引用格式
引用格式：贾文珅, 吕浩林, 张上, 秦英栋, 周巍. 利用便捷式可见-近红外光谱仪和机器学习分辨霉变小麦及霉变程度[J]. 智慧农业(中英文), 2024, 6(1): 89-100.
DOI：10.12133/j.smartag.SA202311032
Citation:JIA Wenshen, LYU Haolin, ZHANG Shang, QIN Yingdong, ZHOU Wei. Using a Portable Visible-near Infrared Spectrometer and Machine Learning to Distinguish and Quantify Mold Contamination in Wheat[J]. Smart Agriculture, 2024, 6(1): 89-100.
DOI：10.12133/j.smartag.SA202311032
官网全文免费阅读
知网阅读
利用便捷式可见-近红外光谱仪和机器学习分辨霉变小麦及霉变程度
贾文珅1，2， 吕浩林1， 张上1*， 秦英栋2， 周巍3
（1.三峡大学 计算机与信息学院，湖北宜昌 443002，中国；2.北京市农林科学院质量标准与检测技术研究所，北京100097，中国；3.河北省食品检验研究院，河北石家庄 050000，中国）
摘要：
［目的/意义］可见-近红外光谱可对小麦霉变情况快速无损检测，但是高分辨率光谱仪价格高、体积大，不利于在农业环境中推广，因此通过对低分辨率光谱数据进行优化处理，以期接近高分辨率光谱仪分辨霉变小麦的效果。
［方法］使用可见-近红外农产品检测仪（型号VNIAPD，分辨率1.6 nm）和复享光纤光谱仪（型号SINO2040，分辨率0.19 nm）采集100份小麦样本的新鲜状态以及不同霉变状态的光谱数据。首先对SINO2040光谱进行裁剪，让其和VNIAPD波长保持一致，均为640~1 050 nm；然后对其使用标准差标准化（Standard Deviation Normalization, SDN）、标准正态变换（Standard Normal Variation, SNV）、均值中心化（Mean Centrality, MC）、一阶导数（First-order Derivatives, 1ST）、Savitzky-Golay平滑（Savitzky-Golay Smoothing, SG）、多元散射校正（Multiple Scattering Correction, MSC）等多种预处理方法处理并使用离群点检测算法（Local Outlier Factor, LOF）筛选出离群点并剔除；其次使用连续投影算法（Sequential Projection Algorithm, SPA）和最小绝对收缩和选择算法（Least Absolute Shrinkage and Selection Operator, LASSO）对预处理后的光谱进行特征波长提取；最后分别采用K近邻算法（K-Nearest Neighbor, KNN）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forests, RF）和朴素贝叶斯（Naïve-Bayes）、后向传播神经网络（Back Propagation Neural Network, BPNN）、深度神经网络（Deep Neural Networks, DNN）6种算法对特征波长光谱进行建模分析，从而分辨霉变小麦以及区分霉变程度。
［结果和讨论］BPNN、DNN两种神经网络模型的测试集准确率均可达到100%，但是建模时间长，模型内存大；而KNN、SVM、RF和Naïve-Bayes浅层模型的测试集准确率为93.18%~100%，建模速度快、模型内存小。本研究光谱仪VNIAPD在光学参数（光学分辨率1.6 nm）低于SINO2040的光学参数（光学分辨率0.19 nm）且成本更低的情况下，检测准确率到达同一水平。
［结论］本研究通过对比光谱数据的不同预处理方法从而找出了对应算法的最佳数据优化选择，使低分辨率光谱仪VNIAPD检测霉变小麦性能可以追平高分辨率光谱仪SINO2040，为基于可见-近红外光谱的小麦霉变低成本无损检测提供了新选择。
关键词： 可见-近红外光谱；小麦霉变；机器学习；无损检测；食品安全；神经网络
文章图片
图1 基于C11708MA-01光电探测器的VNIAPD光谱仪
Fig. 1 VNIAPD spectrometer based on C11708MA-01 photoreceptor
图2 SINO2040光谱仪
Fig. 2 Spectrometer of SINO2040
图3 新鲜小麦及3种不同霉变程度小麦
Fig. 3 Fresh wheat and three levels of moldy wheat
图4 基于可见-近红外光谱检测小麦霉变状态原理示意图
Fig. 4 Diagram of the principle of detecting mould status in wheat based on visible-near infrared spectroscopy
图5 小麦可见-近红外光谱信息构成
Fig. 5 Composition of visible-near infrared spectral information in wheat
图6 Savitzky-Golay平滑选择不同窗口大小的光谱曲线
Fig. 6 Spectral curves for different window sizes selected by Savitzky-Golay smoothing
图7 基于VNIAPD和SINO2040分辨霉变小麦中2种
光谱仪采集的小麦原始光谱
Fig. 7 Two spectrometers based on VNIAPD and SINO2040 to discriminate between mouldy wheat Raw spectra of wheat collected
图8 不同方法预处理后的小麦光谱
Fig. 8 Spectra after pretreatment by different methods
图9 VNIAPD和SINO2040小麦状态主成分分析图
Fig. 9 VNIAPD and SINO2040 wheat status PCA analysis plots
作者简介
贾文珅 副研究员
贾文珅，博士，现任北京市农林科学院副研究员，毕业于吉林大学，获工学博士学位，国家自然科学基金通讯评审专家。主要从事农产品无损检测研究与物联网研发。主持国家自然科学基金，国家重点研发计划课题，北京市留学人员择优资助基金，河北省重点研发课题，北京市农林科学院国际合作项目、农业科技示范推广项目、创新能力建设基金等课题20余项，参与国家科技支撑课题，国家863计划课题，行业(农业)科研专项，国家重点研发计划，北京市科技计划等课题8项。以第一作者/通讯作者发表论文30余篇，授权专利6项（国际专利1项）。以第一完成人，获得河北省科技进步奖2项，获得北京市农业推广奖1项，作为主要完成人获得神农中华科技奖一等奖1项，中国商业联合会科学技术奖特等奖、一等奖各1项，出版著作2部。
推荐阅读
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
