
本研究提出一种近红外光谱与机器学习算法结合的大米赭曲霉污染快速检测方法,旨在实现大米中赭曲霉菌落总数的高效定量预测。以接种赭曲霉的大米为研究对象,模拟储藏过程中霉菌侵染,采集不同霉变阶段的漫反射光谱数据,并通过平板计数法测定霉菌总数。为提升光谱数据质量,采用移动平均(moving average,MA)、平滑滤波(Savitzky-Golay,SG)、标准正态变量变换、归一化和一阶导数进行预处理,以减少噪声和散射效应。同时,利用竞争自适应重加权采样、连续投影算法与遗传算法(genetic algorithm,GA)3 种特征提取方法筛选关键波长,进一步优化数据特征。随后,分别采用偏最小二乘回归、卷积神经网络和极限学习机(extreme learning machine,ELM)模型对赭曲霉菌落总数进行定量建模与比较评估。结果表明,MA与SG预处理有效提高了光谱信噪比,增强了模型的预测能力。3 种特征提取算法均成功降低了光谱维度,并有效提取与霉菌总数相关的关键波长。ELM模型在处理非线性和高维光谱数据方面展现出显著优势,其中SG-GA-ELM模型的预测性能最佳(RC2=0.985 8,RP2=0.977 0,校正均方根误差=0.167 2,预测均方根误差=0.203 1),实现了对赭曲霉菌落总数的高精度预测。本研究验证了近红外光谱与机器学习算法结合在大米赭曲霉污染检测中的可行性,为粮食储藏中的霉菌污染提供了新的无损、快速、智能化监测手段。该方法具有在粮食安全监测、仓储管理及在线质量控制领域的广泛应用前景。
2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
电话: 010-87293157
地址: 北京市丰台区洋桥70号
版权所有 @ 2023 中国食品杂志社 京公网安备11010602060050号 京ICP备14033398号-2

