只用6个波段，就能测小麦蛋白？奥谱天成高光谱正在提供定制化解决方案

光谱为什么能“看见”蛋白含量？

论文采用近红外高光谱系统（900–1700 nm）采集印度5个主产区621份小麦样本数据，共获得147个有效波段。

研究发现，小麦光谱中存在几个典型吸收区域：

980 nm附近： 水分O-H振动吸收

1200 nm附近： 碳水化合物C-H吸收

1450 nm附近： 蛋白相关N-H、O-H吸收峰

这些波段本质对应蛋白分子内部化学键振动，因此蛋白含量变化会直接反映到光谱响应上。

简单理解：

高光谱看到的不是颜色，而是分子。

每粒小麦都会形成独特“光谱指纹”，通过机器学习即可建立蛋白含量预测模型。

传统高光谱最大问题之一就是：

数据维度太高。

147个波段意味着：

• 数据量巨大

• 运算复杂

• 硬件成本高

• 实时性差

论文创新提出：

RF-GA-SVR混合波长筛选模型

技术路线：

Random Forest（RF） → Genetic Algorithm（GA） → Support Vector Regression（SVR）

流程如下：

第一步：RF粗筛

利用随机森林评估各波段重要性。

论文发现前40个波段已包含绝大部分有效信息，再增加波段收益极小。

第二步：GA精筛

再通过遗传算法进一步优化组合。

最终从147个波段压缩至：

1053 nm

1068 nm

227 nm

1272 nm

1448 nm

1519 nm

这些波段均与蛋白中的N-H、C-H、O-H振动相关。

最终效果：

R² = 0.9790
RMSE = 0.2104

仅使用原始数据约4%的波段数量，却超过全波段模型精度。

这意味着：

未来不一定需要完整高光谱，而可能只需几个波段即可完成检测。

进一步降成本：高光谱向多光谱演进

更有意思的是，作者进一步做了“降维实验”。

原系统分辨率：

5 nm

研究人员通过Spectral Binning进行波段合并，将其降低至：

10 nm分辨率

结果：

预测精度仍保持：

R² = 0.9688；RMSE = 0.2564

说明：

降低光谱分辨率后，核心化学信息依然保留。

这直接带来产业意义：

原本数万美元级高光谱系统，有机会转向：

• 多波段相机

• 小型化设备

• 在线检测系统

• 低成本农业终端

粮食品质检测进入“实时时代”

该研究虽然聚焦小麦蛋白，但技术路线具有很强可迁移性。

类似方法已经逐渐扩展至：

粮食检测

农产品品质

育种与种质筛选

在线工业分选

结合传送带实现：

“边扫描、边识别、边分级”

实现真正实时检测。

未来，高光谱不再局限实验室，而会逐步进入：

粮库、育种站、加工厂、产线现场。

奥谱天成高光谱解决方案

针对农业、种业及粮食品质检测需求，奥谱天成已形成覆盖实验室到无人机平台的高光谱解决方案体系。

可提供：

实验室高光谱检测系统

适用于：

支持VIS-NIR、SWIR等多波段配置。

无人机高光谱系统

适用于：

支持实时数据采集与反演。

定制化多光谱/精选波段系统

结合论文提出的精选波段理念，奥谱天成可根据客户目标指标进行：

特征波段筛选 + 相机定制 + 算法开发

推动高光谱向：

低成本、专用化、产业化

方向发展。

未来，高光谱竞争不只是“波段更多”，而是：

更精准、更便宜、更容易落地。

参考文献

Sharma A. et al. Hybrid wavelength selection technique and spectral binning for wheat protein estimation using hyperspectral imaging. Food Chemistry, 2026.