基于IPLS-XGBoost算法的可见-近红外光谱鸡蛋新鲜度高效准确检测技术研究

摘要：

针对传统光谱法检测鸡蛋新鲜度存在的效率低、准确率不够高等问题,提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究,以期在保证足够高准确度的同时大幅提高检测效率.将不同储存条件下的鸡蛋作为样本,并分别划分为训练集和测试集,采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能.具体地,首先利用可见-近红外光谱系统采集鸡蛋的反射光谱,将所得的光谱数据经过不同预处理后再结合随机森林(random forest,RF)、偏最小二乘(partial least squares,PLS)、支持向量机(support vector machine,SVM)、多层感知机(muhi-layer perception,MLP)以及 XGBoost等分类算法构建鸡蛋新鲜度分类评估模型,并对比各模型性能指标.分析结果发现,经Savitzky-Golay一阶导(Savitzky Golay first-order derivative,SG-1st-Der)预处理后的 RF、SVM、XGBoost模型和经标准正态变量(standardized normal variate,SNV)预处理后的 PLS、MLP 模型具有较好的训练结果.为进一步提高模型精度和运算效率,提出利用区间偏最小二乘法(interval partial least squares,IPLS)对 SG-1 st-Der和 SNV预处理后的光谱数据首先进行降维,然后再分别建立基于 RF、SVM、XGBoost、PLS 及MLP等算法的预估模型,最后通过测试集对模型进行验证.结果发现原始光谱数据经 SG-1 st-Der 预处理后所建立的 IPLS-XGBoost 分类模型性能最优,在不同储藏条件下测试集的 F-measure 分别为 92.33％和90％,Accuracy分别达到 94.44％和 91.67％,而程序运行时间均不超过 0.6s.表明,可见-近红外光谱结合IPLS-XGBoost分类算法可应用于鸡蛋新鲜度评估,该方法在模型分类性能、准确度评估、运行速度等方面比传统方法更具优越性.

关键词：可见/近红外光谱技术、XGBoost算法、区间偏最小二乘法、鸡蛋新鲜度

所属期刊栏目：43

分类号：O433.4(光学)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1711-1718