首页|结合太赫兹光谱与机器学习的小麦霉变程度判别

结合太赫兹光谱与机器学习的小麦霉变程度判别

扫码查看
原文链接
  • 万方数据
  • 维普
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.
Detection of Mildew Degree of Wheat Using Terahertz Spectroscopy and Machine Learning

terahertz time-domain spectroscopymoldy wheatspectral preprocessingspectral dimension reductionspectral classification

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

展开 >

西北农林科技大学机械与电子工程学院,陕西杨凌 712100

农业农村部农业物联网重点实验室,陕西杨凌 712100

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

展开 >

太赫兹时域光谱 霉变小麦 光谱预处理 光谱降维 光谱分类

中国博士后科学基金面上项目陕西省自然科学基础研究计划一般项目(青年)陕西省重点研发计划陕西省重点研发计划

2020M6735032021JQ-1452021NY-1692020NY-101

2023

10.7506/spkx1002-6630-20220727-304

食品科学
北京食品科学研究院

食品科学

CSTPCDCSCD北大核心
影响因子：1.327
ISSN：1002-6630
年,卷(期)：2023.44(12)
  • 18