基于高光谱成像与可解释人工智能的藜麦品质无损评估技术研究

本研究创新性地融合可见-近红外(VIS-NIR)与近红外(NIR)双光谱信息，通过特征波段增强与可解释人工智能(XAI)技术，实现了藜麦蛋白质、淀粉和总酚含量的高精度预测（RP2>0.94），为谷物品质无损检测提供了新范式。

　　

Highlight

本研究采用双高光谱成像系统（VIS-NIR, 400–1000 nm; NIR, 900–1700 nm）获取藜麦样品光谱数据，旨在实现蛋白质、淀粉和总酚含量的精准定量分析。研究目标包括：（1）通过全波长范围内的不同预处理方法和建模算法（支持向量回归SVR、偏最小二乘回归PLSR），对比分析单一光谱数据集与融合光谱数据集的预测性能；（2）结合优化特征选择方法（随机青蛙Random Frog、连续投影算法SPA、竞争性自适应重加权采样CARS），通过光谱增强技术提升模型预测精度；（3）整合可解释人工智能（XAI）方法阐释最优模型的预测机制，为藜麦无损品质评估奠定理论基础。

样品制备

本研究涉及的藜麦样品于2023年采集自云南省元谋县南繁农业试验站（23.48°N, 101.95°E）。收获后，种子立即转移至密闭容器中，在避光低湿条件下保存以维持生化完整性。共系统评估39个藜麦品种（包括龙藜-1、青白藜-1、燕藜-1等）。针对高光谱成像，每个品种随机选取100粒种子进行光谱扫描。

理化特性参考测量

为检测并剔除藜麦样品中的光谱异常值，本研究采用主成分分析（PCA）结合99.9%置信水平（临界α值=0.1%）的Hotelling T²检验，从数据集中移除了4个异常样本。随后，通过浓度梯度分层以2:1的比例分配，将剩余113个样品系统划分为校准集（n=75）和预测集（n=38）。参考测量采用国际标准方法：凯氏定氮法测定蛋白质含量，酸水解-蒽酮比色法测定淀粉含量，福林-酚试剂法测定总酚含量，所有测量均进行三次技术重复以确保数据可靠性。

结论

本研究证明，整合VIS-NIR（400–700 nm）与NIR（700–1700 nm）光谱范围的底层融合策略，在检测藜麦品种（39个栽培种）品质属性方面相比单模态光谱方法表现出更优性能。SG和SNV预处理方法均被证实有效，其中PLSR在量化蛋白质、淀粉和总酚含量方面比SVR更具适用性。关键特征波长提取显示，与蛋白质相关的特征波段集中在980 nm和1450 nm附近，淀粉特征集中于1210 nm区间，而总酚的敏感波段则分布在520 nm和1070 nm区域。通过SHAP值分析进一步验证了模型决策机制与生化特性的一致性。