中國是世界大米生產和消費的大國之一，但不同產地的大米口感、營養價值及品質均具有明顯差異。為了確保大米的品種的產地，需要采取無損檢測技術，高光譜成像技術提供了很好的方法選擇。

?

大米溯源研究：高光譜成像技術法

本方法以大米產地的溯源為出發點，使用高光譜成像技術，以來源于5種東北和5種非東北的大米作為樣本集，對大米的產地進行溯源研究。通過主成分分析法(principal component analysis，PCA)進行主成分提取，實現高光譜數據降維，避免信息冗余。采用SVM建立大米產地溯源模型，旨在對市場中流通的大米產地進行快速、準確的判別。

通過預測結果可以發現，高光譜信息較為相近的大米溯源會有一定誤差，有待進一步數據處理進行大米產地溯源判斷。實驗結果表明，高光譜成像技術可以實現對大米產地溯源的快速、準確預測，在大米產地溯源具有廣闊的應用前景。

?

大米溯源研究方法綜述 ?

傳統的檢測方法(如感官識別、近紅外光譜等)均有一定劣勢和不足。如感官識別受到主觀因素影響，檢測結果的準確性和穩定性并不高。近紅外光譜法需要對大米進行研磨粉碎[45]，使得進行檢測的大米樣本不能進行后續的使用。高光譜成像技術結合了近紅外光譜和數字成像技術，具有高速、無損、精度高的特點，使樣本避免被破壞，被廣泛應用于食品檢測領域。

PEREZ-RODRIGUEZ M等利用基于支持向量機 (support vector machine，SVM) 的預測模型，建立了一種簡單、快速、高效的火花放電激光誘導擊穿光譜方法。對四個水稻品種(古里、IRGA424、普伊特和塔伊姆)的72個樣品進行分析，得到了按植物品種鑒別水稻樣品的最佳模型。該模型在試驗樣本中的正確預測率達到了96.4%。

JIM等基于高光譜成像技術建立的最小二乘支持向量機模型對豬肉中的不飽和脂肪酸包括單不飽和脂肪酸和多不飽和脂肪酸進行了檢測，并繪制了單不飽和脂肪酸和多不飽和脂肪酸含量的彩色圖，取得了良好的實驗結果。吳寶婷等利用高光譜技術對靈武棗發酵過程中pH值和總酸含量進行了定量分析，結合競爭性自適應加權算法(competitive adaptive reweighting sampling， CARS)和遺傳算法(genetic algorithm，GA)進行特征波段的篩選，進而建立偏最小二乘定量分析模型。結果表明，高光譜技術可以對靈武棗發酵過程中pH值和總酸含量進行定量預測。可見，高光譜成像技術已經廣泛應用于食品檢測的各個領域，而大米產地溯源領域的報道并不是很多。

王璐采用隨機方法對大米樣品進行訓練集和測試集的劃分，根據訓練集中樣本大米的平均光譜建立了最小二乘支持向量機 (least squares support veotor maohine，LS-SVMD分類模型。選取正交信號校正法(orthogonal signal correction，OSC)作為光譜預處理方法，并利用連續投影算法(successive projections algorithm， SPA)提取特征波段建立大米產地分類模型，分類結果為95.36%。

王靖會等采集了吉林省梅河口市水稻主產區及松原、大安、輝南等其他水稻產區共990個大米樣本的高光譜圖像作為研究對象，利用多元散射校正(multiple scattering correction，MSC)處理方法對光譜進行了預處理。采用了多層感知機(mul-tilayer perceptron，MLP)、極限學習機(extreme learning ma chine，ELMD與在線序列極限學習機(online sequence extreme learning machine，OS-ELM)算法，分別基于全波段高光譜數據建立產地溯源模型。實驗結果表明，OS-ELM模型分類效果最好，可以準確的進行大米產地的溯源。

市場上大米產地來源極多，造成東北大米摻假問題嚴重。東北大米來源于多個產地，品種不一，不同產地的東北大米也存在著形態、成分組成等差異。再加上高光譜數據信息量豐富，但一些相關性不強的光譜信息會影響預測模型的準確性，容易造成信息冗余，這就為應用高光譜技術建立大米產地溯源造成了干擾和困難。