《Microchemical Journal》：Fingerprints based on digital images integrated with DD-SIMCA for detection of food fraud in type 1 rice in the Brazilian market
编辑推荐：
基于化学计量学辅助颜色直方图（CACHAS）的分析系统成功检测并鉴定了巴西市场Type 1大米的碎粒和米碎掺假，通过整合灰度、RGB和HSI颜色特征并应用DD-SIMCA模型，在α=0.01和0.05显著性水平下实现100%预测准确率，验证了非破坏性方法在粮食质量管控中的有效性。
威尔逊·博特略·多·纳西门托·菲尔霍|弗朗西斯科·多斯·桑托斯·帕内罗|奥斯卡·何塞·斯米德尔|米尔拉·贾纳伊娜·奥古斯塔·西达德|莱奥维尔吉尔多·罗德里格斯·法里亚斯
罗赖马联邦大学农业学院，穆鲁普校区，BR-174公路35公里处，邮编69310-000，博阿维斯塔，罗赖马，巴西
摘要
本研究评估了一种基于化学计量学辅助的颜色直方图的分析系统（CACHAS），作为一种简单、低成本且无损的方法，用于鉴别掺杂了碎米粒和米粒碎片的1型大米。从灰度、RGB和HSI颜色直方图中提取的特征作为分析描述符。应用数据驱动的软独立建模类比（DD-SIMCA）方法来鉴别1型大米样本，并检测其中是否掺杂了碎米粒和米粒碎片。模型在α=0.01和α=0.05的显著性水平下进行开发，主成分的数量通过一致的单类分类方法进行了优化。整合了灰度+RGB+HSI信息的模型表现出最佳性能，在预测阶段达到了100%的灵敏度、100%的特异性和100%的效率，并且在外部测试集中的表现稳定，特异性为96.4%。观察到的差异与完整米粒和碎米粒/米粒碎片之间的形态和结构差异有关，这些差异改变了光与米粒的相互作用以及散射模式，从而产生了可测量的颜色直方图变化。所提出的方法在评估巴西市场上销售的1型大米的真实性及质量控制方面具有巨大潜力。
引言
大米（Oryza sativa L.）是人类消费最重要的谷物之一，仅次于小麦和玉米，在经济和社会方面都发挥着战略作用。根据美国农业部（USDA）的数据，2023/2024年度全球大米产量约为5.18亿吨，中国、印度和孟加拉国是主要的生产国。联合国粮食及农业组织（FAO）的数据显示，约89.6%的产量来自亚洲，全球十大大米生产国均位于该地区。巴西是唯一一个年产量超过1000万吨的非亚洲国家，在全球排名中位列第11位，是美洲最大的大米生产国。大米与豆类一起成为巴西国民饮食的主要支柱，在农业产业部门具有重要的经济意义[1]、[2]、[3]、[4]、[5]、[6]。
巴西大米的官方分类由农业、畜牧业和供应部（MAPA）2009年2月16日的第6号规范指令规定，该指令确立了大米商业化和检验的标准。根据这一规范，大米被分为四个层级：组、亚组、类别和类型。分类依据的是米壳的存在情况，将其分为糙米和精米。亚组则根据加工方式确定，糙米进一步分为天然糙米和蒸煮糙米；精米包括糙米、抛光米、蒸煮糙米和蒸煮抛光米。类别依据米粒的尺寸特征（如长度和长宽比），分为短粒、中粒、长粒和细长粒。类型则反映了产品的商业质量，基于物理缺陷（如碎米、污渍、霉变、粉状、损坏、条纹或黄色米粒）的最大允许限度，以及碾磨过程中产生的外来物质和米粒碎片。类型从1型（最高质量）到5型递增，每种类型的允许限度逐渐提高。这一分类框架旨在确保巴西大米销售的标准化和透明度[7]。
巴西消费最多的大米是1型，属于细长粒类别，其特征是米粒长度大于或等于6毫米，宽度小于或等于1.9毫米，长宽比至少为2.75毫米。要被归类为1型大米，产品必须符合严格的物理缺陷容忍限度，如碎米粒和米粒碎片。这种分类与产品的优质特性密切相关，因此1型大米成为食品欺诈的常见目标[7]、[8]。食品欺诈是指故意欺骗消费者以获取经济利益的行为，可能包括原材料的替换、添加或稀释，以及标签信息的伪造[9]、[10]、[11]、[12]。在大米领域，这通常表现为将碎米粒和/或米粒碎片以超过允许比例的方式混入产品中，从而误导消费者并损害产品真实性。MAPA的多次行动揭示了这些行为的严重性，例如在圣保罗市查获标为1型的5型大米，从超市中撤下10,500公斤质量不符的大米，以及圣保罗市和联邦区打击食品欺诈的联合行动[13]、[14]、[15]。
在抛光精米1型大米中，米粒碎片（由碾磨过程中米粒破损产生）和碎米粒（长度不足相应类别完整米粒四分之三的米粒）的最大含量分别应不超过0.5%和7.5%。MAPA采用基于机械分离的方法，使用校准筛子和测量秤等简单仪器，采样和定量程序基于形态学标准。重点在于识别产品的物理缺陷，并根据碎米粒和米粒碎片的百分比进行分类，符合最大容忍限度[7]。
为提高食品安全，人们不断探索新的分析方法来检测和预防大米欺诈。在这方面，已经开发了多种技术用于品种鉴定、地理来源识别和掺杂检测。色谱、光谱、同位素、分子、DNA分析，以及最近的计算机视觉和机器学习方法已被广泛使用[11]、[16]、[17]、[18]、[19]、[20]。尽管计算机视觉在谷物分析方面取得了显著进展，尤其是多光谱和高光谱图像的应用，但大多数研究仍依赖于复杂的处理步骤，如单个米粒的分割和边缘检测。对于机器学习，所使用的模型需要仔细调整超参数。尽管这些策略可以达到高精度，但其实际应用受到技术基础设施和专业知识的要求，限制了其普及性和可重复性[21]、[22]、[23]。鉴于这些限制，无损方法如近红外光谱和数字图像分析因其实用性、速度和符合绿色化学原则而备受关注。特别是基于数字图像并结合化学计量学模型的方法，不仅具有高灵敏度和鲁棒性，而且采集系统成本低廉，适用于工业应用和现场检测[10]、[17]、[24]、[25]。
在这种情况下，基于化学计量学辅助的颜色直方图分析系统（CACHAS）[26]展示了使用智能手机、扫描仪、数码相机和网络摄像头等便携设备对各种食品基质（包括大米）的化学和物理化学性质进行分类或量化的能力[17]、[27]、[28]、[29]。Izquierdo等人（2020）[29]使用卷积神经网络（CNN）对数字图像进行处理，对五种西班牙大米品种进行了分类和鉴定。Pradana-López等人（2021）[17]也应用CNN对在暖光下拍摄的数字图像进行分析，以鉴定日本大米品种是否掺杂了价值较低的品种。Arslan等人（2022）[27]开发了一种与智能手机连接的比色传感器，用于区分掺杂了不同比例低质量白米的优质巴斯马蒂大米样本。尽管这些研究取得了成功，但它们仅限于同时评估单一掺杂物的混合物，限制了模型的通用性和在实际多掺杂物场景中的应用。单类分类（OCC）对于克服这些限制至关重要，特别是在欺诈和食品真实性研究中，因为它可以独立地对目标类别的样本进行表征，而不依赖于其他类别的特征[25]、[30]。据我们所知，数据驱动的软独立建模类比（DD-SIMCA）尚未与基于数字图像的方法结合，用于基于巴西市场质量参数鉴定1型大米中的掺杂情况。因此，本研究首次应用CACHAS方法快速鉴定1型大米样本，并检测其中是否掺杂了碎米粒和米粒碎片。
样本制备
在巴西罗赖马省博阿维斯塔市的超市购买了五个不同品牌的1型细长粒大米，总计5公斤。将这五个1公斤的样本混合成一个统一的1型大米批次。从这个均匀批次中，通过四等分获得了64个1型大米样本（目标类别），每个样本的质量约为20克。这些样本用于模型构建和验证。还使用了同一均匀1型大米批次的额外部分
探索性分析
大米碾磨过程会完全去除外皮、种皮和胚芽，暴露出构成米粒主体的胚乳。胚乳富含淀粉颗粒，含有一些蛋白质体。抛光1型精米具有细长、光滑、表面规则的特征，长度较长。其碎米粒的混合比例必须符合最大允许限度7.5%
结论
本研究证明了使用基于数字图像的特征作为分析工具来检测1型大米中是否掺杂了碾磨过程中产生的碎米粒和米粒碎片的可行性。不同样本之间的差异主要与碎米粒和米粒碎片的形态和结构特征有关，这些特征改变了它们与光的相互作用。完整米粒具有均匀的表面和致密的结构
伦理声明
作者声明没有竞争性财务利益。本研究未获得公共部门、商业部门或非营利组织的任何特定资助。本文不包含涉及人类参与者或动物的研究。
作者贡献声明
威尔逊·博特略·多·纳西门托·菲尔霍：撰写——原始草稿、可视化、验证、方法论、研究、数据分析、概念化。弗朗西斯科·多斯·桑托斯·帕内罗：撰写——审阅与编辑、验证、方法论、数据分析、概念化。奥斯卡·何塞·斯米德尔：资源提供、概念化。米尔拉·贾纳伊娜·奥古斯塔·西达德：撰写——审阅与编辑、资源提供。莱奥维尔吉尔多·罗德里格斯·法里亚斯：撰写——审阅与编辑。
利益冲突声明
作者声明没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
作者感谢罗赖马联邦大学（UFRR）的水和谷物实验室提供了实验和数据分析所需的设施。
