本研究應用400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。

　　高粱是我國重要的糧食作物之一，因其籽粒中含有豐富的營養物質在釀酒行業有著“好酒離不開紅糧”的精辟論斷，每年需求量高達2000萬t。目前，釀酒高粱品種主要以高淀粉含量的瀘州紅、青殼洋、睿糯7號等糯高粱為主。由于釀酒高粱種類繁多，產地各不相同，籽粒中的淀粉、蛋白質、脂肪和單寧等含量有較大差異，導致釀造出的白酒在香型、風格、品質和產酒率上也有很大的差別。

　　由此可見，在高粱原材料分批入庫前準確高效地對高粱品種進行鑒別，對釀造過程中泡糧時間、用水量、蒸糧時間等生產工藝控制，對產出優質白酒具有十分重要的指導意義。傳統的鑒別方式主要有人工經驗判別和生物抽樣檢測，前者易受主觀影響，效率低，難以形成統一的標準，后者操作繁瑣、費時費力，兩者都無法滿足現代白酒企業對釀酒原料高粱的鑒別需求，因此急需尋找一種快速、準確且簡便的高粱品種分類檢測方法。本研究的目標是結合光譜信息和圖像信息對11 個高粱品種進行分類，同時通過比較及外部驗證優化高光譜技術結合機器學習方法鑒別不同高粱品種，以提高其在應用過程中的準確性和效率。

　　11類高粱共計550個樣本的原始光譜曲線和MSC預處理后的光譜曲線如圖1所示，每個顏色代表不同的類別。

　　本文基于高光譜技術光譜和圖像信息結合的方法對11個品種的高粱進行識別研究。采集高粱的高光譜圖像，使用SPA算法從MSC預處理后光譜中篩選出48個特征波長，再提取圖像的紋理特征，分別基于紋理特征、全光譜、特征光譜及其結合圖像信息分別建立了SVM、PLS-DA和ELM分類模型，最后使用未參與建模的數據進行外部驗證。結果表明，使用特征光譜結合紋理特征建立的SVM分類模型效果最佳，測試集的正確識別率為95.3%，驗證集的精度達到91.8%，可見光譜和圖像結合的方法可以有效實現釀酒高粱的快速識別，且提高了模型的識別精度，這為不同釀酒原料的檢測和釀酒自動化的實現提供了理論基礎。