使用超光谱成像与机器和深度学习回归的米磨质量的非破坏性检测
Zhongjie Tang1, Shanlin Ma2, Hengnian Qi1
1School of Information Engineering, Huzhou University, Huzhou 313000, China.
Foods (Basel, Switzerland)
|June 13, 2025
概括
超光谱成像与机器学习相结合,准确地预测了米的磨砂质量,包括棕米的速度,磨米的速度和头米的速度. 这种非破坏性方法有助于米的育种和质量管理.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 米加工质量指标如米率 (BRR),磨米率 (MRR) 和头米率 (HRR) 对于经济价值至关重要.
- 对这些指标的准确和同时评估对大米行业至关重要.
研究的目的:
- 开发和比较用于估计米加工质量属性的非破坏性方法.
- 评估高光谱成像与各种机器学习算法相结合的有效性,用于预测BRR,MRR和HRR.
主要方法:
- 超光谱成像被用来收集来自两个大米品种的数据.
- 开发了单任务和多任务模型,包括部分最小平方回归 (PLSR),支向量回归 (SVR),卷积神经网络 (CNN) 和逆向传播神经网络 (BPNN).
- 使用夏普利添加式扩展 (SHAP) 分析来解释模型预测.
主要成果:
- 多任务模型通常显示出比单任务模型更高的预测准确度.
- 在单任务学习中,BPNNs在BRR和HRR (r高达0.9) 中实现了高准确度,而SVR在MRR中表现出色.
- 多任务BPNN表现出强的表现,所有三个指标的r值都高于0.81.
结论:
- 超光谱成像与机器学习和深度学习相结合,为评估米加工质量提供了一种有效的非破坏性方法.
- 这些发现支持将这项技术应用于米育种计划和在生长管理期间的质量控制.
