类型a

这篇研究由孙晓荣（Xiaorong Sun）、周新鹏（Xinpeng Zhou）、刘翠玲（Cuiling Liu）等作者完成，他们分别来自北京工商大学计算机与人工智能学院、浙江省农业科学院农产品质量安全与营养研究所和北京食品安全大数据技术重点实验室。该研究发表在2025年的《Food Control》期刊上。

学术背景
本研究的主要科学领域是食品科学与技术，特别是利用高光谱成像技术（Hyperspectral Imaging, HSI）对稻米的储存年份进行快速无损检测。稻米是全球超过一半人口的主食，但长期储存的稻米可能会因氧化、霉变或虫害而降低营养价值，并产生有害物质如黄曲霉毒素和赭曲霉毒素。传统的稻米新鲜度检测方法如化学分析、气相色谱和质谱分析虽然准确可靠，但耗时且昂贵，难以满足大批量样品检测的需求。因此，本研究旨在开发一种基于高光谱成像技术和数据融合技术的快速、无损、环保的稻米储存年份识别方法。

研究流程
本研究包括以下几个主要步骤：
1. 样品收集与准备：实验使用了900个稻米样本，这些样本分别来自2016年、2018年和2021年三个不同储存年份。所有样本均经过脱壳处理，并使用近红外高光谱成像系统采集图像和光谱数据。
2. 高光谱成像系统与数据采集：实验采用芬兰Specim公司生产的高光谱成像系统，其波长范围为900-1700 nm，空间分辨率为640×640像素。系统通过逐步扫描获取稻米样本的高光谱图像，并对原始图像进行黑白校正以减少噪声和基线漂移。
3. 数据预处理：为了提高模型预测的准确性，研究采用了多种光谱数据预处理方法，包括多元散射校正（Multiplicative Scatter Correction, MSC）、标准正态变量变换（Standard Normal Variate, SNV）和一阶导数（1st Derivative）。
4. 特征提取与降维：研究使用主成分分析（Principal Component Analysis, PCA）和t分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）对光谱数据进行可视化和降维处理。同时，通过竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）提取光谱特征波长。此外，还使用局部二值模式（Local Binary Pattern, LBP）、灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）和Tamura算法提取纹理特征。
5. 模型构建与评估：研究使用支持向量机（Support Vector Machine, SVM）和极端梯度提升（Extreme Gradient Boosting, XGBoost）两种机器学习算法构建分类模型。其中，SVM模型通过鲸鱼优化算法（Whale Optimization Algorithm, WOA）进行参数优化。模型的性能通过混淆矩阵进行评估，计算准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-Score）。

主要结果
1. 光谱数据分析：通过对原始光谱数据的分析发现，不同储存年份的稻米在特定波长范围内表现出差异，例如1220 nm和1300 nm处的C-H基团信息，以及1400 nm处的O-H基团信息。预处理后的光谱数据进一步增强了这些特征的可区分性。
2. 特征提取与降维结果：PCA降维结果显示，SNV预处理后的光谱数据具有更好的分离性。t-SNE算法的表现优于PCA，尤其是在SNV预处理后，能够更清晰地展示不同储存年份稻米的分类边界。
3. 模型性能比较：基于光谱数据的WOA-SVM模型表现最佳，准确率达到98.33%。结合MSC-CARS-LBP特征的数据融合模型进一步提高了分类性能，最高准确率达到98.89%。相比之下，XGBoost模型在纹理数据上的表现优于光谱数据，但在融合数据上的表现略逊于WOA-SVM模型。
4. 特征融合的效果：光谱特征和纹理特征的融合显著提高了模型的分类能力，尤其是LBP算法提取的纹理特征与光谱特征结合后表现出最高的稳定性和准确性。

结论与意义
本研究成功开发了一种基于高光谱成像技术和数据融合技术的稻米储存年份识别方法。研究结果表明，MSC-CARS-LBP-WOA-SVM模型在分类准确率方面表现最佳，达到了98.89%。该方法不仅为稻米储存年份的快速无损检测提供了理论依据，还为食品质量和安全领域的其他应用奠定了基础。未来的研究可以扩展到更多种类的稻米或其他粮食作物，以进一步验证模型的通用性和准确性。

研究亮点
1. 首次将高光谱成像技术与数据融合技术结合用于稻米储存年份的识别。
2. 提出了MSC-CARS-LBP特征融合方法，显著提高了分类性能。
3. 使用t-SNE算法进行光谱数据降维，获得了比PCA更好的可视化效果。
4. 通过WOA优化SVM模型参数，实现了更高的分类准确率。

其他有价值内容
本研究还探讨了不同预处理方法对模型性能的影响，发现SNV预处理在大多数情况下表现最佳。此外，研究强调了光谱特征和纹理特征的不同贡献率，为进一步优化特征提取方法提供了方向。