基于近紅外光譜的陳化大米定性鑒別和摻假分析方法
大米是我國主要的糧食作物之一。隨著社會經濟的發展,大米的質量問題逐漸引起了人們的關注。其中,大米的陳化和摻假是一個突出的問題。傳統的大米鑒別方法主要依賴于人工經驗和化學分析技術,普遍存在分析周期長、操作復雜、成本高等問題。因此,需繼續探索更加準確、快速、穩定的大米鑒別方法。
與傳統分析技術相比,近紅外光譜分析技術具有諸多優點,它能在幾分鐘內,僅通過對被測樣品完成一次近紅外光譜的采集測量,即可完成其多項性能指標的測定(*多可達十余項指標)。光譜測量時不需要對分析樣品進行前處理;分析過程中不消耗其它材料或破壞樣品;分析重現性好、成本低。
因此,在建立大米檢測模型時,可以基于近紅外光譜數據的基礎上采用北方蒼鷹優化算法(Northern Goshawk Optimization,NGO)以及對核極限學習機(Kernel Extreme Learning Machine,KELM)的兩個重要參數進行尋優并建立模型。
材料與方法
1、材料
實驗樣品為2017年和2022年水稻成熟后,于黑龍江省建三江市七星農場采用五點式隨機采樣法獲取的五優稻4號,將其脫粒碾磨至精白米后作為研究樣品。其中新大米樣品為2022年收獲大米,摻假大米樣品為將2017年收獲的大米按照不同比例(25%、50%、75%)摻入2022年收獲的大米中,陳化大米樣品為2017年收獲大米。采用高精度電子秤取(5±0.02)g作為一份樣品,共計新大米30份樣品、摻假大米90份樣品、陳化大米30份樣品。
2、儀器與設備
TANGO近紅外光譜儀,德國布魯克(北京)科技有限公司。
3、實驗方法
3.1光譜預處理
對原始光譜數據進行標準正態變量變換(Standard Normal Variate,SNV)預處理,用于消除顆粒不均等原因產生的噪聲信息,原理為樣品光譜數據各波數點的吸光度符合一定分布,計算時將每個樣品的原始光譜減去理想光譜,再除以標準差。SNV公式
3.2 基于NGO-KELM的陳化大米定性鑒別方法
分別建立KELM分類模型和NGO優化后的KELM分類模型。將新鮮大米30份、摻假大米90份以及陳化大米30份共計150份樣本數據隨機按照7∶3的比例分為訓練集(105份)和測試集(45份)。采用訓練集和測試集的預測準確度和F1值作為模型的性能評價指標,并繪制混淆矩陣。
3.3基于NGO-KELM的陳化大米摻假定量分析方法
基于上文定性分析,分別建立KELM回歸模型與NGO優化后的KELM回歸模型,對摻假樣品進行摻假量的定性分析,探討KELM模型和NGOKELM模型對新鮮大米中摻雜陳化大米量的預測能力。將新鮮大米30份(摻假量0%)、摻假大米90份(摻假量25%、50%、75%)、陳化大米30份(摻假量100%)共計150份樣本按照7∶3的比例隨機分為訓練集(105份)和測試集(45份)。對于定量預測模型采用決定系數R2和RMSE作為性能評價指標,并繪制柱狀圖來反映預測結果。
結果與分析
1、定性實驗結果分析
分別建立KELM模型和NGO-KELM模型,對比二者準確度和F1值并繪制混淆矩陣從而確定模型的性能,實驗結果見表1。NGO-KELM模型的訓練集和測試集準確度與F1值均高于未優化的KELM模型(NGO-KELM測試集的混淆矩陣見圖1),其測試集準確度提高約5%,說明NGO能有效提高KELM模型的分類準確度。
圖1 NGO-KELM模型在測試集上的混淆矩陣表1 各模型結果對比
2、定量實驗結果分析
分別建立KELM模型和NGO-KELM模型進行實驗發現,利用NGO優化的KELM模型的定量預測表現也有顯著的提升,結果見圖2。
圖2 各模型定量預測結果對比
NGO-KELM模型測試集決定系數R2和RMSE分別提升了0.0541和0.0233,得到了較理想的摻假率檢測精度,見表2,該方法顯著優于傳統方法。
表2 各模型定量預測結果
3、結論
基于NGO-KELM實現了陳化大米的定性鑒別和摻假定量分析。通過近紅外光譜設備采集標準樣品的信息,并采用NGO優化算法對KELM模型進行了優化。建立的模型具有較高的準確度和穩定性,可以有效鑒別陳化大米,同時能對其摻假進行定量分析,為陳化大米的定性鑒別和摻假定量分析提供了一種新的分析方法。
