使用近红外光谱和奇异值分解技术检测泰国Hommali大米中的昆虫

"这篇论文探讨了使用奇异值分解（Singular Value Decomposition, SVD）技术来量化商业泰国Hommali大米中的昆虫含量，通过近红外（Near Infrared, NIR）光谱分析方法进行无损检测。研究指出，传统方法在检测大米中的昆虫污染时存在破坏性、不准确、耗时且无法检测内部虫害的问题。作者Puttinun Jarruwat和Prasan Choomjaihan在King Mongkut's Institute of Technology Ladkrabang的农业工程系进行了这项研究。" 本文关注的是稻米产业的一个重要问题——昆虫侵害，这可能导致产品质量下降、营养损失以及经济损失。传统的检测方法，如视觉检查或物理筛选，对大米样本造成损害，且难以准确地确定内部的昆虫污染。为解决这一问题，研究人员转向了非破坏性的NIR光谱技术。NIR光谱利用特定波长的近红外光对样品进行照射，根据反射或透射光的吸收特性，可以获取样本的化学和物理信息。 文章应用了两种数学方法，即偏最小二乘回归（Partial Least Squares, PLSs）和奇异值分解，来构建预测模型。PLSs是一种统计方法，用于建立因变量（昆虫含量）与自变量（NIR光谱数据）之间的关系模型。而SVD是线性代数中的一种技术，它可以将复杂的矩阵分解为更简单的矩阵组件，有助于数据的降维和特征提取，在信号处理和数据分析中广泛应用。 在本研究中，SVD可能被用来识别NIR光谱中的关键模式，这些模式与昆虫污染程度相关。通过这种方式，SVD能够提取出与昆虫含量最相关的光谱特征，从而提高检测的准确性和效率。通过对两种不同类型的稻米样本——磨米Hommali Rice (MHR)和糙米Hommali Rice (BHR)的实验，研究者验证了这种方法的有效性。 这篇论文展示了SVD在大米质量控制中的潜力，尤其是在无损检测昆虫污染方面。这种方法不仅能够提高检测精度，还可能减少检测时间，从而为稻米出口业务提供一种更为经济和实用的解决方案。通过进一步的研究和优化，这种技术有望在农业质量检测领域得到更广泛的应用。