这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
研究作者及机构
本研究由Edenio Olivares Díaz、Haruka Iino、Kento Koyama、Shuso Kawamura、Shigenobu Koseki（均来自日本北海道大学农业科学研究生院）以及Suxing Lyu（来自东京大学前沿科学研究生院）共同完成。研究发表于《Food Chemistry》期刊，2023年7月20日在线发布，卷号为429，文章编号为136907。
学术背景
本研究属于食品科学与机器学习交叉领域，旨在通过近红外光谱（Near-Infrared Spectroscopy, NIR）和机器学习算法实现大米口感的非破坏性质量分类。大米的口感质量主要由蛋白质含量（Protein Content, PC）和直链淀粉含量（Amylose Content, AC）决定，低PC和AC通常被认为是高质量口感的标志。然而，如何在不破坏样品的情况下准确评估这些成分仍是一个技术难题。本研究的目标是开发一种基于NIR光谱和机器学习的高效分类模型，以提升大米质量检测的准确性和效率，并推动相关技术在农业和食品工业中的应用。
研究流程
研究分为以下几个主要步骤：
样品收集与处理
研究使用了2008年至2019年间从日本北海道地区收集的1074个糙米样品，涵盖11种非糯性粳稻品种。样品分为训练集（2008-2016年，796个样品）和测试集（2017-2019年，278个样品）。每个样品的AC通过碘比色法测定，PC则通过NIR光谱仪结合凯氏定氮法（Kjeldahl Method）预测。
NIR光谱测定
使用BR-5000 NIR光谱仪对每个样品进行光谱扫描，光谱范围为850-1048 nm，步长为2 nm，路径长度为30 mm。每个样品的光谱为三次扫描的平均值。
机器学习模型开发
研究采用了三种线性机器学习算法：逻辑回归（Logistic Regression, LR）、支持向量机（Support Vector Machine, SVM）和偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLS-DA）。模型通过网格搜索（GridSearchCV）和10折交叉验证进行优化，并调整分类阈值以提升性能。
数据预处理与特征降维
对于LR和SVM模型，使用主成分分析（Principal Component Analysis, PCA）对NIR光谱特征进行降维。对于PLS-DA模型，采用Savitzky-Golay二阶导数处理光谱数据，以解决光谱重叠和基线漂移问题。
模型评估与优化
通过混淆矩阵、平衡准确率、精确率、召回率、F1分数和分类误差等指标评估模型性能。研究还优化了分类阈值，以在精确率和召回率之间取得平衡。
主要结果
1. AC和PC的变异性
研究显示，不同年份和品种的AC和PC存在显著差异，表明大米成分受环境和遗传因素的影响。
NIR光谱分析
NIR光谱显示，高质量口感（HQ）和普通质量口感（OQ）样品的光谱相似，但通过机器学习模型仍能有效区分。
模型性能
LR和SVM模型在测试集上表现优异，准确率达到94%，F1分数为90%，分类误差为4%。相比之下，PLS-DA模型的性能较差，F1分数仅为64%。优化分类阈值后，LR和SVM模型的精确率和召回率进一步提升，分类误差降至4%。
最佳模型选择
基于精确率-召回曲线和平均精确率值，LR和SVM模型被选为最佳分类模型，适用于工业环境中的大米口感质量分类。
结论
本研究成功开发了基于NIR光谱和机器学习的高性能线性模型，能够非破坏性地分类大米口感质量。LR和SVM模型在精确率、召回率和分类误差等指标上均优于PLS-DA模型，展示了其在工业应用中的潜力。该研究不仅提升了大米质量检测的效率和准确性，还为其他农产品和食品的质量控制提供了新的技术路径。
研究亮点
1. 创新性方法
本研究首次将NIR光谱与线性机器学习算法结合，实现了大米口感质量的非破坏性分类。
高性能模型
LR和SVM模型在测试集上表现出色，准确率和F1分数均达到90%以上，分类误差仅为4%。
工业应用潜力
该技术可直接应用于粮食仓储和质量检测系统，提升大米生产的自动化和效率。
广泛适用性
研究方法不仅适用于大米，还可推广至其他农产品和食品的质量控制，具有广泛的应用前景。
其他有价值的内容
研究还探讨了不同机器学习算法在处理不平衡数据集时的表现，发现LR和SVM算法在分类性能上优于PLS-DA。此外，研究通过优化分类阈值，进一步提升了模型的精确率和召回率，为类似研究提供了重要的技术参考。
以上是对该研究的全面报告，涵盖了研究背景、流程、结果、结论及其科学和应用价值。