利用特征波段提取及结合机器学习对小米淀粉的高光谱检测研究

作者：王国梁; 赵媛; 刘敏; 郭二虎; 王瑞; 范惠萍; 李瑜辉; 张艾英^*

来源：中国粮油学报, 2023, 1-12.

DOI：10.20048/j.cnki.issn.1003-0174.000625

• 小米淀粉
• 高光谱检测
• 特征波段提取联用
• 机器学习

运用高光谱检测技术实现小米淀粉的快速检测在小米定级、定价及降低加工成本中具有重要意义。本研究基于高光谱检测技术，采用化学计量学及机器学习相关知识对小米直链、支链淀粉含量进行检测，并提出特征波段提取联用预处理方法及Logistic结合COOT（coot optimization algorithm）优化算法。结果表明采用特征波段提取联用算法建立的PLSR（partial least squares regression）模型能够在减少波段冗余情况下不影响模型预测精度，其中直链淀粉较好模型为MSC（multiplicative scatter correction）-RF（random frog）-IRIV（iteratively retains informative variables）-PLSR，支链淀粉较好模型为MSC-CARS（competitive adaptive reweighted sampling）-IRIV-PLSR。为了进一步提高模型预测精度，基于最佳预处理算法结合Logistic-COOT建立BP（back propagation）预测模型能够较好的预测小米直链、支链淀粉的含量，模型评价直链、支链淀粉相关系数（correlation coefficient， R）、均方根误差（root mean squared error， RMSE）、相对分析误差（relative percent deviation，RPD）分别为0.74，1.19，1.51；0.72，5.25，1.40。这一结论能够为小米其他营养成分的高光谱检测及产品分类、定级等提供理论参考。

• 单位
  山西农业大学