单籽粒近红外光谱技术用于不同颖壳类型和生产环境下米糠颜色的无损鉴别

《Smart Agricultural Technology》：Single-kernel NIR spectroscopy for non-destructive rice bran color discrimination across diverse hull types and production environments

　　

米糠颜色的均匀性在全谷物大米市场和种子稻米生产中均很重要。通常，测定米糠颜色需要去除外壳，这是一个破坏性的、耗时的过程，也是生产营养丰富的有色米糠品种的障碍。本研究探索了单籽粒近红外（SKNIR）光谱（905-1688纳米）结合多元技术，以在美国种植的具有相似颖壳颜色、不同颖壳颜色以及不同生长环境的水稻品种中，根据米糠颜色（棕色、紫色、红色）对糙米进行鉴别。分类模型采用偏最小二乘判别分析（PLS-DA）和二次判别分析（QDA）结合变量选择技术建立。结果显示，在三种米糠颜色中，棕色米糠最容易被识别。在具有相似稻草色颖壳和不同生长环境的糙米品种中，红色米糠的精确度最低。表现优于PLS-DA的QDA模型，其召回率（真阳性率）达到90-100%，最大假阳性率为7%。这些结果证明了SKNIR在根据米糠颜色对糙米进行快速、无损分离方面的潜力，有助于有色水稻品种育种和加工过程中的分选和质量控制应用。

研究背景与问题

有色水稻因其增强的营养特性而日益受到关注。紫米和红米米糠层含有高水平的酚类化合物，具有抗氧化特性。米糠颜色的均匀性对于水稻而言至关重要，无论其用作全谷物、精米还是种植用种子。然而，在糙米状态时，紧密的外壳掩盖了米糠的颜色，传统上确定米糠颜色需要去壳，这是一个破坏性的、耗时的过程。这阻碍了营养丰富的有色米糠品种的生产，也使得种植者担心残留污染和品种混杂，特别是美国州法律禁止“红米”（一种难以根除的杂草稻）出现在认证种子中。因此，开发一种无需去壳即可高效确定米糠颜色的无损检测方法，对于确保种植前或食品加工前种子批次的米糠颜色均匀性具有重要意义。近红外（NIR）光谱是广泛用于评估谷物品质的无损技术之一。单籽粒近红外（SKNIR）光谱允许扫描单个籽粒，有助于分选。尽管NIR在水稻研究中有诸多应用，但尚未有研究尝试利用SKNIR或其他NIR仪器在保留颖壳的情况下测定米糠颜色。

研究目的与意义

本论文旨在探索SKNIR光谱在根据米糠颜色对糙米进行分类方面的潜力。具体目标包括：1) 确定在具有一致颖壳颜色的糙米品种中，能否区分不同的米糠颜色；2) 明确不同的颖壳颜色是否会混淆糙米中米糠颜色的检测；3) 探究生长环境是否影响糙米种子中米糠颜色的测定。该研究由Princess Tiffany Mendoza、Paul Armstrong、Anna McClung、Erin Scully和Kaliramesh Siliveru共同完成，并发表在《Smart Agricultural Technology》期刊上。其意义在于为快速、无损地鉴别糙米米糠颜色提供了可行的技术方案，有望应用于育种项目的种子筛选、加工厂的快速鉴定、田间种植前的种子分选以及商业包装前的产品均质化，为有色水稻品种的生产和质量控制提供了新的工具。

关键技术方法

研究人员从美国农业部农业研究服务中心的水稻种质资源库中选取了73份糙米样本，根据米糠颜色（28份棕色、24份紫色、21份红色）和颖壳颜色进行分类。样本涵盖了来自多个国家的品种，但均在美国种植。将样本分为三组以实现研究目标：目标1（N₁=35）为在阿肯色州斯图加特种植的具有均匀稻草色或金黄色颖壳的糙米；目标2（N₂=21）为在美国不同环境中种植的、具有多样颖壳颜色（排除均匀稻草色或金黄色）的糙米品种；目标3（N₃=52）为在美国不同生长环境（地点和年份）中种植的、具有均匀稻草色或金黄色颖壳的糙米。从每份样本中随机选取30粒种子进行复制，共分析了2190粒种子。使用单籽粒近红外（SKNIR）光谱仪（905-1688纳米）采集单个糙米籽粒的光谱数据。数据分析在Unscrambler X 10.2和MATLAB 2024a软件中进行。原始数据经标准正态变量（SNV）预处理后，将光谱数据按70%训练集和30%验证集划分。使用偏最小二乘判别分析（PLS-DA），并将类别转换为虚拟矩阵作为响应变量。利用变量重要性投影（VIP）得分进行变量（波长）选择（VIP≥1的阈值）。随后，使用选定的波长和回归系数，分别建立新的PLS-DA和二次判别分析（QDA）模型。使用验证数据集对模型性能进行评估，评估指标包括准确度、召回率（真阳性率，TPR）、假阳性率（FPR）、精确度、特异度和F₁分数。

研究结果

3.1. 具有一致颖壳颜色的糙米品种分类

• •
  光谱与主成分分析：平均吸光度光谱显示，棕色米糠和紫色米糠的光谱存在重叠，而红色米糠的吸光度总体上最低。所有光谱在1200纳米和1450纳米处均有明显峰。主成分分析（PCA）得分图显示米糠颜色之间存在重叠，但棕色米糠样本在主成分1（PC1）上的分布范围相对较窄。单独对每种米糠颜色进行PCA分析发现，PC1能很好地区分不同品种，表明在相同米糠颜色和相似颖壳颜色下，PCA能够区分不同地理起源、品种和生产年份的样本。
• •
  模型建立与性能：基于回归系数和VIP得分，为棕、紫、红米糠分别选定了19、18、37个关键波长。使用选定的波长，PLS-DA模型对验证集的分类准确度分别为：棕色98%、紫色89%、红色94%。QDA模型的分类准确度分别为：棕色98%、紫色95%、红色96%。QDA模型的召回率（TPR）在棕、紫、红米糠上分别为95%、95%、92%。判别图显示，棕色和红色米糠与其他颜色能沿典型判别轴明显分离，而紫色米糠的数据点则存在一些散射和重叠。结果表明，当颖壳颜色和地点效应最小化时，SKNIR表现出良好的性能，其中棕色米糠最容易识别。

3.2. 具有多样颖壳颜色的糙米米糠颜色分类

• •
  光谱与主成分分析：具有多样颖壳颜色的样本平均吸光度光谱与目标1有所不同，红色米糠样本显示出比棕色和紫色米糠更高的平均吸光度。PCA得分图未观察到按颖壳颜色或米糠颜色的聚类，表明光谱特征可能来源于地理起源、生产环境、品种、年份或颖壳颜色等多种变异性的组合。
• •
  模型建立与性能：基于回归系数和VIP得分，为棕、紫、红米糠分别选定了35、19、17个关键波长。高VIP得分多出现在波长范围的极端值（<1122纳米和>1440纳米），可能与酚类化合物的特征波段有关。PLS-DA模型对验证集的分类准确度分别为：棕色98%、紫色96%、红色97%。其中，棕色米糠模型的假阳性率（FPR）为0%，精确度达100%。QDA模型表现更优，对棕、紫、红米糠的分类准确度分别达到100%、99%、99%，召回率分别为100%、98%、96%，且假阳性率极低（0-1%）。典型判别图显示，各米糠颜色与其他颜色之间存在明显分离，尤其是棕色米糠。这表明即使面对多样化的颖壳颜色和生长环境，模型，特别是QDA模型，仍能有效区分米糠颜色，并在防止假阳性方面表现优异。

3.3. 具有均匀稻草色或金黄色颖壳但在不同美国环境中生产的糙米米糠颜色分类

• •
  光谱与主成分分析：平均吸光度光谱显示，棕色米糠的吸光度高于红色和紫色米糠，且红色和紫色米糠的光谱存在重叠。PCA分析表明，PC1所解释的方差主要贡献来自于品种，而非年份和生产环境。
• •
  模型建立与性能：为区分来自不同生长环境的均匀颖壳糙米的米糠颜色，需要比目标1更多的光谱信息（波长）。为棕、紫、红米糠分别选定了34、35、43个关键波长。PLS-DA模型对验证集的分类准确度分别为：棕色93%、紫色92%、红色91%。红色米糠的召回率最高（90%），但其假阳性率也最高（8%）。QDA模型的分类准确度分别为：棕色96%、紫色95%、红色92%。三种米糠颜色的召回率均为90%，但红色米糠的假阳性率（7%）和精确度（87%）表现最差。典型判别图显示，紫色和红色米糠样本存在更多的数据点散射、重叠和假阳性。这表明红色和紫色米糠在成分和抗氧化特性上可能存在相似性，导致光谱重叠和模型区分度下降。从应用角度看，QDA模型在区分棕色米糠与有色米糠方面表现稳健，特异性高达99%，有利于在非色素谷物中获得高纯度。

讨论与结论总结

讨论部分指出，总体而言，QDA模型在三个目标（样本组）中的分类性能均优于PLS-DA。结果显示棕色米糠和紫色米糠的光谱数据具有相似性，而棕色米糠和红色米糠品种之间存在差异。无论颖壳颜色或生产环境如何，在分选紫色和红色米糠品种时，假阳性率通常较高。未来研究可通过评估更多假阳性样本、结合其他物理化学或遗传因素、增加波长或使用其他特征选择方法来改进模型，特别是提高红色与紫色米糠的区分度。从应用角度，该技术成本效益较高，为糙米米糠颜色的无损分类，特别是小规模操作，提供了实用的解决方案。

研究结论部分翻译：

本研究证明，单籽粒近红外光谱结合多元分类技术，能够快速、无损地区分具有相似稻草色或金黄色颖壳、多样颖壳颜色以及在不同环境中生产的糙米样本的米糠颜色（棕色、紫色和红色）。

在具有均匀稻草色或金黄色颖壳且在同一地点种植的糙米种子（目标1）中，PLS-DA和QDA获得了89-98%的测试准确度，0-6%的假阳性率，以及最高95%的真阳性率，这凸显了当颖壳颜色和地点效应最小化时SKNIR的性能。

当模型校准中使用具有颖壳颜色、地理起源和生产环境变异性的样本（目标2）时，使用PLS-DA检测红色米糠种子的真阳性率有所下降。然而，PLS-DA和QDA中所有米糠颜色的特异度都有所提高，这表明模型在多样化样本集中防止假阳性的能力，这对于实现高纯度尤为重要。

为了对具有均匀稻草色或金黄色颖壳但来自美国不同种植地点的样本（目标3）进行分类，使用QDA检测棕色米糠与其他米糠颜色时，获得了最高的测试准确度、最低的FPR和最高的FPR。因此，无论颖壳颜色或生产环境如何，区分棕色与红色或紫色米糠稻米的模型都更加稳健。

未来工作可能包括增加具有广泛变异性（如米糠颜色、颖壳颜色、品种和生产环境）的样本，与高光谱成像仪器进行比较，评估特征选择技术以进一步区分红色米糠和紫色米糠，以及开发便携式多光谱仪器。