高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米，该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米，按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统（390～1050 nm）获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域（region of interest, ROI），并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机（support vector machine，SVM）建立全光谱波段下的大米掺假判别模型，径向基（radial basis function，RBF）核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大，该文采用主成分分析方法（principal component analysis，PCA）分别对大米高光谱图像和高光谱数据进行处理，从特征选择和特征提取2个角度对原始高光谱数据进行处理，通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长，通过留一交叉验证法（ leave-one-out cross-validation ， LOOCV ）确定并提取出 PCA 降维后的最优主成分数（ number of principal component，PCs）为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入，建立SVM模型。试验结果表明，基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%，基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明，该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能，且利用高光谱图像技术对大米掺假问题进行检测是可行的。

基于近红外光谱的陈化大米定性鉴别和掺假分析方法

大米是我国主要的粮食之一。近年来将陈大米冒充新大米售卖的现象在市场上层出不穷,严重扰乱了市场秩序。该文基于近红外光谱与机器学习方法相结合,提供了一种陈化大米以及不同程度的混掺大米的定性定量检测方法。研究中将原始近红外光谱数据采用标准正态变量变换预处理后,建立核极限学习机分别用于陈化大米的定性判别和掺假大米的定量分析,其准确度和R^(2)分别达到90%和0.8892。引入北方苍鹰优化算法用于模型的两个重要参数寻优,结果表明北方苍鹰优化算法能有效提高核极限学习机的性能,测试集预测准确度和R^(2)分别提高约5%和0.0541,为陈化大米的定性定量鉴别提供了新方法。

米质感官鉴别

1.看色泽 优质大米呈青白或淡青白色,有光泽,透明或半透明;劣质大米色泽差,无光泽,米粒呈异色、灰白色或黄色;陈大米呈灰白色或黄色,暗淡无光泽。