《Food Control》：A self-developed portable Vis-NIR device integrated with chemometrics enables nondestructive prediction of moisture and starch content in foxtail millet and quinoa
编辑推荐：
摘要特种谷物的内部质量属性快速现场测量对于采购、储存和加工至关重要。本研究开发了一种便携式可见/近红外（Vis/NIR）漫反射设备，用于无损预测完整粟米和藜麦中的水分和淀粉。从主要产区收集了每种作物的五个代表性品种，并制备了具有拓宽水分梯度的每种作物 80 个样品。该设备集成
摘要
特种谷物的内部质量属性快速现场测量对于采购、储存和加工至关重要。本研究开发了一种便携式可见/近红外（Vis/NIR）漫反射设备，用于无损预测完整粟米和藜麦中的水分和淀粉。从主要产区收集了每种作物的五个代表性品种，并制备了具有拓宽水分梯度的每种作物 80 个样品。该设备集成了 AIOX2000-11 微型光谱仪、TracePro 优化的环形光学探头、基于 Intel N5105 的迷你计算机、稳压电源模块和触摸屏界面。经过 Savitzky-Golay 平滑和标准正态变量校正后，在有效 450–1000 nm 范围内建立了竞争性自适应重新加权采样 - 偏最小二乘法（CARS-PLS）模型。一标准误差规则为所有四个 CARS-PLS 模型选择了五个潜变量。对于粟米，水分和淀粉模型的预测集决定系数（R2p）分别为 0.978 和 0.958，预测均方根误差（RMSEP）分别为 0.648% 和 0.446%，残差预测偏差（RPD）分别为 6.969 和 4.874。对于藜麦，水分和淀粉对应的 R2p/RMSEP/RPD 值分别为 0.925/1.105%/3.732 和 0.918/1.042%/3.395。无监督主成分分析（PCA）显示，前两个成分分别解释了粟米和藜麦光谱方差的 93.72% 和 82.20%。组装后的设备尺寸为 98.5 mm × 211 mm × 68 mm，重量约为 1.2 kg，充满电后可运行长达 6 小时，并在约 6 秒内完成一次采集 - 预测周期。独立的不同年份验证得出粟米水分和淀粉的 R2值分别为 0.868 和 0.837，藜麦水分和淀粉分别为 0.838 和 0.821，支持其在测试条件下作为快速筛查工具的使用。
引言
粟米和藜麦是营养价值高的特种谷物，但它们的籽粒小、形状异质且散装堆积松散，比典型的均匀研磨粉末产生更强且可重复性较差的散射。水分控制储存安全性和微生物变质，而淀粉影响糊化、质地和加工适用性（Mazumder 等，2025 年；Ren 等，2023 年；Yousaf 等，2021 年）。参考的直接干燥法和酸水解法虽然准确，但具有破坏性且对于高通量采购和储存决策来说太慢。这些作物特定的物理和工业约束促成了一个专用的接触式 Vis/NIR 系统的开发，而不是直接采用通用的手持分析仪。
可见/近红外（Vis/NIR）光谱法因其快速、无需试剂以及能够探测与水和碳水化合物相关的宽范围、重叠的 O-H 和 C-H 倍频信息而具有吸引力，用于谷物质量评估（Cen & He, 2007; Cozzolino 等，2014 年；Pasquini, 2018）。最近的微型仪器已证明了粟米脂肪的现场分析和燕麦及其他谷物的多组分评估（Li 等，2024 年；Wang 等，2022 年）。然而，报告的平臺通常依赖于连接智能手机的商业传感器、研磨材料、设备外计算或单一作物/属性。因此，不能假设它们的校准条件和样品呈现方式可以直接转移到完整的粟米和藜麦上。
微型光谱仪能够实现现场分析，但便携性引入了光谱范围、分辨率、光源稳定性、温度漂移、计算负载和仪器间转移方面的约束（Jafari 等，2021 年；McVey 等，2021 年；Yan 等，2023 年）。实验室和便携式仪器之间的校准共享仍然取决于仪器和方法，可能需要偏差校正、标准化样品或分段直接标准化（Yang 等，2023 年）。因此，本设备的新颖性在于集成了 (i) 针对高散射小颗粒优化的 TracePro 环形探头，(ii) 全光谱采集和板载 CARS-PLS 推断，(iii) 在一个平台上结合两种作物和两种内部质量属性，以及 (iv) 本地/云追溯，而不仅仅是光谱仪的微型化。
为了解决这些限制，本研究开发了一种便携式 Vis/NIR 漫反射设备，用于快速现场测定完整粟米和藜麦中的水分和淀粉含量。目标包括：(1) 优化环形漫反射光学探头，以提高照明均匀性并抑制镜面杂散光干扰；(2) 集成紧凑的硬件平台和交互式软件，用于光谱采集、预测、数据存储和云通信；(3) 评估光谱预处理和特征波长选择策略，以构建准确且轻量的定量模型；以及 (4) 验证组装设备的热稳定性、光学稳定性和独立样品预测性能。
章节片段
实验材料和样品制备
2025 年从不同产区购买了代表性的粟米和藜麦样品，所有样品均来自同一收获季节。对于粟米，从包括太原、赤峰、哈尔滨、朝阳和吕梁在内的主要产区选择了沁州黄小米、敖汉小米、龙谷小米、朝谷小米和金谷 21 号。对于藜麦，从包括朝阳、承德在内的主要产区选择了朝阳 A2304、燕力 1 号、佳齐 100 号、青力 1 号和蒙力 1 号，
参考值统计
表 1 总结了粟米和藜麦中水分和淀粉含量参考值的描述性统计。人工调节的水分梯度拓宽了物理化学值分布，并为校准模型提供了足够的变异。经过 SPXY 划分后，校准集覆盖了所有目标属性相应预测集的值范围，表明所选的校准样品是
结论
建立了一个自研发的便携式 Vis/NIR 系统，用于快速无损筛查完整粟米和藜麦中的水分和淀粉。主要的工程贡献是在一个 98.5 mm × 211 mm × 68 mm、约 1.2 kg 的单位中集成了 TracePro 优化的环形探头（65°入射，22 mm 距离）、微型全光谱探测器、板载化学计量推断、标准化杯装呈现和可追溯数据处理，测量时间约 6 秒
CRediT 作者贡献声明
谢明娟：写作 – 初稿，软件，形式分析。彭彦昆：写作 – 评审与编辑，资金获取，数据整理。李永宇：验证。张金城：验证。阴田真：验证，数据整理
竞争利益声明
作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文中报告的工作。
生成式 AI 和 AI 辅助技术声明
在准备本工作期间，作者使用了 AI 辅助工具进行语言编辑、稿件格式化和清晰度改进。使用这些工具后，作者根据需要审查和编辑了内容，并对稿件内容承担全部责任。
资金
这项工作得到了国家重点研发计划的支持（2021YFD1600101-06）。
竞争利益声明
? 作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文中报告的工作。
谢明娟 | 彭彦昆 | 李永宇 | 张金城 | 阴田真
河南工业大学粮食战略储备学院，中国河南郑州 450001
