大米是重要的粮食作物，我国既是大米的生产大国，也是消费大国。当前，我国粮食储备以原粮储藏为主，以成品粮为辅。近年来，随着粮食安全问题形势的变化，成品粮储藏正逐步成为粮食储备的重要方向，其中成品大米最为常见。水分含量是影响大米储藏过程品质变化的主要因素之一。适宜的水分含量有助于维持其自身品质，而过高的水分含量可促进微生物生长繁殖，导致品质下降甚至引发霉变。大米在生产加工过程中，由于机械损伤作用使得脂类物质易发生氧化反应，产生过氧化物和次级氧化产物，同时伴随水解反应生成脂肪酸和甘油，这些反应将共同导致脂肪酸败，影响大米的最终品质属性。因此，脂肪酸值常作为评判大米品质是否发生霉变的关键指标之一。另一方面，除上述氧化与水解反应外，微生物也可利用大米中的营养成分进行生长繁殖，引发微生物污染，并可能伴有有毒有害物质的产生（如霉菌毒素等），从而引发大米安全问题。因此，生化指标在一定程度上也能够反映大米的储藏品质，其中霉菌菌落总数是监控微生物生长的关键指标之一。此外，这些因素之间也存在协同作用，如水分含量不仅影响大米自身品质的稳定性，还可为微生物繁殖创造条件；同时，由机械损伤引发的脂类水解与氧化反应也会进一步加速脂肪酸败的进程。因此，动态监测大米霉变过程中多个理化、生化指标的变化有助于大米储藏过程品质变化的全面、准确评判。
常规的大米品质检测方法主要包括高效液相色谱法、分光光度法以及酶联免疫吸附测定法等。然而，这类方法存在特异性差、检测繁琐、分析周期长、损耗样品等缺点，且单一理化指标无法准确评估大米品质变化。光谱技术具有检测速度快、灵敏度高、无须进行复杂前处理，以及可同时实现多组分定量分析的优势，使其成为当前食品无损检测领域的研究热点。其中，近红外光谱（NIR）和傅里叶变换红外光谱（FTIR）应用研究最为广泛。NIR技术通过探测样品中有机成分化学键（如C—H、O—H、N—H等）的振动变化，间接反映样品中成分含量的变化。FTIR技术则通过检测化合物中官能团的特征振动，实现物质成分与结构的定性定量分析。然而，光谱数据通常表现出复杂的高维特征，并存在多变量共线性问题，同时可能受到样品异质性、散射效应、仪器噪声和环境变化的影响。而化学计量学方法的引入可有效克服上述缺点，为快速无损检测及流程优化提供鲁棒性解决方案。
目前，NIR与FTIR技术结合化学计量学方法已被广泛应用于食品霉变阶段判别、产地与品种识别、掺假检测与品质分级等多个领域，证实了光谱技术在食品品质快速无损判别中的可行性与潜力。尽管NIR和FTIR各自均有独特的优势，但样品特征的高特异性使得单一光谱数据源存在测量或表征局限，约束了单一技术的应用潜力。为了解决这一问题，研究发现通过光谱融合技术可整合多源光谱信息的互补性，能够更全面地解析样本特征，进而提升模型性能。刘宇强等利用激光诱导击穿光谱与NIR结合中级数据融合策略，优化了特征波长提取方法，并应用偏最小二乘判别分析（PLS-DA）模型进行了黄芪产地鉴别；赵玉霞等利用紫外-可见光谱与NIR结合主成分分析进行特征提取，优化了多光谱数据融合层级，并应用多种集成模型实现了青稞酒品质分级判别；苏俊宇等利用NIR与FTIR结合数据融合策略，优化了特征变量提取方法，并应用PLS-DA模型进行了铁皮石斛的地理溯源。上述研究均取得了良好的结果，但这些工作大多侧重于静态属性（如产地、品种）的区分，所采用的融合策略（如简单数据拼接）对早期大米霉变过程中渐进的、非线性的特征变化捕捉能力仍显不足。因此，广西科技大学生物与化学工程学院的张圆浩、闫海阳、陈通*等人研究联合采用NIR与FTIR技术，结合理化、生化指标研究大米霉变过程组分含量与结构变化，利用不同数据融合方法进行多源光谱信息融合，并借助化学计量学方法实现大米储藏过程霉变阶段品质的判别，以期开发一种快速、准确、可靠的大米霉变过程阶段品质分析方法，为大米储藏品质与安全监测提供一种技术手段。
01
理化与生化指标分析
由图1a可知，大米水分含量在储藏过程中呈现阶段性变化趋势。0～1 d期间，水分含量迅速上升，可能是由于初期大米与环境湿度差异较大，导致吸湿速率较大；2～6 d期间，水分含量表现为小幅波动，推测为大米与环境湿度之间逐步建立动态平衡，同时表面水分蒸发造成轻微流失；7～20 d期间，水分含量相对稳定，处于动态平衡状态；21～30 d期间，水分含量明显上升，可能受高温高湿条件及微生物代谢共同影响，从而导致大米水分含量的增加；在31～33 d内，水分含量出现下降趋势，可能是高温条件加速了水分向环境的扩散，同时微生物呼吸作用增强消耗了部分水分，导致整体水分含量降低。
由图1b可知，大米的脂肪酸值总体呈上升趋势，原因可能是在高温高湿条件下大米脂肪逐渐分解，产生游离脂肪酸，导致大米脂肪酸值上升。32～33 d期间，脂肪酸值出现明显下降，可能是随着储藏时间的延长，游离脂肪酸分解速度大于脂质氧化分解速度，以及微生物生长代谢的综合作用，导致脂肪酸值急剧下降。一方面，同一时期的水分含量大幅下降会抑制脂类水解反应，减少新的游离脂肪酸生成；另一方面，部分微生物可将游离脂肪酸作为碳源进行生长代谢，最终导致脂肪酸值呈下降趋势。
霉菌生长一般分为3 个阶段：滞后期、指数期和稳定期。如图1c所示，在0～29 d期间，霉菌处于生长的滞后期，大米样品的菌落总数接近于0 CFU/g，自身水分活度尚未达到霉菌最适生长水平，使其在前期仍处于滞后期，生长速度较为缓慢；随着储藏时间延长，在30～33 d，霉菌开始进入指数增长阶段，菌落总数激增，其中第31、32天增速尤为明显，这一变化趋势与水分含量和脂肪酸值的阶段性波动相呼应，表明大米霉变过程具有明显的阶段特征。
02
聚类分析
由2.1节可知，已有的理化指标与微生物指标随着霉变过程的进行存在一定的变化规律，但整体过程未见有明显的阶段性变化。因此，为进一步研究大米霉变过程是否具有阶段性以实现霉变早期的识别，以大米样品的理化生化指标为变量，采用组间平均联接法，以欧氏距离为量度进行系统聚类分析。为筛选出最佳聚类数量（即K值），采用凝聚层次聚类中的质心链接策略，根据中位数距离计算轮廓系数最大化原则确定最优聚类数。轮廓系数衡量了样本与其自身所在簇的相似度与其他簇的分离度之间的比率，其值在-1～1之间，值越大表示聚类效果越好。多指标聚类结果如图2所示，当K＝3时，轮廓系数值达到最大（0.693），最优聚类数量为3（图2a）。当欧氏距离为7时（图2b中红色虚线），大米霉变过程可划分为3 个阶段。其中，0～11 d为霉变早期，12～20 d为霉变中期，21～33 d为霉变后期，且各个阶段储藏时间连续。
与2.1节结果对比可以发现，两者在霉变阶段划分上具有一定的关联性。基于菌落总数可将大米霉变过程划分为滞后期（0～29 d）和指数期（30～33 d）；而综合水分含量、脂肪酸值及菌落总数，通过系统聚类分析将霉变过程进一步划分为霉变早期（0～11 d）、中期（12～20 d）和后期（21～33 d）。对比可知，聚类得到的3 个阶段对应并细化了菌落总数的滞后期（0～29 d）阶段，表明在霉菌数量尚未出现显著增长之前，大米霉变过程引发的理化性质差异已逐步累积。这一结果从侧面验证了采用多源理化与生化指标进行聚类分析用于大米霉变早期阶段识别的合理性与必要性。由此可见，大米霉变过程的品质变化存在一定的阶段性，这为实现大米储藏过程霉变早期阶段的识别提供了支撑。
03
光谱分析
为进行清晰直观的对比分析，从上述聚类分析结果中的3 个阶段每间隔6 d选取两条光谱曲线以代表该阶段的光谱信息，同时对原始图谱进行SG平滑和基线校正，以形成对比图谱。图3a为大米在霉变过程中的NIR图谱，波长在900～1 700 nm范围内存在共有特征峰，吸收峰的位置与形状相似且无明显其他新峰产生，但吸光度随着霉变过程的延长而增加。NIR中的吸收峰主要来源于氢键的合频与倍频吸收。在波长为1 200 nm处的吸收峰主要对应脂肪族C—H伸缩振动的高次倍频吸收，可能与大米中脂类化合物（如脂肪酸）含量变化有关。随着霉变进程推进，1 200 nm处峰的吸光度上升，表明大米中C—H 官能团对应化合物的相对含量增加，这一现象与脂肪酸值整体上升的趋势相一致。1 460 nm处的吸收峰则归属于O—H伸缩振动的第一倍频吸收，主要反映水分含量变化，同时也可能与淀粉含量有联系。
大米在霉变过程中的原始红外光谱变化如图3b所示，在波数为3 421、2 927、1 650、1 156、1 075、1 014、931、853、759、575 cm-1处有典型的红外吸收峰，其峰形和峰位相似。3 421 cm-1处的吸收峰为O—H和N—H的伸缩振动，可能与水、醇类、酚类、酰胺类等含O—H或N—H键化合物有关。结合前期菌落总数变化结果可知，该处吸收峰的变化不仅反映了霉变大米中水分含量的变化，还可能与微生物在繁殖过程中对蛋白质和多糖等大分子的分解利用相关，这些代谢过程会产生多肽、氨基酸及多种含羟基的降解产物，从而影响该区域的吸收强度。2 927 cm-1处的吸收峰为C—H伸缩振动吸收峰；1 650 cm-1处的吸收峰由肽键中C＝O键的拉伸振动产生，其与蛋白质的存在有关；1 075 cm-1和1 014 cm-1处的强吸收峰主要来源于碳水化合物中C—O 键的伸缩振动以及吡喃糖环的C—O—C骨架振动；931 cm-1的吸收峰由C—H键的面外弯曲振动产生，主要与碳氢骨架结构相关，随着霉变过程的进行，微生物代谢、脂质氧化及脂类水解等可能引起该峰强度变化；853 cm-1处的吸收峰可归属于—CH2基团的摇摆振动，该振动常与脂肪酸和甘油三酯中的亚甲基链段相关，其强度变化可能为甘油三酯水解和游离脂肪酸的氧化分解；759 cm-1处的吸收峰源于C—C键的伸缩振动，该信号与碳骨架结构的完整性相关，该区域吸收强度降低则反映碳骨架整体完整性受损；575 cm-1处的吸收峰是C—O—C、C—C骨架的环外弯曲或骨架变形振动，与α-糖苷键多糖有关，因而与大米中淀粉及细胞壁多糖（如纤维素、半纤维素）密切相关。综上所述，大米在霉变过程中部分特征峰的吸收有所差异，可间接反映大米霉变过程组分的变化，但大部分峰形相似，且存在光谱重叠现象，难以通过图谱直观地进行霉变阶段的识别。因此，需要借助化学计量学方法对光谱数据进行更深入的挖掘分析。
04
光谱预处理方法筛选
通过对比分析5 种预处理方法，将102 条光谱样本经K-S算法按照7∶3的比例划分为训练集（71 个样本）和测试集（31 个样本），其中划分过程设置了固定的随机种子以确保结果的可重现性。经评估，原始数据的主要干扰为基线漂移与随机噪声，所选预处理方法已能有效抑制此类干扰并保留关键谱带特征，而多种预处理方法叠加虽可能进一步抑制噪声干扰，但易导致与早期霉变相关的微弱生化信号被过度削弱，故本研究仅选用单一预处理方法。随后，分别使用PLS-DA与SVC构建定性模型，并基于评估指标筛选出最佳预处理方式，结果如表1 所示。对于NIR，经过D2预处理后，PLS-DA和SVC模型的测试集准确率和F1分数均优于其他预处理方式，而基于原始光谱建立的PLS-DA模型测试集的准确率和F1分数分别为77.4%和77.2%，性能较为一般；经过D2预处理后，测试集的准确率和F1分数均能提升到87.1%。相较于原始光谱，经D2预处理后SVC模型测试集性能提升效果最为明显，准确率从74.5%提升到90.3%，F1分数从74.3%提升到90.2%。为了直观地评估SVC模型在霉变阶段判别中的具体表现，图4a展示了经D2预处理后SVC模型在测试集上的混淆矩阵。经过D2预处理后的测试集中大米霉变阶段的正确识别数量为28 个，有3 个样品识别错误，准确率约为90.3%。FTIR方面，经D1预处理后的PLS-DA判别模型性能有轻微改善，而SG平滑预处理能够将SVC模型性能进一步提升，测试集准确率和F1分数均提升到了93.5%。由图4b可以看出，对大米霉变阶段的正确识别数量为29 个，仅有2 个样品识别错误。另一方面，SNV与MSC预处理后模型性能均低于未经预处理组，这可能源于两种方法对基线漂移的过度校正而扭曲了原始光谱特征，进而削弱关键官能团信号或放大噪声，导致模型性能下降。综上表明，NIR结合D2预处理方法在两种建模方法中均能提升模型性能，而FTIR结合D2预处理更适用于PLS-DA模型，SG平滑则能够提升SVC模型性能。
05
特征波长筛选与模型构建
选用不同特征提取方法进行特征波长筛选，并采用PLS方法构建模型，以预测集的准确率和F1分数为筛选标准，分别从NIR与FTIR中选取具有代表性的特征波长，结果如图5所示。CARS算法筛选的特征波长数量较多，涵盖的光谱信息较为全面，而SPA算法则筛选了一组更加精简的特征波长。如图5a、b所示，通过特征波长筛选，能够从数据层面有效提取关键光谱信息，与全光谱相比，波长筛选方法的使用能够在减少信息冗余的同时，更好地揭示谱图中与霉变相关的特征区域。在不同特征提取方法下，NIR和FTIR的重合波长分别如图5c、d所示，在NIR区域，特征波长主要集中分布在3 个区间：900～1 200、1 280～1 350 nm以及1 400～1 700 nm。其中，900～1 200 nm区间包含了900、988、1 028、1 044、1 060、1 124、1 140、1 148 nm等波长点，该区域主要与C—H、O—H等基团的合频和二级倍频有关；1 280～1 350 nm区间包含了1 284、1 348 nm等波长点，主要与C—H基团相关；1 400～1 700 nm区间波长点分布最为密集，包含1 412、1 428、1 468、1 484、1 508、1 516、1 540、1 556、1 564、1 572、1 580、1 604、1 620、1 636 、1 660、1 668 nm等多个波长点，该区域主要与N—H、O—H基团的一级倍频有关。其中，1 060 nm对应碳水化合物的C—H二级倍频，1 540 nm为蛋白质的N—H一级倍频，1 468 nm波长点与O—H基团相关。在FTIR中，特征波数主要分布在3 个特征区域：1 400～2 600、2 700～3 500 cm-1以及3 600～4 000 cm-1。 1 400～2 600 cm-1区间包含1 404、1 868、2 034、2 096、2 258、2 341、2 347、2 349、2 407、2 457、2 574 cm-1等波数点，该区域主要包含C＝O、C≡N等基团的伸缩振动信息；2 700～3 500 cm-1区间包含2 742、3 419 cm-1等波数点，主要与C—H、O—H、N—H等基团的伸缩振动相关；3 600～4 000 cm-1区间包含3 699、3 909、3 911 cm-1等波数点，主要反映自由O—H的伸缩振动。这些特征波数的筛选有效弥补了原始图谱中1 650～2 927 cm-1波段间特征信息的不足，为后续建立稳健的定性模型提供了重要基础。
依据最优预处理方法，在单一光谱霉变阶段的判别中SVC模型优于PLS-DA模型。因此，在SVC模型基础上分别采用CARS、UVE和SPA 3 种特征选择方法，对原始光谱变量进行筛选，并构建新模型，结果如表2所示。通过CARS和UVE特征变量筛选后，在NIR数据中判别模型性能均得到提升，经CARS筛选后测试集准确率和F1分数均为96.8%，而经UVE筛选后测试集准确率和F1分数均为93.5%，上述结果表明，特征提取方法的引入增强了NIR对大米霉变阶段的判别能力。另一方面，FTIR数据经CARS与UVE处理后模型性能并未改善，甚至略有下降，其原因可能是FTIR本身存在较强的噪声干扰与基线漂移，影响了特征选择算法对代表性变量的提取。相比之下，SPA方法在两类光谱中的表现均不理想，对应的预测集准确率与F1分数均低于原始全波段模型。这可能是因为SPA仅依据光谱矩阵的线性结构进行变量筛选，未引入分类信息指导，使得所提取的特征与分类标签之间存在较弱的相关性。尤其在样本类别由多个弱吸收峰组合形成判别边界的场景下，SPA所得“数学最优子集”往往偏离“化学显著特征”，削弱了模型的判别能力与泛化性能。综上可知，3 种特征提取方法在建模过程中均有优异的表现，单一光谱经特征提取后较无处理可明显减少过拟合现象的发生，经过特征提取方法后的定性判别准确率均大于85%，但在模型性能上仍有待进一步提高。
06
大米样品光谱融合分析
为进一步提升模型性能，采用数据集融合策略进行模型构建，数据集融合的判别结果如表3、图6所示。由表3可知，尽管两个光谱在表征样本属性时存在特征互补性，但在PLS-DA与SVC判别模型中整体准确率和F1分数均为96.8%，结合图6a、b可知，样品误判个数均为1，表现出较高的准确性，但低于单一NIR或FTIR模型性能（准确率范围为87.1%～96.8%），这可能是源于FTIR中存在大量冗余变量，采用直接融合方式容易引入噪声干扰，同时全光谱融合阻碍了光谱技术在多光谱融合策略中的协同效应。依据筛选后的特征变量，采用特征级融合策略构建定性模型进行对比，结果如表3所示。经CARS处理后测试集中SVC模型准确率以及F1分数均为100%，结合图6d可知，特征级融合后SVC模型的样品误判个数为0。综上可知，特征级融合策略能够有效结合NIR与FTIR的特征光谱信息，避免冗余信息干扰，进一步提高模型的准确性和稳定性。未来研究可通过调整SPA以及对比更多非线性模型，以实现大米储藏过程霉变阶段的稳定、高效判别。
07
结 论
本研究通过分析大米霉变过程中水分含量、脂肪酸值与菌落总数的变化规律，以其聚类结果划分大米霉变阶段，并借助多源红外光谱融合技术与化学计量学方法实现大米霉变早期阶段的快速、无损判别。通过系统对比单一光谱技术、数据集和特征级的数据融合策略，发现特征提取后的FTIR在霉变阶段判别中表现最优，准确率与F1分数均达到93.5%；进一步引入特征波长特征级融合策略后，模型性能显著提升，准确率与F1分数可达100%。然而，本研究样本量有限且来源单一，可能影响模型的泛化能力。此外，模型的稳定性和适应性尚需进行外部数据集检验，未来可通过扩大样本量并结合在线监测系统，实现大米霉变的实时动态检测。综上表明，NIR与FTIR技术通过特征级融合策略能够高效、无损地实现大米早期霉变阶段的识别与品质监测，为霉变早期鉴定及贮藏品质动态监控提供了新的分析方法。
引文格式：
张圆浩, 闫海阳, 韦紫玉, 等. 基于多源光谱信息融合的大米储藏过程早期霉变阶段判别[J]. 食品科学, 2026, 47(9): 324-332. DOI:10.7506/spkx1002-6630-20251111-079.
ZHANG Yuanhao, YAN Haiyang, WEI Ziyu, et al. Discrimination of early mold deterioration stages in rice during storage based on multi-source spectral information fusion[J]. Food Science, 2026, 47(9): 324-332. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251111-079.
实习编辑：刘芯；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网
为对标农业农村部2035年科技规划及“十四五”“十五五”发展方向，推动农产品加工与储运的工程化、智能化、绿色化升级，由湖南省农业科学院、湖南农业大学、北京食品科学研究院、国际食品科技联盟（IUFoST）、中国农业大学、岳麓山工业创新中心主办，湖南大学、中南林业科技大学、长沙理工大学、湖南中医药大学、湘潭大学、岳麓山实验室协办，中国食品杂志社、洞庭实验室、湖南省食品科学技术学会、湖南省农产品加工与质量安全研究所、湖南农业大学食品科学技术学院、Springer Nature-《Agricultural Products Processing and Storage》杂志承办的“第二届农产品加工与食品制造国际学术研讨会—创新引领绿色智造，AI赋能科技进步”，将于2026年9月19-20日（9月18日会议报到）在中国 湖南 长沙召开。
长按或微信扫码进行注册
北京食品科学研究院、中国食品杂志社和全国糖酒会组委会将于2026年10月15-17日在江苏省南京市南京国际博览中心举办第115届全国糖酒会食品科技成果交流会。食品科技成果交流会期间举办食品科技成果展，本届科技成果展以我国当前食品产业科技需求为导向，重点邀请“十四五”以来获得国家和省部级重要科研项目支持产出的食品科技新成果、新技术、新产品参展，并针对企业技术需要开展精准对接服务。扫描下方二维码即可申请展位。
为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康国际研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。
长按或微信扫码进行注册
会议招商招展
联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）
热门跟贴