大米是我國(guó)主要的糧食作物之一。隨著社會(huì)經(jīng)濟(jì)的發(fā)展,大米的質(zhì)量問(wèn)題逐漸引起了人們的關(guān)注。其中,大米的陳化和摻假是一個(gè)突出的問(wèn)題。傳統(tǒng)的大米鑒別方法主要依賴(lài)于人工經(jīng)驗(yàn)和化學(xué)分析技術(shù),普遍存在分析周期長(zhǎng)、操作復(fù)雜、成本高等問(wèn)題。因此,需繼續(xù)探索更加準(zhǔn)確、快速、穩(wěn)定的大米鑒別方法。

與傳統(tǒng)分析技術(shù)相比,近紅外光譜分析技術(shù)具有諸多優(yōu)點(diǎn),它能在幾分鐘內(nèi),僅通過(guò)對(duì)被測(cè)樣品完成一次近紅外光譜的采集測(cè)量,即可完成其多項(xiàng)性能指標(biāo)的測(cè)定(*多可達(dá)十余項(xiàng)指標(biāo))。光譜測(cè)量時(shí)不需要對(duì)分析樣品進(jìn)行前處理;分析過(guò)程中不消耗其它材料或破壞樣品;分析重現(xiàn)性好、成本低。

因此,在建立大米檢測(cè)模型時(shí),可以基于近紅外光譜數(shù)據(jù)的基礎(chǔ)上采用北方蒼鷹優(yōu)化算法(Northern Goshawk Optimization,NGO)以及對(duì)核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)的兩個(gè)重要參數(shù)進(jìn)行尋優(yōu)并建立模型。

材料與方法

1、材料

實(shí)驗(yàn)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(nóng)場(chǎng)采用五點(diǎn)式隨機(jī)采樣法獲取的五優(yōu)稻4號(hào),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(jì)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(shè)備

TANGO近紅外光譜儀,德國(guó)布魯克(北京)科技有限公司。

3、實(shí)驗(yàn)方法

3.1光譜預(yù)處理

對(duì)原始光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)正態(tài)變量變換(Standard Normal Variate,SNV)預(yù)處理,用于消除顆粒不均等原因產(chǎn)生的噪聲信息,原理為樣品光譜數(shù)據(jù)各波數(shù)點(diǎn)的吸光度符合一定分布,計(jì)算時(shí)將每個(gè)樣品的原始光譜減去理想光譜,再除以標(biāo)準(zhǔn)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(lèi)模型和NGO優(yōu)化后的KELM分類(lèi)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(jì)150份樣本數(shù)據(jù)隨機(jī)按照7∶3的比例分為訓(xùn)練集(105份)和測(cè)試集(45份)。采用訓(xùn)練集和測(cè)試集的預(yù)測(cè)準(zhǔn)確度和F1值作為模型的性能評(píng)價(jià)指標(biāo),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(yōu)化后的KELM回歸模型,對(duì)摻假樣品進(jìn)行摻假量的定性分析,探討KELM模型和NGOKELM模型對(duì)新鮮大米中摻雜陳化大米量的預(yù)測(cè)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(jì)150份樣本按照7∶3的比例隨機(jī)分為訓(xùn)練集(105份)和測(cè)試集(45份)。對(duì)于定量預(yù)測(cè)模型采用決定系數(shù)R²和RMSE作為性能評(píng)價(jià)指標(biāo),并繪制柱狀圖來(lái)反映預(yù)測(cè)結(jié)果。

結(jié)果與分析

1、定性實(shí)驗(yàn)結(jié)果分析

分別建立KELM模型和NGO-KELM模型,對(duì)比二者準(zhǔn)確度和F1值并繪制混淆矩陣從而確定模型的性能,實(shí)驗(yàn)結(jié)果見(jiàn)表1。NGO-KELM模型的訓(xùn)練集和測(cè)試集準(zhǔn)確度與F1值均高于未優(yōu)化的KELM模型(NGO-KELM測(cè)試集的混淆矩陣見(jiàn)圖1),其測(cè)試集準(zhǔn)確度提高約5%,說(shuō)明NGO能有效提高KELM模型的分類(lèi)準(zhǔn)確度。

圖1 NGO-KELM模型在測(cè)試集上的混淆矩陣表1 各模型結(jié)果對(duì)比 

2、定量實(shí)驗(yàn)結(jié)果分析

分別建立KELM模型和NGO-KELM模型進(jìn)行實(shí)驗(yàn)發(fā)現(xiàn),利用NGO優(yōu)化的KELM模型的定量預(yù)測(cè)表現(xiàn)也有顯著的提升,結(jié)果見(jiàn)圖2。

圖2 各模型定量預(yù)測(cè)結(jié)果對(duì)比

NGO-KELM模型測(cè)試集決定系數(shù)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(cè)精度,見(jiàn)表2,該方法顯著優(yōu)于傳統(tǒng)方法。

表2 各模型定量預(yù)測(cè)結(jié)果

3、結(jié)論

基于NGO-KELM實(shí)現(xiàn)了陳化大米的定性鑒別和摻假定量分析。通過(guò)近紅外光譜設(shè)備采集標(biāo)準(zhǔn)樣品的信息,并采用NGO優(yōu)化算法對(duì)KELM模型進(jìn)行了優(yōu)化。建立的模型具有較高的準(zhǔn)確度和穩(wěn)定性,可以有效鑒別陳化大米,同時(shí)能對(duì)其摻假進(jìn)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。