食品工业科技

作者：王甜甜, 冯国红, 朱玉杰

关键词：近红外光谱,竞争适应性重加权采样法,随机蛙跳,偏最小二乘回归,支持向量回归,

采用近红外光谱技术，对不同贮藏时间的蓝莓营养成分进行定量分析，以寻求其化学成分与近红外光谱数据的相关性，实现利用光谱技术对蓝莓营养成分的无损检测。对获取的近红外光谱数据，运用偏最小二乘回归（Partial Least Square Regression，PLSR）和支持向量回归（Support Vector Regression，SVR）两种机器学习算法预测蓝莓可溶性固形物（Soluble Solids Content，SSC）和维生素C（Vitamin C，VC）含量。为增加预测精度，采用一阶导数（First Derivative，1-DER）、二阶导数（Second Derivative，2-DER）、标准正态变换（Standard Normal Variate Transform，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、Savitzky-Golay平滑（S-G）等一种或几种方法组合对光谱数据进行预处理，比较分析最佳的预处理方式；采用竞争适应性重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）和随机蛙跳算法（Random Frog，RF）及两种算法组合对光谱波长进行降维处理。结果表明，降维后的SSC波长变量分别降到了全光谱变量的1.7%、4.3%和5.6%，VC波长变量分别降到了全光谱变量的2.5%、2.9%、4.8%。在筛选后的光谱波长变量的基础上，采用PLSR建立蓝莓近红外光谱与SSC和VC含量的预测模型。对比发现CARS结合RF算法筛选出的波长变量预测效果更好，模型校正相关系数分别为0.9001、0.8707，校正均方根误差分别为0.8234、2.9429，预测相关系数分别为0.8424、0.8350，预测均方根误差分别为0.9613、2.9482。为排除模型性能对预测结果的影响，建立SVR模型将预测结果进行对比，同样发现CARS结合RF算法的预测效果更佳，模型校正相关系数分别为0.8702、0.8503，校正均方根误差分别为0.9549、3.2431，预测相关系数分别为0.8269、0.8183，预测均方根误差分别为0.8769、2.8818。本研究为蓝莓营养品质监测提供了模型基础，且选择特征波长的方法可以为更多果蔬营养物质预测模型提供参考。

来源：2023年第16期

《食品工业科技》期刊编辑部

查看食品工业科技杂志2023年第16期