结合太赫兹光谱与机器学习的小麦霉变程度判别

作者：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

来源：食品科学, 2022, 1-12.

• 太赫兹时域光谱
• 霉变小麦
• 光谱预处理
• 光谱降维
• 光谱分类

小麦作为重要的储备粮之一，在存储过程中极易受到霉菌侵染，直接影响存储质量，危害食用者健康。传统的霉变检测方法往往基于化学分析法，其检测过程相对繁琐，反应时间长。为快速、准确地判断小麦籽粒的霉变程度，本文研究了基于太赫兹时域光谱（terahertz time-domain spectrum，THZ-TDS）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四类，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（principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）、t分布随机近邻嵌入（t-distribution random neighbor embedding，t-SNE）等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%，RMSE值为0.0717。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。

• 单位
  生命科学学院; 电子工程学院; 西北农林科技大学