-
题名碾磨程度对LIBS鉴别稻米产地准确度的影响
- 1
-
-
作者
谢玮萍
徐将
魏海波
刘林林
姚明印
姚小英
-
机构
江西农业大学工学院
江西农业大学职业师范学院
-
出处
《江西农业大学学报》
北大核心
2025年第2期478-485,共8页
-
基金
国家自然科学基金项目(32260632)。
-
文摘
【目的】稻米经碾磨加工改善感官品质,但碾磨过程会掩盖与原产地相关的信息特征,增加稻米产地辨识难度。激光诱导击穿光谱(LIBS)通过全光学方法感知稻米元素组成信息,具备稻米产地快速、绿色鉴别潜力。旨在采集不同碾磨程度的稻米样品LIBS光谱,结合随机森林(RF)和逻辑回归(LR)机器学习算法,分析碾磨程度对LIBS鉴别稻米产地准确度的影响。【方法】收集江西省内11处产地稻米,经微、轻度、中度、重度4级碾磨,再压片处理形成LIBS分析样品。对比稻米样品LIBS光谱随碾磨程度的变化,评估采用全光谱数据以及利用极限梯度提升(XGBoost)提取特征光谱时,RF、LR模型对稻米产地的鉴别准确度。【结果】(1)随着碾磨程度的提高,稻米内部矿质元素信息发生变化,LIBS可检测到的稻米成分信息减少,从而对稻米产地鉴别准确度造成一定影响。(2)全光谱数据输入时,LR模型的平均鉴别准确率为89.97%,经XGBoost特征提取后,平均鉴别准确率提升至94.85%;RF模型的鉴别准确率从85.11%提升至94.31%,这表明XGBoost特征提取能够显著增强模型鉴别性能。(3)经光谱特征变量选择后,RF模型微、轻度、中度、重度碾磨鉴别准确率分别为97.64%、93.88%、93.15%、92.55%;LR模型分别为97.76%、94.79%、94.48%、92.36%,相较于RF模型,LR模型体现出更优的鉴别性能。【结论】LIBS方法结合机器学习算法对不同碾磨程度下稻米产地均具有鉴别能力,且碾磨程度越低,鉴别准确率越高。
-
关键词
激光诱导击穿光谱(LIBS)
稻米碾磨程度
产地鉴别
XGBoost
特征提取
机器学习
-
Keywords
laser-induced breakdown spectroscopy(LIBS)
rice milling degree
origins identification
XGBoost
feature extraction
machine Learning
-
分类号
TS212.4
[轻工技术与工程—粮食、油脂及植物蛋白工程]
O657.31
[理学—分析化学]
S511
[农业科学—作物学]
-
