摘要
高品质大米具有更高的营养价值和经济价值。为了高额回报，一些大米掺假、以次充好等现象层出不穷。这些现象会损害消费者的购买权益，破坏大米出口的贸易市场和打击优质大米生产者积极性。为解决这些问题快速准确的鉴别高品质大米种类是至关重要的。同时，对于等待加工成大米或是做种子的稻谷，储藏是非常重要的。储藏的稻谷中含有一定量的淀粉酶，而做种子的稻谷经过萌发后籽粒中淀粉酶活性较高。基于这些差异，探索通过准确测定不同稻谷的淀粉酶活性值判断稻谷的储藏状态。因此，本文主要研究了使用图谱特征和多元分析方法鉴别大米的种类和检测稻谷的淀粉酶活性。主要研究内容如下： （1）利用深度学习方法结合高光谱成像（HSI）鉴别十种优质大米的种类。采用主成分分析网络（PCANet）融合上述特征建立大米种类的分类模型，并使用K近邻（KNN）和随机森林（RF）等机器学习方法进行比较。同时，使用多种预处理方法处理光谱，并用主成分分析（PCA）获取高维特征的主要信息。结果表明，多特征融合提高了识别准确性，PCANet在分类性能方面显示出相当大的优势。光谱和纹理特征的融合使用PCANet建立的大米种类分类模型获得了最佳结果，在预测集上的正确分类率为98.57％。大米的水分也被研究帮助提高大米种类的区分，大米水分的快速无损鉴定是基于偏最小二乘回归（PLSR）模型对大米光谱特征进行分析实现。使用多种预处理方法处理光谱特征，并使用竞争自适应重加权算法（CARS）挑选重要波长。原始的全光谱使用PLSR建模的效果最好（Rp2=0.7979，RMSEP=0.4848）。水分测定结果较差，未能有效帮助提升大米种类的鉴别。总之，基于PCANet对大米的图谱特征建立的分类模型可实现大米种类的准确鉴别。 （2）采集四种稻谷400-2500nm的可见/近红外反射光谱和高光谱图像，利用PLSR和支持向量机回归（SVR）预测稻谷中的淀粉酶活性。利用MSC、SNV、归一化和S-G smoothing预处理光谱，再利用CARS对原始光谱和预处理光谱选择重要波长。实验表明，重要波长创建的预测模型比全光谱创建的效果更好。另外，基于高光谱图像和三种纹理提取方法提取了稻谷的纹理特征，并融合于重要波长的光谱，发现单个纹理方法的特征融入并没有提升淀粉酶活性检测效果。而灰度梯度共生矩阵（GLGCM）和离散小波变换（DWT）组合的融入则提升了预测效果，并融合重要波长的归一化光谱结合PLSR建模获得了最优的预测结果（Rp2=0.8639，RMSEP=0.1668）。可见，稻谷的光谱特征和纹理特征可实现淀粉酶活性的准确检测。 （3）设计开发了稻米种类鉴别和淀粉酶活性检测的分析软件，实现了图像特征的提取、光谱的预处理、特征降维、变量选择以及建模分析等功能。建模分析包括创建分类模型和回归模型。 研究表明，图谱特征与多元分析方法的结合可实现稻米种类的准确鉴别和淀粉酶活性的鉴定。多特征的融合能更准确地描述稻米的性质，同时深度学习的模型分析能力明显优于机器学习，可广泛用于数据的分析中。本文使用方法还可推广应用于其他物质的种类鉴别和内在成分的鉴定。
NETL