基于高光譜成像技術(shù)快速無損測定花生中水分含量

于宏威，劉紅芝，楊 穎，石愛民，劉 麗，胡 暉，王 強(qiáng)

（中國農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，農(nóng)業(yè)部農(nóng)產(chǎn)品加工綜合性重點(diǎn)實(shí)驗(yàn)室，北京 100193）

基于高光譜成像技術(shù)快速無損測定花生中水分含量

于宏威，劉紅芝，楊 穎，石愛民，劉 麗，胡 暉，*王 強(qiáng)

（中國農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，農(nóng)業(yè)部農(nóng)產(chǎn)品加工綜合性重點(diǎn)實(shí)驗(yàn)室，北京 100193）

花生中水分含量的高低直接影響花生及其制品的貯藏期，而現(xiàn)有的測定方法存在步驟多、時(shí)間長等問題。試驗(yàn)利用高光譜成像技術(shù)對花生中水分含量進(jìn)行快速無損檢測分析。通過采集120個(gè)花生樣品的圖像信息，從校正后的圖像中提取花生目標(biāo)區(qū)域的平均光譜作為花生光譜信息進(jìn)行分析；同時(shí)，優(yōu)選最佳的光譜預(yù)處理方法和建模方法建立花生中水分含量全波段模型，在此基礎(chǔ)上利用回歸系數(shù)法，確定重要波長并建立模型。結(jié)果表明，二階導(dǎo)數(shù)（2nd-der）偏最小二乘法（PLS）全波段模型預(yù)測水分含量能力最佳，校正集和預(yù)測集的相關(guān)系數(shù)分別為0.91和0.84，標(biāo)準(zhǔn)偏差分別為0.28和0.38；回歸系數(shù)法確定的14個(gè)波長所建簡化模型的性能與全波段相當(dāng)，校正集和預(yù)測集的相關(guān)系數(shù)分別為0.82和0.81，標(biāo)準(zhǔn)偏差分別為0.39和0.43。因此，高光譜成像技術(shù)可以快速無損測定花生中水分含量，其具有快速運(yùn)算特點(diǎn)的重要波長模型可以更加方便地應(yīng)用于花生加工產(chǎn)業(yè)中。

花生；水分含量；高光譜成像技術(shù)；偏最小二乘法；無損檢測

花生是世界第四大油料作物、第三大蛋白質(zhì)來源，具有很高的經(jīng)濟(jì)價(jià)值和營養(yǎng)價(jià)值，在世界食品市場地位舉足輕重[1]。據(jù)FAO統(tǒng)計(jì)，2014年世界花生總產(chǎn)量約4 238×104t，我國花生年總產(chǎn)量約1 578×104t，占全球總產(chǎn)量的37.23%，位居世界首位[2]。花生中水分含量的高低直接影響花生及其制品的貯藏期，水分含量低的貯藏期較長，水分含量高的貯藏期較短[3]，因此GB/T 1532—2000花生中要求花生仁的安全水分含量在9.0%以內(nèi)。目前，測定花生中水分含量公認(rèn)的方法是AOAC 950.46和GB 5009.3—2010中干燥法，該方法簡單、易操作，且結(jié)果準(zhǔn)確，但是操作過程中破壞樣品，不能在線測定，恒質(zhì)量需要花費(fèi)大量時(shí)間。據(jù)估算，測定1個(gè)花生樣品中水分含量平均需要6 h，因此亟需一種快速無損檢測花生中水分含量的方法。

整合光譜和圖像優(yōu)勢的高光譜成像技術(shù)是一門新興的快速無損檢測方法，其數(shù)據(jù)包括了某個(gè)波長下的圖像信息和圖像平面內(nèi)某個(gè)像素點(diǎn)的光譜信息[4]。圖像信息是指像素點(diǎn)的分布情況；光譜信息是由物質(zhì)中的分子從基態(tài)向高能級躍遷時(shí)，含氫基團(tuán)（OH，CH等）振動所產(chǎn)生的[5]。隨著物質(zhì)分子組成及含量變化，其產(chǎn)生光譜吸收峰的位置和強(qiáng)度都有明顯差異，其光譜特征也發(fā)生相應(yīng)的變化[6]。因此，可以基于高光譜成像技術(shù)獲得光譜信息，并利用化學(xué)計(jì)量學(xué)定量分析物質(zhì)的組分含量。目前，高光譜成像技術(shù)已經(jīng)得到國內(nèi)外許多學(xué)者的關(guān)注，并取得許多研究結(jié)果。其中，測定水分含量方法廣泛應(yīng)用到脫水對蝦、羊肉、火雞火腿、蘑菇、鮭魚等農(nóng)產(chǎn)品中[7-11]。隨著花生加工產(chǎn)業(yè)的迅猛發(fā)展，創(chuàng)建花生中水分含量的高光譜快速無損檢測方法也迫在眉睫。

以我國主要種植的花生品種為試驗(yàn)材料，旨在建立花生中水分含量的高光譜檢測方法。采集了120個(gè)花生樣品的圖像信息，從校正后的高光譜圖像中，提取花生目標(biāo)區(qū)域的平均光譜信息作為花生光譜信息進(jìn)行分析，優(yōu)選最佳的光譜預(yù)處理方法和建模方法建立花生中水分含量全波段模型。在此基礎(chǔ)上，利用回歸系數(shù)法確定重要波長并建立模型，從而簡便模型、減低運(yùn)算復(fù)雜程度，為快速無損監(jiān)控花生原料的品質(zhì)提供先進(jìn)手段。

1 材料與方法

1.1 材料

從我國11個(gè)花生主栽省份（河南、山東、廣東、新疆、遼寧、廣西、河北、江蘇、福建、江西和湖北等）收集120個(gè)花生品種（白沙1016號、海花1號、豐花1號、魯花11號、魯花9號、花育19號等）。高光譜成像系統(tǒng)每次可以同時(shí)掃描6個(gè)花生品種，因此以每6個(gè)花生品種為一組進(jìn)行試驗(yàn)，共計(jì)20組。從每個(gè)花生品種中挑選尺寸相同、正常飽滿的花生仁30粒，進(jìn)行高光譜數(shù)據(jù)的采集和水分含量的測定。

1.2 高光譜成像系統(tǒng)和圖像獲取

試驗(yàn)采用的高光譜成像系統(tǒng)是SisuCHEMA NIR（Spectra Imaging公司，芬蘭），包括成像光譜儀、照明系統(tǒng)、輸送單元、電腦控制單元及其他附件。其中，成像光譜儀由ImspectorN17E型光譜儀配有TE-cooled InGaAs photodiode array檢測器組成；照明系統(tǒng)是由10 W的鹵素?zé)簦∣sram公司，德國）和照明蓋組成；輸送單元由樣品盤和線性輸送平臺組成；電腦控制單元：I7處理器，16 GB內(nèi)存，并配備有ChemaDAQ高光譜數(shù)據(jù)采集軟件；其他附件包括采集區(qū)域大小為20 cm×30 cm的OLE15鏡頭，以及對焦板和白參考板等。在掃描高光譜圖像前，先開機(jī)預(yù)熱儀器30 min。用表面皿盛放花生，每次采集圖像都需晃動表面皿，且重復(fù)采集3次。掃描參數(shù)：成像儀曝光時(shí)間5.6 s，電動機(jī)的移動速度8 mm/s。

SisuCHEMA NIR見圖1。

圖1 SisuCHEMA NIR

1.3 高光譜圖像分析處理

獲得的高光譜原始圖像需要進(jìn)行校正，以減少環(huán)境光、檢測器暗電流和光譜儀物理結(jié)構(gòu)對圖像信息的影響。圖像校正需要利用2個(gè)特別的圖像，分別是白參考板（Teflon）提供的100%反射圖像和蓋上鏡頭蓋得到的0%反射圖像。圖像校正公式如下：

式中：Rraw——高光譜原始圖像；

Rwhite——100%反射圖像；

Rdark——0%反射圖像；

Rnorm——高光譜校正圖像。

高光譜成像系統(tǒng)采集波長為884～1 735 nm的光譜圖像，但在波長884～900 nm和1 700～1 735 nm處有較大的噪音，僅有波長為900～1 700 nm的高光譜圖像可以用于光譜數(shù)據(jù)的提取。由于在采集花生圖像時(shí)，同時(shí)采集了大量的背景圖像和邊界圖像等無關(guān)信息，因此需要利用主成分分析 （Principle component analysis，PCA）將花生像素點(diǎn)和其他像素點(diǎn)區(qū)分開，以剔除這些無關(guān)信息。結(jié)合花生輪廓分割圖像，將相同花生品種當(dāng)作目標(biāo)區(qū)域（Region of interest，ROI）用于光譜數(shù)據(jù)的提取。同時(shí)，將采集的120個(gè)花生品種3次圖像平均光譜儲存為矩陣形式，用于下步分析。

利用Evince 2.7.1（UmBio公司，瑞典）進(jìn)行圖像分析處理。

1.4 水分含量的測定

按照GB 5009.3—2010中干燥法測定花生中水分含量，將花生仁磨碎，裝入鋁盒中稱質(zhì)量，然后放入烘箱。利用花生中水分的物理性質(zhì)，在101.3 kPa，101～105℃下除去花生中水分，再通過干燥前后的質(zhì)量變化計(jì)算出花生中的水分含量。

1.5 化學(xué)計(jì)量學(xué)

1.5.1 光譜的預(yù)處理

高光譜圖像提取的光譜除了含有花生自身的化學(xué)信息外，還包含有其他無關(guān)信息和噪聲，如雜散光、電噪聲和樣品背景。因此，在利用回歸分析建立花生中水分含量模型之前，需要采用光譜預(yù)處理方法消除光譜數(shù)據(jù)的無關(guān)信息和噪聲，以提高水分信噪比。常用的譜圖預(yù)處理方法有導(dǎo)數(shù)（Derivative，Der）、標(biāo)準(zhǔn)正態(tài)變量變換（Standard normal variate tranformation，SNV）、基線校正（Baseline）、矢量歸一化法（Normalization）等。試驗(yàn)將考察不同預(yù)處理方法和復(fù)合預(yù)處理對模型的影響，從而確定最佳的光譜預(yù)處理方法。

1.5.2 全波段模型的建立

由于光譜各波長點(diǎn)處的信息重疊嚴(yán)重、譜峰寬，花生中水分含量定量模型的建立通常需要依靠相應(yīng)的回歸分析方法。常用的建立定量模型方法有多元線性回歸（Multi-linear regression，MLR）、主成分回歸（Principal component regression，PCR） 和偏最小二乘法（Partial least squares，PLS），其中多元線性回歸是方程式中有2個(gè)或2個(gè)以上自變量的線性回歸模型；主成分回歸通過線性組合的方式重新組合成一組較少的線性無關(guān)的綜合指標(biāo)來代替原來的指標(biāo)，新變量能反映原變量的絕大部分信息；偏最小二乘法在考慮所計(jì)算的主成分方差盡可能最大的同時(shí)，還使主成分與濃度最大程度的相關(guān)[6]。模型驗(yàn)證常用內(nèi)部交叉驗(yàn)證和外部預(yù)測集，考核的指標(biāo)有校正模型的相關(guān)系數(shù)（RC）和標(biāo)準(zhǔn)偏差（Standard error of calibration，SEC）、內(nèi)部驗(yàn)證模型的相關(guān)系數(shù)（RCV）和標(biāo)準(zhǔn)偏差（Standard error of cross validation，SECV）以及預(yù)測模型的相關(guān)系數(shù)（RP）和標(biāo)準(zhǔn)偏差（Standard error of prediction，SEP）。相關(guān)系數(shù)越高且標(biāo)準(zhǔn)偏差越小的模型穩(wěn)定性越好。

1.5.3 重要波長的確定及模型建立

全波段數(shù)據(jù)中僅有部分光譜與水分含量相關(guān)，連續(xù)光譜信息造成了數(shù)據(jù)的冗余，降低了預(yù)測的準(zhǔn)確性和運(yùn)算速度，因此需要選擇重要波長，簡化全波段模型，降低運(yùn)算的復(fù)雜性。根據(jù)簡化模型，可以進(jìn)一步開發(fā)低成本、快速運(yùn)算的多光譜圖像系統(tǒng)。本研究將根據(jù)全波段模型的回歸系數(shù)（Regression coefficients，RC）確定重要波長，回歸系數(shù)絕對值越高的波長，其重要性越大?；诤Y選出來的重要波長建立模型，考察其預(yù)測性能與全波段模型的關(guān)系。

利用Unscrambler 10.3（CAMO公司，挪威）進(jìn)行化學(xué)計(jì)量學(xué)的分析。

2 結(jié)果與分析

2.1 高光譜圖像處理和光譜數(shù)據(jù)提取

利用PCA處理校正后的高光譜圖像，確定花生目標(biāo)區(qū)域，并從中提取光譜數(shù)據(jù)，按此方法依次提取120個(gè)花生品種的光譜數(shù)據(jù)。各個(gè)花生品種的光譜數(shù)據(jù)在相同的波長處有吸收峰，但是相同吸收峰的數(shù)值不一樣，這主要是由不同花生品種組成含量差別所造成。

單一品種的光譜數(shù)據(jù)（a）和120個(gè)花生品種的光譜數(shù)據(jù)（b）見圖2。

圖2 單一品種的光譜數(shù)據(jù)（a）和120個(gè)花生品種的光譜數(shù)據(jù)（b）

2.2 花生中水分含量分析

將120個(gè)花生樣品按照水分含量從高到低依次排列，每隔3個(gè)樣品挑選1個(gè)樣品為預(yù)測集，校正集樣品共90個(gè)，預(yù)測集樣品共30個(gè)。其中，校正集水分含量范圍為4.11%～6.94%，平均值為5.46%± 0.69%，其水分含量分布范圍廣，能夠涵蓋絕大多數(shù)花生品種；預(yù)測集水分含量范圍為4.17%～6.85%，平均值為5.35%±0.70%。按照水分含量高低成比例挑選預(yù)測集，預(yù)測集水分含量能夠位于校正集水分含量分布內(nèi)，有利于對校正模型進(jìn)行驗(yàn)證。

花生校正集和預(yù)測集的水分含量見表1。

表1 花生校正集和預(yù)測集的水分含量

2.3 化學(xué)計(jì)量學(xué)分析

2.3.1 光譜的預(yù)處理

不同光譜預(yù)處理的花生水分含量PLS模型見表2。

原始光譜建立的PLS水分模型，RC，RCV和RP分別是0.46，0.45和0.44，SEC，SECV和SEP分別是0.41，0.47和0.52，模型的穩(wěn)健性具有較大的上升空間。因此，分別采用不同的單一預(yù)處理和復(fù)合預(yù)處理提高模型穩(wěn)健性，其中2nd-der預(yù)處理是最佳的單一光譜預(yù)處理方法，RC，RCV和RP分別是0.91，0.81和0.84，SEC，SECV和SEP分別為0.28，0.43和0.39。無論是相關(guān)系數(shù)還是標(biāo)準(zhǔn)偏差，與原始模型相比，有了較大的改善。Baseline和Normalization僅對光譜進(jìn)行簡單的校正，并沒有消除噪聲對光譜的影響，其所建模型的穩(wěn)健性只比原始模型有了略微提高。

表2 不同光譜預(yù)處理的花生水分含量PLS模型

復(fù)合預(yù)處理中，2nd-der結(jié)合2nd-der方法最佳，其RC，RCV和RP分別是0.92，0.81和0.85，SEC，SECV和SEP分別為0.28，0.45和0.40。該方法雖然比單獨(dú)進(jìn)行2nd-der預(yù)處理效果更好，但是光譜數(shù)據(jù)進(jìn)行了2次預(yù)處理，加重了運(yùn)算負(fù)擔(dān)，降低了光譜處理的速度，如果將該方法用于實(shí)際生產(chǎn)，必定會影響檢測效率。因此，確定預(yù)測水分含量最佳的光譜預(yù)處理方法為2nd-der。與國內(nèi)外研究相比較，楊傳得等人[12]收集了116份花生于波長833～2 500 nm處的反射光譜，比對了單一預(yù)處理和復(fù)合預(yù)處理對水分模型的影響，結(jié)果表明未經(jīng)任何預(yù)處理的光譜建模效果最好，但只進(jìn)行的內(nèi)部交叉驗(yàn)證，SECV為1.37，遠(yuǎn)高于本研究方法。Govindarajan等人收集了于波長1 000～1 800 nm處的反射光譜，確定了Normalization結(jié)合一階導(dǎo)數(shù)為最佳的預(yù)處理方法，建立的水分模型SEC為1.23，模型的準(zhǔn)確性與本研究存在差距。

2.3.2 水分含量全波段模型的建立

不同建模算法花生水分含量全波段模型見表3，花生水分含量全波段校正模型（a）、內(nèi)部驗(yàn)證模型（b）和預(yù)測模型（c）見圖3。

3種建模算法中PLS結(jié)果最好，其校正模型和內(nèi)部驗(yàn)證模型穩(wěn)健性明顯高于其他2種方法，RC和RCV分別是0.91和0.81，SEC和SECV分別為0.28和0.43；PLS預(yù)測模型與PCR預(yù)測模型相當(dāng)，均優(yōu)于MLR預(yù)測模型，RP和 SEP分別是 0.84和 0.38。PLS，MLR和PCR 3種建模算法相互連貫，PCR克服了MLR光譜信息不能充分利用的弱點(diǎn)，顯著提高了模型的預(yù)測能力；PLS則對光譜陣和濃度陣同時(shí)進(jìn)行分解，并在分解時(shí)考慮二者之間的關(guān)系，從而保證獲得最佳的校正模型。PLS校正模型散點(diǎn)圖（圖3（a））表明，在4.11%～6.94%范圍內(nèi)花生樣品的水分含量均勻分布回歸直線兩側(cè)。因此，確定PLS為建立水分含量模型最佳數(shù)學(xué)方法。

表3 不同建模算法花生水分含量全波段模型

圖3 花生水分含量全波段校正模型（a）、內(nèi)部驗(yàn)證模型（b）和預(yù)測模型（c）

2.3.3 水分含量重要波長的選取和模型的建立

采用回歸系數(shù)法選取β-coefficient絕對值最高的14個(gè)波長，分別為957，970，977，1 070，1 033，1 147，1 317，1 337，1 390，1 400，1 544，1 551，1 654，1 681 nm。根據(jù)Workman J J等人研究，水分中的重要波長是水分子對稱和反對稱伸縮振動的組合吸收，以及OH伸縮振動引起的倍頻吸收。分別比較了上述12，13，14個(gè)波長建模效果，隨著波長數(shù)量的增加，模型穩(wěn)健性越好，采用14個(gè)波長建立模型穩(wěn)健性最好，RC，RCV和RP分別是0.82，0.80和0.81，SEC，SECV和SEP分別為0.39，0.44和0.43。在14個(gè)波長的基礎(chǔ)上增加1個(gè)波長，模型的穩(wěn)健性并沒有得到顯著提高，反而增加了運(yùn)算復(fù)雜性。同時(shí)，與全波段中任意14個(gè)波長所建模型相比較，上述14個(gè)波長模型穩(wěn)健性優(yōu)勢明顯。結(jié)合回歸系數(shù)和模型性能，確定上述14個(gè)波長為重要波長，并建立花生中水分含量重要波長模型。與已建全波段模型相比，雖然重要波長校正模型的表現(xiàn)力略差，但其僅利用14個(gè)波長，計(jì)算的復(fù)雜性遠(yuǎn)低于含有240個(gè)波長的全波段模型，因此可以利用重要波長模型代替全波段模型對花生中水分含量進(jìn)行預(yù)測。

花生中水分含量重要波長模型與其他波長模型見表4，花生水分含量重要波長校正模型（a）、內(nèi)部驗(yàn)證模型（b）和預(yù)測模型（c）見圖4。

表4 花生中水分含量重要波長模型與其他波長模型

圖4 花生水分含量重要波長校正模型（a）、內(nèi)部驗(yàn)證模型（b）和預(yù)測模型（c）

3 結(jié)論

本文建立了花生中水分含量高光譜快速無損的檢測方法，分別比較了單一光譜預(yù)處理和復(fù)合預(yù)處理，以及建模算法對模型的影響，確定了最佳的光譜預(yù)處理方法是2nd-der，最佳的建模方法是PLS，所建全波段校正模型（RC=0.91，SEC=0.28）、內(nèi)部驗(yàn)證模型（RCV=0.81，SECV=0.43） 和預(yù)測模型（RP= 0.84，SEP=0.38）良好。在此基礎(chǔ)上根據(jù)回歸系數(shù)和模型性能，確定957，970，977，1 070，1 033，1 147，1 317，1 337，1 390，1 400，1 544，1 551，1 654，1 681 nm為14個(gè)重要波長，所建重要波長模型預(yù)測花生中水分含量能力與全波段模型相當(dāng)，其中RC，RCV和RP分別是0.82，0.80和0.81，SEC，SECV和SEP分別為0.39，0.44和0.43。重要波長模型僅利用14個(gè)波長建立模型，具有運(yùn)算復(fù)雜性低的特點(diǎn)，可以更加方便地應(yīng)用在花生加工產(chǎn)業(yè)中，為快速無損監(jiān)控花生原料的品質(zhì)提供先進(jìn)手段。

[1]王強(qiáng).花生加工品質(zhì)學(xué) [M].北京：中國農(nóng)業(yè)出版社，2013：76-81．

[2]FAO.Statistical Yearbook[EB/OL].Rome：Food and agriculture organization of the united nations，2014.http://faostat3.fao.org/download/Q/QC/E.

[3]周瑞寶.花生加工技術(shù) [M].北京：化學(xué)工業(yè)出版社，2012：43-56．

[4]Gowen A A，O'Donnell C P，Cullen P J，et al.Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J].Trends in Food Science &Technology，2007，18（12）：590-598.

[5]陸婉珍.現(xiàn)代近紅外光譜分析技術(shù) [M].北京：中國石化出版社，2007：126-134．[6]嚴(yán)衍祿.近紅外光譜分析的原理技術(shù)與應(yīng)用 [M].北京：中國輕工業(yè)出版社，2013：219-238．

[7]Wu D，Shi H，Wang S，et al.Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J].Analytica Chimica Acta，2012，726：57-66.

[8]Kamruzzaman M，ElMasry G，Sun D W，et al.Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J].Innovative Food Science&Emerging Technologies，2012，16：218-226.

[9]Iqbal A，Sun D W，Allen P.Prediction of moisture,color and pH in cooked，presliced turkey hams by NIR hyperspectral imaging system[J].Journal of Food Engineering，2013，117（1）：42-51.

[10]Taghizadeh M，Gowen A，O'Donnell C P.Prediction of white button mushroom（Agaricus bisporus）moisture content using hyperspectral imaging[J].Sensing and Instrumentation for Food Quality and Safety，2009，3（4）：219-226.

[11]He H J，Wu D，Sun D W.Non-destructive and rapid analysis of moisture distribution in farmed Atlantic salmon（Salmo salar）fillets using visible and near-infrared hyperspectral imaging[J].Innovative Food Science&Emerging Technologies，2013，18：237-245.

[12]楊傳得，于洪濤，關(guān)淑艷，等.近紅外反射光譜技術(shù)預(yù)測花生種子含水量 [J].花生學(xué)報(bào)，2012，41（1）：6-9．◇

Rapid and Non-destructive Determination of Moisture Content in Peanut Based on Hyperspectral Imaging Technology

YU Hongwei，LIU Hongzhi，YANG Ying，SHI Aimin，LIU Li，HU Hui，*WANG Qiang
（Key Laboratory of Agro-Products Processing，Ministry of Agriculture，Institute of Agro-Food Science and Technology，Chinese Academy of Agricultural Sciences，Beijing 100193，China）

Moisture content directly affects the storage period of peanut and its products.The existing methods of determination of moisture content are more steps and time-consuming.In this paper，moisture content in peanut is rapidly and non-destructively detected by hyperspectral imaging technology（HSI）.Image information of 120 peanut samples is acquired，and average spectra of peanut of resign of interest are extracted from the corrected image as peanut spectral information to analyze.The whole wave-band model of moisture content in peanuts is established by selecting the best spectral pre-processing method and modeling method.Based on regression coefficient method，important wavelengths are identified and model is set up.The results show that 2nd-der-PLS whole wave-band model had best ability to predict moisture content with Rc of 0.91 and SEC of 0.28，Rp of 0.84 and SEC of 0.38.The performance of the simplified model established by the regression coefficient is equivalent to that of the whole wave-band with Rc of 0.82 and SEC of 0.39，Rp of 0.81 and SEC of 0.43.The research show that HIS could quickly and non-invasively determine the moisture content in peanuts，and the important wavelength model with the characteristics of fast operation could be more convenient for the application in the peanut industry.

peanut；moisture content；hyperspectral imaging technology；partial least square；non-destructive testing

S37

A

10.16693/j.cnki.1671-9646（X）.2016.12.011

1671-9646（2016）12a-0039-05

2016-05-09

國家科技支持計(jì)劃課題（2012BAD29B03）；中國農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程（CAAS-ASTIP-201X-IAPPST）。

于宏威（1991— ），男，碩士，研究方向?yàn)榧Z油加工與副產(chǎn)物綜合利用。

*通訊作者：王 強(qiáng)（1965— ），男，博士，研究員，研究方向?yàn)榧Z油加工與副產(chǎn)物綜合利用。