大米加工精度检测方法的研究

论文摘要

相关研究表明,在稻米的表层和内部,稻米的营养成分含量有明显的差异。随着加工程度的增加,稻米的脂肪含量会随之减少。因此,如果能在加工过程中检测出稻米表面的脂肪含量,就有可能据此判断出稻米当前大致的加工精度。由于近红外光谱分析技术可以方便快速地对某些物质的化学组分作定量分析和检测,因此,可以将之应用于稻米表面脂肪含量的测定,然后根据稻米的脂肪含量,进行大米加工精度等级的判定。本课题通过德国Bruker公司生产的Vector22/N型傅立叶变换近红外光谱分析仪对大米样品进行光谱扫描,采用近红外漫反射光谱分析技术、PLS化学计量学算法建立大米表面脂肪含量的预测模型；结合索氏抽提残余法和国家标准染色法,研究大米的加工精度与脂肪含量之间的关系,分别使用距离判别分析模型、聚类分析、BP神经网络模型和支持向量机模型用于大米加工精度等级的判定。实验以早稻、中稻、晚稻共69种水稻为实验材料,利用实验室砻谷机、碾米机等设备,模拟大米的加工过程,将稻米加工到不同程度的精度等级制备出大米样品。根据索氏抽提残余法,测得校正样品集和检验样品集的脂肪含量范围分别为1.3131%～1.9965%、0.3014%～1.4451%。利用OPUS5.0定量软件自动优化功能,在使用138个校正样品集、优化处理后,最终得到一阶导数法（FD）+乘法散射校正法（MSC）为最佳光谱预处理方法,7501.7～5449.8并4601.3～4246.5为最佳谱区,最佳主成分维数为4。由此参数进行内部交叉检验,建立校正模型,剔除6个异常光谱图,最终校正样品集为132个样品。交叉验证决定系数（R2）为0.9951,交叉验证误差（RMSECV）为0.0264,用已知真值的60个检验样品检验上述模型,验证决定系数（R2）为0.9905,预测误差（RMSEP）为0.0248；相关系数（r）为0.996。使用距离判别模型判定大米的加工精度等级,对未知样品进行预测,判定正确率为96.67%；利用聚类算法,确定大米加工精度等级对应脂肪含量的聚类中心,对未知样品进行预测,判定正确率为88.33%；建立BP神经网络和支持向量机,进行未知样品的大米加工精度判定,判定正确率可以达到96.67%和83.33%,表明可以利用近红外漫反射光谱分析技术,建立大米加工精度等级的客观判定模型。由于大米加工精度也用糙出白率来区分,利用OPUS5.0定量软件自动优化功能,使用138个校正样品集、优化处理后,最终得到一阶导数法+乘法散射校正法（MSC）为最佳光谱预处理方法,6101.7～4246.5cm-1为最佳谱区,最佳主成分维数变为4。由此参数进行内部交叉检验,建立校正模型,交叉验证决定系数（R2）为0.9932,交叉验证误差（RMSECV）为0.174；相关系数（r）为0.999,用已知真值的60个检验样品检验上述模型,外部验证决定系数（R2）为0.9871,预测误差（RMSEP）为0.172,相关系数（r）为0.996。建立距离判别分析模型,对求知样品进行了预测,判定正确率为98.33%。利用聚类算法,确定大米加工精度等级对应糙出白率的聚类中心,对未知样品进行预测,判定正确率为81.67%；建立BP神经网络和支持向量机,进行未知样品的大米加工精度判定,判定正确率可以达到95%和90%。由于近红外光谱分析技术在远程监控和在线分析中的优势,使该方法在实现大米加工精度的实时检测方面具有很大的潜力,对指导大米在线加工、大米贮藏、大米品质研究等具有十分重要的意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 国内外大米消费状况、大米加工工艺流程及评价标准
• 1.1.1 国内外大米消费状况
• 1.1.2 大米加工工艺流程及其评价标准
• 1.1.2.1 稻谷结构
• 1.1.2.2 大米基本加工工艺流程
• 1.1.2.3 大米评价标准
• 1.1.2.4 加工精度等级与大米品质的矛盾
• 1.2 大米加工精度检测方法的研究进展
• 1.2.1 人工感官评定法
• 1.2.1.1 直接比较法
• 1.2.1.2 染色法
• 1.2.2 化学方法
• 1.2.2.1 脂肪萃取法
• 1.2.2.2 磷含量分析
• 1.2.3 光电法
• 1.2.4 计算机图象识别法
• 1.3 大米加工精度检测新方法的研究
• 1.3.1 稻谷化学成分
• 1.3.2 大米加工精度检测新方法的研究
• 1.3.3 近红外光谱分析技术在大米检测中的应用
• 1.4 本文研究的主要内容、目的及意义
• 1.4.1 研究目的
• 1.4.2 研究方法及内容
• 1.4.3 技术路线
• 第二章 近红外光谱分析原理及方法
• 2.1 近红外光谱分析技术
• 2.1.1 近红外光谱的定量分析
• 2.1.2 近红外光谱的定性分析
• 2.2 近红外光谱定量分析中的化学计量学算法
• 2.2.1 多元线性回归法
• 2.2.2 逐步回归分析法
• 2.2.3 主成分回归法
• 2.2.4 偏最小二乘法
• 2.3 预处理方法
• 2.3.1 平滑算法
• 2.3.2 导数算法
• 2.3.3 SNV和去趋势算法
• 2.3.4 多元散射校正法
• 2.4 近红外模型的建立和验证
• 2.4.1 数据处理
• 2.4.1.1 训练样本的选择
• 2.4.1.2 PLS建模算法
• 2.4.1.3 光谱预处理方法
• 2.4.1.4 数学模型预测效果的评价
• 2.4.1.5 异常样品的剔除
• 2.4.2 光谱波长的选择及预处理方法
• 2.4.3 内部交叉检验
• 2.4.4 外部检验
• 2.4.5 误差参数评价
• 第三章 基于表面脂肪含量测定大米加工精度的分析
• 3.1 实验材料
• 3.2 实验仪器与设备
• 3.3 实验方法与步骤
• 3.3.1 试验材料的预处理
• 3.3.2 样品的制备
• 3.3.3 近红外漫反射光谱扫描
• 3.3.4 脂肪含量的化学测定
• 3.3.5 大米加工精度等级判断
• 3.4 脂肪含量近红外模型
• 3.4.1 脂肪化学分析结果
• 3.4.2 光谱图分析结果
• 3.4.3 不同光谱预处理方法对结果的影响
• 3.4.4 不同组成分维数对结果的影响
• 3.4.5 回归模型和交叉检验
• 3.4.6 外部检验及模型预测效果评价
• 3.4.7 脂肪含量与加工精度的关系
• 3.5 大米加工精度的预测
• 3.5.1 距离判别分析
• 3.5.1.1 大米加工精度的距离差别分析模型
• 3.5.1.2 判别模型的检验结果
• 3.5.2 聚类分析
• 3.5.3 BP神经网络模型预测
• 3.5.3.1 BP神经网络的简介
• 3.5.3.2 BP神经网络的结构与机理
• 3.5.3.3 建立模型
• 3.5.3.4 网络模型的训练与结果分析
• 3.5.4 支持向量机模型
• 3.5.4.1 支持向量机理论
• 3.5.5.2 建立模型
• 3.5.5.3 实验结果与分析
• 3.6 本章小结
• 第四章 基于糙出白率测定大米加工精度的分析
• 4.1 糙出白率近红外模型
• 4.1.1 糙出白率的测定
• 4.1.2 不同光谱预处理方法对结果的影响
• 4.1.3 不同组成分维数对结果的影响
• 4.1.4 回归模型和交叉检验
• 4.1.5 外部检验及模型预测效果评价
• 4.1.6 脂肪含量与加工精度的关系
• 4.2 大米加工精度的预测
• 4.2.1 距离判别分析
• 4.2.1.1 大米加工精度的距离判别分析模型
• 4.2.1.2 判别模型的检验
• 4.2.2 聚类分析
• 4.2.3 BP神经网络预测
• 4.2.3.1 模型的建立
• 4.2.3.2 网络模型的训练与结果分析
• 4.2.4 支持向量机预测
• 4.2.4.1 模型的输入与输出
• 4.2.4.2 核函数及参数的选择
• 4.2.4.3 结果分析
• 4.3 本章小结
• 第五章 总结和建议
• 5.1 总结
• 5.2 建议
• 参考文献
• 附录
• 致谢
• 研究生期间撰写发表的论文