这篇文档属于类型a，是一篇报道单篇原创研究的学术论文。以下为具体报告内容：

作者与机构
本研究由河南工业大学（Henan University of Technology）的多个团队合作完成，通讯作者为Hongyi Ge（gehongyi2004@163.com）。主要作者包括Yuying Jiang、Xixi Wen、Guangming Li、Hao Chen等，涉及谷物信息处理与控制教育部重点实验室（Key Laboratory of Grain Information Processing and Control）、河南省谷物光电检测与控制重点实验室（Henan Provincial Key Laboratory of Grain Photoelectric Detection and Control）等机构。论文发表于Journal of Food Composition and Analysis期刊，2025年5月正式出版（DOI:10.1016/j.jfca.2025.107771）。

学术背景
研究领域：本研究属于农业检测技术与人工智能交叉领域，聚焦于利用太赫兹时域光谱（Terahertz Time-Domain Spectroscopy, THz-TDS）结合卷积神经网络（Convolutional Neural Network, CNN）对转基因玉米品种进行分类。

研究动机：玉米是中国第一大粮食作物，转基因技术的应用日益广泛，但传统检测方法（如DNA和蛋白质检测）存在破坏样本、耗时长且无法适用于加工后玉米的缺陷。太赫兹波因其高穿透性、低光子能量和分子指纹特征，成为无损检测的潜在工具。然而，当前针对转基因玉米的THz-CNN联合研究较少。

研究目标：开发一种基于THz-TDS和1D-CNN的高精度分类方法，实现对5种转基因玉米品种（MIR162、MON87427、MON87460、MON88017、MON89034）的快速无损鉴别。

研究流程
1. 样本准备
- 研究对象：5种转基因玉米粉末（每种180个样本，共900个样本），均来自商业化的标准材料。
- 预处理：真空干燥（60℃, 1–2小时）以控制水分含量低于5%，压制成直径13 mm、厚度1.1 mm的圆片。

1. 光谱采集与参数提取

   • 仪器：国产QT-TO1000型THz 3D成像系统，采用透射模式，扫描范围0.1–1.1 THz（181个光谱特征）。
     
   • 光学参数计算：通过快速傅里叶变换（FFT）从时域信号转换为频域信号，基于Dorney模型提取吸收系数（α）和折射率（n）。
     

2. 数据预处理

   • 异常值剔除：采用孤立森林算法（Isolation Forest, IF）检测并移除5个异常样本（4个MON88017，1个MON89034）。
     
   • 光谱增强：一阶导数（First Derivative, FD）处理消除基线漂移，提高分辨率。
     
   • 特征提取：主成分分析（PCA）降维，前10个主成分累计贡献率达97.12%。
     

3. 模型构建与优化

   • 传统机器学习模型：
     
     • 支持向量机（SVM）结合网格搜索（GS）、粒子群优化（PSO）和河马优化（HO）算法，优化核函数参数（C和g）。
       
     • K近邻（KNN）模型，通过网格搜索调整邻居数（k=3,5,7,10）和距离权重（均匀/距离加权）。
       
   • 深度学习模型：
     
     • 1D-CNN结构：6个卷积层（3×1核，tanh激活函数）+3个池化层（3×1核，最大池化）+全连接层。
       
     • 训练参数：初始学习率0.002，批次大小32，使用Adam优化器和分类交叉熵损失函数。
       

4. 模型评估

   • 指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值。
     
   • 数据划分：训练集623样本（70%），测试集272样本（30%）。
     

主要结果
1. 光谱分析
- 不同转基因品种的吸收系数存在显著差异（如MON88017吸收最强，MIR162最弱），但无明确特征峰（图4a）。FD预处理后，光谱分辨率显著提升（图4b）。

1. 模型性能

   • 传统模型：FD预处理后，PCA-HO-SVM准确率最高（90.75%），但对MON88017的分类性能下降（83.02%）。优化算法中，HO表现优于PSO和GS（图7）。
     
   • 深度学习模型：1D-CNN在FD预处理后达到最高准确率96.68%，误分类率仅3.32%（表3）。其对MON88017的识别率从86.79%提升至96.22%（图9）。
     

2. 结果逻辑链

   • 光谱差异 → PCA提取特征 → 传统模型（SVM/KNN）依赖人工特征优化 → 性能受限于特征选择 → 1D-CNN自动提取全波段特征 → 更高准确率。
     

结论与价值
1. 科学价值
- 验证了THz-CNN组合在转基因作物检测中的高效性，1D-CNN的端到端特征学习能力显著优于传统机器学习。
- 提出FD预处理可增强光谱特征，弥补THz光谱因分子复杂性导致的特征模糊问题。

1. 应用价值
   
   • 为农业食品安全提供无损、快速的转基因成分筛查方案，尤其适用于加工后样品的检测。
     
   • 模型可扩展至其他农作物或转基因事件的分类。
     

研究亮点
1. 方法新颖性
- 首次将河马优化算法（HO）用于THz光谱的SVM参数优化，较传统PSO算法收敛更快（图7b）。
- 设计的1D-CNN模型通过分层卷积直接处理全波段光谱，避免人工特征选择的偏差。

1. 技术突破

   • 在0.1–1.1 THz波段实现96.68%的分类准确率，为当前转基因玉米THz检测的最高水平。
     
   • 提出“FD-PCA-CNN”联合流程，平衡计算效率与模型性能。
     

2. 局限性

   • 未定量分析转基因成分含量；未针对环境干扰（温湿度）设计鲁棒性补偿机制。
     

其他价值
- 公开的样本制备与光谱采集流程可为后续研究提供标准化参考。
- 研究得到中国国家自然科学基金（61975053, 62271191）等多项资助，体现其学术认可度。

（报告全文约2000字）