从实验室精度到工业部署：高光谱成像（HSI）用于谷物质量与安全评估的跨作物综述、方法学挑战与转化前景

《Foods》：From Laboratory Accuracy to Industrial Deployment: A Review of Hyperspectral Imaging for Cereal Grain Quality and Safety Assessment

　　

高光谱成像（HSI）是一种用于谷物质量与安全评估的强大非破坏性工具，其通过集成光谱学与空间成像，能够实现多个质量参数的同步预测。尽管偏最小二乘回归（PLSR）等传统化学计量学方法仍被广泛使用，但深度学习，尤其是卷积神经网络（CNN）和集成方法（ensemble methods），已展示出优越性能并正被日益采用。本综述综合了高光谱成像（HSI）在六种主要谷物（玉米、水稻、小麦、大麦、高粱和粟类（millet））中的应用，涵盖营养组成、水分、霉菌毒素、物理性状和品种分类。对光谱原理、建模方法及跨作物模式进行了分析。识别出关键空白，包括脂质和膳食纤维研究的近乎缺失以及工业部署验证的稀缺。讨论了原始研究中的发表偏倚和方法学异质性，其可能抬高所报告的预测准确率。本综述提供了全面参考，并为推动高光谱成像（HSI）迈向标准化和工业可部署解决方案提供观点。

**1. Introduction**
**1.1. Cereal Grain Quality and Traditional Assessment**
谷物包括玉米、水稻、小麦、大麦、高粱和粟类，提供约一半全球热量，是人体营养和畜禽饲料的基础。谷物质量涵盖营养组成（蛋白质、淀粉、直链/支链淀粉比、脂质和膳食纤维）、安全参数（霉菌毒素、农药残留、重金属及其他化学污染物）、理化与加工属性（水分、籽粒硬度、出粉率、面团强度和面筋含量）以及感官属性。全球谷物贸易规模约4.9亿吨/年，依赖供应链各环节快速可靠的质量评估。传统评估主要采用湿化学方法，如凯氏定氮、索氏提取和酶法淀粉测定，虽由AACC International和ICC等标准化，但耗时、破坏性且仅提供本体平均测量，掩盖样本内异质性；在育种中数千小样本多性状筛选和实时仓储监测中尤为受限。

**1.2. Hyperspectral Imaging as a Non-Destructive Alternative**
高光谱成像（HSI）通过结合光谱学的化学敏感性与数字成像的空间分辨率，克服上述限制。典型HSI系统获取三维数据立方（x, y, λ），每个像素包含数十至数百连续波段的全反射或透射光谱，实现单次采集同时化学定量和空间表征。其原理是谷物成分中O–H、N–H、C–H、C=O和C–O等化学键在特征波长吸收电磁辐射；霉菌毒素虽为痕量，但可通过真菌定殖引起的谷物组成次级光谱变化经化学计量模型检测。准确预测的关键是建立回归和分类模型，将HSI数据中的光谱与空间特征关联至质量属性。传统偏最小二乘回归（PLSR）仍广泛使用，而深度学习尤其是卷积神经网络（CNN）表现出更优性能并日益被采用。

**1.3. Scope and Contribution of This Review**
已有综述多聚焦特定方面，如小麦蛋白、霉菌毒素、人工智能与红外光谱整合及谷物质量安全概述，但尚无综述在单一框架内综合六种主要谷物的全部质量参数。综述文献中，HSI对主要谷物预测精度常接近参考湿化学方法；然而，报告性能可能受发表偏倚、方法学异质性和几乎仅依赖实验室优化条件而非工业设置而抬高。本综述综合HSI在玉米、水稻、小麦、大麦、高粱和粟类中的应用，覆盖营养组成、水分、霉菌毒素、物理性状和品种分类，分析光谱原理、建模方法和跨作物模式，并识别关键研究空白。

**2. Literature Search and Scope**
检索Scopus、Web of Science、PubMed和Google Scholar中2021至2026年英文同行评议文章，并补充早期经典工作。关键词包括“hyperspectral imaging”与作物名及质量参数，如蛋白质、淀粉、水分、霉菌毒素（黄曲霉毒素和脱氧雪腐镰刀菌烯醇等）、脂质、纤维、籽粒硬度和品种分类；补充检索结合卷积神经网络、深度学习、偏最小二乘、化学计量学、支持向量机和随机森林等方法术语。相关文章及综述参考文献列表经筛选，覆盖六种作物并用于综合。

**3. HSI Principles and Spectral Signatures for Grain Quality**
**3.1. HSI System and Acquisition Modes**
HSI系统集成光源（可见-近红外（Vis-NIR）常用钨卤素，短波红外（SWIR）常用石英-钨卤素）、成像光谱仪和探测器阵列（电荷耦合器件（CCD）或铟镓砷（InGaAs）），生成三维高光谱立方（x, y, λ），每像素含100–300连续波段的全反射或透射光谱。反射模式捕捉籽粒表面反射光，适合颜色、物理缺陷和表面污染检测；透射模式使光穿过单粒，穿透籽粒内部，更适合单粒分析中蛋白质和水分等内部组成性状。

**3.2. Spectral Ranges and Key Signatures**
谷物HSI研究主要采用三个光谱范围。可见-近红外（Vis-NIR，400–1000 nm）捕获电子跃迁和高阶振动泛音，对颜色、物理缺陷和表面特征敏感，适合品种分类和缺陷检测。近红外（NIR，900–1700 nm）捕获O–H、N–H和C–H伸缩振动的第一和第二泛音，是蛋白质、水分、淀粉和油含量定量预测最常用窗口。短波红外（SWIR，1000–2500 nm）获取基频和第一泛音组合带，对霉菌毒素检测关键，因真菌感染改变籽粒蛋白质、碳水化合物和水分矩阵，在1100–2500 nm区域可光谱检测。全范围系统（400–2500 nm）结合Vis-NIR和SWIR，已越来越多用于同时评估物理和化学质量性状。主要吸收特征包括：蛋白质N–H吸收近1500、2050和2180 nm；水在970、1450和1940 nm占主导；脂质C–H伸缩泛音近1720–1760 nm；淀粉和碳水化合物在980–1930 nm显示宽O–H和C–O特征。霉菌毒素检测通过间接机制：真菌定殖改变籽粒组成，所得细微光谱变化可经化学计量或机器学习模型提取。

**4. HSI Applications by Quality Parameter**
**4.1. Nutritional Composition**
蛋白质是HSI研究最广泛的谷物质量参数，源于其对烘焙、制麦和营养的经济意义。小麦蛋白质预测最成熟，单粒NIR HSI已被开拓，CNN方法优于PLSR，混合波长选择与光谱分箱进一步提高精度，VIS-NIR HSI结合深度学习可实现小麦籽粒营养高通量可视化。玉米中整合光谱与图像纹理特征优于仅光谱模型。水稻中多光谱融合与深度学习优于单模态，储藏蛋白如醇溶蛋白和谷蛋白已通过HSI结合特征选择定量。高粱和粟类应用正在兴起，包括粟类蛋白估计、必需氨基酸谱、碳水化合物预测及种子检测分类，但受样本量小和品种多样性有限制约。大麦蛋白质预测由制麦质量需求驱动，近红外光谱方法用于制麦质量预测。淀粉和直链淀粉受HSI关注相对较少；高粱直链/支链淀粉预测性能较强，RPD（ratio of performance to deviation）为4.8–5.6，拉曼HSI（Raman HSI）用于玉米淀粉检测。直链淀粉预测常落后于蛋白质，可能反映淀粉结晶性的复杂光谱表达和较低作物内变异。脂质和膳食纤维的HSI研究极罕见，尽管C–H吸收特征和传统NIR可行性明确，这是显著研究空白，尤其全谷物营养质量日益重要。

**4.2. Moisture Content**
水分是HSI最直接的质量参数，因970、1450和1940 nm存在强O–H吸收带。综述研究中，水分预测通常达到R²高于0.95，RMSEP低于0.5%水分。近期工作通过Wasserstein GANs数据增强应对训练数据有限，并将HSI与机器学习用于热风干燥小麦质量监测。水分常作为多参数模型的次要输出，因校正水分可改善其他预测。当前挑战已非预测精度，而是集成至谷物干燥、仓储监测和收货检测的实时工业平台。

**4.3. Mycotoxin and Contamination Detection**
霉菌毒素检测是谷物质量评估中增长最快且社会影响最大的HSI应用。脱氧雪腐镰刀菌烯醇（DON）、黄曲霉毒素、玉米赤霉烯酮、伏马菌素和赭曲霉毒素A污染带来直接健康风险，并通过货物拒收造成重大经济成本。小麦DON中，近距HSI可在监管相关阈值区分污染与清洁样本；有研究提出谷物加工中霉菌毒素减缓监测框架，并展示基因组预测与HSI表型协同用于抗DON小麦育种。玉米黄曲霉毒素检测已从早期概念验证进展至深度学习风险筛查。种胚方向显著影响分类精度，是常被忽视的方法学贡献。面粉流中麦角生物碱检测是少数接近监管级验证的HSI应用之一。关键局限在于HSI检测真菌定殖引起的组成变化而非毒素分子本身，当前系统通常无法在监管ppb水平直接定量，报告判别阈值多在mg/kg范围。此外，霉菌毒素分类研究多报告总体准确率而未报告混淆矩阵组成部分；在污染籽粒低流行率下，仅凭总体准确率可能严重误导。未来研究应报告监管相关阈值下的灵敏度和特异性，并按污染水平分层，因早期污染阶段HSI间接信号最弱。

**4.4. Physical Quality Traits**
HSI因空间分辨率可在批量图像中像素级识别缺陷籽粒，对物理质量评估有特殊优势。不完善小麦籽粒自动检测已覆盖六类缺陷及完好籽粒。水稻中Vis/NIR/SWIR联合表征和深度学习回归用于碾磨质量预测，将HSI扩展至加工品质评估。小麦和水稻虫害检测通过内部取食损伤相关光谱变化实现。然而，籽粒硬度预测受机械性质与光谱特征之间间接、环境依赖关系限制。

**4.5. Variety Classification, Origin Traceability, and Other Parameters**
品种分类是谷物HSI技术最成熟的应用，准确率常超90%并接近99%。深度学习架构包括高粱AlexNet、小麦双通道特征融合、玉米SE增强一维CNN及残差Mamba架构，拉曼HSI也用于小麦品种识别。主要限制为实践性：单季训练模型可能因环境对谷物组成影响而跨季退化。产地溯源中，多元曲线分辨结合Vis-NIR HSI用于稻米认证，光谱成像结合组注意力网络用于粟类产地识别，粟类品种识别也已展示。预收获发芽检测通过NIR HSI和深度卷积网络实现高精度，镰刀菌损伤籽粒通过SWIR HSI检测。面筋强度和面团流变学在有限小麦研究中通过高光谱–RGB多任务深度学习探索，反映面筋功能的间接性。对于大麦和燕麦中重要的可溶性膳食纤维β-葡聚糖（β-glucan），未发现具有定量校准结果的专门HSI研究。

**5. Methodological Approaches**
**5.1. Data Preprocessing**
原始高光谱数据需预处理以去除非化学来源方差。标准流程包括白参考反射校准、自动阈值或分水岭分割选择感兴趣区域、使用标准正态变量（SNV）、多元散射校正（MSC）或Savitzky–Golay导数减少散射效应，以及波长选择。预处理策略显著影响模型性能，但尚无共识流程；研究通常比较多种预处理组合并报告最佳结果，引入数据集特异性过拟合风险。

**5.2. Chemometric and Deep Learning Methods**
偏最小二乘回归（PLSR）仍是谷物HSI研究最广泛使用的方法，因简单、可解释且对小至中等数据集稳健。支持向量机（SVM）通过核函数处理非线性，分类任务中通常匹配或略优于PLSR，但性能对超参数敏感。随机森林（RF）因对噪声光谱稳健及集成聚合防过拟合而日益流行。传统化学计量方法主要依赖预处理后人工设计光谱特征，深度学习则直接从高光谱数据立方自动学习分层光谱和空间表示。代表性研究采用PLSR、SVM/支持向量回归（SVR）、RF及CNN深度架构和较新的Mamba架构。最重要趋势是深度学习快速采用，尤其CNN：一维CNN优于PLS-DA用于真菌检测，CNN回归在制麦小麦蛋白质和淀粉预测中优于PLSR，AlexNet和双通道融合用于高粱和小麦品种分类。集成方法常因算法互补而获最高精度。迁移学习或跨谷物类型微调预训练模型仍大多未探索，对研究不足作物具关键优势。一致发现是深度学习在多数已发表比较中优于化学计量学，定量性状R²优势典型为3–10%；但该优势并不一致，例如水分预测中强水吸收带占主导，PLSR仍有竞争力。报告优势是真实进步还是小数据集过拟合，因缺乏独立外部验证而难以评估。

**5.3. Performance Metrics and Comparative Assessment**
R²是多数研究主要性能指标，但描述方差解释且对系统偏倚不敏感；仅少数定量研究报告偏倚、RMSEP及RPD（ratio of performance to deviation，RPD = SD_reference/RMSEP）。依据既有准则，RPD低于1.5预测能力不足，1.5–2.0仅定性判别，2.0–2.5支持近似定量预测，2.5–3.0良好，高于3.0优秀。分类任务尤其霉菌毒素检测中，假阴性具食品安全后果，但性能几乎仅报告总体准确率而无混淆矩阵。在5%污染的不平衡数据中，全判为清洁可达95%准确率却漏检所有污染籽粒。研究提出最低报告清单以支持实际解释和跨研究可比性。尽管指标和实验方案不同，蛋白质和水分预测因N–H和O–H强吸收通常最高；淀粉和直链淀粉因碳水吸收带重叠及与其他成分相互作用更具挑战。分类中品种判别和物理缺陷检测表现优秀，霉菌毒素检测因间接光谱变化而变异较大。绝对性能指标跨研究不可直接比较；同一实验框架内模型比较显示无单一模型家族普遍优越。深度学习在有效利用非线性光谱或光谱–空间关系时可显著提升，但模型复杂度增加未必改善预测性能；模型选择应考虑目标性质、数据结构、预处理策略、样本量和计算成本。

**6. Cross-Crop Comparative Analysis**
小麦和玉米合计占本综述识别的HSI谷物质量出版物的多数，反映其全球经济意义和研究基础成熟。小麦研究集中于蛋白质、DON检测和品种分类；玉米参数覆盖更广，在水分、淀粉和单粒分析方面突出。水稻HSI研究受独特质量范式塑造，强调物理外观（垩白、白度、粒形）、品种认证和直链淀粉，后者是蒸煮食味品质主要决定因素；2-acetyl-1-pyrroline等香气化合物代表具商业意义的未探索前沿。高粱和粟类相对全球重要性研究最少。高粱为全球第五大产量谷物，是半干旱地区逾5亿人主粮，但HSI研究不足十项；单宁含量因影响蛋白质消化率、营养生物利用度和加工质量而构成领域特异空白，尽管传统NIR光谱已显示可行性。粟类研究更有限，鉴于其气候韧性和营养替代品认知，快速质量评估工具需求迫切。大麦HSI研究几乎集中于啤酒工业驱动的制麦质量参数，NIR方法包括光谱数据与基因组预测整合用于品种识别和制麦质量；食品用全粒大麦HSI关注极少。所有作物中，研究强度与国际谷物贸易经济价值强相关，而非全球粮食安全重要性。

**7. Challenges and Research Gaps**
**7.1. Publication Bias and Methodological Heterogeneity**
报告成功预测的研究主导文献，未识别到报告无法以有效精度预测质量参数的研究。因此，综述和原始文献中的性能指标可能代表上限估计而非田间预期性能。采集参数、预处理流程、建模算法和验证方案的极端方法学异质性进一步阻碍跨研究比较和共识最佳实践形成。

**7.2. Knowledge Gaps: Unexplored Parameters and Under-Studied Crops**
最显著知识空白是缺乏针对谷物脂质和膳食纤维含量的HSI研究，尽管NIR吸收特征和传统非成像NIR可行性已确立。高粱单宁含量具重要营养和加工意义，且光谱可行性明确，但未获HSI关注。大麦、高粱、粟类、燕麦和黑麦相对全球产量研究不足。粟类作为气候韧性作物日益受可持续农业推广，但已发表HSI质量研究仍非常有限。针对这些作物应用既有HSI方法可能产生不成比例收益。

**7.3. The Laboratory-to-Industry Translation Gap**
绝大多数谷物HSI研究在实验室条件下进行，使用静态样本、受控光照和离线数据处理。转化为工业级系统需解决采集速度、可变环境条件稳健性、流动谷物流自动感兴趣区域检测及与现有粮食处理基础设施集成等工程挑战。极少研究报告工业部署验证，且尚无HSI方法获得AOAC、ICC或AACC官方方法地位。麦角检测验证是接近该严格水平的例子。

**8. Future Directions**
若干技术发展可能重塑未来谷物HSI。基于Transformer的架构和Mamba等状态空间模型可实现更强大的光谱特征学习并改善可扩展性，需超越概念验证进行系统评估。自监督预训练是高优先研究方向，从大型无标签数据集学习通用光谱表示再微调小标签集，可将小作物标签需求减少一个数量级。快照高光谱相机在单次采集中捕获完整空间–光谱立方，提供更快更低成本采集，可能实现工业速度谷物质量评估。融合HSI与X射线（X-ray）、拉曼（Raman）或多光谱（multispectral）的多传感器平台可能超越单一模态。为促进工业和育种应用，部署策略应优先标准化校准协议以实现仪器间模型转移、用于相机实时推理的边缘计算及与基因组预测管道整合，使HSI衍生表型作为基因组选择中间性状。需多实验室验证研究为监管认可提供证据基础。涵盖多样基因型、环境和生长季的开放光谱数据库可加速进展并减少重复校准。气候变化正改变谷物质量并增加快速多参数评估紧迫性：CO₂升高降低小麦和水稻籽粒蛋白质及微量营养浓度；灌浆期热胁迫降低面团强度并增加水稻垩白；干旱胁迫增加玉米黄曲霉毒素污染风险。HSI质量表型连接气候适应育种，可支持选择在CO₂升高、热和干旱下维持谷物质量的品种，具重要粮食安全意义。

**9. Conclusions**
高光谱成像（HSI）在非破坏性谷物质量与安全评估中展现显著前景。本综述综合六种主要谷物的HSI应用，覆盖营养组成、水分、霉菌毒素、物理性状和品种分类。证据确认HSI对小麦、玉米和水稻的蛋白质、水分和品种分类达到有用预测精度，深度学习方法一致优于传统化学计量学。然而，高粱、粟类和大麦应用仍稀疏，脂质和膳食纤维预测、跨作物模型转移性及工业部署验证等关键空白持续存在。有限报告偏倚、RPD与R²，以及霉菌毒素分类中灵敏度和特异性，限制了已发表性能指标的实际可解释性。尽管实验室可行性已确立，真实部署仍有限，极少研究在工业条件下验证HSI。未来工作应聚焦标准化采集和报告协议、多实验室验证研究及开放光谱数据库，以支持仪器和作物类型间校准转移。随着深度学习架构、迁移学习和硬件集成持续进展，HSI预计将在推进谷物质量与安全评估中发挥日益重要的作用。