基于高光谱成像的大米中蛋白质含量的可视化研究

为了研究大米蛋白质含量在品种和产地之间的差异,将采集的大米按照品种、产地进行分类。将提取的感兴趣区域光谱信息与化学方法测定的蛋白质含量相结合,建立全波长预测模型,通过对比确定最优的模型为偏最小二乘回归(partial least-squares regression,PLSR)。连续投影算法(successive projection algorithm,SPA)筛选特征波段,建立PLSR的特征波长模型,其性能与全波长模型相当。提取特征波长下的高光谱图像,将提取的特征图像上的所有像素点的光谱数据导入已建好的SPA-PLSR模型,预测各像素点的蛋白质含量,并把高光谱灰度图像进行伪彩色处理,得到不同品种产地大米的蛋白质含量分布图。结果表明,利用高光谱成像技术对大米中蛋白质含量分布进行可视化研究具有可行性,为后期筛分大米的产地和品种提供依据。

近红外光谱法对松原不同品种大米的确证探究

该文提出一种对松原不同品种大米进行判别的方法,对来自松原的稻花香、小高粱、通系926、吉粳515、农大521,5个品种共368个大米样品,利用波数范围为12000 cm^-1~4000 cm^-1的傅里叶近红外光谱仪获取光谱数据并对数据进行6种方法的预处理。结果表明,一阶导数结合SG9点平滑为最佳预处理方法,并用偏最小二乘判别(partial least squares discrimination analysis,PLS-DA)方法对校正样本建立判别分析模型,用验证集对模型进行验证,模型对验证集中稻花香、小高粱、通系926、吉粳515、农大521共5个品种的识别率均为100%;且优于主成分分析的结果。用来自柳河和梅河的稻花香样本与松原的稻花香样本进行产地判别,结果显示,此模型可以将松原样本与非松原样本进行判别。

基于高光谱成像技术的梅河大米产地确证因子研究

为探究吉林省梅河大米的产地确证因子,本研究采用空间网格布点法对吉林省梅河口市地理标志大米进行样本采集。通过梅河大米的高光谱信息和蛋白质、直链淀粉、棕榈酸、油酸、亚油酸、脂肪酸含量进行光谱特征波长提取、相关性分析和产地判别。结果表明,梅河大米的理化指标具有明显的产地特征,高光谱九个特征波长TB 1~TB 9(455、515、583、615、621、776、874、923、942 nm)与上述六个指标呈现显著相关性。利用高光谱九个特征波长对梅河大米与柳河县大米进行SPSS判别分析,整体正确率为95%。SIMCA偏最小二乘法建立的模型可以将梅河大米样品与柳河县大米样品进行区分。说明梅河大米高光谱九个特征波长可作为其产地确证因子。

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像(400~1000 nm)作为研究对象,利用多元散射校正(MSC)处理方法对光谱进行预处理。采用多层感知机(MLP)、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析(MDS)方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。

基于机器学习的地标大米掺假鉴别模型研究

为有效鉴别国家地理标志大米(以下简称地标大米)中是否被掺入了普通大米,本研究以大米中矿物元素含量和近红外光谱中级融合数据为基础,建立SVM、Adaboost以及Adaboost-SVM三种机器学习鉴别模型。研究表明:三种模型均有优异的鉴别能力。SVM模型在小比例(2%~6%)鉴别时更优于其他两种模型,准确率达100%。Adaboost模型在最优融合数据集选择方面更有优势。三种模型鉴别的最低检出比可达2%,准确率分别为100%、100%及97.75%。数据融合技术结合机器学习方法可以作为大米掺假精确鉴别的可靠工具,为维护大米市场的健康有序发展提供技术支持。

基于云平台的大米产地确证方法研究

针对大数据背景下地理标志大米产地真伪鉴别的算法模型与实现技术,以大米中矿物质元素含量数据为基础,运用Hadoop分布式集群技术,构建了基于MapReduce的并行化随机森林、支持向量机、人工神经网络与线性判别分析算法模型。结果表明,并行化随机森林模型的判别准确率为97.55%,与相同条件下并行化构建的支持向量机、人工神经网络与线性判别分析模型相比具有更好的产地判别精度,同时依托并行化随机森林模型构建的云平台能获取到较好加速比,不仅能够实现对未知地区大米数据进行准确的产地鉴别,而且能够通过提升数据量或计算节点数,更高效地处理大规模数据。