使用高光谱技术与机器学习算法相结合,快速评估小麦中的湿质含量
Yan Lai1, Yan-Yan Li2, Min Sha1,3
1School of Management Science and Engineering, Nanjing University of Finance and Economics, Nanjing 210023, China.
Foods (Basel, Switzerland)
|January 10, 2026
概括
机器学习,特别是随机森林回归,使用超光谱数据准确预测小麦的湿质含量. 优化的可见光谱和近红外光谱显著提高了小麦谷物和面粉的预测准确性.
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:
- 准确和快速的小麦质量评估对食品工业至关重要.
- 评估小麦质量的传统方法,如湿质含量,通常是耗时和劳动密集的.
- 超光谱成像为分析农产品提供了一个有前途的非破坏性技术.
研究的目的:
- 调查各种机器学习算法的性能,以预测小麦的湿质含量.
- 优化超光谱数据预处理技术,以提高预测准确度.
- 建立一种快速而智能化的小麦质量评估方法.
主要方法:
- 从小麦粒和面粉中收集可见和近红外 (Vis-NIR) 超光谱数据.
- 应用并比较了几种机器学习算法,重点关注随机森林回归 (RFR).
- 使用第一导数 (FD) 转换和萨维茨基-戈莱 (SG) 过,优化了光谱数据.
主要成果:
- 随机森林回归 (RFR) 显示了湿质含量的优异预测性能.
- 优化可见光谱 (SG过的FD) 实现了高预测准确度 (谷物r2=0.8579,面粉r2=0.8383).
- 合并的Vis-NIR数据在与RFR和优化技术处理时也显示出强大的预测能力.
结论:
- 优化的高光谱成像与RFR相结合,为小麦质量评估提供了一种高效和准确的方法.
- 这种智能预测方案在食品加工中具有实时质量控制的巨大潜力.
- 该研究强调了机器学习在农产品分析中的有效性.
