结合太赫兹光谱与机器学习的小麦霉变程度判别

O433; 为快速、准确地判断小麦籽粒的霉变程度,研究基于太赫兹时域光谱技术,结合支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和极限学习机(extreme learning machine,ELM)的霉变小麦定性分析方法.首先,将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类,利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据.对比采用不同光谱预处理方法对判别结果的影响后,使用主成分分析、线性判别分析(linear discriminant analysis,LDA)、t分布随机近邻嵌入...

Full description

Saved in:
Bibliographic Details
Published in食品科学 Vol. 44; no. 12; pp. 343 - 350
Main Authors 杨承霖, 刘嘉祺, 郭芸成, 徐志远, 张思怡, 姚志凤, 秦立峰, 陈煦, 何东健, 卫亚红
Format Magazine Article
LanguageChinese
Published 农业农村部农业物联网重点实验室,陕西杨凌 712100 2023
陕西省农业信息感知与智能服务重点实验室,陕西杨凌 712100%西北农林科技大学生命科学学院,陕西杨凌 712100
西北农林科技大学机械与电子工程学院,陕西杨凌 712100%西北农林科技大学机械与电子工程学院,陕西杨凌 712100
Subjects
moldy wheat
太赫兹时域光谱
spectral classification
光谱分类
spectral preprocessing
霉变小麦
光谱预处理
光谱降维
spectral dimension reduction
terahertz time-domain spectroscopy
Online AccessGet full text
ISSN1002-6630
DOI10.7506/spkx1002-6630-20220727-304

Cover

More Information
Summary:O433; 为快速、准确地判断小麦籽粒的霉变程度,研究基于太赫兹时域光谱技术,结合支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和极限学习机(extreme learning machine,ELM)的霉变小麦定性分析方法.首先,将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类,利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据.对比采用不同光谱预处理方法对判别结果的影响后,使用主成分分析、线性判别分析(linear discriminant analysis,LDA)、t分布随机近邻嵌入3种方法对光谱数据进行降维,结果表明LDA的降维效果最好.最后,构建基于SVM、RF和ELM的小麦霉变程度判别模型,结果显示SVM的判别效果最好,当核函数选择多项式核、误差惩罚系数为1时,判别准确率高达98.61％,预测集均方根误差值为0.1429.本研究表明利用太赫兹光谱技术可实现小麦霉变程度的准确检测,为食品安全和粮食贮藏检测提供一种检测手段.
ISSN:1002-6630
DOI:10.7506/spkx1002-6630-20220727-304