使用FT-NIR光谱和机器学习算法的组合,确定Khao Dawk Mali 105大米的地理来源

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 食品科学 食品科学 食品科学

背景情况:

• 标签错误的Khao Dawk Mali 105米来自非Thung Kula Rong Hai地区,造成了严重的经济威胁和消费者风险.
• 准确的地理来源识别对于打击大米行业的零售欺诈至关重要.

研究的目的:

• 开发和验证一种识别Khao Dawk Mali 105米的地理来源的方法.
• 为此目的,评估富里埃变换近红外 (FT-NIR) 光谱学与化学测量相结合的有效性.

主要方法:

• 从泰国北部和东北部收集了大米样本.
• 获得的近红外 (NIR) 频谱 (800-2500nm).
• 应用了六个机器学习算法 (LDA,PLS-DA,C-SVC,BPNN,PC-NN,KNN) 具有完整和波长选择的数据 (额外树).

主要成果:

• 结合NIRS和机器学习方法可靠地确定了大米的地理来源.
• 在所有模型和波长选择方法中,分类准确度在65%至100%之间.
• FT-NIR光谱学在快速,非破坏性的地理原产地确定方面被证明是有效的.

结论:

• 与机器学习相结合的NIRS提供了一种快速,经济高效和可靠的解决方案,用于验证大米原产地.
• 这种方法可以大大帮助防止欺诈行为,保护消费者.
• 尼尔光谱是一种可行的工具,用于基于地理来源的特定大米品种的非破坏性认证.