中红外光谱结合机器学习对不同产地平菇鉴别

作者：杨承恩; 苏玲; 冯伟志; 周建宇; 武海巍^*; 袁月明; 王琦^*

来源：光谱学与光谱分析, 2023, 43(02): 577-582.

• 平菇
• 中红外光谱
• 机器学习
• 支持向量机
• 随机森林
• 极限学习机

平菇味道鲜美、营养丰富，深受消费者喜爱。平菇在我国的栽培范围较广，产地分散，每个产地的气候条件、栽培基质、栽培方式的差异，使不同产地生产的平菇在口感、营养价值方面会有不同。为规范平菇产品的市场管理，更为打造区域内特色平菇品牌，借助中红外光谱技术无污染、高效、低成本等特点，突破目前化学分析、生物学鉴别方法的限制，提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。对10个不同产地的平菇子实体进行红外光谱数据采集，每个地区各60份共600份样本。光谱数据经分析表明，在波段530～1 660 cm-1范围内红外光谱的相关性表现出较明显的差异。同时，基于K-S法按照训练集和测试集比例为7∶3对样品划分，得训练集为420份，测试集为180份。采用多元散射校正(MSC),标准正态变量变换(SNV),平滑(SG),一阶导数(FD),二阶导数(SD)等预处理方法进行光谱优化，去除噪声，并结合支持向量机(SVM)进行初步建模对比，得出MSC预处理后光谱数据差异性最大，预测集识别效果最好为84.44%。将MSC光谱数据进行0～1区间的归一化处理，并采用主成分分析(PCA)对其进行降维，选择满足训练集中主成分个数累积贡献率≥85%,且主成分方差百分比≥1%的前7个主成分作为输入变量与支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)进行建模识别比较。实验结果表明，在识别不同产地平菇模型中，SVM模型识别效果最佳，训练集和测试集识别率均为100%; RF模型训练集识别率为100%,测试集识别率略低，为98.89%; ELM模型对比其他模型识别率较差，训练集识别率为99.28%,测试集识别率为98.33%。3种模型的识别率均高于98%,说明采用红外光谱结合机器学习的方法可以简单、快速、低成本的实现对不同产地平菇的鉴别，不仅为平菇产品产地识别提供方法依据，也为其他种类食用菌产品的产地鉴别提供参考。

• 单位
  吉林农业大学