利用荧光高光谱技术和机器学习对掺假泰国大米进行无损定量检测的研究

《Journal of Food Measurement and Characterization》：Research on non-destructive quantitative detection of adulterated thai rice using fluorescence hyperspectral technology and machine learning

泰国香米掺假检测研究提出融合荧光 hyperspectral成像与机器学习模型的无损方法，通过MSC、MMN、SNV预处理及BOSS、CARS、SPA特征选择，优化SVR、PLSR、LSSVR回归模型，最终SNV-BOSS-LSSVR-AOA模型实现RMSEC 0.0014和R2 0.9999的高精度定量检测，保障市场真实性。

　　

摘要

泰国香米以其独特的质地和独特的茉莉香气而闻名于世，是全球出口量最大的大米品种之一。然而，市场上出现了外观相似的普通低成本大米，这些大米被冒充为泰国香米出售，或者与真正的泰国香米混合销售，这使得消费者仅凭外观难以辨别其真实性。这种情况严重损害了消费者的合法权益。本研究探讨了泰国香米市场中的掺假问题，即使用普通大米或添加了香精的大米作为假冒品。研究提出了一种基于荧光高光谱成像技术和机器学习技术结合的快速、无损的定量识别方法。本研究以泰国香米以及添加了泰国香精的安徽大米为研究对象，利用荧光高光谱技术和机器学习方法对泰国香米中的掺假情况进行了定量分析。荧光高光谱数据经过乘法散射校正（MSC）、最小-最大归一化（MMN）和标准差标准化（SNV）等预处理步骤。特征波长选择采用了自助软收缩（BOSS）、竞争自适应重采样（CARS）和连续投影算法（SPA）等方法。实验结果表明，经过预处理和特征选择后，可以通过支持向量回归（SVR）、偏最小二乘回归（PLSR）和最小二乘支持向量回归（LSSVR）等方法实现对泰国香米掺假的定量检测。最终，通过阿基米德优化算法（AOA）和Snake Optimizer（SO）对定量识别模型进行了优化。表现最佳的模型SNV-BOSS-LSSVR-AOA的均方根误差（RMSEC）为0.0014，解释系数（R2）为0.9999，均方根预测误差（RMSEP）为0.0327，决定系数（Rp2）为0.9893，成功实现了泰国香米掺假的定量识别。本研究证实了荧光高光谱技术与优化后的机器学习模型在泰国香米掺假定量识别中的可靠性，能够快速检测市场中的掺假行为，确保泰国香米的真实性，并规范泰国香米市场的监管标准。