1.2.結(jié)果與討論

（1）水分含量（MC）和脂肪酸值（FAC）的統(tǒng)計(jì)分析

一種合適的樣本劃分方法能夠?yàn)榻＿x擇更具代表性的樣本，并提高模型的穩(wěn)健性。在本研究中，采用了基于聯(lián)合x-y距離的樣本集分割（SPXY）方法，按照2:1的比例將樣本劃分為校準(zhǔn)集和預(yù)測(cè)集。表2顯示了不同集合中樣本的MC和FAC的統(tǒng)計(jì)結(jié)果。從表2可以看出，校準(zhǔn)集中的MC和FAC的范圍覆蓋了預(yù)測(cè)集中的范圍，這符合構(gòu)建高光譜校準(zhǔn)模型的條件。在所有樣本中排除了異常樣本，包括異常的光譜值、水分值和脂肪酸值。

（2）光譜分析

圖2展示了大米和精米在900至1700nm波長(zhǎng)范圍內(nèi)的原始反射光譜。從圖2可以看出，大米和精米在900至1400nm波長(zhǎng)范圍內(nèi)的光譜趨勢(shì)相同。然而，在1400至1700nm波長(zhǎng)范圍內(nèi)，大米的反射光譜逐漸增加，而精米的反射光譜趨于穩(wěn)定。此外，大米光譜的反射值通常高于精米。這可能是由于大米和精米在顏色、光滑度和透明度方面的不同造成的。在圖2中，大約在960、1200和1450nm處有三個(gè)明顯的峰值。960nm附近的峰值可能是由水中和碳水化合物中O-H的二階倍頻協(xié)同作用引起的。1200nm附近的峰值與樣品的水分含量（MC）有關(guān)，而1450nm附近的峰值歸因于O-H伸縮的一階倍頻。由于前后波長(zhǎng)范圍內(nèi)的光譜噪聲較大，因此舍棄了900至940nm和1670至1700nm的光譜數(shù)據(jù)。用于建模的光譜數(shù)據(jù)包含在940至1670nm波長(zhǎng)范圍內(nèi)的468個(gè)變量。

圖2. 大米和精米樣品的原始光譜：(a） 大米；(b） 精米。

（3）光譜預(yù)處理分析

五種預(yù)處理方法被用于處理大米和精米樣品的光譜，并且使用偏*小二乘回歸（PLSR）算法建立了MC和FAC的校準(zhǔn)模型。表3顯示了不同預(yù)處理方法下MC和FAC樣品PLS模型的預(yù)測(cè)結(jié)果。從表3中可以發(fā)現(xiàn)，在“大米水分”模型中，使用SNV和SG-2預(yù)處理得到的結(jié)果是較好的。使用SNV預(yù)處理建立的模型的決定系數(shù)（R2C）相對(duì)較高，達(dá)到了0.9682。然而，該模型不穩(wěn)定，穩(wěn)健性較差，預(yù)測(cè)相關(guān)系數(shù)（R2P）僅為0.9466。因此，SG-2預(yù)處理的模型比SNV預(yù)處理的模型表現(xiàn)更好。在“大米脂肪酸”模型中，除了SG-2外，其他預(yù)處理方法的R2P未達(dá)到0.8，且R2P與R2C差異顯著，因此這些模型的穩(wěn)健性較差。因此，SG-2是“大米脂肪酸”模型中*佳的預(yù)處理方法。對(duì)于“精米水分”，SG-2預(yù)處理的模型具有更高的R2C和R2P?？傊?，SG-2是在“大米水分”、“精米水分”和“大米脂肪酸”三個(gè)預(yù)測(cè)模型中*佳的預(yù)處理方法。這三個(gè)模型的R2P和均方根誤差（RMSEP）分別為0.9639、0.9528、0.8238和0.0032、0.0035、2.1517。而在“精米脂肪酸”模型中，SG平滑是*佳的預(yù)處理方法，該模型的R2P和RMSEP分別為0.8427和1.7806。

從表3可以看出，大米中MC模型的性能優(yōu)于精米中的模型。這是因?yàn)榈練ず兴郑湮芰Ω哂诰?。因此，?dāng)大米樣品被水處理時(shí)，稻殼吸收的水分比精米多。所以大米的光譜包含了比精米更多的水分信息，導(dǎo)致大米中MC模型的性能優(yōu)于精米。相比之下，精米中FAC模型的性能優(yōu)于大米。稻殼的本質(zhì)是一種纖維，主要由纖維素、半纖維素、木質(zhì)素等成分構(gòu)成。這表明稻殼不含有脂肪酸，而存在于大米光譜中的稻殼干擾信息將影響建模過(guò)程中脂肪酸的預(yù)測(cè)。因此，獲得的光譜信息可能受到稻殼的干擾，導(dǎo)致精米的預(yù)測(cè)精度下降。所以使用高光譜圖像預(yù)測(cè)大米的脂肪酸時(shí)，稻殼會(huì)對(duì)預(yù)測(cè)精度產(chǎn)生特定影響。此外，過(guò)多的波長(zhǎng)并不能更有助于提高預(yù)測(cè)速度和模型的穩(wěn)健性。因此，進(jìn)行波長(zhǎng)變量選擇是必要的，以減少冗余波長(zhǎng)，提高模型穩(wěn)定性，并實(shí)現(xiàn)實(shí)時(shí)高光譜檢測(cè)。

（4）變量選擇

由于使用SG或SG-2預(yù)處理的MC和FAC模型獲得了*佳結(jié)果，因此對(duì)這些光譜進(jìn)行了CARS和SPA方法處理，以選擇對(duì)水分和脂肪酸有顯著影響的波長(zhǎng)。然后，使用這些選定的波長(zhǎng)通過(guò)PLSR開(kāi)發(fā)了水分和脂肪酸的校準(zhǔn)模型，并比較了“大米水分、精米水分、大米脂肪酸和精米脂肪酸”四個(gè)模型的性能。從表4可以看出，CARS選擇的基本波長(zhǎng)數(shù)量分別為17、40、17和13，而SPA選擇的基本波長(zhǎng)數(shù)量分別為6、11、9和10。SPA選擇的重要波長(zhǎng)數(shù)量更少，使得實(shí)際應(yīng)用更為簡(jiǎn)便。CARS模型的R2P分別為0.9643、0.9445、0.7528和0.8480。SPA模型的R2P分別為0.9650、0.9567、0.8436和0.8573。SPA模型具有更高的R2P，且模型更為**。CARS模型的RPD值分別為5.3750、4.3784、2.0565和2.6227。SPA模型的RPD值分別為5.5484、4.9091、2.5854和2.7070。SPA模型的RPD值更高，表明模型更為穩(wěn)定。

此外，SPA模型的性能優(yōu)于全光譜模型，這表明SPA選擇的波長(zhǎng)包含了MC或FAC幾乎所有的有效信息。與全光譜模型的結(jié)果類似，SPA模型中大米的MC預(yù)測(cè)精度高于精米，而大米的FAC預(yù)測(cè)精度低于精米。這進(jìn)一步證明了我們?cè)诘?.3節(jié)分析的可信度。圖3展示了SPA變量選擇的結(jié)果。從圖3(a, c, e, g）可以看出，隨著所選波長(zhǎng)變量數(shù)量的增加，RMSE值逐漸減小。我們的目標(biāo)是在盡可能選擇較少波長(zhǎng)的前提條件下獲得較低的RMSE值。圖3(b, d, f, h）顯示了所選特征波長(zhǎng)的分布?？傊按竺姿帧?、“精米水分”和“大米脂肪酸”的*佳模型是“SG2-SPA-PLS”，而“精米脂肪酸”的*佳模型是“SG-SPA-PLS”。

圖3. SPA對(duì)大米/精米中水分和脂肪酸的波長(zhǎng)選擇結(jié)果。(a） 大米中水分的RMSE變化 (b） 大米中選定水分波長(zhǎng)的分布 (c） 精米中水分的RMSE變化 (d） 精米中選定水分波長(zhǎng)的分布 (e） 大米中脂肪酸的RMSE變化 (f） 大米中選定脂肪酸波長(zhǎng)的分布 (g） 精米中脂肪酸的RMSE變化 (h） 精米中選定脂肪酸波長(zhǎng)的分布。

SPA選擇的波長(zhǎng)如表5所示。對(duì)于MC模型，主要波長(zhǎng)970、1150和1450nm分別歸因于O-H伸縮的一階、二階和三階倍頻。對(duì)于FAC模型，脂肪酸的顯著峰值分布在945、994、1105、1382和1527nm，主要來(lái)自C-H的**和**倍頻以及-CH2基團(tuán)的伸縮。約1160nm的吸收峰由-HC-CH-鍵形成，這可以解釋選擇的1141nm波長(zhǎng)。選擇的光譜波長(zhǎng)939.06、964.17和967.31nm主要來(lái)自O(shè)-H鍵的彎曲振動(dòng)。選擇的波長(zhǎng)1095.9、1596.59和1329.81nm中，1098nm的峰值屬于C-H鍵的第三倍頻多重振動(dòng)，1586nm的峰值歸因于N-H鍵的**倍頻多重振動(dòng)，1320nm的峰值與C-H鍵的彎曲振動(dòng)相關(guān)。圖4顯示了MC和FAC的實(shí)際值與預(yù)測(cè)值之間的偏差。從圖4可以看出，MC的預(yù)測(cè)值和實(shí)際值高度吻合。這表明MC的預(yù)測(cè)模型具有很高的準(zhǔn)確性，預(yù)測(cè)值和實(shí)際值之間的差異很小。FAC的預(yù)測(cè)值和實(shí)際值的吻合度不如MC，但預(yù)測(cè)值和實(shí)際值也非常接近。這表明盡管FAC的模型性能略遜于MC，但它也能準(zhǔn)確預(yù)測(cè)大米和精米中的FAC。

圖4. 大米/精米中水分和脂肪酸預(yù)測(cè)結(jié)果的散點(diǎn)圖：(a） 大米中的水分；(b） 精米中的水分；(c） 大米中的脂肪酸；(d） 精米中的脂肪酸。RVM：水分的實(shí)際值；PVM：水分的預(yù)測(cè)值；RVFA：脂肪酸的實(shí)際值；PVFA：脂肪酸的預(yù)測(cè)值。