小麦籽粒类胡萝卜素含量近红外快速检测

摘要

小麦籽粒类胡萝卜素含量关系到小麦制品的颜色外观和商品价值，是小麦育种过程中的重要指标之一。目前检测小麦籽粒类胡萝卜素含量的方法主要有紫外分光光度法、薄层色谱法、高效液相色谱法等化学方法，成本高且耗时耗力。为实现小麦籽粒类胡萝卜素含量的快速无损预测，将近红外光谱技术与化学计量技术相结合，利用留出法（hold-out method, HOM）、K折交叉验证（K-fold cross-validation, KFCV）和时间序列划分（time series split, TSS）3种样本集划分方法，Savitzky-Golay平滑（Savitzky-Golay smoothing, SG）、多元散射校正（multivariate scatter correction, MSC）、标准正态变量变换（standard normal variable transformation, SNV）和趋势校正（trend correction, TC）4种光谱预处理方法，方差阈值特征选择（variance threshold feature selection, VTFS）、SelectKBest特征选择（SelectKBest feature selection, SKB）、递归特征消除（recursive feature elimination, RFE）分别与主成分分析（PCA）算法融合的3种特征选择方法，建立偏最小二乘回归（partial least squares regression, PLSR）、支持向量机回归（support vector machine regression, SVR）、梯度提升回归（gradient boosting regression, GBR）三种模型，比较分析了不同模型预测精度。结果表明，样本集最佳划分方法为留出法，光谱最佳预处理方法为SG预处理，最佳特征选择方法为PCA-SKB,最优模型为PCA-SKB-GBR,校正集和预测集决定系数R²分别为0.99和0.89,均方根误差RMSE分别为0.03和0.34μg·g^-1,剩余预测偏差RPD为3.01。因此，基于留出法划分样本集、SG光谱预处理和PCA-SKB特征选择方法，建立PCA-SKB-GBR模型，可实现小麦籽粒类胡萝卜素含量快速高效预测。

关键词

小麦 / 类胡萝卜素 / 近红外光谱 / 特征选择 / 估测模型