利用Vis-NIR和SWIR高光谱成像技术对小麦枯萎病中DON水平进行无损检测

高光谱成像（HSI）系统具有检测内部缺陷以及有机物质含量或性质的能力。由于该方法具有无损、快速、全自动等优点，本研究采用HSI技术对小麦籽粒品质进行检测，植物表型资讯介绍如下。

枯萎病是一种严重危害小麦产量和食品安全的植物病害。化学和生物学方法是检测脱氧雪腐烯醇（DON）含量的主要技术，尽管该技术准确性高，但具有破坏性且耗时。在小麦收获后的加工过程中，需要一种无损、高效、准确的方法来估计小麦DON含量水平。高光谱成像（HSI）系统具有检测内部缺陷以及有机物质含量或性质的能力。由于该方法具有无损、快速、全自动等优点，本研究采用HSI技术对小麦籽粒品质进行检测。

GA处理后的SAE分类模型

小麦籽粒和小麦粉样品的原始光谱，其波长在400–1000 nm和1000–2000 nm之间

霉菌毒素可以破坏谷物组织、细胞甚至分子。此外，受DON毒素感染的小麦中有机物质（如蛋白质、碳水化合物和脂质）的含量或特性会发生变化，这些变化可反映在光谱特征中。在本研究中，对获取小麦籽粒和小麦粉数据的两种HSI系统进行了研究：可见近红外（Vis-NIR）（400至1000 nm）和短波红外（SWIR）（1000至2500 nm）。将96份小麦籽粒和小麦粉样品分为两组，利用乘法散射校正（MSC）和标准正态变异数（SNV）对光谱数据进行预处理。通过遗传算法（GA），利用支持向量机（SVM）和稀疏自动编码器（SAE）网络对提取的重要波长进行分类。结果表明，在Vis-NIR波段可以检测小麦籽粒样品，在SWIR数据中能够以较高精度检测小麦粉样品。此外，对于小麦籽粒样品，SAE和SVM模型的结果大致相同。对于使用Vis-NIR进行的所有类型小麦籽粒分类模型，MSC-GA-SAE模型均实现了最高的预测准确性（训练集和测试集均为100％）。对于小麦粉样品，通过SWIR数据，SNV-GA-SAE模型在正确分类样品方面（通过训练集为100％，对于测试集为96％）获得了更好的结果，这表明可以从SWIR数据中高精度检测小麦粉样品。

用MSC和SNV方法预处理的小麦粉样品在不同区域的光谱，以通过GA进行最佳波长选择

来源：

Liang K, Huang J, He R, et al. Comparison of Vis-NIR and SWIR hyperspectral imaging for the non-destructive detection of DON levels in Fusarium head blight wheat kernels and wheat flour. Infrared Physics & Technology. https://doi.org/10.1016/j.infrared.2020.103281