基于近紅外光譜的陳化大米定性鑒別和摻假分析方法

倪 金，索麗敏，劉海龍

（黑龍江八一農墾大學 信息與電氣工程學院，黑龍江大慶 163319）

大米是我國主要的糧食作物之一[1]。隨著社會經濟的發展，大米的質量問題逐漸引起了人們的關注。其中，大米的陳化和摻假是一個突出的問題。傳統的大米鑒別方法主要依賴于人工經驗和化學分析技術，普遍存在分析周期長、操作復雜、成本高等問題[2-3]。因此，需繼續探索更加準確、快速、穩定的大米鑒別方法[4]。

本文在基于近紅外光譜數據的基礎上采用北方蒼鷹優化算法（Northern Goshawk Optimization，NGO）對核極限學習機（Kernel Extreme Learning Machine，KELM）的兩個重要參數進行尋優并建立模型[5-6]。提出一種新的大米定性鑒別和摻假定量分析方法。通過驗證，該方法在陳化大米的鑒別和摻假定量分析中取得了很好的效果，對于解決陳化大米鑒別和摻假問題具有重要的實際意義。

1 材料與方法

1.1 材料

實驗樣品為2017年和2022年水稻成熟后，于黑龍江省建三江市七星農場采用五點式隨機采樣法獲取的五優稻4號，將其脫粒碾磨至精白米后作為研究樣品。其中新大米樣品為2022年收獲大米，摻假大米樣品為將2017年收獲的大米按照不同比例（25%、50%、75%）摻入2022年收獲的大米中，陳化大米樣品為2017年收獲大米。采用高精度電子秤（武義銀利電子有限公司）取（5±0.02）g作為一份樣品，共計新大米30份樣品、摻假大米90份樣品、陳化大米30份樣品。

1.2 儀器與設備

TANGO近紅外光譜儀，德國布魯克（北京）科技有限公司。

1.3 實驗方法

1.3.1 光譜預處理

對原始光譜數據進行標準正態變量變換（Standard Normal Variate，SNV）預處理，用于消除顆粒不均等原因產生的噪聲信息，原理為樣品光譜數據各波數點的吸光度符合一定分布，計算時將每個樣品的原始光譜減去理想光譜，再除以標準差[7-8]。SNV公式為

1.3.2 模型的建立

極限學習機（Extreme Learning Machine，ELM）是提出的一種機器學習模型[9]，由于其可以自動生成輸入層和隱含層之間的權重和偏差值，省去了參數的設定和迭代試錯，具有操作簡單、建模速度快等優點。為進一步提高ELM的性能，在其基礎上將核函數加入建模過程，構成核極限學習機（KELM），其原理是利用核函數代替ELM中隱含層的特征映射，達到將數據升維的目的，大幅提高了模型的計算精度與泛化能力，并且該模型在面對分類任務和回歸任務時都能表現出較好的效果。但KELM對建模中的核函數γ與正則化參數C過分依賴，二者的取值對預測結果有決定性作用。目前γ與C值的設定多采用人工調參選取，嚴重降低了建模時的快速性和穩定性。為解決這一問題，該文引入北方蒼鷹優化算法（NGO）對以上兩個參數進行尋優。NGO是一種模擬的北方蒼鷹捕獵行為的群體智能優化算法，其思想是在輸入模式與目標模式之間顯式地建立一個映射關系，通過不斷迭代尋得最優的建模參數。該算法在彌補了原有不足的同時也提高了預測準確率和置信度。

1.3.3 基于NGO-KELM的陳化大米定性鑒別方法

分別建立KELM分類模型和NGO優化后的KELM分類模型。將新鮮大米30份、摻假大米90份以及陳化大米30份共計150份樣本數據隨機按照7∶3的比例分為訓練集（105份）和測試集（45份）。采用訓練集和測試集的預測準確度和F1值作為模型的性能評價指標，并繪制混淆矩陣。

1.3.4 基于NGO-KELM的陳化大米摻假定量分析方法

基于上文定性分析，分別建立KELM回歸模型與NGO優化后的KELM回歸模型，對摻假樣品進行摻假量的定性分析，探討KELM模型和NGOKELM模型對新鮮大米中摻雜陳化大米量的預測能力。將新鮮大米30份（摻假量0%）、摻假大米90份（摻假量25%、50%、75%）、陳化大米30份（摻假量100%）共計150份樣本按照7∶3的比例隨機分為訓練集（105份）和測試集（45份）。對于定量預測模型采用決定系數R2和RMSE作為性能評價指標，并繪制柱狀圖來反映預測結果。

2 結果與分析

2.1 定性實驗結果分析

分別建立KELM模型和NGO-KELM模型，對比二者準確度和F1值并繪制混淆矩陣從而確定模型的性能，實驗結果見表1。NGO-KELM模型的訓練集和測試集準確度與F1值均高于未優化的KELM模型（NGO-KELM測試集的混淆矩陣見圖1），其測試集準確度提高約5%，說明NGO能有效提高KELM模型的分類準確度。

圖1 NGO-KELM模型在測試集上的混淆矩陣

表1 各模型結果對比

2.2 定量實驗結果分析

分別建立KELM模型和NGO-KELM模型進行實驗發現，利用NGO優化的KELM模型的定量預測表現也有顯著的提升，結果見圖2。

圖2 各模型定量預測結果對比

NGO-KELM模型測試集決定系數R2和RMSE分別提升了0.054 1和0.023 3，得到了較理想的摻假率檢測精度，見表2，該方法顯著優于傳統方法。

表2 各模型定量預測結果

3 結論

基于NGO-KELM實現了陳化大米的定性鑒別和摻假定量分析。通過近紅外光譜設備采集標準樣品的信息，并采用NGO優化算法對KELM模型進行了優化。建立的模型具有較高的準確度和穩定性，可以有效鑒別陳化大米，同時能對其摻假進行定量分析，為陳化大米的定性鑒別和摻假定量分析提供了一種新的分析方法。