補(bǔ)友華，姜鑫娜，田建平，胡新軍，黃浩平，高 劍，黃 丹，羅惠波

(四川輕化工大學(xué)機(jī)械工程學(xué)院1，宜賓 644000)四川輕化工大學(xué)生物工程學(xué)院2，宜賓 644000) (四川釀酒專(zhuān)用糧工程技術(shù)研究中心3，宜賓 644000)

高粱作為一種生禾本科植物，在發(fā)展中國(guó)家約有5億人將其作為主食[1]。高粱除了用來(lái)作為主食，由于高粱中淀粉含量高，大約占高粱的65%～70%，蛋白質(zhì)、單寧、脂肪等含量也適當(dāng)，也常用于醬香型白酒的釀造[2]。高粱中的淀粉由直鏈淀粉和支鏈淀粉組成，它們是產(chǎn)生酒精的來(lái)源和發(fā)酵微生物的物質(zhì)[3]。對(duì)于不同品種的高粱，其直鏈淀粉和支鏈淀粉含量也不相同，酒廠常使用多種混合品種的高粱作為釀造原料。由于不同比例配比下高粱的直鏈淀粉和支鏈淀粉含量會(huì)影響白酒的品質(zhì)和風(fēng)味，因此檢測(cè)不同比例配比下高粱的直鏈淀粉和支鏈淀粉含量尤為重要。目前，高粱淀粉含量的檢測(cè)主要采用化學(xué)分析方法和無(wú)損檢測(cè)方法?；瘜W(xué)方法中常使用碘親和力滴定法和雙波長(zhǎng)分光光度法對(duì)淀粉含量進(jìn)行測(cè)定，但是此類(lèi)方法耗時(shí)長(zhǎng)，且屬于破壞性檢測(cè)[4, 5]；無(wú)損檢測(cè)中常用近紅外光譜技術(shù)對(duì)淀粉含量進(jìn)行非破壞性測(cè)定[6, 7]，但只能實(shí)現(xiàn)單點(diǎn)檢測(cè)且檢測(cè)精度不高；因此需要一種快速無(wú)損方法獲取不同混合比例配比下高粱的淀粉含量。

高光譜成像技術(shù)作為一種新興檢測(cè)技術(shù)，可以同時(shí)獲取待測(cè)樣本的圖像和光譜信息，可用來(lái)全面、客觀地分析樣品，這使得它在食品的安全檢測(cè)和控制方面比傳統(tǒng)光譜技術(shù)和圖像技術(shù)更具有優(yōu)勢(shì)[8]。該技術(shù)已被廣泛用于各種物質(zhì)含量檢測(cè)，如大曲的酸度、水分和還原糖含量[9-11]，花生仁的脂肪含量[12]，大米、水稻籽粒和馬鈴薯的淀粉含量[13-15]。用高光譜成像技術(shù)對(duì)淀粉含量和其他物質(zhì)含量檢測(cè)方面的研究均取得較好的結(jié)果，為使用高光譜技術(shù)檢測(cè)不同混合比例配比下高粱的淀粉含量提供了可行性。

本實(shí)驗(yàn)以不同混合比例配比下的高粱樣本作為研究對(duì)象，使用可見(jiàn)光高光譜成像系統(tǒng)采集高粱樣本的高光譜圖像，使用基于擴(kuò)展極大值變換改進(jìn)后的分水嶺算法對(duì)光譜圖像進(jìn)行了高粱籽粒分割，并提取了籽粒的光譜數(shù)據(jù)；對(duì)不同預(yù)處理方法后的光譜數(shù)據(jù)分別建立了偏最小二乘法回歸(PLSR)模型，確定了最佳預(yù)處理；使用主成分分析(PCA)、PLSR算法提取了光譜特征；基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)(GA-BPNN)和粒子群算法-支持向量機(jī)回歸(PSO-SVR)分別建立了高粱淀粉含量的預(yù)測(cè)模型。

1 材料與方法

1.1 樣本制備

由于醬香型白酒主要以紅纓子糯高粱作為主要釀造原料[16]，然后混合小比例的其他糯高粱品種，因此本研究選用貴州某高粱育種中心的紅纓子(HYZ)作為被混合的高粱品種，選擇四川、山東某高粱育種中心的美國(guó)高粱(MG)及鐵桿(TG)2個(gè)品種作為混合的高粱品種。將3個(gè)高粱品種進(jìn)行兩兩組合得到3組混合樣本(MG+HYZ、TG+HYZ、TG+MG)。每組混合樣本的總質(zhì)量為15 g，按照5種不同的混合比例(10%、16.67%、23.33%、33.33%、43.33%)配比的高粱進(jìn)行樣本制備，每個(gè)混合比例的樣本制作20個(gè)平行樣本，共制備300個(gè)樣本(3×5×20 = 300)作為淀粉含量預(yù)測(cè)模型的訓(xùn)練集和預(yù)測(cè)集。另外制備了10個(gè)樣本作為外部驗(yàn)證集用于驗(yàn)證最優(yōu)模型的穩(wěn)當(dāng)性和準(zhǔn)確性(MG+HYZ、TG+HYZ不同混合比例各1個(gè))。樣本制備完成后，所有高粱樣本在未采集數(shù)據(jù)前都進(jìn)行常溫密封保存。不同混合比例配比的高粱樣本具體信息如表1所示。

表1 不同混合比例配比的高粱樣本制備

1.2 儀器與設(shè)備

高光譜成像的采集設(shè)備使用美國(guó)推掃式成像系統(tǒng)，采集軟件為L(zhǎng)UMO-scanner。該系統(tǒng)主要由Specim FX10系列高光譜相機(jī)、2組150 W的鹵素?zé)艄庠?、電控移?dòng)平及平臺(tái)支架組成。高粱質(zhì)量的測(cè)定設(shè)備使用OHAUS精密天平，量程為320 g，精度為0.001 g。高粱淀粉含量測(cè)定的主要儀器有BJ-800A多功能粉碎機(jī)，BGZ-140電熱鼓風(fēng)干燥箱，TG-16高速離心機(jī)，UV Professional分光光度計(jì)，BSC-400恒溫恒濕箱等。

1.3 高光譜圖像采集及校正

使用高光譜成像系統(tǒng)前，為了獲得穩(wěn)定的高粱樣本的高光譜圖像，需要在數(shù)據(jù)采集系統(tǒng)設(shè)置最佳采集參數(shù)。在使用高光譜相機(jī)采集數(shù)據(jù)時(shí)，將采集參數(shù)白板標(biāo)定峰值調(diào)整為3 616，相機(jī)的曝光頻率和曝光時(shí)間分別設(shè)置為50 Hz和4.02 ms，移動(dòng)平臺(tái)掃描速度設(shè)置為16.57 mm/s。采集參數(shù)設(shè)置完成后，將高粱樣本平鋪在直徑為150 mm的培養(yǎng)皿中，然后放在電控移動(dòng)平臺(tái)進(jìn)行數(shù)據(jù)采集。

為了減少相機(jī)探測(cè)器的暗電流對(duì)樣本的整體影響，并消除環(huán)境光照不均勻?qū)Ω吡活w粒的影響，需要利用白色參考圖像和暗電流參考圖像對(duì)原始高光譜圖像進(jìn)行校正對(duì)原始高光譜圖像進(jìn)行圖像校正[17]。對(duì)高粱的原始光譜圖像用式(1)進(jìn)行校正。

(1)

式中：Ir為校正前的原始光譜圖像；Iw為白色參考圖像；Id為暗電流參考圖像；Ic為校正后的參考圖像。

1.4 高粱直鏈、支鏈淀粉測(cè)定

高粱樣本的高光譜數(shù)據(jù)采集完成后，使用GB 7648—1987測(cè)定每個(gè)高粱樣本的直鏈、直鏈淀粉含量。其測(cè)定原理為淀粉遇碘生成淀粉-碘復(fù)合物，且直鏈淀粉遇碘生成深藍(lán)色復(fù)合物，支鏈淀粉遇碘生成棕紅色復(fù)合物。當(dāng)?shù)矸劭偭坎蛔儠r(shí)，不同比例的直鏈、支鏈淀粉分散液在一定的波長(zhǎng)與酸度條件下與碘作用生成由紫紅到深藍(lán)的一系列顏色，使用分光光度計(jì)可以測(cè)定分散液中的直鏈、支鏈淀粉的含量。

1.5 數(shù)據(jù)處理方法

1.5.1 高光譜數(shù)據(jù)提取及處理

由于高粱樣本的高光譜圖像包含了無(wú)關(guān)的背景信息和高粱籽粒的信息，并且高粱籽粒之間存在粘結(jié)現(xiàn)象。為了剔除無(wú)關(guān)的背景信息和分割存在粘結(jié)現(xiàn)象的高粱籽粒，故對(duì)高粱樣本的圖像采用圖像處理技術(shù)中形態(tài)學(xué)方法和分水嶺算法[18]，確定樣本中所有高粱籽粒的位置，然后精確提取高粱籽粒感興趣區(qū)域(ROI)內(nèi)的光譜數(shù)據(jù)。根據(jù)式(2)對(duì)每顆高粱籽粒ROI的光譜數(shù)據(jù)取平均值作為得到高粱籽粒的平均光譜數(shù)據(jù)[19]。

(2)

在提取了高粱樣本中每顆高粱籽粒的光譜數(shù)據(jù)后，將樣本中所有高粱籽粒的光譜數(shù)據(jù)取平均值作為每個(gè)高粱樣本的光譜數(shù)據(jù)，用于后續(xù)數(shù)據(jù)分析。

1.5.2 光譜預(yù)處理及樣本劃分

為了消除高粱樣本顆粒在培養(yǎng)皿中分布不均勻，且高粱顆粒大小的不同而引起的散射對(duì)其光譜的影響，采用多元散射校正(MSC)對(duì)高粱顆粒的光譜數(shù)據(jù)進(jìn)行處理，從而獲得理想的光譜[20]。為了提高光譜的信噪比，減少隨機(jī)噪聲對(duì)光譜的影響，使用Savizky-Golay濾波器(SG)對(duì)高粱樣本的光譜進(jìn)行平滑處理[21]。也采用MSC與SG結(jié)合的方式光譜進(jìn)行預(yù)處理[22]。另外，本研究采用光譜-理化共生距離(SPXY)[23]對(duì)高粱樣本進(jìn)行樣本集劃分，將300個(gè)高粱樣本按照4∶1的比例劃分為校正集和預(yù)測(cè)集，用于后續(xù)淀粉含量的定量預(yù)測(cè)模型的訓(xùn)練和預(yù)測(cè)。

1.5.3 光譜特征提取方法

采用2種方法提取高粱光譜數(shù)據(jù)的特征。使用PCA算法分別計(jì)算高粱光譜數(shù)據(jù)的主成分，然后選擇累計(jì)貢獻(xiàn)率最大的幾組主成分對(duì)應(yīng)的得分矩陣作為光譜特征[24]。使用自變量(高粱樣本的光譜數(shù)據(jù))和因變量(高粱樣本的淀粉含量)建立PLSR模型[25]，然后選擇PLSR模型累計(jì)貢獻(xiàn)率最大的前幾組潛在變量對(duì)應(yīng)的得分矩陣作為光譜特征，用于后續(xù)預(yù)測(cè)高粱淀粉含量模型的建立。

1.5.4 高粱淀粉預(yù)測(cè)模型建立

1.5.4.1 GA-BPNN預(yù)測(cè)模型

BPNN算法是一種經(jīng)典的多層前饋算法，可用于解決相對(duì)復(fù)雜的非線(xiàn)性問(wèn)題，在光譜分析中得到了廣泛的應(yīng)用[26]。BPNN的網(wǎng)絡(luò)結(jié)構(gòu)由一個(gè)輸入層、多個(gè)隱藏層和一個(gè)輸出層組成。該算法的基本原理：在學(xué)習(xí)過(guò)程由輸入信號(hào)(光譜數(shù)據(jù))的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。本研究將GA算法和BPNN神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，對(duì)神經(jīng)網(wǎng)絡(luò)的初始的權(quán)值和閾值進(jìn)行整體優(yōu)化[27]。其中種群規(guī)模設(shè)置為100，遺傳迭代次數(shù)為50，交叉概率為0.6，變異概率為0.05。

1.5.4.2 PSO-SVR預(yù)測(cè)模型

SVR以其優(yōu)異的泛化能力被廣泛用于解決光譜數(shù)據(jù)的分類(lèi)與回歸問(wèn)題[28]。SVR作為支持向量機(jī)里的一個(gè)分支，常用于回歸分析。SVR的基本原理是通過(guò)使用核函數(shù)，將低維空間的非線(xiàn)性問(wèn)題映射到高維空間，在高維空間中構(gòu)造線(xiàn)性決策函數(shù)來(lái)實(shí)現(xiàn)原空間中的非線(xiàn)性決策，從而實(shí)現(xiàn)線(xiàn)性回歸[29]。由于懲罰系數(shù)c和松弛系數(shù)g的取值直接決定了SVR模型的泛化能力，所以通過(guò)PSO算法對(duì)SVR模型的懲罰因子c和核函數(shù)參數(shù)g進(jìn)行參數(shù)尋優(yōu)[30]。

1.5.5 模型評(píng)估

本研究基于全波長(zhǎng)和特征光譜分別建立了預(yù)測(cè)高粱的淀粉含量GA-BPNN和PSO SVR模型。通過(guò)校正決定系數(shù)(Rc2)，校正均方根誤差(RMSEC)，預(yù)測(cè)決定系數(shù)(Rp2)，預(yù)測(cè)均方根誤差(RMSEP)來(lái)綜合評(píng)價(jià)模型的性能，選擇最優(yōu)的預(yù)測(cè)模型。通常RMSEC、RMSEP反映了模型的預(yù)測(cè)精度，其值越接近0說(shuō)明模型精度越高；Rc2、Rp2反映了對(duì)數(shù)據(jù)變化的解釋程度，其值越接近1代表模型的解釋程度越高[31]。

2 結(jié)果與分析

2.1 高粱樣本的淀粉含量測(cè)定值統(tǒng)計(jì)

將高粱樣本的光譜數(shù)據(jù)和對(duì)應(yīng)的直鏈、支鏈淀粉含量劃分為校正集、預(yù)測(cè)集。劃分樣本后的淀粉含量統(tǒng)計(jì)結(jié)果如表2所示，預(yù)測(cè)集的淀粉含量范圍(0.902 3～2.163 1 g)分布在校正集的淀粉含量范圍(0.906 4～2.213 2 g)之內(nèi)，且校正集和測(cè)試集內(nèi)直鏈淀粉含量的均值、標(biāo)準(zhǔn)差基本一致，說(shuō)明劃分的樣本分布均勻，劃分結(jié)果較為合理。

表2 高粱淀粉含量參考值統(tǒng)計(jì)

2.2 高粱樣本的圖像處理及光譜提取

首先，對(duì)高粱樣本的RGB圖像進(jìn)行灰度變換，使得高粱籽粒的目標(biāo)區(qū)域和背景區(qū)域明顯分開(kāi)；然后對(duì)灰度圖像進(jìn)行二值化，再對(duì)其二值圖像使用基于擴(kuò)展極大值變換改進(jìn)后的分水嶺圖像分割算法，找到高粱籽粒的分水嶺脊線(xiàn)；最后，將分水嶺脊線(xiàn)圖像反色，再與二值圖像進(jìn)行與運(yùn)算，得到分割后的高粱籽粒，高粱樣本圖像的關(guān)鍵處理過(guò)程如圖1所示。將分割后每個(gè)高粱籽粒作為ROI，提取每個(gè)高粱籽粒ROI的平均光譜數(shù)據(jù)，再對(duì)每個(gè)高粱籽粒ROI的平均光譜數(shù)據(jù)取平均，得到高粱樣本的平均光譜數(shù)據(jù)。

圖1 高粱樣本的圖像處理過(guò)程

2.3 高粱樣本的光譜分析

不同混合比例配比下的高粱樣本的可見(jiàn)光光譜如圖2所示。不同混合比例配比下高粱樣本的光譜曲線(xiàn)呈現(xiàn)相同的趨勢(shì)。光譜在500 nm附近有輕微的吸收峰，在其余的波段位置沒(méi)有明顯的吸收峰，但是反射率具有明顯的差異。

圖2 高粱光譜曲線(xiàn)

2.4 光譜數(shù)據(jù)的預(yù)處理分析

利用MSC、SG、MSC-SG預(yù)處理方法對(duì)不同混合比例配比下的高粱樣本的光譜數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的光譜數(shù)據(jù)結(jié)合PLSR建模預(yù)測(cè)高粱的淀粉含量，預(yù)測(cè)效果如表3所示。經(jīng)比較發(fā)現(xiàn)未使用預(yù)處理的光譜數(shù)據(jù)建立的預(yù)測(cè)直鏈淀粉含量的PLSR模型預(yù)測(cè)能力最好，RMSEP=0.045 1，Rp2=0.989 7；發(fā)現(xiàn)使用MSC-SG預(yù)處理后的光譜數(shù)據(jù)建立的預(yù)測(cè)支鏈淀粉含量的PLSR模型預(yù)測(cè)能力最好，RMSEP=0.206 7，Rp2=0.871 0，這可能是因?yàn)镸SC-SG可以降低高粱顆粒大小的不同而引起的散射對(duì)其光譜的影響，且減少光譜噪聲。因此后續(xù)研究選取未預(yù)處理和MSC-SG預(yù)處理后的光譜數(shù)據(jù)分別作為高粱直鏈淀粉和支鏈淀粉含量預(yù)測(cè)的光譜數(shù)據(jù)預(yù)處理手段。MSC-SG預(yù)處理后光譜曲線(xiàn)如圖2b所示。

表3 光譜數(shù)據(jù)預(yù)處理后的建模效果

2.5 光譜特征提取

2.5.1 PCA算法提取光譜特征

在可見(jiàn)光光譜范圍內(nèi)，采集的光譜數(shù)據(jù)包含了448個(gè)波段，其存在大量的冗余和共線(xiàn)性信息的問(wèn)題，使得模型的精度和運(yùn)算速度降低。為了消除光譜數(shù)據(jù)中的冗余和干擾變量，簡(jiǎn)化模型，因此需要對(duì)光譜數(shù)據(jù)進(jìn)行降維。該研究使用PCA算法對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析，光譜數(shù)據(jù)的前4個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到99.87%(PC1：54.36%、PC2：42.09%、PC3：3%、PC4：0.42%)。因此提取了前4個(gè)主成分對(duì)應(yīng)的主成分得分矩陣(300×4)作為光譜特征用于后續(xù)多元模型的建立。

2.5.2 PLSR算法提取光譜特征

PSLR算法是一種基于特征變量的回歸方法，其實(shí)質(zhì)是按照協(xié)方差極大化準(zhǔn)則，在分解自變量數(shù)據(jù)矩陣X(高粱光譜數(shù)據(jù))的同時(shí)，也在分解因變量數(shù)據(jù)(淀粉含量)，并且建立相互對(duì)應(yīng)的潛在變量與因變量數(shù)據(jù)之間的回歸關(guān)系方程。如圖2所示，該研究初始選擇35個(gè)潛在變量數(shù)建立預(yù)測(cè)高粱淀粉的PLSR模型，然后通過(guò)十折交叉驗(yàn)證，根據(jù)最小的均方根誤差(RMSE)選擇最佳的潛在變量數(shù)。由圖3a可知，當(dāng)潛在變量數(shù)為7時(shí)，預(yù)測(cè)直連淀粉含量的RMSE值達(dá)到最小為0.028 75，由圖3c可知，前7個(gè)潛在變量的累計(jì)貢獻(xiàn)率達(dá)到了97.63%，因此選擇前7個(gè)潛在變量對(duì)應(yīng)的得分矩陣(300×7)作為光譜特征用于后續(xù)建立直連淀粉含量的預(yù)測(cè)模型。同樣，對(duì)于支鏈淀粉的光譜特征提取，由圖3b可知，當(dāng)潛在變量數(shù)為5時(shí)，預(yù)測(cè)支鏈淀粉含量的RMSE值達(dá)到最小為0.1779 8，由圖3d可知，前5個(gè)潛在變量的累計(jì)貢獻(xiàn)率達(dá)到了84.11%，因此選擇前5個(gè)潛在變量對(duì)應(yīng)的得分矩陣(300×5)作為光譜特征用于后續(xù)建立支鏈淀粉含量的預(yù)測(cè)模型。

圖3 PLSR模型的潛在變量

2.6 多元模型分析

基于全波長(zhǎng)的光譜數(shù)據(jù)、PCA和PLSR提取的光譜特征，利用未預(yù)處理和MSC-SG預(yù)處理后的光譜數(shù)據(jù)分別建立了GA-BPNN和PSO-SVR模型，預(yù)測(cè)不同混合比例配比下高粱的淀粉含量。對(duì)于GA-BPNN的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)計(jì)：確定trainlm為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，隱含層為1層帶有15個(gè)點(diǎn)神經(jīng)元，確定tansig為隱含層節(jié)點(diǎn)的傳遞函數(shù)，purelin為輸出層節(jié)點(diǎn)傳遞函數(shù)，網(wǎng)絡(luò)學(xué)習(xí)函數(shù)為BP學(xué)習(xí)規(guī)則learngdm，學(xué)習(xí)率為0.001，迭代次數(shù)為1 000，訓(xùn)練目標(biāo)為4.43e-7。對(duì)于PSO優(yōu)化SVR模型的參數(shù)：粒子群的種群數(shù)N=20，粒子速度范圍[0.1,1.0]，最大的迭代次數(shù)Gmax=200，學(xué)習(xí)因子C1和C2為1.5和1.7，建模結(jié)果如表4所示。

從表4中可見(jiàn)，對(duì)于高粱直鏈淀粉含量的預(yù)測(cè)結(jié)果，在GA-BPNN模型中使用PCA提取的光譜特征建立的模型效果最佳，其RMSEP，Rp2分別為0.014 6，0.992 2；在PSO-SVR模型中使用PLSR提取的光譜特征建立的模型效果最佳，其RMSEP，Rp2分別為0.044 7，0.991 0。以上2種模型效果相對(duì)于全波長(zhǎng)建模的效果來(lái)說(shuō)，在保證模型的預(yù)測(cè)精度的前提下不僅簡(jiǎn)化了模型，也提高了模型的預(yù)測(cè)精度；GA-BPNN和PSO-SVR這2種模型之間，采用PCA提取的光譜特征建立的GA-BPNN模型效果最好。對(duì)于高粱支鏈淀粉含量的預(yù)測(cè)結(jié)果，同樣是采用PCA提取的光譜特征建立的GA-BPNN模型效果最好，其RMSEP，Rp2分別為0.151 9，0.933 6。這是因?yàn)镻CA算法對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析，前4個(gè)主成分的累計(jì)貢獻(xiàn)率高達(dá)99%以上，因此提取前4個(gè)主成分對(duì)應(yīng)的得分矩陣作為光譜特征，能夠很好的解釋光譜數(shù)據(jù)的差異性，因此PCA提取的光譜特征建立模型效果最好；而PLSR算法的最佳潛在變量的累計(jì)貢獻(xiàn)率低于98%，導(dǎo)致PLSR提取的光譜特征建立模型效果略差。

圖4展示了基于PCA提取光譜特征建立的GA-BPNN的模型預(yù)測(cè)集和訓(xùn)練集的擬合結(jié)果。

表4 多元模型的效果

圖4 預(yù)測(cè)集和校正集的擬合效果

可以看出高粱直鏈淀粉含量的擬合效果較好，其淀粉含量的測(cè)量值和預(yù)測(cè)值均分布在紅色斜線(xiàn)附近，說(shuō)明直鏈淀粉含量的預(yù)測(cè)誤差小。高粱支鏈淀粉含量的擬合效果略差，其淀粉含量的測(cè)量值和預(yù)測(cè)值均分布在紅色斜線(xiàn)的較遠(yuǎn)區(qū)域，這是因?yàn)橹ф湹矸酆吭?～10.5 g，支鏈淀粉的預(yù)測(cè)值與測(cè)量值的誤差略大。

2.7 最優(yōu)模型外部驗(yàn)證

為了進(jìn)一步驗(yàn)證最優(yōu)模型的準(zhǔn)確性和穩(wěn)定性，采用外部驗(yàn)證方式驗(yàn)證模型效果，將未參與建模10個(gè)外部驗(yàn)證集代入最優(yōu)模型進(jìn)行預(yù)測(cè)，同時(shí)與測(cè)量值進(jìn)行比較，對(duì)比結(jié)果見(jiàn)表5。

表5 淀粉測(cè)量值與預(yù)測(cè)值結(jié)果對(duì)比

3 結(jié)論

本研究探討了可見(jiàn)光高光譜成像技術(shù)在不同混合比例配比下高粱的淀粉含量檢測(cè)中的應(yīng)用，結(jié)果表明可見(jiàn)光高光譜成像技術(shù)結(jié)合優(yōu)化算法能夠準(zhǔn)確地檢測(cè)不同混合比例配比下高粱的淀粉含量。利用原始和不同預(yù)處理方式(MSC、SG、MSC-SG)處理后的光譜數(shù)據(jù)建立PLSR模型預(yù)測(cè)高粱淀粉含量，發(fā)現(xiàn)MSC-SG建立的模型預(yù)測(cè)高粱支鏈淀粉含量的效果最好(Rp2=0.871 0，RMSEP=0.206 7)。利用PCA算法從高粱樣本的光譜數(shù)據(jù)提取了300×4的特征光譜矩陣；利用PLSR算法對(duì)于直鏈淀粉和支鏈淀粉分別提取了300×7和300×5的光譜特征矩陣?；谌ㄩL(zhǎng)的光譜數(shù)據(jù)、PCA和PLSR提取的光譜特征建立了GA-BPNN和PSO-SVR模型預(yù)測(cè)高粱樣本的淀粉含量，發(fā)現(xiàn)用PCA提取的光譜特征建立的GA-BPNN模型最優(yōu)(直鏈淀粉：Rp2=0.992 2、RMSEP=0.041 6；支鏈淀粉：Rp2=0.933 6、RMSEP=0.151 9)，有效簡(jiǎn)化了模型，提高了模型精度?？傮w研究結(jié)果表明，可見(jiàn)光高光譜成像技術(shù)結(jié)合優(yōu)化算法能夠快速獲取高粱的淀粉含量，同時(shí)也可以為檢測(cè)其他谷類(lèi)的淀粉含量提供一種新的方法。