玉米中伏馬毒素B污染高光譜快速檢測模型研究

康孝存, 沈廣輝, 徐劍宏, 馬桂珍, 史建榮

(江蘇海洋大學(xué)1,連云港 222000) (江蘇省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品質(zhì)量安全與營養(yǎng)研究所;江蘇省食品質(zhì)量安全重點(diǎn)實(shí)驗(yàn)室-省部共建國家重點(diǎn)實(shí)驗(yàn)室培育基地;農(nóng)業(yè)部農(nóng)產(chǎn)品質(zhì)量安全控制技術(shù)與標(biāo)準(zhǔn)重點(diǎn)實(shí)驗(yàn)室2,南京 210014)

伏馬毒素(Fumonisin)是由串珠鐮刀菌、層出鐮刀菌等產(chǎn)生的一種水溶性次級(jí)代謝產(chǎn)物,廣泛存在于玉米及其制品中,具有神經(jīng)毒性、器官毒性、免疫毒性、致癌性等危害[1]。目前分離發(fā)現(xiàn)的伏馬毒素有30余種,主要為A、B、C和P 4類,其中Fumonisin B(FB)是污染最為普遍、毒性最強(qiáng)的一類,且FB1被國際癌癥研究機(jī)構(gòu)(IARC)列為2B類致癌物[2]。鑒于FB的危害,多個(gè)國家和地區(qū)制定了最大殘留限量標(biāo)準(zhǔn)(MRLs)。美國食品藥品監(jiān)督管理局規(guī)定,供人食用的玉米制品中的FBs(FB1+FB2+FB3)的含量最高為2～4 mg/kg[3],歐盟規(guī)定玉米中FBs(FB1+FB2)的MRLs為4 mg/kg[4],我國尚無相關(guān)限量標(biāo)準(zhǔn)。

常用的FBs檢測方法有液相色譜[5]、薄層色譜[6]、液相色譜-串聯(lián)質(zhì)譜法[7]、酶聯(lián)免疫吸附法[8]等,這些方法雖然檢測精度高、重復(fù)性好,但存在樣品前處理復(fù)雜,檢測成本高等缺點(diǎn),難以滿足大量樣品的快速分析。因此,急需要一種簡便、低成本的快速檢測方法。

高光譜成像作為一種新興的無損檢測技術(shù),能同時(shí)獲取樣品的空間和微觀尺度的光譜信息,不僅在農(nóng)產(chǎn)品新鮮度識(shí)別[9]、產(chǎn)地溯源[10]、營養(yǎng)成分含量分析[11]等方面得到了廣泛應(yīng)用,在谷物霉變及真菌毒素污染的檢測中也有相關(guān)報(bào)道,如殷勇等[12]利用高光譜成像技術(shù)結(jié)合特征波長篩選算法對(duì)6個(gè)霉變等級(jí)的玉米進(jìn)行了快速鑒別,識(shí)別正確率高達(dá)98.6%;沈廣輝等[9,10]基于高光譜成像技術(shù)不僅實(shí)現(xiàn)了小麥赤霉病癟粒的快速識(shí)別,還對(duì)單個(gè)小麥籽粒中的嘔吐毒素含量進(jìn)行了定性和定量分析;He等[15]基于可見/近紅外高光譜成像技術(shù),通過融合光譜及紋理特征,實(shí)現(xiàn)了花生黃曲霉毒素B1的污染等級(jí)的快速判別。高光譜成像技術(shù)在谷物真菌毒素檢測中具有巨大應(yīng)用潛力,但將高光譜成像技術(shù)用于玉米FBs污染檢測的報(bào)道十分有限。

高光譜數(shù)據(jù)維度高、數(shù)據(jù)量大、冗余信息多,玉米中FBs含量分布極不均勻,如何提取特征信息構(gòu)建高精度分析模型有待研究。反向傳播(BP)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),具有優(yōu)良的非線性映射能力,被廣泛應(yīng)用于光譜數(shù)據(jù)建模分析,但BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,各神經(jīng)元的權(quán)值和閾值是隨機(jī)的,使得網(wǎng)絡(luò)輸出結(jié)果不穩(wěn)定。麻雀搜索算法(SSA)是一種新型的群智優(yōu)化算法[16],具有較強(qiáng)的局部和全局搜索能力,收斂速度快,可用來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,來增強(qiáng)網(wǎng)絡(luò)的穩(wěn)健性。因此,本研究將從特征變量篩選方法入手,使用SSA對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,構(gòu)建玉米中FBs污染的定性和定量分析的模型,并與偏最小二乘判別分析(PLS-DA)和PLS回歸模型結(jié)果進(jìn)行對(duì)比,以期為玉米中FBs污染的檢測提供一種快速分析方法。

1 材料與方法

1.1 實(shí)驗(yàn)材料

從山東、吉林、貴州、河南、江蘇等省份共采集玉米樣品178份,清理去除雜質(zhì)后用實(shí)驗(yàn)室研磨機(jī)進(jìn)行高速粉碎,每個(gè)樣品約2 min。將每個(gè)樣品分為2部分,一部分用于高光譜數(shù)據(jù)獲取,另一部分用于伏馬毒素含量測定。

1.2 高光譜成像系統(tǒng)及數(shù)據(jù)采集

GaiaField-N17E近紅外高光譜成像系統(tǒng)采用線掃描方式,波長范圍為900～1 700 nm,配備InGaAs探測器,相機(jī)分辨率為320×256,光譜分辨率為5 nm,光源為2個(gè)鹵素?zé)赳讽敼庠础⒂衩追刍靹蚝笕〔糠謽悠费b入培養(yǎng)皿(d=5 cm,h=1 cm),刮平樣品表面后置于高光譜設(shè)備檢測位移平臺(tái),以4行×2列方式擺放,每次檢測8個(gè)樣品。儀器開機(jī)預(yù)熱30 min,設(shè)置鏡頭與樣品間距為30 cm,曝光時(shí)間21.8 ms,平臺(tái)運(yùn)動(dòng)速度0.6 cm/s。樣品掃描完成后,根據(jù)式(1)進(jìn)行黑白校正,以消除暗電流和光源分布不均勻帶來的噪聲。

(1)

式中:I為黑白校正后的圖像信息;I0為原始獲取圖像信息;B為黑色標(biāo)定背景信息;W為白板標(biāo)定圖像信息。

1.3 玉米粉樣品光譜提取

從每個(gè)樣品的校正圖像中心位置,選取70像素×70像素的方形區(qū)域作為感興趣區(qū)域,提取區(qū)域內(nèi)的4 900條光譜,計(jì)算平均值作為此玉米樣品的光譜信息。原始樣品光譜共256個(gè)波段(波長范圍:900～1 700 nm),由于光譜兩端噪聲較大,因此截取第23到222個(gè)波段(波長范圍:969～1 595 nm)用于后續(xù)數(shù)據(jù)分析。

1.4 伏馬毒素含量測定

參考GB 5009.240—2016《食品安全國家標(biāo)準(zhǔn)食品中伏馬毒素的測定》測定玉米樣品中伏馬毒素含量。

1.5 數(shù)據(jù)處理方法

1.5.1 數(shù)據(jù)分集

研究涉及玉米中FBs(FB1+FB2)污染水平的定性和定量分析兩部分研究內(nèi)容,在定性分析中,以歐盟限量標(biāo)準(zhǔn)為閾值,將玉米樣品分為未超標(biāo)和超標(biāo)兩類,其中未超標(biāo)樣品共79個(gè),設(shè)置標(biāo)簽為1,超標(biāo)樣品99個(gè),設(shè)置標(biāo)簽為2,然后采用K-stone方法將樣品按照3∶1比例分為校正集和驗(yàn)證集;在定量分析中,按照濃度梯度法將樣品按照3∶1比例分為校正集和驗(yàn)證集。

1.5.2 特征變量篩選算法

由于高光譜數(shù)據(jù)維度高,波段間相關(guān)性較強(qiáng),使用全譜段構(gòu)建分析模型時(shí)容易引入過多冗余信息,不僅增加模型計(jì)算的復(fù)雜性,還會(huì)影響模型分析精度。分別采用競爭性自適應(yīng)重加權(quán)算法(CARS)[17]和連續(xù)投影算法(SPA)[18]對(duì)高光譜數(shù)據(jù)進(jìn)行降維,篩選特征變量。CARS是一種基于蒙特卡洛采樣構(gòu)建偏最小二乘(PLS)回歸模型的特征變量篩選方法。CARS通過指數(shù)衰減函數(shù)和自適應(yīng)加權(quán)采樣方法,去除PLS模型中回歸系數(shù)權(quán)重較小的變量,然后通過交互驗(yàn)證選取最小驗(yàn)證均方根誤差(RMSECV)對(duì)應(yīng)的變量集。SPA是一種前向變量選擇算法,運(yùn)用向量投影選擇最大向量,通過循環(huán)提取,獲取共線性最小的變量組合,去除冗余信息。

1.5.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),具有很強(qiáng)的非線性映射能力[19]。BP神經(jīng)網(wǎng)絡(luò)包括輸入信號(hào)正向傳遞和誤差信號(hào)反向傳遞2個(gè)過程,使用最速下降法,通過反向傳播不斷調(diào)整輸入層和隱含層、隱含層和輸出層各神經(jīng)元的權(quán)值和閾值,使網(wǎng)絡(luò)誤差減小。研究采用單隱含層神經(jīng)網(wǎng)絡(luò)(圖1),輸入層到隱含層采用S型正切傳遞函數(shù)tansig,隱含層到輸出層采用線性傳遞函數(shù)purelin,訓(xùn)練函數(shù)為trainlm。在玉米FBs污染水平的定性分析中,輸出層節(jié)點(diǎn)為2個(gè),分別為類別標(biāo)簽1和標(biāo)簽2;在定量分析中,輸出層節(jié)點(diǎn)數(shù)為1個(gè),對(duì)應(yīng)FBs的含量。但BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,各神經(jīng)元的權(quán)值和閾值是隨機(jī)的,使得網(wǎng)絡(luò)輸出結(jié)果不穩(wěn)定。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.5.4 SSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

SSA算法是受麻雀的覓食行為和反捕行為啟發(fā),提出的一種新型群智優(yōu)化算法。其將群體分為發(fā)現(xiàn)者、加入者和預(yù)警者,通過三者間相互配合尋找最優(yōu)值。由于SSA算法具有較強(qiáng)的局部和全局搜索能力,收斂速度快,因此,可用來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,增強(qiáng)網(wǎng)絡(luò)的穩(wěn)健性。SSA-BP神經(jīng)網(wǎng)絡(luò)計(jì)算具體步驟為:

數(shù)據(jù)歸一化處理。將玉米樣品原始光譜數(shù)據(jù),判別分析標(biāo)簽或者FBs污染含量均歸一化到0～1之間。

確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。根據(jù)篩選出的高光譜特征變量數(shù),確定輸入層節(jié)點(diǎn)數(shù)(m)和輸出層節(jié)點(diǎn)數(shù)(n),其中,定性和定量分析中輸出層節(jié)點(diǎn)數(shù)分別為2和1;然后,根據(jù)式(2)計(jì)算隱含層節(jié)點(diǎn)數(shù)p的優(yōu)化范圍。

(2)

式中:α為1～10之間的整數(shù)。

SSA算法參數(shù)初始化。設(shè)定SSA算法初始種群規(guī)模為30,最大進(jìn)化代數(shù)為50次,發(fā)現(xiàn)者比例為0.7,預(yù)警者比例為0.2。

計(jì)算個(gè)體適應(yīng)度。根據(jù)初始權(quán)值和閾值訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),將訓(xùn)練集均方誤差與測試集均方誤差的平均值作為適應(yīng)度函數(shù),根據(jù)適應(yīng)度的值找到全局最優(yōu)解,確定其對(duì)應(yīng)的位置。

麻雀位置更新。進(jìn)行迭代計(jì)算,使用適應(yīng)度較好的個(gè)體對(duì)發(fā)現(xiàn)者進(jìn)行位置更新,同時(shí)對(duì)加入者和預(yù)警者進(jìn)行位置更新。

迭代條件及適應(yīng)度更新。計(jì)算位置更新后的個(gè)體適應(yīng)度值,并與當(dāng)前最優(yōu)適應(yīng)度值比較,達(dá)到最大迭代次數(shù)之后選擇全局最優(yōu)解;否則,再次進(jìn)行迭代。將迭代計(jì)算獲取的最優(yōu)解作為初始權(quán)值和閾值,代入之前確定的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后使用SSA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測分析。

所有數(shù)據(jù)處理均在Matlab 2014a中借助PLS_Toolbox 8.0和神經(jīng)網(wǎng)絡(luò)工具箱完成。

2 結(jié)果與討論

2.1 玉米樣品光譜分析

含有不同F(xiàn)Bs污染含量的玉米粉樣品的近紅外反射光譜如圖2所示,所有樣品光譜均在990、1 200、1 465 nm附近具有明顯的吸收峰,這些峰與玉米組成成分中的C—H、O—H和N—H基團(tuán)伸縮振動(dòng)的組合頻和倍頻吸收有關(guān)。其中,990 nm附近為O—H伸縮振動(dòng)的二級(jí)倍頻,能反映淀粉的吸收[20];1 200 nm附近為C—H伸縮振動(dòng)的一級(jí)倍頻或二級(jí)倍頻,不僅與油脂的吸收相關(guān),也能反映真菌細(xì)胞壁中幾丁質(zhì)的信息[21];1 465 nm附近與玉米中水和蛋白的吸收有關(guān)[22]。玉米中FBs污染水平不同,樣品光譜反射率存在較大差異,整體上樣品光譜反射率隨FBs污染濃度增加而升高,但這種趨勢(shì)并不是絕對(duì)的。結(jié)果表明,近紅外光譜能反映玉米中FBs污染信息,但需要借助化學(xué)計(jì)量學(xué)方法進(jìn)行深入分析。

圖2 玉米粉樣品反射譜圖

2.2 玉米樣品FBs含量分析

研究共采集玉米樣品178份,參考國家標(biāo)準(zhǔn)GB 5009.240—2016對(duì)樣品中FBs含量進(jìn)行分析,結(jié)果如表1所示。玉米樣品中FBs的污染含量在0～217.45 mg/kg之間,平均值為24.78 mg/kg,其中有99個(gè)樣品的FBs含量高于歐盟MRL,所有樣品變異系數(shù)為173.50%,說明樣品含量分布不均勻,大部分樣品集中在低含量范圍內(nèi)。定量分析中驗(yàn)證集樣品的含量范圍包含在校正集樣品中,說明分集合理。

表1 玉米樣品中FBs含量統(tǒng)計(jì)分析結(jié)果

2.3 玉米樣品PCA分析

以歐盟MRL為閾值,將玉米樣品分為超標(biāo)和未超標(biāo)2類,并通過主成分分析(PCA)探究基于玉米粉高光譜區(qū)分不同F(xiàn)Bs污染程度的可行性。如圖3所示,PCA前3個(gè)主成分的累積方差貢獻(xiàn)率為99.94%,解釋了原始光譜的絕大部分信息,超標(biāo)(方塊)和未超標(biāo)(菱形)樣品在主成分空間中具有明顯的分類趨勢(shì),但并未完全分開,說明高光譜能反映玉米粉中FBs的污染水平,可進(jìn)一步借助有監(jiān)督模式的方法進(jìn)行判別分析。

圖3 主成分得分圖

2.4 玉米中FBs污染水平判別分析

2.4.1 判別分析特征變量提取

為去除光譜中的冗余信息,降低模型計(jì)算的復(fù)雜程度,提高模型的穩(wěn)健性,分別采用CARS和SPA兩種算法提取特征變量,構(gòu)建判別分析模型。CARS篩選特征變量時(shí)采用10折交互驗(yàn)證,提取的PLS最大主成分?jǐn)?shù)為10,蒙特卡洛采樣500次,重復(fù)進(jìn)行10次,以交互驗(yàn)證均方根誤差為評(píng)價(jià)指標(biāo),共篩選出12個(gè)特征變量,如圖4a和表2所示。SPA算法篩選特征變量時(shí)指定變量數(shù)為5～30之間,共篩選出22個(gè)特征變量,如圖4b和表2所示。通過對(duì)比可知,SPA算法篩選出的變量數(shù)比CARS算法多,其中975.3、1 009.9、1 594.8 nm為2種算法篩選出的相同特征波長,在1 418.7、1 447.0 nm處篩選的特征波長相鄰,說明2種方法提取的與FBs污染程度相關(guān)的特征變量具有相似之處。

表2 判別分析中CARS和SPA算法篩選的特征變量

圖4 判別分析中篩選出的特征變量點(diǎn)

2.4.2 判別分析模型結(jié)果對(duì)比

基于CARS算法和SPA算法篩選的特征變量,分別采用PLS-DA、BP和SSA-BP 3種不同的算法構(gòu)建玉米中FBs污染水平的判別分析模型,并與基于全波段構(gòu)建的Full-PLS-DA和Full-BP模型結(jié)果進(jìn)行對(duì)比,結(jié)果如表3所示。Full-PLS-DA模型的樣品總識(shí)別正確率為95.56%,經(jīng)CARS和SPA提取特征變量后,構(gòu)建的PLS-DA模型樣品總識(shí)別正確率均為93.33%,與Full-PLS-DA模型識(shí)別精度相差不大,表明CARS和SPA算法均有效消除了原始光譜中的冗余信息。與Full-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果相比,CARS-BP和SPA-BP神經(jīng)網(wǎng)絡(luò)的模型總識(shí)別正確率分別由91.11%下降為88.89%和86.67%,其中,2種BP神經(jīng)網(wǎng)絡(luò)的超標(biāo)樣品識(shí)別正確數(shù)均為24,但未超標(biāo)樣品的誤判數(shù)增多。使用SSA算法對(duì)基于特征變量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,并對(duì)外部驗(yàn)證集進(jìn)行預(yù)測,CARS-SSA-BP和SPA-SSA-BP神經(jīng)網(wǎng)絡(luò)的樣品總識(shí)別正確率分別為91.11%和95.56%,較基于特征變量的BP神經(jīng)網(wǎng)絡(luò)有較大的提升,SPA-SSA-BP神經(jīng)網(wǎng)絡(luò)僅用了原始光譜約1/10的變量,且其模型精度最高,并與Full-PLS-DA結(jié)果相同。結(jié)果表明,基于高光譜對(duì)玉米中FBs污染等級(jí)進(jìn)行判別分析具有可行性,CARS和SPA兩種算法均可有效消除冗余信息,降低計(jì)算復(fù)雜程度,且SSA算法具有通過對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化,提升模型的穩(wěn)健性,改善BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度的能力。

表3 判別分析結(jié)果

2.5 玉米中FBs污染水平定量分析

2.5.1 定量分析特征變量提取

在定量分析特征變量篩選過程中,CARS算法采用10折交互驗(yàn)證,提取的最大主成分?jǐn)?shù)為20,蒙特卡洛采樣200次,重復(fù)進(jìn)行10次,以交互驗(yàn)證均方根誤差為評(píng)價(jià)指標(biāo),共篩選出31個(gè)特征變量,如圖5a和表4所示。SPA算法篩選特征變量時(shí)指定變量數(shù)為5～30之間,共篩選出15個(gè)特征變量,如圖5b和表4所示。通過對(duì)比可知,CARS篩選出的特征變量數(shù)是SPA算法的2倍多,其中,1 314.9、1 582.2 nm為2種算法提取的相同變量。在969～1 315 nm波長范圍內(nèi),SPA算法篩選的大部分特征變量均可在CARS提取結(jié)果中找到相鄰變量,而在1 315～1 595 nm范圍內(nèi),2種算法篩選的特征變量差異較大。

表4 定量分析中CARS和SPA算法篩選的特征變量

圖5 定量分析中篩選出的特征變量點(diǎn)

2.5.2 定量分析模型結(jié)果對(duì)比

分別使用全波段和特征變量構(gòu)建PLS和BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)玉米中FBs污染水平進(jìn)行定量分析,并使用SSA算法對(duì)基于特征變量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,通過決定系數(shù)(R2)、校正集均方根誤差(RMSEC)、驗(yàn)證集均方根誤差(RMSEP)以及驗(yàn)證集標(biāo)準(zhǔn)偏差和RMSEP的比值RPD對(duì)模型性能進(jìn)行評(píng)價(jià),各模型分析結(jié)果如表5所示。基于全波段構(gòu)建的Full-PLS定量分析模型的Rp2、RMSEP、RPD分別為0.90、14.75、3.08,CARS-PLS和SPA-PLS模型的Rp2、RMSEP、RPD分別為0.91、14.96、3.04和0.88、16.01、2.84。CARS-PLS模型預(yù)測精度高于SPA-PLS模型,且在僅使用31個(gè)特征變量的情況下,預(yù)測精度與Full-PLS模型相當(dāng),表明CARS算法能有效提取原始光譜中的特征信息。基于全譜段構(gòu)建的Full-BP神經(jīng)網(wǎng)絡(luò)的Rp2、RMSEP、RPD分別為0.89、15.84、2.87,預(yù)測精度略低于Full-PLS模型,經(jīng)CARS和SPA算法提取特征變量后,CARS-BP和SPA-BP神經(jīng)網(wǎng)絡(luò)模型的RPD分別升高為3.27和3.40,且優(yōu)于CARS-PLS和SPA-PLS模型結(jié)果。使用SSA算法對(duì)CARS-BP和SPA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,CARS-SSA-BP神經(jīng)網(wǎng)絡(luò)的RMSEP由13.91降低為12.41,RPD由3.27升高為3.64,但SPA-SSA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度變化不大。在所有模型中,CARS-SSA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度最高,SPA-SSA-BP模型次之。結(jié)果表明,在基于高光譜對(duì)玉米FBs污染水平的定量分析中,CARS算法和SPA算法僅降低了PLS模型計(jì)算復(fù)雜程度,預(yù)測精度并未得到改善,但特征變量的提取既能縮短BP神經(jīng)網(wǎng)絡(luò)計(jì)算時(shí)間,也能提升模型預(yù)測精度,SSA算法通過對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化,可進(jìn)一步提升BP神經(jīng)網(wǎng)絡(luò)預(yù)測能力。

3 結(jié)論

研究使用高光譜成像系統(tǒng)獲取玉米粉樣品圖譜信息,通過CARS和SPA篩選高光譜特征變量,結(jié)合化學(xué)計(jì)量學(xué)算法對(duì)玉米粉中FBs的污染水平進(jìn)行定性和定量分析。

不同F(xiàn)Bs污染水平的玉米粉樣品在主成分空間具有明顯的分類趨勢(shì),且隨污染水平的不同,樣品光譜反射率存在較大差異,表明樣品高光譜能夠獲取玉米粉中FBs的污染信息。

在玉米FBs污染水平的判別分析中,基于特征變量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型總識(shí)別正確率低于PLS-DA模型,但經(jīng)SSA算法優(yōu)化后,BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別正確率提高,CARS-SSA-BP和SPA-SSA-BP神經(jīng)網(wǎng)絡(luò)的總識(shí)別正確率分別為91.11%和95.56%,與原始光譜模型識(shí)別精度相當(dāng)。

在玉米FBs污染的定量分析中,基于特征變量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型RPD均高于PLS模型,且經(jīng)SSA算法優(yōu)化后,CARS-SSA-BP和SPA-SSA-BP神經(jīng)網(wǎng)絡(luò)的RPD進(jìn)一步分別升高為3.62和3.46,預(yù)測精度優(yōu)于原始光譜模型。

CARS算法和SPA算法都能有效提取樣品高光譜特征變量,去除冗余信息,降低模型計(jì)算復(fù)雜程度,且通過SSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),能提高預(yù)測模型的穩(wěn)健性和精度,研究可為玉米中FBs污染提供一種快速檢測方法。