使用与超光谱成像集成的堆叠模型检测小麦糖化功率和蛋白质含量
Yuexiang Huang1, Jianping Tian1, Haili Yang1
1School of Mechanical Engineering, Sichuan University of Science and Engineering, Yibin, China.
Journal of the science of food and agriculture
|January 31, 2024
概括
这项研究开发了一种超光谱成像 (HSI) 和堆叠合体学习 (SEL) 模型,用于小麦的非破坏性分析. 该模型准确地预测了糖化能力和蛋白质含量,这对于中国酒精生产至关重要.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 小麦的质量对于中国的酒生产至关重要,受糖化能力和蛋白质含量的影响.
- 对小麦成分的非破坏性评估对于优化原料比例至关重要.
研究的目的:
- 开发一个精确的预测模型,用于对小麦糖化能力和蛋白质含量进行非破坏性评估.
- 将超光谱成像 (HSI) 与堆叠集体学习 (SEL) 集成,以提高预测准确度.
主要方法:
- 从14种小麦品种中提取了高光谱信息.
- 多倍散射校正 (MSC) 被确定为最优的光谱预处理方法.
- 单个模型 (SVM,BPNN,RF,XGBoost) 和一个SEL模型被开发和比较.
主要成果:
- 经MSC预处理的SEL模型实现了对糖化功率 (Rp2=0.9308) 和蛋白质含量 (Rp2=0.9939) 的高预测精度.
- 该模型证明了两个参数的低根平均平方误差值.
- 在预测准确度方面,SEL模型的表现优于单个机器学习模型.
结论:
- 集成的HSI和SEL模型准确地预测小麦糖化功率和蛋白质含量.
- 这种方法为生产烈酒的原材料进行非破坏性分析提供了重要的实际潜力.
