利用高光谱成像与数据融合技术检测并量化小麦中的霉菌孢子
《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Detection and quantification of mold spores in wheat using hyperspectral imaging and data fusion techniques
【字体:
大
中
小
】
时间:2026年06月14日
来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3
编辑推荐:
吴文良|张玉荣|吴琼|张东东|杜根根中国河南省郑州450001,河南工业大学食品与战略储备学院摘要及时检测霉菌严重程度对于保障小麦采后品质与安全至关重要。本研究开发了一种结合化学计量学的高光谱成像系统,通过孢子计数分析实现霉菌严重程度的快速、无损量化。首先对光谱数据进行了预处理,
吴文良|张玉荣|吴琼|张东东|杜根根
中国河南省郑州450001,河南工业大学食品与战略储备学院
摘要
及时检测霉菌严重程度对于保障小麦采后品质与安全至关重要。本研究开发了一种结合化学计量学的高光谱成像系统,通过孢子计数分析实现霉菌严重程度的快速、无损量化。首先对光谱数据进行了预处理,然后运用竞争自适应加权采样、连续投影算法和无信息变量消除方法提取关键特征,这些特征再与通过灰度共生矩阵分析得到的纹理信息相结合。之后构建了三种预测模型并对其进行评估:最小二乘支持向量机、随机森林和卷积神经网络。整合了这些融合后的光谱-纹理特征的1ST-CARS-GLCM-CNN模型表现最为优异,其在测试集上的决定系数达到0.9904,均方根误差为0.1025,同时还能够实现空间分布映射以便直观评估。这种高光谱成像与化学计量学结合的方法可有效量化霉菌严重程度,为提升粮食储存质量和食品安全水平提供了有力工具。
引言
小麦作为全球重要的主粮作物,在保障粮食安全与维持人类生计方面发挥着关键作用。然而,其丰富的营养成分使得它在储存过程中容易滋生霉菌,从而导致品质下降[1]、[2]。在适宜的储存环境下,黄曲霉等霉菌会代谢小麦中的养分,进而大量繁殖并产生霉菌毒素,这不仅危害人类健康,还会造成经济损失。因此,快速检测小麦的霉变程度,以及进一步预防和控制霉菌污染,对于保持产品品质和保障消费者健康具有重要意义[3]、[4]。根据国际安全标准,霉菌检测技术需具备无损操作、实时监测以及便于携带的特点,这一直是粮食质量控制领域的研究重点。
在大规模食品生产和储存系统中,快速的品质评估十分重要。然而,现有的粮食品质检测方法,包括感官评价、平板培养计数以及利用高效液相色谱或质谱进行的化学分析,都存在破坏性强或流程耗时的缺陷[5]、[6]、[7]、[8]。而通过波长依赖的吸收和发射特性来表征材料的光谱技术,以及通过算法处理提取结构特征的形象处理方法,则被视为现代检测系统中的先进分析工具[9]、[10]。通过整合这两种互补的能力,高光谱成像技术成为了一种具有变革意义的解决方案,它能够同时进行光谱分析和空间分析,从而实现全面且无损的评估[11]、[12]。
目前,由于分析过程中能够保持样本的完整性,高光谱成像技术越来越多地被应用于与粮食品质评估相关的场景中[13]。已有研究对其在检测小麦胁迫方面的应用进行了全面总结,证明该技术能够有效识别温度胁迫、营养缺乏、盐碱胁迫、真菌感染以及虫害损害等问题[14]、[15]。Alisaac等人[16]运用高光谱成像技术分析了感染禾谷镰刀菌、尖孢镰刀菌和梨形镰刀菌的小麦籽粒与面粉,发现光谱特征与真菌种类鉴定以及脱氧雪腐镰刀菌烯醇污染程度之间存在显著相关性。
在小麦采后储存和流通过程中,及时检测霉菌侵染情况对于防止有毒粮食进入储存和加工系统、从而提升食品安全水平并减少经济损失至关重要[17]、[18]。如前所述,传统的检测方法具有破坏性强且耗时较长的缺点,不适合用于现场快速筛查。近红外光谱和拉曼光谱等光谱技术虽然可以实现无损分析,但目前主要被用于定性分类,即根据光谱特征区分受感染的粮食和健康的粮食[19]、[20]。
对于霉菌严重程度的定量评估,尤其是将孢子数量作为连续变量进行预测,目前相关研究还比较有限。现有研究大多集中在二元或三元分类上,比如区分健康粮食、轻度感染粮食和重度感染粮食[21]、[22],这样的分类方式在粮食储存系统的早期预警和分级管理方面缺乏足够的精细度。而这类定量指标对于及时采取干预措施、优化储存条件以及降低采后供应链中的霉菌毒素风险而言非常重要。因此,亟需进一步改进技术,以实现霉菌发展的自动化和高效评估。在本研究中,研究人员建立了一个集成型高光谱成像模型,用于量化小麦籽粒中黄曲霉孢子的动态变化。在获取高光谱图像后,系统地应用了六种预处理方法和四种特征提取算法。随后又采用了最小二乘支持向量机、随机森林和卷积神经网络三种机器学习模型进行评估,最终选出了最适合用于孢子计数预测和可视化的模型。基于高光谱成像的技术还可以实现霉菌严重程度的空间可视化,为小麦储存安全评估提供了一种无损的监测方案。
章节节选
黄曲霉孢子悬浮液的制备
将黄曲霉菌株接种到马铃薯葡萄糖琼脂培养基上,在28±1℃、相对湿度85±5%的条件下培养5天[23]。当培养皿被完全覆盖后,用无菌环采集孢子,将其悬浮在蒸馏水中,通过涡旋混合,再用无菌纱布过滤以去除菌丝碎片,最后通过血细胞计数器调整孢子浓度至1×106孢子/毫升[24]。
小麦样品的制备
所使用的小麦品种包括普通小麦(Triticum aestivum L.,品系“XM 45”:强面筋小麦、“BN 207”:中面筋小麦,以及“YM”)
霉菌孢子数量的变化及其对应的光谱特征
在14天的培养过程中,所有小麦品种(XM45、BN207、YM13)的霉菌孢子浓度都呈现出持续上升的趋势(见图3a)。第0天的初始孢子含量分别为4.62±0.16、4.41±0.22和4.51±0.27个孢子/克,到培养结束时分别上升到了7.46±0.20、7.26±0.28和7.40±0.17个孢子/克。这种明显的增长趋势表明,孢子数量可以作为衡量霉菌侵染严重程度的可靠定量指标[39]、[40]。
所获取的原始光谱数据
结论
高光谱成像与化学计量学相结合的方法能够快速、无损地量化小麦的霉菌严重程度。研究结果表明,在这三种小麦品种中,霉菌孢子数量会随着侵染程度的加重而逐渐增加。在方法学层面,一个重要的发现是,在所有模型中,采用1ST预处理方法都能显著提高量化精度。此外,将优化后的光谱特征与基于灰度共生矩阵的纹理特征相结合,也证明了其有效性
创新点说明
本研究在小麦品质监测和高光谱成像应用领域做出了多项创新贡献:
- 1.
本研究构建了一个包含小麦的高光谱图像数据集,该数据集与霉菌孢子数量相对应,可用于开发并验证一种高效的定量检测模型。
- 2.
本研究整合了六种光谱预处理方法与混合特征提取技术,结合了光谱变量选择方法以及基于灰度共生矩阵的纹理分析方法,从而实现了更精准的检测
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了中国农业农村部农业研究体系以及MARA(项目编号CARS-03)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号