58个雨养玉米品种籽粒中淀粉含量的近红外光谱无损检测建模

《Foods》：Near-Infrared Spectroscopy Non-Destructive Detection Modeling for Starch Content in Kernels of 58 Rainfed Corn Varieties

　　

传统测定玉米籽粒淀粉含量的方法劳动强度大、具有破坏性且效率低下。为克服这些挑战，本研究基于近红外高光谱成像，开发了一种快速、无损的方法，应用于58个雨养玉米品种。采用结合小波变换（WT）、多元散射校正（MSC）和标准正态变量变换（SNV）的光谱预处理方案来增强光谱质量。建立了竞争自适应重加权采样（CARS）与麻雀搜索算法（SSA）优化的两阶段波长选择框架。从选定的最优波长中，建立并系统比较了四种预测模型，即偏最小二乘回归（PLSR）、人工神经网络（ANN）、卷积神经网络（CNN）和梯度提升决策树（GBDT）。结果确定了14个与淀粉含量强相关的关键波长（1020.65–1647.71 nm），这些波长明确归属于特定化学键，具有良好的物理可解释性。在这些模型中，ANN表现最佳，测试集的R²为0.826，RMSE为0.759%，RPD为2.40，表明预测精度和泛化能力良好。这些关键波长为开发便携式检测仪器奠定了基础。本研究支持玉米品质分级、高淀粉品种选育以及原料快速筛选，从而提升玉米产业的质量和效率。

**论文解读：基于近红外光谱的雨养玉米籽粒淀粉含量无损检测建模研究**

**1. 研究背景与问题**

玉米作为全球最重要的粮食作物之一，其籽粒中的淀粉含量直接决定加工品质、经济价值和工业用途。高淀粉品种在湿磨加工中具有更高的提取率和经济效益，而低淀粉品种可能在蛋白质和油脂含量方面具有优势。因此，准确测定玉米品种间的淀粉含量差异，并建立快速、高效的品质检测方法，对种质筛选、品种选育和玉米分级利用具有重要理论价值和实践意义。

传统淀粉含量测定方法（如DNS比色法、酸水解法）虽然准确可靠，但劳动强度大、耗时长、需大量化学试剂，且对样品具有破坏性，难以满足大规模育种筛选和工业在线检测对快速、无损、高通量分析的需求。近红外（NIR）光谱技术因其快速、样品制备简单、无损、可同时定量多种化学成分等优势，在农产品品质评估中得到广泛应用。NIR光谱反映含氢基团（C-H、O-H、N-H）的倍频和合频吸收信息，淀粉作为多聚糖富含羟基和碳氢骨架，为NIR光谱测定玉米淀粉含量提供了理论基础。

然而，NIR光谱数据存在高维、冗余、严重共线性等问题。原始光谱包含目标化学信号和外部干扰，如样品物理状态（粒径、堆积密度、表面散射）会扭曲光谱信号，仪器噪声和环境中电子波动也带来干扰。此外，玉米中水分、蛋白质、脂肪等成分与淀粉在NIR区域存在重叠吸收带，导致相互干扰。单一光谱预处理方法难以全面消除所有干扰。传统波长选择方法（如相关系数法、逐步回归）在处理高维共线性数据时效果不佳，容易陷入局部最优或保留冗余信息。竞争自适应重加权采样（CARS）算法虽能快速识别重要变量，但忽略了变量间相互作用，且单次运行存在随机性。近年，群体智能优化算法（如麻雀搜索算法SSA）在特征选择中展现出强全局搜索能力。

偏最小二乘回归（PLSR）作为线性模型，在NIR光谱分析中因稳定性和可解释性占据主导地位，但研究表明光谱特征与成分含量间常存在非线性成分，线性模型难以完全捕捉。非线性模型（如人工神经网络ANN、梯度提升决策树GBDT、卷积神经网络CNN）具备更强拟合能力，但在小样本条件下泛化能力仍需验证。此外，多数研究关注提高测试精度，而对选定的特征波长进行化学计量学解释（即赋予化学键归属和物理意义）关注较少。为此，本研究旨在：(1) 识别与玉米淀粉含量高度相关的特征波长并给出化学键归属；(2) 比较不同模型对光谱数据的适应性；(3) 建立高精度、高稳定性的快速检测模型，为玉米品质评价、育种选择和加工原料分级提供技术支撑。

**2. 主要技术方法**

本研究采用的关键技术方法包括：近红外高光谱成像采集（900–1700 nm范围，有效建模区间950–1650 nm，共148个波段）；光谱预处理采用三步组合策略（小波变换WT + 多元散射校正MSC + 标准正态变量变换SNV）；波长选择采用两阶段框架（CARS粗选 + SSA精选）；模型构建比较了四种算法：PLSR、ANN、CNN和GBDT。样本来源为山西省长治市壶关县龙泉镇四家池村（36.08°N, 113.02°E）的典型雨养农业区，共收集59个玉米品种，经异常值剔除后保留58个品种（174个样本），采用SPXY算法按6:2:2比例划分为训练集、验证集和测试集。

**3. 研究结果**

**3.1 不同玉米品种淀粉含量分析**
采用3σ准则对原始淀粉含量数据（177个样本）进行异常值检测，总体均值67.527%，标准差1.791%。识别出3个异常值，均来自品种V34且超过上限，该品种因亲本遗传特性可能具有异常高的淀粉积累，故予以剔除。保留的58个品种（174个样本）中，淀粉含量均值67.397%，标准差1.504%，变异系数2.231%，数据离散度低；Kolmogorov–Smirnov检验（p=0.782>0.05）表明数据服从正态分布。品种间差异显著，V45最高（70.720%），V56最低（63.193%），为模型构建提供了理想的数据基础。

**3.2 玉米光谱响应与预处理分析**
原始光谱显示在950–1000 nm、1100–1200 nm、1300–1450 nm区域反射率降低，表明淀粉、蛋白质、水分等成分的化学键振动产生吸收。经WT处理后，光谱曲线细节更清晰，有效滤除高频噪声；加入MSC后，曲线间平行性改善，校正了因粒径和分布不均引起的光散射效应；再经SNV变换后，基线漂移和光程差异得到消除，使不同样品光谱更具可比性。

**3.3 关键波长选择结果**
CARS算法运行500次，以30%选择频率为阈值，初步筛选出16个候选特征波长。SSA进一步优化，最终确定14个关键波长：1020.65、1034.80、1086.66、1237.53、1256.39、1289.39、1369.54、1444.97、1459.12、1501.55、1539.27、1609.99、1642.99、1647.71 nm。其中1444.97 nm和1459.12 nm位于O-H键一级倍频区，与淀粉羟基直接相关；1501.55 nm和1539.27 nm位于N-H键吸收区，可能通过蛋白质与淀粉的代谢关联间接反映淀粉变化。其他波长可能捕捉与淀粉含量相关的物理性质（如籽粒密度、水分分布、散射效应）。

**3.4 模型构建结果**
基于关键波长，构建了四种预测模型，均独立运行50次以消除随机误差。模型性能排序为：ANN > GBDT > PLSR > CNN。
- **PLSR**：最优主成分数7，测试集R²=0.648，RMSE=0.809%，RPD=1.69，表现稳定，符合线性模型基线水平。
- **ANN**：最优隐藏层节点数10，测试集R²=0.826，RMSE=0.759%，RPD=2.40，表现最佳，展示了深度特征学习的优势。
- **CNN**：最优卷积核数16、全连接节点32，测试集R²=0.441，RMSE=1.521%，性能较差，归因于小样本条件下模型复杂度与数据特征不匹配。
- **GBDT**：最优树数200、学习率0.05，测试集R²=0.693，RMSE=0.809%，RPD=1.80，验证了集成学习在光谱分析中的有效性。

**4. 讨论与结论**

讨论部分指出，58个品种间淀粉含量差异显著（极差7.527个百分点），反映了籽粒淀粉合成与积累的遗传调控差异。14个关键波长覆盖了与淀粉直接相关的O-H和C-H吸收带以及间接相关的N-H吸收带，具有良好的化学计量学可解释性。ANN和GBDT优于PLSR表明光谱-成分关系可能包含非线性成分，但CNN表现不佳说明小样本下深度学习架构受限。本研究虽覆盖58个品种，但样本仅来自单一生态区和生长季，未充分反映环境因素（光照、温度、土壤）的影响，未来需扩展时空维度，并整合基因组信息发展多模态预测模型。

**研究结论**：本研究以58个玉米品种为材料，系统探究了基于近红外光谱的淀粉含量快速检测方法。采用三步序贯预处理策略（WT+MSC+SNV），有效滤除噪声、校正散射、消除基线漂移，增强了光谱与淀粉含量的相关性。建立CARS粗选+SSA精选的两层筛选策略，识别出14个关键特征波长，覆盖O-H、C-H和N-H吸收区，具有良好的可解释性。预测模型中ANN表现最佳（测试集R²=0.826，RMSE=0.759%，RPD=2.40），GBDT次之（R²=0.693，RPD=1.80），PLSR稳定（R²=0.648，RPD=1.69），而CNN因小样本条件不匹配效果较差（R²=0.441）。本研究为玉米淀粉含量快速检测提供了方法参考，关键波长可支持便携式检测设备开发，研究结果对玉米品质育种和加工原料筛选具有实际应用价值。论文发表在《Foods》。