王 倩，葛宏義,2,*，蔣玉英,2，張 元,2，秦一菲,2

（1.河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，河南 鄭州 450001；2.河南工業(yè)大學(xué)糧食信息處理與控制教育部重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450001）

隨著人們生活品質(zhì)的不斷提高，消費(fèi)者越來越熱衷于購買地域性特色大米，如：黑龍江五常大米、河南原陽大米、寧夏珍珠糯米和云南遮放貢米等。不同產(chǎn)地的大米不僅具有特殊的品質(zhì)和信譽(yù)，且經(jīng)濟(jì)價(jià)值也比普通大米高。不良商家為獲取不當(dāng)高額利潤，通過對(duì)低價(jià)大米染色或工業(yè)加工等方式偽造特色大米，牟取暴利，造成大米市場(chǎng)紊亂[1]，嚴(yán)重?fù)p害消費(fèi)者和生產(chǎn)者權(quán)益。因此，亟需相應(yīng)的檢測(cè)方法識(shí)別大米品種，以規(guī)范大米市場(chǎng)。

針對(duì)大米品種識(shí)別方法較多，傳統(tǒng)檢測(cè)方法主要有感官評(píng)價(jià)法[2]和理化指標(biāo)技術(shù)法[3]等，具有分析簡單、方法直觀等優(yōu)勢(shì)，但也存在一些不足，如感官評(píng)價(jià)法主觀性強(qiáng)，對(duì)于采用化學(xué)劑染色大米或工業(yè)加工研磨大米，僅從外觀上難以判別真?zhèn)危焕砘笜?biāo)技術(shù)法操作繁瑣、檢測(cè)速度慢等。目前常見識(shí)別技術(shù)主要有電子舌技術(shù)[4]、紅外光譜技術(shù)[5]和高光譜圖像技術(shù)[6]，諸多學(xué)者以此為基礎(chǔ)結(jié)合化學(xué)計(jì)量方法對(duì)大米識(shí)別做出研究，如惠延波等[7]利用電子舌技術(shù)結(jié)合PCA、DFA 兩種模式對(duì)不同品種粉碎大米進(jìn)行識(shí)別研究，區(qū)分指數(shù)D1 為95；王靖會(huì)等[8]以高光譜成像技術(shù)為基礎(chǔ)結(jié)合光譜和紋理特性實(shí)現(xiàn)不同大米品種的識(shí)別，識(shí)別率為96.57%；王朝輝等[9]利用近紅外光譜技術(shù)結(jié)合SG 平滑預(yù)處理方法和偏最小二乘判別分析方法對(duì)松原不同品種大米識(shí)別，識(shí)別率為100%；劉亞超等[10]利用近紅外二維相關(guān)光譜對(duì)摻和大米識(shí)別，識(shí)別率最高為100%；雖然以上技術(shù)能有效解決傳統(tǒng)技術(shù)檢測(cè)精度不高、主觀性強(qiáng)等缺點(diǎn)，但也存在一些不足，如電子舌技術(shù)檢測(cè)結(jié)果易受傳感器靈敏度和環(huán)境因素影響[11]、設(shè)備集成度不高、價(jià)格昂貴、使用周期短等[12]；紅外光譜技術(shù)靈敏度相對(duì)較低[13]、檢測(cè)結(jié)果易受各種環(huán)境影響[14]，紅外光譜解釋性差、化學(xué)計(jì)算依賴性高[15]；高光譜圖像技術(shù)圖像處理復(fù)雜性高、檢測(cè)速度慢等[16]。太赫茲（Terahertz,THz）[17]是介于微波和紅外之間的電磁波，頻率在0.1～10 THz 之間，具有穿透性強(qiáng)、電離輻射小、分子指紋等特點(diǎn)，還具有檢測(cè)分析速度快、多成分同步分析、無損檢測(cè)等優(yōu)勢(shì)，能有效彌補(bǔ)傳統(tǒng)檢測(cè)方法和目前常見技術(shù)的不足。其原理是利用飛秒脈沖產(chǎn)生THz 電磁波，通過探測(cè)設(shè)備獲得待測(cè)樣品的光譜信息，再通過傅里葉變換獲得測(cè)物品吸收和折射光譜信息。由于大分子振動(dòng)和轉(zhuǎn)動(dòng)能級(jí)大多處于THz 波段，并表現(xiàn)出明顯吸收特性，因而可以通過光譜的指紋特性對(duì)大米品種進(jìn)行識(shí)別。太赫茲時(shí)域光譜技術(shù)已被廣泛應(yīng)用到安全檢查[18]、生物醫(yī)學(xué)[19]、無線通信[20]等領(lǐng)域，目前在農(nóng)產(chǎn)品品質(zhì)檢測(cè)方面的應(yīng)用也在不斷增多，如農(nóng)產(chǎn)品摻假[21]、轉(zhuǎn)基因作物檢測(cè)[22]和農(nóng)產(chǎn)品主要成分含量檢測(cè)[23-24]等。太赫茲光譜技術(shù)的廣泛應(yīng)用，為大米品種識(shí)別提供了新思路。

本文采用太赫茲時(shí)域光譜技術(shù)結(jié)合標(biāo)準(zhǔn)差分析、區(qū)間偏最小二乘和決策樹分類模型對(duì)不同大米品種進(jìn)行識(shí)別。分析了大米在光譜技術(shù)作用下的特點(diǎn)，建立了一種準(zhǔn)確識(shí)別大米品種的分析模型，為大米品種識(shí)別提供了一種精準(zhǔn)檢測(cè)方法。

1 材料與方法

1.1 材料與儀器

實(shí)驗(yàn)樣品分別是河南紅米、珍珠糯米、黑米和富硒大米 均采購于永輝超市，如圖1 所示。大米顆粒利用研磨機(jī)研磨成粉末狀，再利用電子稱每次取0.2 g 的粉末放入模具，并對(duì)模具使用10 MPa 的壓力施壓3 min，使粉末壓制成直徑約為13 mm、厚度約為1.1 mm、表面均勻的圓形薄片。每種大米制備一組樣品，每組樣品制備14 份，四組樣品共56 份。

圖1 實(shí)驗(yàn)樣品Fig.1 Experimental samples

太赫茲時(shí)域光譜儀 由河南工業(yè)大學(xué)教育部重點(diǎn)實(shí)驗(yàn)室提供，激光器波長800 nm，光譜范圍0～3.5 THz，分辨率0.03 THz，重復(fù)頻率80 MHz，脈沖波長100 fs，信噪比5000:1，具體系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 太赫茲時(shí)域光譜系統(tǒng)透射式（a）和反射式（b）Fig.2 Terahertz time domain spectroscopy system transmission type (a) and reflection type (b)

時(shí)域光譜系統(tǒng)工作原理如下：飛秒激光器產(chǎn)生的光束作為輸入光源，經(jīng)分束鏡分成能量較強(qiáng)的泵浦光和能量相對(duì)弱的探測(cè)光。泵浦光先傳輸至?xí)r間延遲控制系統(tǒng)，再入射到光導(dǎo)天線或半導(dǎo)體晶體上激發(fā)出太赫茲脈沖，最后經(jīng)兩組拋物面鏡聚焦到待測(cè)物體上。探測(cè)光經(jīng)多次反射后和太赫茲脈沖共線觸發(fā)太赫茲探測(cè)器，探測(cè)器通過對(duì)脈沖偏振狀態(tài)的檢測(cè)獲得待測(cè)樣品的時(shí)域波形。在整個(gè)測(cè)試過程中，由于水分對(duì)太赫茲脈沖有強(qiáng)吸收性，因此為減少空氣中水分含量對(duì)實(shí)驗(yàn)結(jié)果的影響，需要不斷對(duì)時(shí)域光譜系統(tǒng)補(bǔ)充氮?dú)猓员３謱?shí)驗(yàn)環(huán)境干燥。

1.2 實(shí)驗(yàn)步驟

實(shí)驗(yàn)分為三個(gè)階段：第一階段主要是對(duì)儀器參數(shù)和實(shí)驗(yàn)環(huán)境進(jìn)行調(diào)整，光譜系統(tǒng)設(shè)置為透射模式，測(cè)試溫度保持在19 ℃左右，濕度保持在2.8%左右，并在測(cè)試正式開始前，儀器持續(xù)運(yùn)行2 min，以確保各項(xiàng)參數(shù)指標(biāo)達(dá)到穩(wěn)定狀態(tài)；第二階段是對(duì)樣品進(jìn)行檢測(cè)，把制備好的樣品放置在檢測(cè)臺(tái)旁，按標(biāo)簽順序依次放入太赫茲時(shí)域光譜系統(tǒng)中進(jìn)行檢測(cè)，重復(fù)測(cè)量三次，并取平均值作為該樣品時(shí)域光譜信息。為減少環(huán)境因素對(duì)實(shí)驗(yàn)結(jié)果的影響，取樣間隔時(shí)間不超過5 s；第三階段是利用Origin 和Python 軟件結(jié)合分類模型算法對(duì)獲得的太赫茲光譜數(shù)據(jù)信息進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)據(jù)分類。

1.3 模型與建模方法

1.3.1 標(biāo)準(zhǔn)差 標(biāo)準(zhǔn)差（SD）值反映的是數(shù)據(jù)集的波動(dòng)程度，即離散程度[25]。標(biāo)準(zhǔn)差值大表示數(shù)據(jù)和平均值之間差異較大，標(biāo)準(zhǔn)差值小表示數(shù)據(jù)和平均值之間差異小，在光譜信息中標(biāo)準(zhǔn)差值大小表示光譜波動(dòng)范圍，且兩者為正比關(guān)系。標(biāo)準(zhǔn)差的計(jì)算公式如下：

式中：xi為樣品數(shù)據(jù)；u 為算術(shù)平均值；N 為數(shù)值個(gè)數(shù)。

1.3.2 區(qū)間偏最小二乘 區(qū)間偏最小二乘（iPLS）主要用于光譜波段的選擇，其特點(diǎn)是采用偏最小二乘實(shí)現(xiàn)光譜波段的局部回歸分析，并根據(jù)局部回歸分析的最小均方根誤差確定光譜特征波段的選擇。偏最小二乘的原理是將全光譜劃分為多個(gè)具有同樣寬度的區(qū)間，然后在各個(gè)子區(qū)間內(nèi)使用偏最小二乘回歸，根據(jù)各個(gè)子區(qū)間均方根誤差的比較，選擇均方根誤差最小的子區(qū)間對(duì)應(yīng)的光譜波段為光譜特征波段[26]。

1.3.3 決策樹 決策樹（DT）模型是一種類似于二叉樹的網(wǎng)絡(luò)結(jié)構(gòu)，具有可讀性、分類速度快等優(yōu)點(diǎn)，在分類、回歸等方面有廣泛的應(yīng)用。決策樹中每一個(gè)非葉子節(jié)點(diǎn)都是一個(gè)決策點(diǎn)，即判斷條件，滿足條件的放在節(jié)點(diǎn)的右側(cè)，不滿足的放在節(jié)點(diǎn)的左側(cè)。如何確定決策點(diǎn)是構(gòu)造決策樹的重點(diǎn)，根據(jù)決策點(diǎn)特征選擇的不同，常見的方法有ID3 算法、C4.5 算法和CART 算法。ID3 算法的核心是在決策樹各個(gè)節(jié)點(diǎn)上應(yīng)用信息增益準(zhǔn)則選擇特征，選擇信息增益最大的特征作為決策點(diǎn)。但I(xiàn)D3 算法沒有考慮到數(shù)據(jù)的連續(xù)性和過擬合問題，C4.5 算法在彌補(bǔ)ID3 算法的不足的同時(shí)也提出了根據(jù)信息增益率作為特征選擇的準(zhǔn)則。C4.5 和ID3 算法都能有效的解決分類問題，但不能處理回歸問題，而根據(jù)CART 算法構(gòu)建的決策樹不僅能處理分類問題也能做回歸分析，在分類問題時(shí)選擇基尼系數(shù)最小的特征作為決策點(diǎn)，在回歸分析中CART 算法使用平方誤差最小值對(duì)應(yīng)的特征作為決策點(diǎn)[27]。

1.3.4 SD-iPLS-DT 由于原始數(shù)據(jù)集維度高、信噪比低，直接使用決策樹模型進(jìn)行分類處理，易造成數(shù)據(jù)處理速度慢，模型分類準(zhǔn)確率低等問題。因此采用SD-iPLS 與DT 聯(lián)用的方法對(duì)測(cè)試樣品進(jìn)行分類，即先采用SD 和iPlS 選擇合適的太赫茲波段作為模型的輸入數(shù)據(jù)，再利用DT 模型進(jìn)行分類識(shí)別。本次實(shí)驗(yàn)中原始數(shù)據(jù)維度為220，通過SD 選擇穩(wěn)定性較好的光譜波段，同時(shí)結(jié)合iPLS 選擇均方根誤差最小的光譜區(qū)間，根據(jù)兩者最優(yōu)結(jié)果，選擇其中的38 維吸收光譜數(shù)據(jù)作為分類模型的輸入數(shù)據(jù)，最后使用DT 算法進(jìn)行大米品種識(shí)別研究。

1.4 數(shù)據(jù)處理

由于光譜信息中包含實(shí)驗(yàn)樣品的振幅和相位信息，因此可以將時(shí)域光譜信號(hào)利用快速傅里葉變換得到實(shí)驗(yàn)樣品的頻域信息，并結(jié)合Dorney[28]和Dubillaret[29]等提出的數(shù)據(jù)處理模型處理光譜數(shù)據(jù)，得到大米樣品的折射率和吸收系數(shù)。計(jì)算公式如下：

式中：n(ω) 表 示光譜折射率，n； ω代表角速度，rad/s；φs、 φr分別表示樣品和參考信號(hào)的相位信息，p；c 表示光譜傳播速度，m/s；d 表示樣品的厚度，mm。

式中： α (ω)表 示光譜吸收系數(shù)，cm-1； Ar、 AS分別表示參考信號(hào)和樣品的振幅值，a.u。

2 結(jié)果與分析

2.1 光譜分析

2.1.1 時(shí)域和頻域 為減少實(shí)驗(yàn)誤差，對(duì)每份實(shí)驗(yàn)樣品的時(shí)域信號(hào)分別測(cè)量3 次，并取平均值作為樣品的時(shí)域信號(hào)。圖3（a）是樣品的時(shí)域光譜，時(shí)域光譜信息經(jīng)傅里葉變換得到樣品的頻譜信息，如圖3（b）所示?？梢钥闯鰳悠沸盘?hào)相對(duì)于參考信號(hào)有一定的時(shí)延、衰減和重疊現(xiàn)象，產(chǎn)生時(shí)延可能是由于光譜穿透樣用時(shí)較長，衰減可能是由樣品表面的大顆粒物質(zhì)對(duì)太赫茲光譜反射和內(nèi)部樣品的吸收造成的，而光譜之間區(qū)分度不明顯可能是由于各種大米中的主要成分都是碳水化合物、蛋白質(zhì)和脂肪。

圖3 時(shí)域光譜圖（a）和頻域光譜圖（b）Fig.3 Time domain spectroscopy (a) and frequency domain spectroscopy (b)

2.1.2 折射率和吸收系數(shù) 太赫茲時(shí)域光譜數(shù)據(jù)中包含豐富的振幅和相位信息，經(jīng)公式（2）和（3）計(jì)算得到樣品的折射率和吸收系數(shù)，如圖4 所示?？梢钥闯鏊姆N樣品的折射率曲線和吸收光譜曲線在低頻波段均出現(xiàn)重疊現(xiàn)象，在高頻波段折射率光譜曲線趨于一致，吸收光譜曲線區(qū)別明顯，因此本文選擇吸收光譜作為模型的輸入數(shù)據(jù)。

圖4 折射光譜（a）和吸收光譜（b）Fig.4 Refraction spectrum (a) and absorption spectrum (b)

2.2 光譜處理

由于吸收光譜存在信噪比低和光譜重疊現(xiàn)象，為更好識(shí)別大米品種，本文首先對(duì)吸收光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理解決光譜重疊問題，再利用標(biāo)準(zhǔn)差分析和區(qū)間偏最小二乘（iPlS）選取光譜穩(wěn)定性好、信噪比高的太赫茲波段作為分類模型的輸入數(shù)據(jù)。

2.2.1 吸收光譜預(yù)處理和穩(wěn)定性分析 為增大吸收光譜曲線之間的差異性，本次實(shí)驗(yàn)采用標(biāo)準(zhǔn)化預(yù)處理方法對(duì)吸收光譜數(shù)據(jù)進(jìn)行預(yù)處理操作。圖5 為預(yù)處理后四種樣品的吸收光譜數(shù)據(jù)平均值，通過觀察光譜曲線可以看出，四種樣品的吸收光譜曲線差異明顯。同時(shí)，利用光譜角度[30]對(duì)光譜曲線之間的差異性進(jìn)行評(píng)價(jià)，以河南紅米吸收光譜為參照，結(jié)果如表1 所示，可以看出在經(jīng)過預(yù)處理之后，光譜角度的數(shù)值明顯增大，即光譜曲線之間的差異性增大。但標(biāo)準(zhǔn)化預(yù)處理后的光譜仍存在信噪比低、光譜波動(dòng)大等問題，因此為減少噪聲和光譜波動(dòng)性對(duì)模型準(zhǔn)確率的影響，需選擇合適的光譜波段作為模型分類識(shí)別的輸入數(shù)據(jù)。

圖5 吸收數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理Fig.5 Standardized preprocessing of absorption data

表1 不同樣品光譜角度Table 1 Different sample spectral angles

根據(jù)不同光譜波段的標(biāo)準(zhǔn)差對(duì)光譜的穩(wěn)定性進(jìn)行分析[31]，實(shí)驗(yàn)過程中把吸收全光譜劃分為7 個(gè)不同的區(qū)間，并對(duì)每個(gè)區(qū)間進(jìn)行標(biāo)準(zhǔn)差分析，結(jié)果如表2、圖6 所示，可以看出0.53～1.21 THz 之間四種大米樣品標(biāo)準(zhǔn)差分別為0.06、0.07、0.08、0.06，平均值為0.07，是8 組光譜數(shù)據(jù)中標(biāo)準(zhǔn)差值最小的一組，即光譜波動(dòng)最小，穩(wěn)定性最好的一組；0～0.53 THz 之間的四種大米樣品標(biāo)準(zhǔn)差分別為0.65、0.53、0.36、0.12，平均值為0.42，是8 組光譜數(shù)據(jù)中標(biāo)準(zhǔn)差值最大的一組，即光譜波動(dòng)最大，穩(wěn)定性最差的一組。

圖6 四種樣品預(yù)處理后不同波段標(biāo)準(zhǔn)差Fig.6 Standard deviation of different bands after pretreatment of four samples

表2 四種樣品預(yù)處理后不同波段標(biāo)準(zhǔn)差Table 2 Standard deviation of different bands after pretreatment of four samples

2.2.2 吸收光譜特征譜區(qū)間選擇 實(shí)驗(yàn)過程中采用SPXY-iPLS 算法選擇吸收光譜特征區(qū)間。首先利用SPXY 算法[32]進(jìn)行數(shù)據(jù)集的劃分，再利用iPLS算法計(jì)算每個(gè)子區(qū)間的均方根誤差。在子區(qū)間劃分中，把預(yù)處理后的全光譜分為2、3、4、5、6、7、8、10、15 和22 個(gè)子區(qū)間，分別對(duì)各子區(qū)間建立PLS 回歸模型[33]，進(jìn)而比較模型的均方根誤差，確定均方根誤差最小的回歸模型對(duì)應(yīng)的子區(qū)間。由表3、圖7可以看出當(dāng)劃分區(qū)間個(gè)數(shù)為2 時(shí)，最佳區(qū)間對(duì)應(yīng)的均方根0.84，是10 組區(qū)間中均方根誤差最大的區(qū)間；當(dāng)劃分區(qū)間個(gè)數(shù)為3 時(shí)，最佳區(qū)間1 區(qū)間對(duì)應(yīng)的均方根誤差為0.50，是10 組區(qū)間中均方根誤差最小的區(qū)間，即模型效果最好，對(duì)應(yīng)的THz 光譜波段為0～1.32 THz。

表3 iPLS 不同分割區(qū)間下最優(yōu)區(qū)間列表Table 3 List of optimal intervals under different segmentation intervals of interval partial least square

圖7 最優(yōu)區(qū)間均方根誤差Fig.7 Optimal interval root mean square error

結(jié)合光譜穩(wěn)定性和區(qū)間偏最小二乘兩者對(duì)應(yīng)的最優(yōu)波段，最終選擇0.53～1.21 THz 之間的吸收光譜數(shù)據(jù)作為模型的輸入數(shù)據(jù)。

2.3 模型分析

采用SD-iPLS-DT 聯(lián)用模型對(duì)樣品進(jìn)行分類。首先對(duì)數(shù)據(jù)集進(jìn)行劃分，將0.53～1.21 THz 之間的光譜數(shù)據(jù)按照2:1 的比例劃分為訓(xùn)練集和測(cè)試集。為實(shí)現(xiàn)模型最優(yōu)分類結(jié)果，結(jié)合網(wǎng)格搜索算法尋找最優(yōu)參數(shù)組合。在決策樹模型中主要的參數(shù)有特征選擇評(píng)價(jià)標(biāo)準(zhǔn)（criterion）、最大深度（max_depth）。其中在決策樹模型中特征評(píng)價(jià)標(biāo)準(zhǔn)主要參數(shù)有基尼系數(shù)（gini），信息增益（entropy）。根據(jù)網(wǎng)格搜索算法最終確定模型的最優(yōu)參數(shù)criterion 為gini、最大深度為3。模型對(duì)應(yīng)的分類結(jié)果如表4 所示，分類準(zhǔn)確率為95%。

表4 決策樹分類準(zhǔn)確率Table 4 Classification accuracy of decision tree

為證明本文模型的性能，將SD-iPLS-DT 模型與常見的分類模型邏輯回歸（LC）和支持向量機(jī)[34]（SVM）進(jìn)行對(duì)比。其中在SVM 模型中，分別利用徑向基核函數(shù)、線性核函數(shù)和Sigmoid 核函數(shù)等三種不同核函數(shù)對(duì)樣本進(jìn)行分類。如表5 所示，可以看出在SVM 模型中基于線性核函數(shù)的分類模型效果最好，分類準(zhǔn)確率可達(dá)88.75%。由表6 可以看出，直接使用邏輯回歸和支持向量機(jī)分類準(zhǔn)確率分別為80.75%和88.75%，使用標(biāo)準(zhǔn)差和iPLS 結(jié)合選擇合適的光譜波段后，再使用決策樹模型進(jìn)行分類準(zhǔn)確率為95%，因此使用SD-iPLS-DT 聯(lián)用模型效果要優(yōu)于邏輯回歸和支持向量機(jī)模型。

表5 不同核函數(shù)分類準(zhǔn)確率Table 5 Classification accuracy of different kernel functions

表6 不同模型的分類準(zhǔn)確率Table 6 Classification accuracy of different models

3 結(jié)論與討論

本文利用太赫茲時(shí)域光譜技術(shù)獲取四種大米的時(shí)域和頻域光譜數(shù)據(jù)，并計(jì)算得到折射率和吸收系數(shù)。采用標(biāo)準(zhǔn)差對(duì)吸收光譜數(shù)據(jù)穩(wěn)定性進(jìn)行分析，得出0.53～1.21 THz 之間的光譜穩(wěn)定性最好；區(qū)間偏最小二乘選擇吸收光譜特征波段，確定0～1.32 THz 區(qū)間的均方根誤差最小。結(jié)合穩(wěn)定性最好和最小均方根誤差對(duì)應(yīng)的太赫茲波段，選擇0.53～1.21 THz 波段吸收光譜信息作為決策樹模型的輸入數(shù)據(jù)。實(shí)驗(yàn)結(jié)果顯示：所提出的SD-iPLS-DT 的方法分類準(zhǔn)確率可達(dá)95%。為更好對(duì)比模型分類效果，利用邏輯回歸、支持向量機(jī)與SD-iPLS-DT 方法進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果顯示：邏輯回歸分類準(zhǔn)確率為80.75%，支持向量機(jī)準(zhǔn)確率為88.75%，SD-iPLS-DT 模型分類準(zhǔn)確率為95%。識(shí)別準(zhǔn)確率高于現(xiàn)有利用近紅外光譜技術(shù)進(jìn)行稻花香大米定性分析研究94%準(zhǔn)確率[35]、利用高光譜成像技術(shù)對(duì)大米無損檢測(cè)92.96%準(zhǔn)確率[36]、利用拉曼光譜大米產(chǎn)地識(shí)別91.11%準(zhǔn)確率[37]等。因此可以得出結(jié)論：時(shí)域光譜技術(shù)結(jié)合SD-iPLSDT 方法可以實(shí)現(xiàn)不同大米品種的準(zhǔn)確識(shí)別。同時(shí)也為太赫茲時(shí)域光譜技術(shù)在農(nóng)產(chǎn)品識(shí)別和質(zhì)量安全檢測(cè)方面提供了新的檢測(cè)方法。