小麦蛋白质含量直接影响面粉的加工品质与经济价值。传统凯氏定氮法虽准确，但耗时且会破坏样品，难以满足快速检测需求。近红外高光谱成像为蛋白质无损估算提供了新方法，但海量波段也带来了较高的数据处理和设备成本。因此，如何筛选少量关键波长，在简化模型与硬件的同时保持估算精度，成为推动该技术实际应用的关键。
针对这一问题，印度科学与创新研究院与澳大利亚皇家墨尔本理工大学联合团队利用高光谱成像技术，结合混合波长筛选与光谱分箱方法，从147个波长中锁定6个关键波长，实现了小麦蛋白质含量的准确估算，相关成果发表于《Food Chemistry》。
图1.实验流程：数据处理、光谱预处理、波长选择、光谱分箱及模型构建。
实验设计
研究团队采集了2021至2022年度印度5个小麦主产区的621份样本，蛋白含量覆盖9.5%至17.25%的宽幅范围。采用Resonon Pika NIR-320高光谱成像仪获取光谱数据，每份样本对应147个有效波长；
主要光谱参数：
光谱范围：900～1700 nm；
采样间隔：4.9 nm；
空间像素：320；
采集系统配备4盏卤素灯，并置于暗室环境中，以减少外界杂散光干扰。原始图像分别通过白板和暗电流参考图像进行反射率校准；图像采集后，使用凯氏定氮法测定样品中的总蛋白质含量；
图像处理：研究利用1088.1 nm波段建立二值掩膜，将小麦籽粒与背景分离并提取平均光谱；随后通过滤波和多种光谱预处理，降低噪声、表面纹理及光散射的影响；
模型比较：研究比较了PLSR、SVR、ANN、CNN和Transformer五类模型，并将621份样品按8∶2划分为训练集和测试集，采用5折交叉验证优化模型；
波长筛选：利用RF对所有147个波长进行重要性排序，保留前40个信息量最丰富的波长作为候选集。将GA与SVR结合，对40个候选波长进一步迭代寻优，最终锁定最优的6个波长；
光谱分箱：通过光谱分箱（Spectral Binning）将原始5 nm分辨率降低至10nm和15 nm，模拟低分辨率成像设备的表现，检验模型的鲁棒性；
图2.小麦样品的光谱特征。
图3.展示RF-GA-SVR模型 (a) 整体性能和 (b) 各地点性能的散点图。
图4.由RF-GA-SVR选定的波长。
图5.不同波长筛选数量下RF-GA-SVR模型的性能评估。
图6.展示RF-GA-SVR模型在分箱光谱上的 (a) 整体性能和 (b) 各位置性能的散点图。
核心结果
基于147个完整波长，SG2-SVR模型已实现较高的蛋白质估算精度（R²=0.9626，RMSE=0.2806）。在此基础上，RF-GA-SVR模型仅使用6个关键波长、约占原始波段的4%，便将R²提升至0.9790，RMSE降至0.2104，RPD达到6.90，整体表现优于完整光谱模型。经过400次遗传算法重复验证，关键波长筛选结果保持稳定，且与蛋白质相关化学键的近红外吸收特征相吻合。将光谱分辨率由5 nm降至10 nm后，模型仍保持较高精度（R²=0.9688），为简化检测系统及开发低成本多光谱设备提供了依据；
结语
这项研究表明，基于Resonon的高光谱成像获取的精细光谱信息，即使将147个波长精简至6个，仍可准确估算完整小麦籽粒的蛋白质含量，降低光谱分辨率后模型也保持了较高精度。这项研究不仅为小麦育种、分级和加工质控中的快速无损检测提供了新方法，也说明高光谱成像可用于发现关键波段，为低成本多光谱设备及在线检测系统的开发提供数据基础和技术依据。
发表期刊：Food Chemistry【影响因子：10.4】
研究单位：创新研究学院（印度CSIR旗下）、皇家墨尔本理工大学等
样本来源：印度五个小麦种植区：Ludhiana, Karnal, Dharwad, Indore, Jaipur
使用设备：Resonon Pika NIR-320高光谱成像仪（现型号：Pika IR）
DOI：https://doi.org/10.1016/j.foodchem.2026.148909