为实现小麦粉品质的定量快速检测,基于近红外(Near infrared,NIR)光谱技术建立了小麦粉水分、灰分和面筋含量的偏最小二乘(Partial least squares,PLS)模型。通过分析和比较不同数据处理方法对建模结果的影响,筛选出最佳的样本划分、预...为实现小麦粉品质的定量快速检测,基于近红外(Near infrared,NIR)光谱技术建立了小麦粉水分、灰分和面筋含量的偏最小二乘(Partial least squares,PLS)模型。通过分析和比较不同数据处理方法对建模结果的影响,筛选出最佳的样本划分、预处理和特征提取方法。水分含量模型采用随机选择法(Random selection,RS)结合卷积平滑法以及竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)进行数据处理,所建立的定量模型效果最好,交叉验证均方根误差(Root mean square error of crossvalidation,RMSECV)为0.0937,预测均方根误差(Root mean squared error of prediction,RMSEP)为0.0996,预测集决定系数(Coefficient of determination,R2)为0.9215,相对分析误差(Relative percent deviation,RPD)为3.57。灰分含量模型采用RS法结合一阶导数以及卷积平滑法的建模效果最好,RMSECV为0.0509、RMSEP为0.0731、R2为0.8718、RPD为2.79。面筋含量模型采用RS法结合归一化(Normalize)的建模效果最好,RMSECV为0.3589、RMSEP为1.1194、R2为0.7609、RPD为2.05。实验结果表明,经预处理和特征提取处理后,所建立的小麦粉品质定量快速检测模型稳定可靠,具有较高的预测精度。展开更多
文摘为实现小麦粉品质的定量快速检测,基于近红外(Near infrared,NIR)光谱技术建立了小麦粉水分、灰分和面筋含量的偏最小二乘(Partial least squares,PLS)模型。通过分析和比较不同数据处理方法对建模结果的影响,筛选出最佳的样本划分、预处理和特征提取方法。水分含量模型采用随机选择法(Random selection,RS)结合卷积平滑法以及竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)进行数据处理,所建立的定量模型效果最好,交叉验证均方根误差(Root mean square error of crossvalidation,RMSECV)为0.0937,预测均方根误差(Root mean squared error of prediction,RMSEP)为0.0996,预测集决定系数(Coefficient of determination,R2)为0.9215,相对分析误差(Relative percent deviation,RPD)为3.57。灰分含量模型采用RS法结合一阶导数以及卷积平滑法的建模效果最好,RMSECV为0.0509、RMSEP为0.0731、R2为0.8718、RPD为2.79。面筋含量模型采用RS法结合归一化(Normalize)的建模效果最好,RMSECV为0.3589、RMSEP为1.1194、R2为0.7609、RPD为2.05。实验结果表明,经预处理和特征提取处理后,所建立的小麦粉品质定量快速检测模型稳定可靠,具有较高的预测精度。
