与传统分析技术相比,近红外光谱分析技术具有诸多优点,它能在几分钟内,仅通过对被测样品完成一次近红外光谱的采集测量,即可完成其多项性能指标的测定(最多可达十余项指标)。光谱测量时不需要对分析样品进行前处理;分析过程中不消耗其它材料或破坏样品;分析重现性好、成本低。
因此,在建立大米检测模型时,可以基于近红外光谱数据的基础上采用北方苍鹰优化算法(northern goshawk optimization,ngo)以及对核极限学习机(kernel extreme learning machine,kelm)的两个重要参数进行寻优并建立模型。
材料与方法
1、材料实验样品为2017年和2022年水稻成熟后,于黑龙江省建三江市七星农场采用五点式随机采样法获取的五优稻4号,将其脱粒碾磨至精白米后作为研究样品。其中新大米样品为2022年收获大米,掺假大米样品为将2017年收获的大米按照不同比例(25%、50%、75%)掺入2022年收获的大米中,陈化大米样品为2017年收获大米。采用高精度电子秤取(5±0.02)g作为一份样品,共计新大米30份样品、掺假大米90份样品、陈化大米30份样品。
2、仪器与设备
tango近红外光谱仪,德国布鲁克(北京)科技有限公司。
3、实验方法
3.1光谱预处理
对原始光谱数据进行标准正态变量变换(standard normal variate,snv)预处理,用于消除颗粒不均等原因产生的噪声信息,原理为样品光谱数据各波数点的吸光度符合一定分布,计算时将每个样品的原始光谱减去理想光谱,再除以标准差。snv公式为
3.2基于ngo-kelm的陈化大米定性鉴别方法
分别建立kelm分类模型和ngo优化后的kelm分类模型。将新鲜大米30份、掺假大米90份以及陈化大米30份共计150份样本数据随机按照7∶3的比例分为训练集(105份)和测试集(45份)。采用训练集和测试集的预测准确度和f1值作为模型的性能评价指标,并绘制混淆矩阵。
3.3基于ngo-kelm的陈化大米掺假定量分析方法
基于上文定性分析,分别建立kelm回归模型与ngo优化后的kelm回归模型,对掺假样品进行掺假量的定性分析,探讨kelm模型和ngokelm模型对新鲜大米中掺杂陈化大米量的预测能力。将新鲜大米30份(掺假量0%)、掺假大米90份(掺假量25%、50%、75%)、陈化大米30份(掺假量百分**)共计150份样本按照7∶3的比例随机分为训练集(105份)和测试集(45份)。对于定量预测模型采用决定系数r2和rmse作为性能评价指标,并绘制柱状图来反映预测结果。
结果与分析
1、定性实验结果分析分别建立kelm模型和ngo-kelm模型,对比二者准确度和f1值并绘制混淆矩阵从而确定模型的性能,实验结果见表1。ngo-kelm模型的训练集和测试集准确度与f1值均高于未优化的kelm模型(ngo-kelm测试集的混淆矩阵见图1),其测试集准确度提高约5%,说明ngo能有效提高kelm模型的分类准确度。
图1 ngo-kelm模型在测试集上的混淆矩阵表1各模型结果对比
2、定量实验结果分析分别建立kelm模型和ngo-kelm模型进行实验发现,利用ngo优化的kelm模型的定量预测表现也有显著的提升,结果见图2。
图2 各模型定量预测结果对比
ngo-kelm模型测试集决定系数r2和rmse分别提升了0.0541和0.0233,得到了较理想的掺假率检测精度,见表2,该方法显著优于传统方法。
表2 各模型定量预测结果
3、结论基于ngo-kelm实现了陈化大米的定性鉴别和掺假定量分析。通过近红外光谱设备采集标准样品的信息,并采用ngo优化算法对kelm模型进行了优化。建立的模型具有较高的准确度和稳定性,可以有效鉴别陈化大米,同时能对其掺假进行定量分析,为陈化大米的定性鉴别和掺假定量分析提供了一种新的分析方法。