利用红外热成像技术评估不同储存条件下储存的糯米的质量属性和碾磨指标

《Journal of Stored Products Research》：Evaluation of quality attributes and milling metrics of glutinous rice stored under different storage conditions using infrared thermal imaging

红外热成像技术结合机器学习模型可有效预测糯米储存期间的水分含量等关键质量指标，ET模型经网格搜索优化后R2达0.939，验证了非破坏性实时监测的可行性。

　　

阿比舍克·达索雷（Abhishek Dasore）|诺尔哈希拉·哈希姆（Norhashila Hashim）|罗斯娜·沙姆苏丁（Rosnah Shamsudin）|哈斯法利娜·切·曼（Hasfalina Che Man）|迈穆娜·莫赫德·阿里（Maimunah Mohd Ali）|奥佩耶米·迈克尔·阿格（Opeyemi Michael Ageh）

马来西亚普特拉大学工程学院生物与农业工程系，43400塞尔当，雪兰莪州，马来西亚

摘要

红外热成像（ITI）已成为一种有前景的无损评估农产品质量的工具。本研究探讨了ITI在不同储存条件下监测糯米（GR）质量特性和碾磨指标的应用。首先将糯米样品分别在50°C、60°C和70°C下干燥，然后在冷冻（-10°C）、冷藏室（6°C）和室温（26°C）下储存6个月（24周）。每隔两周获取一次糯米的 thermal images（TI），以评估关键质量指标的变化，包括水分含量（MC）、发芽生长率（GGR）、吸水能力（WAC）、白度指数（WI）、整粒米产量（HRY）和碎米产量（BRY）。从TI中提取相关特征，并与糯米的相应物理化学性质进行关联。测试了十种机器学习（ML）算法，以基于从TI数据中提取的特征预测糯米的品质属性。其中，ET模型表现优于其他模型。通过网格搜索（GS）超参数调优（HPT）进一步提高了其预测能力，得到了0.939的R2值和0.178的RMSE值（用于水分含量）。ET模型的准确性和可靠性还得到了配对图的支持。总体而言，研究结果强调了将ITI与ML结合用于糯米的非破坏性实时监测的潜力，为优化采后处理和储存实践提供了有价值的见解。

引言

糯米（GR，Oryza sativa）主要种植于东南亚和东亚地区，由于其较高的直链淀粉含量，也被称为蜡质或粘性大米。这种淀粉组成使其在煮熟后具有柔软、粘性的质地（Maimunah和Hashim，2024）。与普通白米不同，糯米有多种颜色形态，包括紫色、黑色、红色和棕色。这些鲜艳的颜色归因于其中含有的生物活性化合物，尤其是花青素和黄酮类化合物（Chen等人，2024）。这些化合物被认为具有多种健康益处，包括抗氧化活性、抗炎作用以及降低癌症风险的作用（Dewan等人，2023；Yamuangmorn & Prom-u-Thai，2021）。尽管糯米是一种季节性作物，但由于其在传统零食和增值食品（如米饼和甜点）中的广泛应用，全年都有消费需求（Maimunah和Hashim，2024）。许多基于糯米的零食更倾向于使用具有特定物理化学特性的陈年大米，尤其是理想的水分含量（MC），这直接影响其品质。

然而，糯米极易受环境条件的影响，因此采后处理和储存对于保持谷物品质和经济价值至关重要。高水分含量会引发微生物活动、霉菌生长和虫害侵袭，同时还会加速呼吸作用，从而降低谷物品质（Fleurat-Lessard，2017）。相反，过低的水分含量会使谷物变得脆弱，增加碾磨过程中的破损率，并影响整粒米产量（HRY），这是决定市场价值的关键因素（Prakash等人，2019）。此外，其他几个参数，如吸水能力（WAC）、发芽生长率（GGR）、白度指数（WI）和碎米产量（BRY）也对糯米品质至关重要（Dasore等人，2025）。WAC在工业食品加工和烹饪品质中起着重要作用，而GGR影响大米的陈化过程、作物表现和种子活力（Shittu等人，2012；Wang等人，2022）。WI是衡量碾磨程度的指标，直接影响糯米的外观和烹饪特性（Prasert和Suwannaporn，2009）。从商业角度来看，WI和BRY非常重要，因为它们直接影响价格和消费者接受度。传统上，这些参数是通过破坏性和耗时的技术进行评估的。例如，测量水分含量需要精确称重和烤箱干燥，而估算GGR和WAC则需要熟练的人员。此外，测量WI需要专门的工具，而HRY或BRY只能通过实验室碾米机在碾磨后确定（Ageh等人，2024）。这些方法会导致样品材料的损失，并消耗时间和资源。因此，需要一种快速、无损的方法来评估储存期间糯米的品质和碾磨参数。

成像技术被视为替代传统农产品质量评估的非接触式和无损方法。各种成像方式，如RGB、近红外（NIR）、高光谱和荧光成像，已广泛应用于识别缺陷、分类品种、评估物理和化学品质属性等领域（Ageh等人，2025）。尽管这些成像方式在非破坏性测试中已被证明有效，但它们通常依赖于复杂的仪器、受控的照明设置，并且由于数据维度较大而需要大量的计算资源（Wang等人，2022）。相比之下，红外热成像（ITI）提供了一个可行的替代方案，因为它不需要外部光源，系统配置简单，计算要求较低（Barin等人，2015）。从经济角度来看，ITI的硬件成本至少比其他方法低三倍，且运营和维护成本也很低（Acorsi等人，2020）。ITI记录物体发出的红外辐射，并将其解释为可见的热图，可用于特征提取和分析。ITI最初是为军事用途开发的，但现在已广泛应用于农业领域。它已被用于检测食品中的外来物质、安排灌溉、监测植物水分胁迫、评估果实成熟度和碰伤情况、检测感染以及研究加工过程中的热特性（Vadivambal和Jayas，2011）。传统的温度传感器（如热电偶和热敏电阻）需要直接接触，只能进行点测量，而ITI能够快速、非接触式、无侵入性地评估整个样本的温度分布（Mohd Ali等人，2020）。

人工智能（AI）的最新进展，特别是机器学习（ML）和深度学习（DL），通过实现稳健的数据驱动热模式解释，进一步增强了ITI在食品和农业系统中的无损检测（NDT）应用。表1总结了使用ITI技术进行农产品质量评估的代表性研究，包括其目标应用、建模策略、关键发现和报告的局限性。这些研究共同展示了基于ITI的框架在快速实时监测各种农产品和食品品质方面的巨大潜力。然而，这些研究也揭示了模型可解释性、可扩展性以及储存引起的品质退化方面的局限性，特别是在谷物中。尽管糯米在经济和营养方面具有重要意义，但将ITI与ML技术结合用于预测储存相关品质属性和碾磨性能的应用仍需进一步探索。为了解决这一差距，本研究探讨了将被动ITI与ML算法结合，以预测在受控储存条件下储存的糯米的关品质属性（MC、GGR、WAC、WI）及碾磨指标（HRY和BRY）的可行性。

样本制备

样本制备

从位于马来西亚雪兰莪州Sungai Bersal的Berkat Padi Sdn Bhd.获取了新鲜收获的Siding品种（MR 47）糯米。选择该品种是因为当地农民对其的种植越来越普遍，且对其采后储存行为的研究还不够全面。采购后，糯米经过空气清洗以去除外来物质、杂质和残渣。本研究使用的通用样本制备和储存方案改编自我们之前的研究。

实验结果

实验包括在三种不同温度（50°C、60°C和70°C）下干燥糯米，然后在三种不同储存温度（-10°C、6°C和26°C）下储存。在六个月的时间内定期评估关键品质属性和碾磨指标，每隔两周取样一次，以尽量减少对储存中剩余糯米的干扰。

结论

本研究探讨了将ITI和ML模型结合用于在不同温度和储存条件下无损预测糯米品质属性和碾磨指标的可行性。新鲜收获的糯米分别在50°C、60°C和70°C下干燥，然后在冷冻（-10°C）、冷藏室（6°C）和室温（26°C）下储存六个月。通过结合热特征提取和先进的ML建模，本研究展示了一个实用的非接触式快速评估框架。

CRediT作者贡献声明

阿比舍克·达索雷（Abhishek Dasore）：撰写——原始草稿、方法论、调查、正式分析、概念化。 诺尔哈希拉·哈希姆（Norhashila Hashim）：撰写——审稿与编辑、监督、资源管理、项目协调、资金筹集。 罗斯娜·沙姆苏丁（Rosnah Shamsudin）：撰写——审稿与编辑。 哈斯法利娜·切·曼（Hasfalina Che Man）：撰写——审稿与编辑。 迈穆娜·莫赫德·阿里（Maimunah Mohd Ali）：撰写——审稿与编辑。 奥佩耶米·迈克尔·阿格（Opeyemi Michael Ageh）：撰写——审稿与编辑、调查、数据整理。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：诺尔哈希拉·哈希姆报告称获得了马来西亚高等教育的财务支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者衷心感谢马来西亚高等教育部通过跨学科研究资助计划（TRGS）/1/2020/UPM/02/7提供的财务支持。