小麦质量安全是粮食安全的重要组成部分。传统的小麦霉变籽粒识别检测方法需要复杂的处理步骤, 耗时较长且特征提取能力较差, 易造成图像有效信息的丢失, 导致小麦霉变籽粒识别检测效果不佳。为解决上述问题, 提出了一种基于去噪宽度学习 (D-BLS) 的霉变小麦太赫兹光谱图像识别方法。该方法对传统宽度学习 (BLS) 算法进行了改进, 通过引入去噪卷积神经网络 (DnCNN) 模块, 构建D-BLS霉变小麦分类识别模型, 以增强图像质量, 提高霉变小麦太赫兹光谱图像的识别精度。初步研究表明, D-BLS在识别准确率方面优于传统BLS算法, 识别准确率达到93.13%。进一步使用支持向量机 (SVM)、后向传播神经网络 (BPNN)、卷积神经网络 (CNN) 与D-BLS进行建模对比。研究结果表明, D-BLS网络的分类准确率分别比SVM、BPNN和CNN高出了13.83%、7.79%和3.96%。因此, D-BLS 能够为小麦发霉早期鉴别提供一种新方法。

我国是农业大国, 保障粮食安全是国家发展的战略需要。 农产品检测技术的应用和发展对监控质量, 预防由农产品品质问题引发的安全事故至关重要。 太赫兹(Terahertz, THz)波位于电磁频谱空隙, 频率高于微波而低于红外线, 具备光子能量低、 穿透性好、 能表征分子结构等优点。 基于太赫兹波的光谱检测技术受到研究人员广泛关注, 在生物医学、 安全检查等方面得到应用, 被证明是一种可靠的检测手段。 在农产品应用领域, 太赫兹波特有的非接触、 无标记检测能力为农产品成分分析、 质量控制提供了技术手段, 其良好的穿透性和无损害性, 可以用来在不破坏农产品表面及外包装的前提下, 检测内部成分变化。 与其他光谱(超声、 X射线、 红外等)检测手段相比, 太赫兹波频率范围宽、 表征能力强, 可实现对目标物质的快速无损检测。 近几年, 随着太赫兹发射源、 探测器等设备以及光谱和成像技术的发展, 其在农产品领域的应用有了新的进展。 通过收集整理近期的文献资料, 综述了太赫兹技术在农产品检测方面的应用拓展和研究成果, 总结了目前存在的应用局限。 在此基础上, 对未来太赫兹光谱和图像检测的研究方向进行了展望, 提出提高检测灵敏度和检测速度是农产品领域太赫兹技术产业化应用的研究重点。 在检测系统中引入基于超材料的传感器是提升灵敏度的一种有效手段, 可以突破原有的太赫兹光谱检测极限, 对研究农药残留、 真菌毒素等危害农产品安全的痕量污染物具有重要意义。 在农产品快速成像检测方面, 基于单像素成像和压缩感知理论的太赫兹计算成像技术是提高检测速度的可行方案。 这些研究成果将为后续太赫兹技术的发展提供方向性指导, 对农产品检测领域的应用推广具有重要参考价值。

小麦籽粒作为一种活的生命体, 在正常储藏过程中, 会不断消耗自身的营养物质来维持其生命活动。 随着储藏时间的推移, 小麦籽粒内部各种酶的活性减弱或丧失, 自身呼吸强度逐步降低, 原生质胶体结构松弛, 籽粒的物理和化学状态发生改变, 进而导致其后续食用和加工品质变劣。 因此, 对小麦新陈度的准确判定, 是保证储藏小麦数量和质量的前提, 对指导我国粮食储存具有重要的经济和社会意义。 目前常用的小麦新陈度鉴定方法主要包括感官判定法和各种生化类方法; 前者主要依赖操作者个人的主观经验, 容易受到外界因素的干扰, 可重复性较差, 判定结果因人而异, 只适合作小麦新陈度鉴定的辅助方法。 后者虽然判定精度较高, 但整个检测过程耗时过长, 一般需要对待测样品进行复杂预处理, 且检测过程中用到的多种化学试剂会对环境造成一定的污染。 因此, 迫切需要研究出一套快速、 准确、 绿色的小麦新陈度鉴定方法。 利用生物光子仪器分别测试了5种不同储藏年份小麦样品的生物光子信号, 并结合改进多尺度排列熵算法对2015年—2018年四种小麦样品的光子信号进行特征分析, 最后借助反向传播神经网络对这4种不同储藏年份的小麦进行分类验证。 实验结果表明, 不同储藏年份小麦的自发光子量存在一定的差异, 其中2019年小麦样品产生的光子数量明显高于其他年份的小麦样品, 其余年份小麦样品光子数量的排列熵值随着储藏年限的增加而增大。 对比实验结果显示, 改进多尺度排列熵算法在很大程度上解决了由多尺度排列熵算法引起的信号抖动和突变问题, 可以作为一种明显的特征来标识小麦的新陈度。 最后借助BP神经网络进行分类测试, 输出结果证明新构建的分类模型的准确度可以达到95%, 能够实现对不同年份小麦新陈度的准确鉴别。