微型NIRS与机器学习算法相结合,用于非侵入性地量化小麦面粉中的质质量

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 准确评估谷蛋白含量 (干谷蛋白含量,湿谷蛋白含量,谷蛋白指数) 对于小麦面的质量至关重要.
• 传统的质分析方法往往具有破坏性和耗时性.
• 食品行业需要非侵入性技术来快速有效地进行质量控制.

研究的目的:

• 开发和验证一种非侵入性方法,用于对小麦面粉中干性质含量 (DGC),湿性质含量 (WGC) 和质指数 (GI) 的定量评估.
• 将小型近红外光谱 (NIRS) 系统与用于谷蛋白分析的机器学习算法集成.
• 优化波长选择和机器学习模型,以提高预测准确度.

主要方法:

• 使用小型近红外光谱 (NIRS) 系统,在900-1700nm范围内运行.
• 采用了五种不同的机器学习算法,包括支持向量回归 (SVR),以建模光谱数据和质参数之间的关系.
• 应用了五种波长选择技术,并开发了优化的SVR模型,包括一个改进的基于鱼优化算法的SVR (iWOA-SVR).

主要成果:

• 支持向量回归 (SVR) 证明了使用全范围光谱 (Rp = 0.9370-0.9430) 对所有质参数的优异预测性能.
• 使用25-30个选定的波长的优化模型显示了可比的准确性.
• 在优化模型中,iWOA-SVR模型实现了最强的预测能力 (Rp = 0.9190-0.9385),通过外部验证证实了稳定性.

结论:

• 微-NIRS与iWOA-SVR相结合,提供了一种有效的,非破坏性的方法来评估小麦粉质的质量.
• 这种方法为传统方法提供了有价值的替代方案,使质量控制更快,更有效.
• 这些发现支持NIRS技术的扩展,用于开发用于工业应用的便携式专用设备.