lol比赛押注平台《食品科学》：西北农林科技大学陈煦博士等：结合太赫兹光谱与机器学习的小麦霉变程度判别小麦是我国重要的粮食作物，在小麦存储过程中，若对环境条件控制不当，小麦极易受到真菌感染，出现发热、霉变等现象。 然而早期的霉菌感染表现为粮堆局部发热，不易察觉，待发现时己造成大量粮食资源的损失。 近年来，太赫兹光谱技术因穿透性强、相干性好、信噪比高等特点而得到了迅速的发展，并且由于大多数有机大分子的振动、转动能级位于太赫兹波段，可以作为表征分子的结构与性质的“指纹谱”，使其在生物、食品、农业等检测领域具有重大潜力lol比赛押注平台(中国)官方网站。

　　西北农林科技大学机械与电子工程学院的杨承霖、刘嘉祺、陈煦*等人 以小麦籽粒为研究对象，将霉变过程中的 黄曲霉毒素B 1 （AFB 1 ） 含量作为测定指标，利用太赫兹时域光谱技术，结合机器学习方法建立小麦霉变程度判别的定性分析模型，旨在为存储小麦霉变的太赫兹光谱检测提供一定理论支持。

　　在接种黄曲霉后的培养过程中，小麦籽粒表面逐渐覆盖着不同程度的绿色黄曲霉孢子。随着时间的推移，每隔24 h取出2 组样本进行AFB 1 含量的测定，共取4 次，分别为24、48、72 h与96 h，测定结果如表1所示。

　　AFB1累积含量与时间的柱形图与变化曲线 h，黄曲霉菌代谢产物AFB1含量的增加量极少，这可能是由于在该时间内主要发生黄曲霉菌的孢子萌发、菌丝生长、真菌渗透小麦表皮所致。之后，黄曲霉菌在36～48 h开始从营养生长转向生殖生长，并开始次级代谢，AFB1迅速累积。在48 h后，AFB1的浓度远超过标准规定的5 μg/kg，说明黄曲霉毒素的积累发生在这个阶段。而在之后的阶段，AFB1含量以接近指数量级的方式增长，其原因可能是在96 h内，小麦提供的生长环境还未达到黄曲霉生长的“阈值”，黄曲霉的生长仍处于生物繁殖“S”型曲线的前半部分，因此AFB1含量也将逐渐累积，并且根据24～96 h的AFB1含量累积曲线 不同霉变程度小麦的太赫兹光谱

　　根据小麦霉变过程中的AFB 1 含量水平，分别将霉菌侵染培养后第48、72小时与第96小时的小麦分别作为轻度、中度与重度霉变样本，进行后续的分类检测。为分析4 类样本光谱的区别，绘制每类样本的平均光谱曲线以及各自对应光谱的标准差，如图2所示。 由吸收系数谱可以看出，4 类小麦样本的光谱无明显差别，且没有特定的吸收峰lol比赛押注平台(中国)官方网站，主要因为实验采用正常和霉变后小麦研磨后的粉末，为含有多种成分的复杂混合物，各种成分的太赫兹吸收强烈造成谱峰重叠，因此无法对某种特定成分的太赫兹吸收谱峰值进行辨识，需要使用统计学方法进行进一步分析。

　　如表2所示，为不同窗口大小的移动平均平滑的处理效果。未进行平滑预处理的模型具有较高的校正集准确率（ACC）（99.02%）和较低的预测集准确率（ACP）（90.91%），这是由于光谱存在大量的随机噪声干扰了模型的校正过程。随着窗口逐渐增大，PCA提取的PC数逐渐减小，且校正集的预测精度下降而预测集精度上升，这是由于平滑减小了随机噪声而突出了光谱中的有用信息，在一定程度上减小了模型的过拟合程度，从而使校正集与预测集的精度接近。但平滑窗口宽度过大时，则会滤除与分类有关的光谱信息，同时也使描述原数据信息所需的PC进一步减少。其中窗口大小为11时的平滑效果最好，ACP最高为92.71%，较无平滑处理时提高了1.8%，Rp2最大为0.915 0，RMSEP最小为0.083 3。当窗口大小大于11后，ACP将有所降低，因为此时窗口过大，导致部分有用信息也被一同平滑滤除，从而使得所构建模型的精度下降。由上述分析可知，移动平滑的最佳窗口大小以11为宜。

　　采用不同预处理方法结合的方式对原始光谱进行预处理，并对预处理变换后的光谱建立PCA-SVM分类模型，结果如表3所示。由结果分析得出，太赫兹光谱经过平滑与归一化处理后，ACP较无预处理时分别提高了1.8%和1.3%，说明这2 种方法对于原始光谱起到了一定的改善作用。其他预处理如SNV等则不能有效提高太赫兹光谱的建模性能，因此后续选取平滑处理后的太赫兹光谱进行分析。

　　使用平滑预处理后的0.1～4 THz范围的吸收系数谱，分别用PCA、LDA和t-SNE进行降维分析，并绘制降维后每个样本光谱的前3 个成分得分分布图，结果如图3所示。降维后得到的数据利用SVM进行分类建模，结果如表4所示。

　　根据降维效果可以看出，样本光谱经过3 种方法降维后，不同霉变程度样本具有一定的聚类效应，说明3 种降维方法均可以将不同霉变程度的小麦样本分隔开。选取降维后可保留原始信息90%以上的前几个PC构建SVM分类模型，结果表明，LDA的降维效果明显优于PCA与t-SNE，主要原因是LDA为有监督的降维，而PCA与t-SNE为无监督降维，在样本标签已知的情况下，LDA可以自动提取组内的相似信息和组间的差异信息，从而达到更好的分类效果。

　　研究不同的核函数与误差惩罚系数值对SVM建模的影响，结果如表5～8所示。由不同核函数的分类结果可知，多项式核的分类效果最好，ACP最高可达98.61%。此外，线性核的分类结果不受误差惩罚系数值的影响，不存在过拟合现象，究其原因，是由于在利用SVM建模前使用了线性降维方法PCA，使各类别均能由线性间隔较好地分离开。其他非线性分类核函数则在误差惩罚系数值不同时出现不同程度的过拟合现象，其中多项式核在误差惩罚系数值为1附近分类效果最好，ACP达到了98.61%。

　　为寻求2 个参数（决策树的个数和树的最大深度）对模型性能的影响，使用网格搜索算法寻找最佳参数，寻优过程如图4所示。随着RF模型中决策树个数和树的最大深度的增加，测试集精度首先有一个迅速上升过程，在2 个参数分别达到130和3左右后，RF模型的ACP不再明显增加，并且ACP与RMSCP值均呈现一定的波动，其中以决策树数目130、最大深度3为最优模型，此时ACP达到90.10%，标准差为0.024 3，精度略低于SVM。

　　影响ELM模型的主要参数为隐含层的神经元数目，设置一定梯度的隐含层神经元数目，并在每个参数水平下重复运行ELM程序6 次以测试模型的稳健性，将预测精度的平均值和极差作为评价标准，其中均值用于评价模型的平均精度，极差用于判断该参数条件下ELM模型的稳定性，结果如图5所示。当隐含层神经元数目由10增加到40的过程中，校正集与预测集的平均精度均有所上升，且极差有减小的趋势，说明在此过程中ELM不断提高了预测的性能。当神经元数目增加到40以上后，尽管校正集精度仍在上升，但预测集精度有所下降，且校正集和预测集的准确率极差均有所增加，说明此时模型已经出现过拟合。因此，当ELM模型的隐含层神经元数目为40左右时为最优，此时ACC达到93.63%，ACP达到90.89%，劣于SVM的分类效果，与随机森林的分类结果接近。

　　图6所示为各方法在最优参数下的校正集和预测集准确率，其中，SVM方法的效果最佳，在核函数为多项式核、误差惩罚系数为1时，预测集准确率可达98.61%、RMSEP值为0.142 9。此外，利用太赫兹光谱结合机器学习方法对不同霉变程度样本进行判别时，平均校正集准确率为97.29%，平均预测集准确率为93.95%，达到了较高的判别精度。

　　本实验共采集了4 类不同霉变程度小麦样本的太赫兹光谱共384 条，结合不同预处理、降维以及定性判别方法进行了研究，主要结论如下：

　　综上，本研究利用太赫兹时域光谱技术结合恰当的预处理与定性判别方法实现了对小麦不同霉变程度的较高精度判别检测。此外，本研究测得轻度霉变小麦样本AFB 1 含量达1.4 μg/kg，则表明利用太赫兹光谱对霉变小麦中AFB 1 含量的最低检测限至少达到该数值。与传统霉变检测方法相比，太赫兹光谱检测法无溶剂、无化学反应过程、检测环境要求低，因此，该方法在粮仓或生产链的农产品霉变实时监测中具有广阔的应用前景。

　　本文《结合太赫兹光谱与机器学习的小麦霉变程度判别》来源于《食品科学》2023年44卷第12期343-350页，作者：杨承霖，刘嘉祺，郭芸成，徐志远，张思怡，姚志凤，秦立峰，陈煦*，何东健，卫亚红。DOI:10.7506/spkx0727-304。 点击下方 阅读原文 即可查看文章相关信息。

　　为进一步促进动物源食品科学的发展，带动产业的技术创新，更好的保障人类身体健康和提高生活品质，由北京食品科学研究院、中国肉类食品综合研究中心、国家肉类加工工程技术研究中心及中国食品杂志社《食品科学》杂志、《Food Science and Human Wellness》杂志、《Journal of Future Foods》杂志主办，贵州大学、贵阳学院共同主办，贵州医科大学lol比赛押注平台(中国)官方网站、清华大学深圳国际研究生院、河南省大鲵保护与发展协会、国家市场监管重点实验室（特殊食品监管技术）支持协办，中国食品杂志社《肉类研究》杂志、《乳业科学与技术》杂志、《Food Science of Animal Products》承办，钛和中谱检测技术（厦门）有限公司、贵州油研纯香生态粮油科技有限公司、岛津企业管理(中国)有限公司、四川安好众泰科技有限公司、贵州成义烧坊酒业股份有限公司、贵州黔醉酒业（集团）有限公司、黔东南民生食品有限公司、贵州普安红茶业（集团）有限公司等企业赞助的“2023年动物源食品科学与人类健康国际研讨会”即将于2023年10月28-29日在贵州贵阳召开。