使用高光谱成像与特征选择算法和多变量回归模型相结合,检测大米中蛋白质和质素含量
Chu Zhang1, Zhongjie Tang1, Xiaojing Tan2
1School of Information Engineering, Huzhou University, Huzhou 313000, China.
Foods (Basel, Switzerland)
|October 16, 2025
概括
超光谱成像使用先进的回归模型和特征选择准确检测米中的蛋白质和谷蛋白含量. 这种非破坏性方法有助于精确评估大米的质量.
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:
- 胺和谷蛋白是米蛋白的主要组成部分.
- 准确的水质量评估依赖于蛋白质含量分析.
- 需要快速,非破坏性的方法来检测蛋白质.
研究的目的:
- 开发一种超光谱成像方法来检测大米中的蛋白质和谷蛋白含量.
- 为了比较不同回归模型和特征选择技术的性能.
- 建立一种可靠的米蛋白分析方法.
主要方法:
- 超光谱成像被用于数据采集.
- 使用SPA,CARS和基于CNN的GradCAM++进行了特征波长选择.
- 使用了包括PLSR,SVR,BPNN和CNN在内的回归模型.
- 用全光谱和选定的特征波长来评估模型性能.
主要成果:
- 逆向传播神经网络 (BPNN) 模型显示了对胺和谷蛋白蛋白的优异预测性能.
- 最佳的BPNN模型实现了两种蛋白质的相关系数 (r) 超过0.8.
- 该研究比较了特征波长与预测模型中的全光谱的有效性.
- 使用GradCAM++通过比较不同的值来优化特征波长选择.
结论:
- 超光谱成像与多变量数据分析相结合是一种可行的方法,用于预测米中的蛋白质和谷蛋白含量.
- 开发的方法为检测不同类型的米蛋白提供了有价值的参考.
- 这种非破坏性技术提高了大米质量评估的准确性.
更多相关视频
05:44Real-Time Detection of Reactive Oxygen Species Production in Immune Response in Rice with a Chemiluminescence Assay
Published on: November 25, 2022
5.1K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
11.1K
