在高光谱技术的PSO-SVM基础上对小麦面粉等级的歧视

科学领域:

• 农业科学 农业科学
• 分析化学是一种分析化学.
• 食品科学 食品科学 食品科学

背景情况:

• 麦粉等级检测对于食品工业至关重要.
• 超光谱成像为食品分析提供了一种非破坏性的方法.
• 准确的小麦面粉分类对于质量控制至关重要.

研究的目的:

• 开发一种快速准确的检测小麦面粉等级的方法.
• 建立用于小麦面粉分类的高光谱分析模型.
• 为了比较不同的预处理和特征选择方法,以获得最佳模型性能.

主要方法:

• 超光谱反射率数据采集 (9682576 nm).
• 预处理技术包括多变量散射校正 (MSC),标准规范变量 (SNV) 和萨维茨基-戈莱 (S-G) 平滑.
• 使用竞争性自适应重量取样 (CARS),连续投影算法 (SPA) 和非信息变量消除 (UVE) 的特征波长提取.
• 使用部分最小平方差分分析 (PLS-DA) 和支持向量机 (SVM) 的模型开发.
• 使用粒子群优化 (PSO) 优化SVM参数 (c,g) 的优化.

主要成果:

• 与线性歧视模型相比,MSC-UVE-CARS-PSO-SVM模型表现出更高的性能.
• 优化的非线性SVM模型在校准和验证集中实现了100%的准确性.
• 特征选择算法有效地减少了光谱数据的复杂性,同时保留了基本信息.

结论:

• 超光谱反射技术与优化的SVM模型相结合,为小麦面粉等级的定性分析提供了有效的工具.
• 开发的MSC-UVE-CARS-PSO-SVM模型显示了食品行业实时,非破坏性质量评估的巨大潜力.
• 这种方法为小麦面粉的分类和质量控制提供了强大而准确的解决方案.