微波辅助测定花生含水量:特征选择与参数优化有助于确定用于储存质量控制的临界频率

《Journal of Stored Products Research》:Microwave-assisted measurement of peanut moisture content: Feature selection and parameter optimization reveal critical frequencies for storage quality control

【字体: 大 中 小 】 时间:2026年07月08日 来源:Journal of Stored Products Research 3.4

编辑推荐:

  高远|徐雷军|江辉|白雪|张瑶中国江苏省镇江市江苏大学电气与信息工程学院,邮编212013摘要快速准确的含水量检测对于储存花生的质量控制至关重要,因为储存期间水分过高会导致霉菌生长和黄曲霉素污染。本研究提出了一种基于微波的检测框架(2-11 GHz),结合特征选择和智能优化算法,

  
高远|徐雷军|江辉|白雪|张瑶
中国江苏省镇江市江苏大学电气与信息工程学院,邮编212013

摘要

快速准确的含水量检测对于储存花生的质量控制至关重要,因为储存期间水分过高会导致霉菌生长和黄曲霉素污染。本研究提出了一种基于微波的检测框架(2-11 GHz),结合特征选择和智能优化算法,用于花生含水量的定性分类和定量预测。根据国际储存标准(中国≤8%,美国≤18%),CS-XGBoost模型的准确率达到了97%(相比朴素贝叶斯高出45%,相比多数类基准模型高出131%),显示出在含水量分类方面的强大能力。在回归分析中,通过竞争自适应加权采样、互信息和递归特征消除等方法筛选出关键频率特征,将特征维度从1800降低到76-102个。RFE-CS-XGBoost模型表现更为出色(R2=0.98,RMSE=1.10%,相比朴素预测基准模型提升86.9%)。偏依赖分析表明,在花生储存的关键10-25%含水量范围内,5.72 GHz处的相位偏移具有最大灵敏度,而2.37 GHz处的幅度衰减在15-30%范围内呈现指数级响应,这为理解微波与水分相互作用的物理机制提供了依据。本研究为开发高精度、非破坏性的含水量检测仪器奠定了坚实的算法基础,可用于实时监测储存产品。

引言

花生是食品工业中不可或缺的原材料,因其富含碳水化合物、蛋白质、矿物质、脂肪和维生素而备受重视(Luo等,2025;Xu等,2025)。在花生的加工和储存过程中,含水量是最为关键的参数之一,它直接影响储存时间以及后续的加工方式(Dong等,2025;Baloh等,2024)。如果在储存和加工过程中处理不当,会导致水分过高,进而引发花生霉变(Mbata等,2024),这不仅会造成巨大浪费,还会因黄曲霉素污染而对公众健康构成严重威胁(Wang等,2024;Zhu等,2022)。因此,国际上制定了严格的花生储存和运输含水量标准,美国规定为≤18%,中国规定为≤8%(Liang等,2024)。
现有的含水量检测方法在储存产品应用中存在诸多实际限制。近红外高光谱成像和核磁共振技术需要昂贵的设备、复杂的操作流程以及高素质的专业人员,这使得大规模的现场检测难以实现(Wang等,2025;Fan,2020;Li等,2020)。直接干燥法虽然准确,但耗时且具有破坏性(Taghinezhad等,2023)。因此,对于储存设施中的食品含水量分析而言,一种廉价、快速且非破坏性的检测方法显得尤为重要(Tang等,2023;Yuan等,2022)。
由于微波检测技术具有快速、简单且成本较低的特点,发展十分迅速(Aldhaeebi等,2020)。该技术无需破坏食品样本,即可利用微波与物质的相互作用获取其化学成分和物理结构信息,从而实现快速分析(Brinker等,2020)。微波检测的非破坏性以及操作简便性,使其非常适合在粮食储存设施中进行快速现场检测(Liu等,2024)。
目前的微波检测主要依赖于对样品的频段扫描以及后续的光谱建模(Xu和Liu,2013)。然而,高维特征通常包含大量特征值,其中大部分特征间的相关性较弱,对模型构建的贡献甚微(Zhou,2025)。因此,为了提升模型性能,有必要对特征进行处理,去除那些关联度弱的特征,降低特征维度(Grekousis,2025)。此外,含水量与微波信号之间存在复杂的非线性关系,这就需要采用复杂的机器学习方法。
对于储存产品而言,了解微波与水分相互作用的物理机制与实现高预测精度同样重要。此前关于利用微波技术检测小麦含水量的研究已经证明了结合竞争自适应加权采样与遗传算法等特征选择方法的有效性(Bai等,2023)。然而,目前还缺乏系统研究能够确定控制微波对储存花生含水量变化响应的关键频率特征,也尚未对用于分类和回归任务的各类特征选择策略及优化算法进行全面比较。
在本研究中,我们采用了2-11 GHz的微波测量系统收集花生样本数据,并建立了用于监测储存产品含水量的预测模型。我们的研究成果包括:(1)开发了用于花生含水量定性和定量分析的XGBoost分类和回归模型;(2)通过竞争自适应加权采样、互信息和递归特征消除等方法筛选出最相关的频率特征,揭示了微波与水分相互作用的物理机制;(3)运用多种参数优化算法调整模型超参数,并通过严格的嵌套交叉验证来避免信息泄露;(4)设置了两种基准模型(朴素预测器与传统统计模型),以证明我们所采用的综合方法所带来的显著改进。

章节节选

化学品与材料

花生粉的含水量是按照GB 5009.3-2016标准中的直接干燥法(方法1)测定的。具体步骤为:称取5克样品,置于105°C的烤箱中烘干至恒重。测定后,花生粉的初始含水量为3.8%。为了确保样品均匀,花生样品需研磨并通过60目筛(颗粒大小≤250 μm)。随后将粉末分成120组,每组100克。再向其中喷洒适量蒸馏水

花生含水量分类模型

首先建立了若干基准模型,用于评估分类任务的性能。多数类预测器始终预测出现频率最高的类别,作为一种简单的性能参考,其准确率仅为42%。作为传统统计方法的朴素贝叶斯分类器的准确率为69%,表现较为中等。这些基准模型的混淆矩阵如图3所示,体现了它们在准确区分不同含水量等级方面的局限性

模型性能与统计严谨性

本研究通过采用严格的统计验证方法,并注重科学原理的分析而非单纯追求算法性能的优劣,解决了以往研究中存在的诸多问题。嵌套交叉验证机制确保了特征选择、参数优化和模型测试之间的完全独立性,避免了可能导致的性能估计过高的风险。此外,研究还进行了全面的基准模型比较,包括朴素预测器以及

结论

本研究构建了一个将微波检测与机器学习相结合的集成框架,用于快速检测储存产品中的花生含水量。主要结论如下。
  • (1)
    定性分类:经过CS优化的XGBoost模型在根据国际储存标准对样品进行分类方面表现出色,准确率为97%,F1分数为0.97,远远优于朴素预测器和传统统计基准模型(见表1,图4)。
  • (2)

CRediT作者贡献说明

高远:数据整理、研究实施、项目管理、软件使用、初稿撰写。徐雷军:指导监督、结果验证、论文修改与润色。江辉:方法设计。白雪:项目管理工作。张瑶:资源协调。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

资金支持:本研究得到了中国国家重点研发计划[项目编号:2017YFC1600603]以及江苏省研究生科研创新项目[项目编号:KYCX23_3659]的资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号