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

[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SIN02040,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(Na?ve-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Na?ve-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。