利用声吸收光谱和深度学习对水稻品种及其混合物进行非破坏性分类

《Journal of Cereal Science》：Non-destructive classification of rice varieties and mixtures using acoustic absorption spectroscopy and deep learning

本研究提出了一种基于声学吸收光谱的非破坏性检测方法，利用四麦克风阻抗管系统分析五种大米品种及其混合物的声学特性，构建DeepSpectra卷积神经网络模型，在1000份样本测试中达到84%的整体准确率，优于传统PLS-DA和浅层ANN模型，尤其在中比例混合物（70:30和50:50）中表现最优，为工业级快速掺假检测提供了低成本的解决方案。

　　

马吉德·法蒂·加莱米里（Majid Fathi Ghalemiri）| 阿里·马莱基（Ali Maleki）| 马吉德·拉什加里（Majid Lashgari）| 阿里·洛格曼尼（Ali Loghmani）

伊朗沙赫雷科德大学（Shahrekord University）农业学院生物系统机械工程系

摘要

优质大米被廉价或破损的谷物掺杂是一个普遍存在的问题，这严重降低了大米的营养价值和经济价值。传统的检测方法，如目视检查和近红外光谱分析，在对形态相似的品种进行分类或分析大量样品时往往效果不佳。为了解决这些问题，本研究介绍并验证了一种完全非破坏性的声学方法，用于区分五种主要商业大米品种：Jasmine、Basmati、Hashemi、Lenjan和Broken Lenjan，以及它们与低等级大米Anbarbo的混合品。我们使用四麦克风阻抗管测量了1000个样品在四种掺杂比例（100:15、70:30和50:50）下的声吸收系数（350–1895 Hz）。经过最小化预处理后，原始光谱数据通过定制的DeepSpectra卷积神经网络进行分类。DeepSpectra模型在独立测试数据上取得了84.0%的总体准确率和0.81的F1分数，显著优于PLS-DA（61%）和浅层ANN（69%）在纯样品上的表现。有趣的是，中比例混合物（70:30和50:50）的分类准确率最高，达到87–89%，我们认为这是由于出现了独特的光谱特征。这种快速（每个样品不到30秒）、低成本的技术非常适合批量分析，为工业质量控制和验证大米等颗粒商品的真实性提供了实际效益。

引言

大米（Oryza sativa L.）是全球超过一半人口的主要主食，年产量超过7.75亿吨（联合国粮食及农业组织，2022年）。像Jasmine和Basmati这样的优质芳香品种价格是普通或破损大米的2到4倍，这为使用廉价品种进行欺诈性混合提供了强烈的经济动机（Teye和Amuah，2022年）。这种掺假行为导致了每年数亿美元的巨大经济损失，并损害了大米的营养价值和消费者信心。

目前的商业检测方法主要依赖于目视检查、基于DNA的检测和光谱技术，包括近红外（NIR）、高光谱成像和拉曼光谱。传统的质量评估方法主要利用谷物的物理和化学特性，包括人工检查（Liu等人，2016年）、化学和成分分析（Lin等人，2014年）以及图像处理或机器学习技术（Manickavasagan等人，2008年）。然而，当两种或更多品种在视觉或形态上非常相似时，这些方法的准确性会显著下降，限制了它们在实际应用中的效果（Miao等人，2019年）。

尽管基于图像的深度学习系统在受控成像条件下可以对单个谷物实现非常高的准确率（Fabiyi等人，2020年），但这些研究在这里仅作为相关工作引用，并不直接适用于本研究，因为本研究的目标是对批量样品和品种混合物进行快速筛查，而无需分离谷物。基于图像的方法通常需要分离谷物或对大量谷物进行成像以估计混合物成分，这可能会降低批量处理的效率。其他快速批量技术（例如NIR或高光谱光谱）也可以支持筛查，但通常依赖于专用仪器和校准，并且可能受到水分含量和品种相似性等因素的影响（Fabiyi等人，2020年；Teye和Amuah，2022年）。虽然本研究中考虑的品种可以通过训练有素的专家通过细微线索进行视觉区分，但常规的外观检查仍然具有主观性，不适合大规模批量筛查。

这些局限性激发了对替代性非破坏性方法的兴趣。特别是声学吸收光谱作为一种实用的批量传感方法，可以提供超出纯视觉线索的区分性光谱特征（Kosa?a，2022年；Sakamoto等人，2024年；Sakamoto等人，2025年）。为了减轻环境噪声的影响并提高测量的重复性，实验在受控声学室内进行，使用改进的阻抗管配置，并采用定制的样品架进行稳定的批量加载。然而，与其他基于深度学习的非破坏性方法一样，在受控实验室条件下的高准确性并不一定能保证实际应用中的表现；因此，对水分含量、包装密度和处理/环境变化等领域的鲁棒性对于实际部署至关重要。

最近的研究表明，使用基于图像和高光谱技术对大米品种的分类已经达到了很高的成熟度。例如，Ge等人（2024年）提出了一个大规模的实际高光谱成像数据集，包含每种品种约10,000粒种子，并提出了一种基于实例难度的KNN算法（IDKNN）进行单粒种子分类，在单独的谷粒上取得了稳健的性能。同样，Chen等人（2025年）开发了一种深度残差网络（J-Rice-ResNeXt），利用RGB图像准确区分视觉上相似的粳米品种，在受控条件下达到了98.81%的准确率。与此同时，Yu等人（2025年）提出了一种轻量级的CNN框架（HPFasterNet），结合GhostNet和FasterNet，基于风味高效地进行大米种子图像分类，实现了98.98%的非破坏性单粒分析准确率。

然而，这些成熟的方法通常涉及高昂的设备成本、耗时的预处理（如谷粒分离或大规模成像），并且在实际批量应用中的可扩展性有限。相比之下，本研究的目标是对批量大米样品和品种混合物进行快速、非破坏性的分类，而无需分离谷粒。通过分析颗粒层的声吸收光谱，所提出的方法能够捕捉诸如包装密度、孔隙率和颗粒大小异质性等集体物理特性，从而实现实际现场的筛查和掺假检测。在这里，我们研究了声学吸收光谱作为一种快速、低成本的批量测量方法，它是对基于图像的方法的补充，而不是替代。

颗粒材料的声学特性对颗粒大小分布、形状不规则性、包装密度、孔隙率和表面微观结构非常敏感，这些参数在不同大米品种之间略有差异，但在形成混合物时会发生变化（Tsuruha等人，2020年；Xu等人，2025年）。尽管声学吸收光谱在颗粒和粉末介质中得到了广泛研究，但其应用于农业颗粒材料的情况仍然有限（Sakamoto等人，2025年；Sakamoto等人，2024年；Kosa?a，2022年），但据我们所知，它从未被用于大米品种识别或混合物比例的估计。通过在受控声学室内使用封闭的阻抗管设置进行测量，减轻了环境噪声的影响（ISO 10534-2:2023）。关于声音检测的潜在缺点，如对现场噪声的敏感性，在“局限性”部分进行了讨论。声学吸收方法在批量颗粒分析中具有独特优势，例如对孔隙率和包装的敏感性，而不依赖于视觉（Venegas和Boutin，2019年）。然而，必须解决一般性问题，如水分效应（Umnova等人，2017年）。

本研究将声学吸收光谱与DeepSpectra卷积神经网络架构（Passos和Mishra，2022年）相结合，该网络最初是为原始光谱的定量回归开发的，并将其适应于纯大米和掺假大米样品的多类分类。本研究的具体目标是：

• -
  表征五种商业大米品种及其受控混合物的法向入射声吸收光谱。
• -
  开发并优化一个能够直接在最小预处理的光谱数据上运行的深度学习分类器。
• -
  将其性能与现有的化学计量基线模型进行比较。
• -
  评估分类准确性作为品种类型和混合物比例的函数。

实验部分

声学测量系统

实验设置如图1所示，包括阻抗管测量示意图（a）、样品和样品架配置（b,c）以及大米样品的组成结构（d），应用了频率扫描激励（50–2000 Hz）。然后以10 kHz的采样率获取传递函数（ISO，2023），每次扫描持续约1分钟。

大米材料和样品制备

选择了五种具有商业重要性的伊朗和进口大米品种：Jasmine（JS）、Basmati（BS）、Hashemi（HA）、Lenjan

总体分类性能

评估了模型根据声吸收光谱对大米样品进行分类的性能。DeepSpectra模型能够直接从预处理的光谱数据中学习，无需手动特征提取。结果性能指标在表2中呈现，总结了DeepSpectra模型在整个数据集上的总体分类性能。

结果表明，DeepSpectra模型能够准确分类各种大米品种

讨论

与成熟的基于图像和高光谱的大米分类方法相比，所提出方法的关键优势在于其基于批量的测量范式。基于图像的深度学习模型在受控条件下对单粒谷物分析非常有效，但并非专为批量混合物筛查而设计。相比之下，声学吸收光谱可以探测颗粒介质的包装依赖性集体特性，从而直接评估混合大米样品

CRediT作者贡献声明

马吉德·拉什加里（Majid Lashgari）：可视化、验证、调查、概念化。阿里·洛格曼尼（Ali Loghmani）：可视化、方法论、调查。马吉德·法蒂·加莱米里（Majid Fathi Ghalemiri）：撰写——初稿、可视化、软件、资源、正式分析、概念化。阿里·马莱基（Ali Maleki）：撰写——审稿与编辑、验证、监督、方法论、调查、正式分析、数据管理、概念化

未引用的参考文献

Din等人，2023年；联合国粮食及农业组织，2022年；Yu等人，2025年。

利益声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢沙赫雷科德大学为这项研究提供实验室设施和财务支持。