基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法(SPXY)进行训练集和测试集的划分,将1000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析(PCA)法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法(SVM)建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。

基于区块链的大米可追溯系统研究

食品安全问题是目前各界关注的重点,所以研发一套可以有效保证食品安全的追溯系统是非常必要的。选取大米作为追溯对象,以AES算法、区块链技术、RFID技术、二维码技术作为主要技术构建了一套大米可追溯系统。依托于该追溯系统,可以实现大米数据在隐私信息保密的情况下追踪溯源,用户还可通过Web端和手机端自主查询大米信息。结果表明,构建的追溯系统能够实现隐私数据保密、透明信息公开、大米供应链可追溯。

基于傅里叶红外光谱技术的大米产地溯源快速判别方法研究

大米的品质受到基因遗传、气候、土壤等影响,不同产地的大米品质不同,为了鉴别大米的产地,应用德国Bruker VERTEX 70傅里叶红外光谱仪采集4个不同产地大米的傅里叶红外光谱,分别经过矢量归一化、一阶导数+13点平滑、一阶导数+13点平滑+矢量归一化、一阶导数+13点平滑+减去一条直线预处理后,建立偏最小二乘判别模型(Partial Least-squares Discrimination Analysis,PLS-DA)。结果表明:经过一阶导数+13点平滑+矢量归一化+PLS-DA处理后的模型识别率为92.29%,该模型对吉林、江苏、辽宁、浙江这4个产地的识别率分别为93.77%、91.24%、100%、75%。为了提高模型的识别率,对全光谱数据进行主成分分析(Principal Component Analysis,PCA)特征提取,建立不同成分特征的K近邻(K Nearest Neighbor,KNN)模型,结果表明:选取PCA前7成分特征作为KNN模型的输入,得到PCA-KNN模型识别率为94.27%,该模型对吉林、江苏、辽宁、浙江这4个产地的识别率分别为94.44%、94.12%、93.75%、93.33%。实验结果表明,利用傅里叶红外光谱技术对大米产地溯源具有一定的可行性。