燕麥在《本草綱目》中又稱雀麥、野麥。目前，燕麥主要分為皮燕麥和裸燕麥，在全世界42個國家有所種植，總產量在糧食作物中排第5,我國主要種植的是裸燕麥，占燕麥總量的90%以上，青海、內蒙古、甘肅等地為主要種植區。燕麥是低糖、高營養的作物，其膳食纖維中富含的β-葡聚糖具有降低膽固醇、降低血脂、平穩血糖和預防心血管疾病的功效。燕麥中β-葡聚糖含量的監測方法有剛果紅檢測法、酶檢測法、改良酶檢測法等，雖然這些方法的準確度高，但檢測速度較慢且成本較高，不適合對燕麥中β-葡聚糖含量進行快速檢測。

高光譜成像技術能夠同時獲得檢測對象每個像素點的空間分布和光譜信息，提取出被測樣本的外觀信息和內部品質信息，能夠實現對樣本的快速、無損檢測，同時不需要復雜的前處理，并能同時進行多組分檢測。目前常見的有光柵分光技術、聲光可調諧濾波分光技術、棱鏡分光技術和鋁片鍍膜技術等。高光譜成像技術已在農業、食品領域得到廣泛的研究和應用，如馬溴等叫指出通過高光譜成像技術能獲取水果豐富的圖像等信息進行分析，在水果的綜合品質無損檢測方面有廣闊的前景。

1材料與方法

1.1材料與儀器

燕麥：青海西寧周邊種植，進行去殼處理，且無霉變、未發芽、個體完整，于20℃的室內存放備用。

應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。

1.2試驗方法

1.2.1樣本制備

燕麥重復混勻后，采取四分法取出燕麥鋪至直徑10 cm、厚度1 cm的培養皿中，保持燕麥單粒鋪滿整個培養皿，燕麥粒之間的空隙越小越好。共做200個，隨機分為150個建模組和50個預測組，并編號。

1.2.2高光譜數據采集

利用高光譜成像系統對所有樣品進行光譜成像數據采集，如圖1,選擇的高光譜采集系統條件為相機高度33 cm、曝光時間25 ms、平臺移動速度27 mm/s。

1.2.3噪聲校正

通過標準的白板和黑板進行全白、全黑的標定圖像掃描，獲得全白和全黑環境下的標定圖像，然后計算校正后的圖像，通過計算可消除不同波段下光源強弱不均及儀器暗電流存在導致的噪聲影響。

1.2.4數據預處理

由于測試樣本為燕麥顆粒鋪成的平面，樣本的表面凹凸不平且有縫隙，因此需要最大限度地挖掘所檢測的光譜數據中的有效信息，去除儀器噪聲、樣本的背景及雜光等對后期分析結果影響較大的數據。通過試驗最終采取了25×25像素點的固定區域為樣本的測試區域，計算其均值，采用變量標準化、多元散射矯正等方式矯正表面凹凸帶來的測試影響，并在檢測的波長范圍內去除前后各20個波段。

2結果與討論

2.1樣本中β-葡聚糖含量的測定及統計分析

將經過高光譜數據采集后的樣本進行粉粹，然后過0.2 mm篩制成待測樣。采用NY/T 2006—2011《谷物及其制品中β-葡聚糖含量的測定》對燕麥中β-葡聚糖的含量進行測定。檢測結果見表1。

由表1可以看出，建模組和預測組的燕麥中β-葡聚糖含量具有較好的一致性和均一性。

2.2樣本的光譜特征

由150個建模組樣本的原始光譜曲線圖計算得出每個波長下150個樣本的光譜反射率平均值，獲得了建模組燕麥的平均光譜曲線圖，如圖2。

由圖2可以看出，燕麥在640、840mm的波長附近有較為明顯的光譜吸收，從而產生光譜反射的低谷。

2.3高光譜數據預處理和提取

運用分段線性回歸的參數化數值分析方法對數據進行維度降低處理，最終選取波長640 nm,在該波長下能夠在不降低檢測準確度的情況下，提高識別的速度。本次研究獲得的光譜反射率與待估算的β-葡聚糖含量數值的散點圖見圖3。

2.4基于BP神經網絡的預測模型建立

基于BP神經網絡建立燕麥中B-葡聚糖含量的預測模型，模型的結構示意圖見圖4。輸人層的 數據向量是通過分段線性回歸得到的特征光譜信息Pi,中間的隱藏網絡層傳遞函數為正切函數logsig輸出層即燕麥中β-葡聚糖的含量a。隱含網絡層目前尚無明確的理論指導進行選擇，本次試驗結合樣本的情況進行不斷嘗試并優化最終確定隱含層的節點數。采用的函數為logsig(Q+X),其中Q是試驗中不同的特征光譜的加權計算權重，X為數值在計算時的殘差，訓練算法的函數選擇高斯牛頓方法，最大訓練次數為1000次，目標誤差為0.02%。

通過對模型的訓練試驗，獲得燕麥中β-葡聚糖含量的模型及估算結果，最終使模型的期望輸出值與估算輸出值接近，如圖5所示，平均絕對偏差在0.02%以內，實現通過觀測特征光譜估算燕麥中β-葡聚糖含量的定量模型。

2.5模型輸出結果的檢驗

通過建立的BP神經網絡模型，對50個預測組的樣本進行估算，其中最小的差值為0,最大的差值為0.56,整體的準確率較高，且誤差較小，詳見表2。

由表2可以看出，估算值與檢測值之間的差值大于0.5的僅一個，60%的樣本數的差值小于0.2。通過對建模組和預測組的數據進行分析，結果見表3,可以發現建模組的R為0.97,RMSE為0.64,預測組的R為0.98,RMSE為0.58,模型預算表現的精確度較好。

圖6是利用BP神經網絡模型得到的估算值與利用NY/T 2006—2011得到的檢測值的散點分布圖，由圖6可以看出，散點圖中所有點基本在直線附近，說明預算組中利用模型估算的燕麥中β-葡聚糖的含量與采用NY/T 2006—2011檢測的數值基本趨于一致，因此利用建立的BP神經網絡模型對燕麥中β-葡聚糖的含量進行預測是可行的。

3結論

本文利用高光譜成像系統對燕麥進行400~1000mm范圍的光譜反射掃描，采用了分段式線性回歸分析的方法對數據進行處理，建立了3層BP神經網絡模型，對燕麥中β-葡聚糖含量進行模型預測，獲得了滿意的精度。該試驗為燕麥中β-葡聚糖含量的快速、無損檢測提供了新的方法，為后續搭建多光譜成像系統提供了參考和依據，并在燕麥品質監控上有較為廣闊的前景。