利用高光谱成像技术同时检测大米中掺杂的陈米和被石蜡污染的大米

《Journal of Food Composition and Analysis》：Simultaneous determination of rice adulteration with aged rice and paraffin contaminated rice by hyperspectral imaging

　　非破坏性高光谱成像技术可有效鉴别大米掺假类型（新鲜米与陈米混合、石蜡抛光陈米、石蜡污染新鲜米），定量模型（PSO-SVM）对陈米占比和石蜡含量检测精度达0.032和0.011，R2分别为0.971和0.904，为粮食市场监管提供新方法。

　　在当前的食品质量控制领域，稻米作为重要的主食之一，其新鲜度和纯度直接关系到消费者的健康与权益。然而，由于市场中存在大量陈化稻米，一些不法商家为了牟取暴利，采取了多种手段进行掺假，如将陈化稻米与新鲜稻米混合，或者通过添加石蜡（paraffin）来伪装陈化稻米的新鲜度。这些行为不仅违反了食品安全法规，也对消费者的健康构成了潜在威胁。因此，开发一种快速、非破坏性的检测方法，以识别这些掺假行为，成为保障市场公平和消费者权益的重要课题。

本研究利用高光谱成像（Hyperspectral Imaging, HSI）技术，针对三种常见的稻米掺假形式进行检测。这三种形式分别是：新鲜稻米中掺杂陈化稻米、陈化稻米经石蜡处理后模仿新鲜稻米、以及新鲜稻米中掺杂石蜡。研究共采集了234个样本，涵盖六种不同产地的稻米品种。通过高光谱成像技术，研究人员能够获取稻米在不同波长下的光谱图像，并结合化学计量学方法对这些数据进行分析，从而实现对掺假稻米的准确识别与定量预测。

高光谱成像技术是一种结合光学成像与光谱分析的先进手段，它能够在不破坏样品的前提下，通过记录物体在不同波长下的反射或透射特性，获得其表面和内部的详细信息。这种技术的优势在于其能够同时获取空间信息和光谱信息，使得研究人员可以在一个图像中观察到样品的外观特征和内部成分变化。此外，高光谱成像具有非接触、快速、高精度等特点，非常适合用于食品质量的无损检测。

在本研究中，研究人员首先对采集的稻米样本进行了光谱预处理和特征提取。预处理步骤包括去除噪声、校正光谱数据、标准化等，以提高后续分析的准确性。特征提取则是通过分析光谱数据中的关键波段，识别出能够区分不同稻米类型的光谱特征。这些特征可能包括光谱曲线的形状、特定波长下的反射强度、以及不同光谱区域之间的差异等。

通过对这些特征的深入分析，研究人员发现，三种掺假形式的稻米在光谱图像上呈现出显著的差异。例如，新鲜稻米与陈化稻米混合的样本在某些波长下的反射强度明显不同于纯新鲜或纯陈化稻米；而经过石蜡处理的陈化稻米则在特定波长下表现出与新鲜稻米相似的光谱特性，从而使得其伪装行为更加隐蔽。此外，新鲜稻米中掺杂石蜡的样本在光谱图像上也呈现出独特的特征，这些特征与陈化稻米的光谱特性有所不同，但又与纯石蜡样本存在一定的关联。

为了进一步揭示这些掺假行为的检测机制，研究人员还对四种类型的稻米（新鲜稻米、陈化稻米、石蜡处理的新鲜稻米、石蜡处理的陈化稻米）的主要理化参数进行了测量。这些参数包括水分含量、脂肪酸值、丙二醛（malondialdehyde）含量、直链淀粉（amylose）含量、蛋白质含量、黄酮类化合物（flavonoids）含量、多酚（polyphenols）含量、还原糖（reducing sugars）含量、糊化特性（gelatinization properties）、色度（chromaticity）以及电子鼻信号（electronic nose signals）。通过对这些参数的系统分析，研究人员能够更全面地理解不同掺假形式对稻米理化性质的影响，并据此建立更有效的检测模型。

研究结果显示，通过高光谱成像技术，可以实现对三种掺假形式的高精度识别。在分类模型中，大多数模型的识别准确率达到了100%。这表明，高光谱成像技术在检测稻米掺假方面具有极高的可靠性。此外，对于定量预测，研究人员采用了粒子群优化支持向量机（Particle Swarm Optimization-Support Vector Machine, PSO-SVM）模型，该模型在预测陈化稻米比例时表现出色，其验证集的均方根误差（RMSEV）为0.032，验证集的决定系数（R2v）为0.971；而在预测石蜡含量时，RMSEV为0.011，R2v为0.904。这些结果表明，PSO-SVM模型在定量预测方面同样具有很高的准确性。

值得注意的是，本研究不仅关注单一的检测指标，而是从多个角度对稻米掺假行为进行了综合分析。这包括对不同掺假形式的光谱图像特征进行比较，以及对相关理化参数的变化进行系统研究。通过这种多维度的分析方法，研究人员能够更全面地揭示稻米掺假的检测机制，从而为后续的检测方法优化提供理论依据。

在实际应用中，高光谱成像技术的优势在于其非破坏性、快速性和高精度。与传统的化学检测方法相比，高光谱成像无需对样品进行复杂的预处理，也不需要使用昂贵的仪器设备，这大大降低了检测成本和时间。此外，高光谱成像技术能够同时检测多个指标，这使得它在大规模样品筛查中具有更高的效率。例如，在市场抽检或粮食仓储管理中，使用高光谱成像技术可以快速识别出掺假稻米，从而及时采取相应的措施，防止不合格产品流入市场。

然而，高光谱成像技术在实际应用中也面临一些挑战。例如，不同品种的稻米在光谱特性上可能存在一定的差异，这可能会影响检测模型的准确性。此外，环境因素如光照条件、温度变化等也可能对光谱数据的采集和分析产生影响。因此，为了提高检测的稳定性与可靠性，研究人员需要对这些外部因素进行控制，并在模型构建过程中考虑其潜在的影响。

除了技术层面的挑战，本研究还强调了社会与经济因素对稻米掺假行为的影响。在许多地区，由于陈化稻米的库存量较大，一些不法商家为了降低成本，选择将陈化稻米与新鲜稻米混合，或者通过石蜡处理来提升其外观质量。这种行为不仅损害了消费者的权益，也对整个粮食市场造成了不良影响。因此，除了技术手段的改进，还需要加强市场监管，提高消费者对稻米掺假行为的认知，从而形成全社会共同参与的监督机制。

此外，本研究还提到，石蜡作为一种石油加工产物，主要由多种正烷烃（C?H????）组成，其无味、无色或半透明的特性使其成为一种理想的伪装材料。然而，工业石蜡中可能含有多种有害物质，如多环芳烃（polycyclic aromatic hydrocarbons）和重金属（heavy metals），这些物质对人体健康具有潜在风险。因此，除了检测石蜡的含量，还需要进一步研究这些有害物质在稻米中的分布及其对食品安全的影响。

在检测方法的优化方面，本研究采用了多种化学计量学方法，以提高检测模型的准确性与鲁棒性。这些方法包括主成分分析（PCA）、偏最小二乘法（PLS）、支持向量机（SVM）等。通过对比不同方法的检测效果，研究人员能够选择出最适合当前研究目的的模型。例如，在分类任务中，SVM模型表现出较高的识别准确率；而在定量预测任务中，PSO-SVM模型则在多个指标上取得了优异的成绩。这种基于多种化学计量学方法的综合分析，不仅提高了检测的可靠性，也为后续的检测方法研究提供了新的思路。

总的来说，本研究通过高光谱成像技术，成功实现了对三种常见稻米掺假形式的快速、非破坏性检测。研究结果表明，HSI技术在检测稻米掺假方面具有广阔的应用前景。它不仅可以有效识别掺假行为，还能通过定量预测提供更详细的分析结果，从而为食品安全监管提供有力的技术支持。未来，随着高光谱成像技术的不断发展和优化，其在食品质量检测中的应用将进一步扩大，为保障消费者的健康和市场的公平性做出更大的贡献。