僅有72.7%。此外，特征波段提取后算法運(yùn)算時間可得到約80%的縮減。

4 實(shí)驗教學(xué)改革分析

本實(shí)驗設(shè)計主要針對質(zhì)量管理工程專業(yè)。與傳統(tǒng)的比色法、試紙法等快速檢測方法相比，這些方法以定性分析為主。而本實(shí)驗設(shè)計內(nèi)涵更為豐富、綜合，采用數(shù)據(jù)驅(qū)動的質(zhì)量識別方法，其結(jié)果均以定量化形式呈現(xiàn)。分析過程包括了大米拉曼光譜質(zhì)量特性數(shù)據(jù)采集與解析，質(zhì)量控制圖波動分析，以及基于卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)量判別與譜峰特征挖掘，信息量較大，對學(xué)生綜合能力訓(xùn)練程度要求較高，整體實(shí)驗過程用時并不長，符合質(zhì)量快檢時間要求，但知識密度較大、分析要求較高，對學(xué)生多途徑、系統(tǒng)化解決問題思路進(jìn)行了著力訓(xùn)練，實(shí)驗一般2～3名同學(xué)為一組，以團(tuán)隊協(xié)助形式落實(shí)項目實(shí)施，實(shí)驗用時1周左右。

（1） 實(shí)驗準(zhǔn)備階段，學(xué)生們需要閱讀學(xué)習(xí)質(zhì)量快檢最新文獻(xiàn)報道，了解領(lǐng)域發(fā)展趨勢，理解機(jī)器學(xué)習(xí)賦能質(zhì)量管理方式方法，梳理總結(jié)撰寫文獻(xiàn)進(jìn)展報告。同時，了解快檢設(shè)備測定原理、內(nèi)部結(jié)構(gòu)，熟悉卷積神經(jīng)網(wǎng)絡(luò)等相關(guān)算法構(gòu)造思想和基本運(yùn)算，并能夠根據(jù)已有知識和資料分析提出可能的實(shí)驗改進(jìn)設(shè)想。

（2） 實(shí)驗進(jìn)行階段，學(xué)生需要熟悉快檢設(shè)備操作流程、注意事項，能夠自行操作設(shè)備進(jìn)行信號采集，在實(shí)驗中進(jìn)一步理解大米快檢與常規(guī)檢測在預(yù)處理等手段上的聯(lián)系與差異。熟悉相關(guān)算法軟件編程實(shí)現(xiàn)，能夠進(jìn)行參數(shù)調(diào)試以及結(jié)果圖像化輸出繪制，理解數(shù)據(jù)結(jié)果的內(nèi)在統(tǒng)計規(guī)律，可以提出對應(yīng)的合理性解釋。進(jìn)一步，通過特征提取操作開展數(shù)據(jù)挖掘分析，研究數(shù)據(jù)內(nèi)部差異，為深入理解算法與持續(xù)改進(jìn)優(yōu)化算法提供思路。

（3） 實(shí)驗外延階段，學(xué)生可以在多個方面嘗試進(jìn)行外延拓展，在質(zhì)量特性數(shù)據(jù)表征方面可以進(jìn)行如紅外光譜、紫外光譜、熒光光譜等光譜類，或色譜類、質(zhì)譜類數(shù)據(jù)采集；在統(tǒng)計質(zhì)量控制方法方面可以根據(jù)實(shí)際情況考慮均值極差、指數(shù)加權(quán)移動平均控制圖分析；在智能識別算法方面可以與多種算法進(jìn)行識別效果對比分析，如支持向量機(jī)、極限學(xué)習(xí)機(jī)、概率神經(jīng)網(wǎng)絡(luò)等；在產(chǎn)品品類方面，可以在多種食品、中藥材領(lǐng)域進(jìn)行拓展。

5 結(jié) 語

質(zhì)量快檢實(shí)驗作為質(zhì)量管理工程專業(yè)的一門綜合性實(shí)驗實(shí)踐課程，在人才培養(yǎng)過程中發(fā)揮著舉足輕重的作用，需要隨著科學(xué)技術(shù)發(fā)展不斷在實(shí)驗項目上推陳出新，為此研究設(shè)計了面向地理標(biāo)志大米的產(chǎn)地判別實(shí)驗設(shè)計。方案涵蓋快檢數(shù)據(jù)采集、統(tǒng)計判別、智能識別等多個方面，實(shí)踐中既訓(xùn)練了學(xué)生硬件設(shè)備的操作能力，又訓(xùn)練了軟件編程運(yùn)算能力，可供質(zhì)量管理工程以及相關(guān)專業(yè)學(xué)生作為實(shí)驗實(shí)踐教學(xué)參考。

參 考 文 獻(xiàn)

[1] 王強(qiáng).質(zhì)量強(qiáng)國背景下質(zhì)量管理工程專業(yè)大學(xué)生職業(yè)使命感的調(diào)查研究[J].成才，2023（13）：99-101.

[2] 沙敏，張正勇，張慶民，等.以學(xué)科交叉推動質(zhì)量管理工程復(fù)合應(yīng)用型人才培養(yǎng)的探索與實(shí)踐[J].教育現(xiàn)代化，2019，6（54）：1-6.

[3]周劍新，覃金少.糧油快速檢測課程實(shí)驗教學(xué)改革研究[J].糧食科技與經(jīng)濟(jì)，2024，49（3）：77-79+107.

[4] 裴朝東.OBE理念下糧油食品高水平專業(yè)群實(shí)踐教學(xué)模式重構(gòu)[J].糧食科技與經(jīng)濟(jì)，2023，48（1）：67-70.

[5] 王靖會，秦潤蒙，程嬌嬌，等.基于機(jī)器學(xué)習(xí)的地標(biāo)大米摻假鑒別模型研究[J].東北農(nóng)業(yè)科學(xué)，2021，46（2）：138-144.

[6] 洪铦棟，羅炳嘉，吳文超，等.我國糧食安全與糧食質(zhì)量研究動態(tài)的可視化比對分析[J].糧食問題研究，2023（2）：9-14+19.

[7] 陳倩，周燦，韓景林.基于光譜技術(shù)的食品質(zhì)量快速檢測方法研究[J].中國質(zhì)量監(jiān)管，2023（12）：84-85.

[8] 石小晶，姚安陽，李思維，等.我國大米品質(zhì)研究發(fā)展動態(tài)的可視化分析[J].糧食問題研究，2021（2）：34-39+51.

[9] 吳靜珠，李曉琪，林瓏，等.基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的大米產(chǎn)地高光譜快速判別[J].中國食品學(xué)報，2022，22（1）：282-288.

[10] 趙迎，李明，肖茲蘭，等.基于拉曼光譜快速鑒別新陳大米的方法研究[J].光譜學(xué)與光譜分析，2016，36（S1）：303-304.

[11] 沙敏，桂冬冬，張正勇，等.拉曼光譜結(jié)合模式識別方法鑒別大米種類[J].中國糧油學(xué)報，2020，35（1）：168-174.

[12] 沙敏，李良翠，黃家樂，等.拉曼光譜數(shù)據(jù)處理方式對大米產(chǎn)地鑒別模型的影響[J].中國食品學(xué)報，2021，21（5）：369-376.

[13] 王亞軒，譚峰，辛元明，等.大米拉曼光譜不同預(yù)處理方法的相近產(chǎn)地鑒別研究[J].光譜學(xué)與光譜分析，2021，41（2）：565-571.

[14] 尤潔.利用統(tǒng)計控制圖改進(jìn)項目掙值管理的研究[J].質(zhì)量技術(shù)監(jiān)督研究，2018（4）：51-56.

[15] 楊亞萍，劉軍，王洪亮.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的智能物料識別技術(shù)研究[J].電子設(shè)計工程，2024，32（8）：191-195.

[16] 鄧楊，王粵，尚玉婷.基于深度學(xué)習(xí)的大米堊白分割算法研究[J].中國糧油學(xué)報，2021，36（4）：139-144.