低成本便携式可见-近红外光谱仪的设计与机器学习算法的分类性能

工程科学与技术，国际期刊37（2023）101302低成本VIS/NIR范围手持式和便携式光谱仪以及用于分类性能的机器学习算法的Saddam Heydarova，Musa Aydinb，Cagri Faydacia，Suha Tunac，Sadullah Ozturkda电子技术，伊斯坦布尔Gelisim大学，土耳其伊斯坦布尔b土耳其伊斯坦布尔苏丹穆罕默德·瓦基夫大学计算机工程系c伊斯坦布尔技术大学信息学研究所，土耳其伊斯坦布尔d纳米技术和生物技术研究所，伊斯坦布尔大学-Cerrahpasa，土耳其伊斯坦布尔阿提奇莱因福奥文章历史记录：收到2022年2022年11月7日修订2022年11月11日接受2022年11月23日在线提供关键词：光谱仪分类数据分析机器学习实现A B S T R A C T本研究建立了一种低成本、便携式的可见-近红外光谱分析装置的电子学设计。介绍了基于C#. NET的用户友好的设备控制软件的设计和数据分类的机器学习算法的开发以及结果的比较。当在文献中回顾分光光度计设计和实施研究时，两组主题变得突出：（i）新的设备制造，（ii）通过将商业便携式分光光度计系统和设备与人工智能应用相结合来解决当前问题的解决方案。这项工作包括这两个群体，并遵循了一种支持性的方法，即如何在从设计到生产的机器学习方法的帮助下，将理论知识转化为设备开发和支持软件的实践。三个商业光谱传感器，每个都有六个光电二极管阵列，采用分光光度计。因此，在410 nm至940 nm波段范围内的光学光谱区域中获得了属于每个样品的18个特征。光谱分析进行了9种不同的食物类型的粉末或薄片结构。采用支持向量机（SVM）和卷积神经网络（CNN）方法进行数据分类。因此，SVM和CNN分别达到了97%和95%的准确率。此外，我们还提供了光谱测量数据、电子电路设计、包含人工智能算法的API文件和图形用户界面（GUI）。©2022 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍这是一个全人类都同意的问题，即健康和高质量的生活不仅可以通过均衡的饮食来实现，而且主要是通过吃可靠的食物。除了通过其所含的营养物质对人类健康产生积极影响外，食物还威胁着人类健康，因为它们所携带的功能失调的内容物打开了疾病甚至死亡虽然城市化和城市人口的增加导致现代城市对食品和即食产品的巨大需求，但这种食品供应往往为欺诈铺平了道路[1因此，食品必须在整个过程中进行检查，从生产开始的原材料，直到*通讯作者。电子邮件地址：sheydarov@gelisim.edu.tr（S.Heydarov），maydin@fsm.edu.tr（ M.Aydin ） ， cfaydaci@gelisim.edu.tr （ C.Faydaci ） ， suhatuna@itu.edu.tr（S.Tuna），sadullahozturk@iuc.edu.tr（S. Ozturk）。来到我们的桌子上。人们对快速、可靠和环境友好的高质量食品消费、生产阶段或食品分析技术的兴趣正在增加，因此，正在开发替代传统方法的各种技术[5，3，6]。食品造假被理解为忽视其成分和替代廉价的食品成分。为了检测欺诈，在食品从原材料到最终产品的所有转化阶段都需要可靠的分析方法和设备，这使得研究人员能够专注于这一领域。分析主要是过敏原、物理、化学、材料、添加剂残留、微生物、金属矿物质和毒素分析[3，7，8]。 由于物质的吸收光谱是特定于相关物质的，因此将其作为化学指纹进行评估是增加光学分析成功率的重要因素。目前90%以上的食品分析仪都是在实验室条件下使用传统方法进行的。而使用化学方法的快速诊断试剂盒的使用率为8%Francielli et. al. 研究https://doi.org/10.1016/j.jestch.2022.1013022215-0986/©2022 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchS. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013022橄榄油的氧化化合物，使用紫外（UV）可见（VIS）光谱。通过使用独立化合物分析来分析光谱数据[12]。通过基于胺的液相微萃取（LPME）富集的紫外可见光谱法分析了食物中一定量的槲皮素另一方面，便携式光谱分析系统和设备的比例接近所有食品分析系统的1% - 2%水平[14Mayr，S.等人用近红外光谱分析胡椒，即黑胡椒，以确定其质量[17]。此外，研究人员分析了不同的香料，包括咖喱，姜黄和辣椒粉，以确定食品掺假[18]。他们利用紫外可见光谱仪扫描香料，以检测苏丹I-II-II-IV染料。在另一项研究中，Karık。-是的等人利用Cocchi等人提出了一种基于NIR光谱数据的机器学习算法，用于对不同品质的小麦粉进行分类[20]。De Lima等人使用近红外光谱仪调查了黑胡椒和孜然粉与淀粉木薯和玉米粉混合的食品欺诈。他们利用偏最小二乘法等算法对采集的光谱数据进行分类，并以高精度区分掺假样品[21]。Park等人提出了一种利用近红外光谱分析和多元统计分析相结合的方法来分析黑胡椒样品中胡椒碱含量的有力工具。在这项工作中，黑胡椒样品内的近红外光谱仪，其光谱范围在1100 nm至2500nm之间变化进行了检查。 提取的特征用于计算所考虑的内容[22]。另一项工作是用可见-近红外光谱法研究青香蕉粉中抗性淀粉（RS）中小麦的含量。采用二阶Savitzky-Golay滤波的主成分分析和偏最小二乘回归对样品光谱数据进行分析。根据科学文献，本研究为香蕉产业开展了重要工作[23]。Cortes等人对可见-近红外光谱法在食品控制、质量和欺诈方面的潜在应用进行了文献调查在目前的手稿中，利用手持式光谱仪分析了九种不同的食物类型。采集的光谱数据进行了分析，使用几种分类算法。根据结果，由于高效的人工智能算法，相同颜色的样品被准确地识别出来。根据市场研究，全球便携式光谱仪到2025年底，市场预计将达到277亿美元，2019年为1.54亿 低成本、对快速结果的需求、现场测试和非破坏性操作创造了对便携式光谱仪的需求，包括拉曼光谱仪、近红外（NIR）、傅里叶变换红外（FTIR）和紫外可见光[25]。便携式光谱仪广泛应用于制药、食品和农业行业以及医疗诊断[14]。随着电子技术（即无线技术、微控制器、低功耗、制造方法和MEMS技术）的发展，光谱学中所需的物理硬件使组件能够以组件的形式生产：网格、滤波器、光电二极管、小型电子组件，并随后允许开发紧凑且低成本的便携式光谱学系统和设备[26]。Lie等人通过使用商业和便携式近红外设备检查了一些水果样品的光谱和质量[27]。Yang等人通过使用商用手持VIS/ NIR光谱仪（Ocean Optics Inc.我们型号USB4000）[28]。在这项研究中，设计的设备，可以进行光谱分析的范围内的410有10种不同的食物。电子元件AS 72651、AS 72652和AS 72653（AMS AG，奥地利），带6-通道光电二极管阵列用于光谱分析。光谱传感器（AS72651、AS72652和AS72653）是独立组件，主要用于颜色识别和颜色校准。在这项研究中，我们利用这些传感器以及三个覆盖410-940 nm范围的光学光源（白光，紫外光和红外LED）虽然一些电子模块集成了这三个传感器中的一个或全部[29，30]，但这些模块需要外部电子电路来为传感器模块供电和控制，并将光谱数据传输到所需的用户界面。此外，在我们的设计中使用的IR照明源（VSMY 12940，Vishay Semiconductors，US）的辐射强度值，即在给定方向上从点光源发射的每单位立体角的辐射通量，具有16 mW/sr的值，其比围绕AS 72651、AS 72652和AS 72653构建的商业模块（IR 19 - 21C，Everlight Electronics，这表明目标样品在IR区域中的照明要好得多[31]。本研究的主要目的是实现低成本的电子设计，并利用机器/深度学习算法来提高设备的性能，尽管与台式光谱仪仪器相比，其此外，本研究的重点是必要的软件，将数据传输到计算机环境，采用用户友好的界面。通过利用国家的最先进的分类技术，我们设法解决的缺点继承自低光谱分辨率的电子设计。因此，我们的方法实现了高分类检测食品的准确率高达97%2. 材料和方法2.1. 食物样本对九种不同的食物进行了光谱测量，如红辣椒、黑胡椒、孜然、肉桂和咖喱，这些食物很容易被人眼分辨，因此它们的颜色也很容易被人眼分辨，通常对白色和深浅不同的面粉、无麸质面粉、淀粉和糖粉进行了光谱测量。 另一方面，面粉和无麸质样品不仅颜色相同，而且在谷物特性方面彼此相似。同样，糖粉和淀粉彼此接近。食物样本是以市场上不同品牌出售的产品形式提供。对每种食物样品进行了150次不同的测 量 。 在 光 谱 测 量 期 间 ， 实 验 室 的 大 气 条 件 保 持 恒 定 （ 23°C1;50%RH）。在每个测量过程之后，用蒸馏水以及酒精清洁装置的样品架，然后干燥。因此，防止了任何液体残留物对食品样品的任何污染的影 响 。 所 开 发 设 备 的 所 有 测 量 数 据 均 在 GitHub 存 储 库 SchematicSensors 2021 - 08 - 16.pdf中提供。2.2. 系统设计和开发为了在410 nm和940 nm之间对食品进行分光光度测量，设计并制造了便携式光电设备。光电设备由两个独立的部分组成;控制板和传感器板，可以通过易于插入的电缆连接。传感器板包括用于照明食物的光源和识别来自食物的反射光的传感器。使用AS72651、AS72652和AS72653（ams AG，奥地利）传感器对VIS至NIR范围内的光进行光谱识别每个传感器有6个接口，S. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013023-×通过使用具有20 nm半高宽（FWHM）值的光栅化装置上高斯带通滤波器和三个传感器，我们实现了具有20 nm FWHM的410 nm和940 nm之间的光谱响应。这些传感器还集成了可编程恒流LED驱动器，消除了外部LED驱动器设计，并最大限度地减少了PCB空间。在操作过程中，AS72651作为主机，而其他两个传感器则以从机模式工作。微控制器通过I2C向AS72651发送命令，并通过AS72651接收传感器的所有读数。属于每个光谱分量的电子电路设计在GitHub存储库测量数据文件中显示为Data.xlsx。传感器板还包括闪存与固件闪存传感器。传感器模块采用AT 25 SF 041作为闪存，加载AMS AG公司的固件，光引擎模块采用UV、白光LED和IR LED 3种光源，对食品样品进行照明，并完全覆盖410VLMU3100（Vishay Semiconductors，US）[32]、Luxeon 3014（LUMILEDS，US）[33]和VSMY12940（VishaySemiconductors，US）[34]分别作为UV、白光和IR LED被包括在设计中。该控制板由功率级、微控制器单元（MCU）、通信单元、用于通信的USB和电池充电电路组成。功率级包括反极性保护和DC-DC降压转换器电路。 在GitHub中提供了DC-DC降压转换器电路作为模型图像/电源电路。该设备通过1S 3： 7V 280mAh可充电锂聚合物电池供电。由于低电池电压，使用二极管作为反极性保护将导致电压进一步下降，年龄由0： 3 0： 7V的基础上，首选二极管类型。我们使用Si2301CDS（Vishay Semiconductors，US）作为p沟道MOSFET的反极性保护电路，以实现几乎为零的压降。为了将电池电压转换为3： 3V，为MCU 、 传 感 器 、 通 信 单 元 供 电 ， 使 用 TPS62063 （ TexasInstruments，US）设计了同步降压转换器。该IC包含一个固定的3MHz开关频率，可在小电感尺寸下实现最佳操作[35]。通过遵循给出在[35]中，电感器值被选择为1lH，而10lFcera-使用MIC电容器作为输出滤波器。 Atmega 328 P-AU是在板上用作MCU。MCU包括8个板载模拟引脚，13个I/O引脚，可用作输入和输出。MCU工作在16 MHz晶体频率[36]。考虑到设备的低功耗要求，我们在设计中加入了低功耗蓝牙4.0作为数据传输单元。该模块是围绕CC2541 BLE芯片（Texas仪器，美国），并在低功耗模式下消耗27 01A[37]。我们还包括USB接口传输数据给用户间-在测试阶段面对。FT232RL（未来技术设备国际有限公司，USB-UART接口采用了美国）芯片。当器械通过锂聚合物电池供电时，在对锂聚合物电池充电时必须注意，因为过度充电可能导致不稳定状态、热失控以及电池可能冒烟[38]。电池需要恒流恒压充电机制才能将电池充满电，并且在充电结束时必须切断电源[38]考虑到这些参数，我们设计了 一 种 基 于 MCP 73831 芯 片 的 锂 聚 合 物 电 池 恒 流 恒 压 充 电 系 统（Microchip Technology，US）该IC具有恒流恒压充电算法，小封装，适用于空间有限的应用[39]。开源Easyeda软件用于PCB设计。控制板设计在2层PCB上。底层用作固体接地层，所有布线均在顶层上进行。 我们去除了DC-DC降压转换器电感下方的铜，以最大限度地降低开关噪声。传感器板位于4层PCB上注意力为了不通过传感器IC下的任何数字线，使读数不受影响，此外，通过FT232TL（Future Technology Devices International Ltd.，US）控制板和传感器板的3D图像在GitHub存储库模型图像中给出（见图1）。通过称为Onshape（Onshape Inc. Boston，MA），它允许在开放访问和网络环境中进行CAD设计。将外鞘的参数化设计转换为*.STL格式后，用3D打印机进行生产控制板和传感器板被放置在3D打印的塑料外壳中。参数化设计文件在GitHub存储库3D模型中作为参数化设计文件呈现。制造的分光光度计装置包括控制和传感器板，塑料外壳和样品架如图所示。 二、2.3. 数据采集和分类阶段2.3.1. 数据采集开发了一个用户友好的基于GUI（图形用户应用程序流程和相应的GUI页面显示在图的顶部。 二、一般来说，GUI的属性如下所示对制造设备的主要控制收集分光光度数据存储采集的数据测量光谱数据的可视化通过使用预先训练的机器学习模型使用开发的接口，通过光谱仪设备的串行端口连接接收的数据存储在用户指定的.txt随着分光光度测量的完成，所获取的数据被用作预训练的SVM和CNN模型的输入。随后，分类阶段开始并返回结果。2.3.2. 分类阶段最初，从传感器获取的数据被收集并相应地标记。在分类阶段之前，使用主成分分析（PCA）将特征数量减少到3维[40]。因此，我们将标记数据的分布可视化为探索性分析方法。采用前三个主成分的相应演示如图所示。 四、标记的数据最初被归一化，然后通过机器学习和深度学习方法进行分类。SVM和CNN方法被用于根据它们的类型对食物进行分类。在每种方法中，相应的数据分为两部分，即训练和测试。随机选择这些部分给出了每个实验计算的性能指标的平均值。CNN的用户界面应用程序是在Visual Studio中使用C#. NET开发的。采用Keras.NET进行食物类型分类。Keras.NET是通过Python绑定的C#高级深度神经网络API，并利用TensorFlow后端。构建的一维CNN模型采用18个1向量作为输入元素。在该模型中，通过利用大小为3× 1的1D内核执行1D卷积过程，创建了64个特征图●●●●●S. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013024××Fig. 1.便携式光谱仪的框图。图二. 光谱仪装置工作原理示意图。具有32个特征的地图通过连续应用2个卷积运算获得，滤波器大小为3 - 1。然后，输入向量用21最大池化滤波器减半。然后，将另外2个卷积分别应用于32个和64个特征图，其中完成了特征提取过程。在分类阶段，我们充分利用了两连接层分别由64和128个神经元组成，输出层由9个神经元组成。在构建的CNN模型中，epoch计数固定为100。相应的在输出层，激活函数采用softmax，其中，S. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013025图三. 1-D卷积神经网络（CNN）结构，用于食物类型分类。见图4。 前三个主要组成部分的预测数据。利用标准交叉熵作为输出损失函数。深度神经网络结构的示意图如图所示。3.第三章。由制造的光谱仪接收的数据在作为CNN网络的输入之前用L2归一化进行归一化，并且每个输入用独热编码标记。3. 结果和讨论3.1. 器件特性为了在PCB设计之前验证电路的重要部分，我们进行了仿真并检查了结果，看看它们是否符合设计要求。 为此，使用WEB- BENCHPower Designer（Texas Instruments，US）模拟控制板的功率级。将负载电流调整为600 mA，最大输入电压选择为4.2 V。功率级的稳态响应在ESI（电子补充信息-GitHub存储库https://github.com/msaaydin/AI-SFA）中提供了在600 mA负载电流下设计的电子电路。根据该图，在600 mA负载电流的输出中没有电压降，该电流约为最大峰值电流的3倍，该设备可以在LED照明期间绘制。3.2. VIS–NIR所测试的粉状食物样本取自市面上不同品牌的产品。在反射光谱测量前，用丙酮、乙醇和蒸馏水清洗采样囊，然后在空气环境中干燥。无麸质面粉和面粉在颜色、气味和质地方面无法区分。给出了无谷蛋白面粉（上图）和普通面粉（下图）的反射光谱在图5（a）中。通过所有测量数据与波长的平均值计算光强度值与相关波长的关系。将标准偏差绘制为蓝色，并观察到偏差值随着波长的增加而降低。另一方面，与相关波长的相关光强度值相比，偏差非常低。此外，图5（b）亦显示了被测试的不同食物样品的反射光谱。在这项研究中，食物被分为两组，有色和非有色（白色）。通过使用光谱斜率，有色和无色食物可以快速地彼此分离（图5b）。然而，当我们评估每个食物组之间的光谱曲线时，观察到结果彼此接近，并且食物类型之间的分离变得困难。在两个图中，光强度值几乎相同。这是由于IR LED的低功率造成的。虽然反射光谱和对应于每个波长的光强度值彼此接近，但开发的设备成功地维持了这项工作中的分类实验（见图1）。 6）。最终器械的光谱区域与在其他研究中报告，台式和手持计算机，S. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013026¼图五. (a)（a）无麸质面粉（顶部）和面粉（底部）的反射光谱，以及是另一种香料，其光谱扫描是使用紫外可见近红外光谱仪进行的[43，19，44]，以确定掺假和质量参数。使用Foss NIR SystemsModel 6500（Foss Analytical，Denmark）在400 - 2400 nm范围内检查淀粉光谱分析赞多梅内吉湾et. al. 使用波长计在250-650 nm范围内扫描面粉以确定类胡萝卜素洛佩兹et.例如，在近红外区域扫描碳水化合物，包括糖粉，并使用统计和数学方法来识别碳水化合物[47]。3.3. 分类和总体准确度结果在这项工作中，遵循两种基本的分类方法。这些方法中的第一种是一种灵活有效的机器学习算法，称为支持向量机（SVM）[48]。SVM是一种用于分类高维数据（即向量）的监督机器学习算法。SVM的目标是构建一个超平面，使最接近的聚类点的边缘尽可能宽。虽然SVM是针对二元分类问题提出的，但它可以毫无困难地扩展到多类分类任务。支持向量机还能够区分线性不可分的数据。SVM的这个属性可以通过执行“内核技巧”来使用在确定核类型之后，所考虑的数据被分别分成训练样本和测试样本。首先，使用训练数据（例如D训练）来馈送算法。SVM算法利用D训练集上的样本生成决策边界，将具有相同标签的数据组隔离开来。从而构建了学习模型。然后，将测试样本，即D测试注入到训练好的SVM模型中。最后，利用训练阶段建立的模型确定D检验中每个数据样本的标签。给定数据集的基本分类性能指标，即总体准确度（OA）被计算为(b)所有人都测试了不同类型的食物。OA正确预测数测试样本数ð1Þ图六、分类结果使用SVM获得各种训练百分比。使用了一些元素。迈尔湾et.等人使用近红外光谱法对黑胡椒进行质量控制，并比较了不同台式（735-2632 nm ）和便携式光谱仪（740-1069 nm）的性能Lim J. et.等人在可见光和近红外光谱区（350-肉桂，孜然和咖喱然而，虽然OA是一个重要的分类器评估的效率指标，它可以提供有限的信息的稳定性和敏感性的建议分类。为此，还报告了灵敏度、特异性、精密度、Matthew在支持向量机的实验中，我们采用径向基函数作为非线性核函数功能为了确定最佳核参数c和c，我们应用后进行5重交叉验证和网格搜索最小-最大归一化我们利用LIBSVM工具[50]来实现SVM分类算法。每个实验都在随机选择的训练样本上进行了20次独立试验然后，计算上述机器学习度量，使每次运行的构造混淆矩阵受益。报告的值是20次试验的平均值这项工作中的后一种分类方法是卷积神经网络（CNN）。作为用训练好的网络进行测试的结果，获得了95：87%的准确度。该准确度值是10次反复运行的大值的平均值。每一次，所有的数据，80%作为训练数据，20%作为测试数据，都被重复使用，从而以随机的方式揭示了网络的性能。CNN网络已经训练了500个时代。在训练期间，10%的输入数据用作验证数据。图7a，b显示了CNN网络的验证和训练准确性以及实现最佳准确性的训练中的大量时期。在表1中，很明显，除了Cohen的j之外，所有指标都计算结果高于0： 80。这些值表明SVMS. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013027见图7。CNN网络训练和验证准确性结果（a），CNN 网络训练和验证损失结果（b）。分类器在对所考虑的数据进行分类时产生稳定和可靠的性能。 另一方面，2%和4%训练比率的j值被认为是不足的。这些观察结果这意味着在2%和4%的训练比下的分类结果不能满足在可靠性此外，对于6%和更高的训练百分比，j值高于0： 82，这可以被认为是SVM方法对于所考虑的训练产生可靠的结果成比例。在评估SVM分类器性能之后，我们评估了所提出的基于CNN的分类方法的相同机器学习指标，并在表2中报告。根据2中的结果，基于CNN的分类结果接近1： 0，这表明分类器的性能对于所考虑的数据是可靠和有效的。结果表明，CNN度量与SVM获得的度量相似，SVM将6%评估为训练百分比。表2CNN分类器性能指标比率。灵敏度0：967专属性0：996精密度0：971MCC 0：966Cohen所有开发的代码和数据都可以在相应的GitHubrepository链接。4. 结论通过采用自己动手的理念作为基本原则，创建了便携式和手持式光谱仪设备，软件和分类算法流程，并在真实的食品样品上进行了测试它旨在传播科学和技术，同时支持旨在通过处理电子设备设计，开发设备，计算机和用户交互和协调，数据分类和所有参数来开发集成结构的研究人员，特别是那些在本科和研究生阶段进行研究在GitHub上共享了本手稿中提出的设计电子结构、测试、用户界面（GUI）、数据分类算法和设计标准。所开发设备的光谱部分的电子结构采用了三种不同的光谱传感器（AS 72651、AS 72652、AS 72653），每种传感器都有六个光电二极管阵列，配有20 nm FHWM光学带通滤波器和LED，能够在UV-vis-IR波段范围内辐射研制的便携式和手持式光谱仪可接收18个在410 nm和940 nm之间的不同点，并且其光学分辨率已提高到约30 nm。为了显示装置的光学分析能力，对9种粉末状不同食物类型进行了反射率分析已经观察到，当用肉眼观察时被视为白色的食物的反射率值彼此接近，并且分类是不可能的。SVM和CNN算法已被开发用于分析反射率数据和随后确定测量的9种不同类型的食物。SVM和CNN算法的分类准确率分别为97%和95%报告的度量表明，这两种方法的分类性能是足够的，有效的和可靠的。作者贡献S.O.构思项目，撰写手稿，获取数据并准备数字; S.H.和CF。建立了原型;M.A.设计和开发GUI，实现CNN算法，协助撰写手稿并准备一些渲染图; S.T.执行分类算法，评估分类结果，并协助撰写稿件。表1支持向量机分类器的性能指标，不同的训练比率。百分之二百分之四6%8%百分之十灵敏度0： 8320： 9370： 9660： 9820： 984特异性0： 9790： 9920： 9960： 9980： 998精度0： 8870： 9480： 9670： 9820： 984MCC0： 8250： 9320： 9620： 9800： 982科恩0点 317分0： 6750： 8250： 9060： 919S. Heydarov，M.艾登角Faydaci等人工程科学与技术，国际期刊37（2023）1013028所有作者均审查并批准了手稿的最终版本。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] R.H.洛杉矶斯塔德勒特兰角Cavin，P. Zbinden，E.J.M. Konings，验证食品完整性的分析方法：需求和挑战，AOAC国际杂志99（5）（2019）1135-https://doi.org/[2] C.W.哈克，C.K.佩泽Huck-Pezzei，食品欺诈的行业视角，食品当前观点，科学10（2016）32-37。[3] C.W.哈克，分子光谱学在天然产物分析中的最新应用，植物化学快报20（2017）491-498。[4] R. Henn，C.G.Kirchler，M.E.Grossgut，C.W.Huck，近红外光谱中对人工光谱误差和多变量LOD的灵敏度比较-确定奶粉中三聚氰胺的灭菌性能，Talanta 166（2017）109-118。[5] S. Grassi，E.卡西拉吉角Alamprese，手持式近红外设备：一种非靶向方法来评估鱼片和肉饼的真实性，食品化学243（2018）382-388。[6] 低阻焊Aurand，食品成分和分析，Springer Science& BusinessMedia，2013。[7] S.S. Nielsen等人，食品分析，Springer，2010年。[8] D.W.孙，现代食品认证技术，学术出版社，2008年。[9] C.A.T. 多斯桑托斯湾Lopo，R.N.Páscoa，J.A.Lopes，便携式近红外光谱仪在农业食品工业中的应用综述，应用光谱学67（11）（2013）1215-1233。[10] A. Palacios-Morillo，P.阿尔卡萨尔湾de Pablos，J.M.Jurado，使用紫外可见光谱和模式识别技术区分茶叶品种，Spectrochimica Acta Part A：Molecular andBiomolecular Spectroscopy 103（2013）79-83。[11] A. 丹科夫斯卡湾Kowalewski，茶类型分类与紫外-可见，同步荧光和近红外光谱和化学计量学分析的数据融合，Spectrochimica Acta Part A：分子和生物分子光谱学211（2019）195-202。[12] F.C. Alves，A.Coqueiro，P.H.Março，P.Valderrama，通过紫外可见光谱和独立成分分析评估地中海地区的橄榄油，食品化学273（2019）124-129。[13] M.拉克湾厄兹代米尔E. Yilmaz，一种环境友好的新型基于胺的液相微萃取食品样品中的槲皮素，然后通过紫外可见分光光度法测定，光谱化学学报A部分：分子和生物分子光谱学243（2020）118806。[14] R.A. Crocombe，便携式光谱学，应用光谱学72（12）（2018）1701-1751。[15] C.G. Kirchler，C.K. Pezzei，K.B. 别这 样 ，S。迈尔，M. Ishigaki，Y. Ozaki，C.W.Huck，台式与便携式近红外光谱仪光谱信息的关键评价：量子化学和二维相关光谱法，用于更好地理解迷迭香叶中迷迭香酸含量的PLS回归模型，分析师142（3）（2017）455-464。[16] S.斯利瓦斯塔瓦湾Vani，S. Sadistap，手持式，基于智能手机的光谱仪，用于柑橘品种的快速无损检测，食品测量和表征杂志（2020）1-13。[17] S. Mayer，K.B. 好的，J。Grabska，E. Schneckenreiter，C.W. 哈克，近红外光谱法在胡椒的质量控制：台式和手持式光谱仪的性能比较，Talanta 223（2021）121809。[18] R. 卡 维 亚 河 Pandiselvam ， M. 穆 罕 默 德 河 Dakshayani ， A. Kothakota ， S.Ramesh，D.科佐利诺角Ashokkumar，红外光谱技术在香料质量和安全评估中的应用：综述，应用光谱评论55（7）（2020）593-611。[19] - 是的卡里克岛马尼纳尔湾Gölükçü，孜然（cuminum cyminum l.）重要质量参数的测定不同国家提供的种子，ANADOLUEge TarımsalAra，s tırmaEnglüsüDergisi32（1）（2022）133-142。[20] M. Cocchi，M.Corbellini，G.Foca，M.Lucisano，文学硕士帕加尼湖Tassi，A.Ulrici，通过基于小波的特征选择/分类算法对近红外光谱进行不同质量类别的面包小麦粉的分类，Analytica Chimica Acta 544（1 -2）（2005）100-107。[21] A.B.S. de Lima ， A.S. 巴 蒂 斯 塔 ， J.C. de Jesus ， J. de Jesus Silva ， A.C.M. deAraújo，L.S. Santos，通过近红外光谱和多变量建模快速定量检测黑胡椒和孜然掺假，食 品 控 制107 （ 2020 ） ， https://doi.org/10.1016/j.foodcont.2019.106802 。www.sciencedirect.com/science/article/pii/S0956713519303913106802.[22] J. Jiang，H. 岑角Zhang，X.柳，H.翁氏H.Xu，Y.何，基于近红外高光谱成像结合多元分析的辣椒品质无损评价，采后生物学与技术146（2018）147https://doi.org/10.1016/j.postharvbio.2018.09.003https://www.sciencedirect.com/science/article/pii/S0925521418305131的网站。[23] P.F. 恩德洛武湖马格瓦扎R.R.特斯费Mphahlele，Vis-nir光谱和化学计量学模型通过量化抗性淀粉含量检测优质绿色香蕉粉与小麦的污染，食品成分与分析杂志102（2021），https://doi.org/10.1016/j。jfca.2021.104035.https://www.sciencedirect.com/science/article/pii/S0889157521002350 104035.[24] V. Cortés，J. Blasco，N. Aleixos，S. Cubero，P. Talens，使用可见光和近红外光谱法对 农 产 品 进 行 质 量 控 制 的 监 测 策 略 ： 综 述 ， 食 品 科 学 技 术 趋 势 85 （ 2019 ）138https://doi.org/10.1016/j.tifs.2019.01.015网 址 ：http：//www.sciencedirect.com/science/article/pii/S0924224418304825[25] 全球便携式光谱仪市场研究，https：www.marketresearchfuture.com/reports/portable-spectrometer-market-7728，注=访问时间：2021-01-21。[26] A.J. Das，A.瓦希岛科塔里河Raskar，用于水果成熟度快速非破坏性测试的超便携无线智能手机光谱仪，科学报告6（2016）32504。[27] M. Li，Z.钱湾，澳-地Shi，J. Medlicott，A.东，评估消费者规模的sciomolecular传感器的性能，以预测园艺产品的质量，采后生物学和技术145（2018）183-192。[28] B. 杨，W.Guo，W.李角Li，D.Liu，X.朱，便携式，视觉和无损检测集成猕猴桃的可见光/近红外，食品加工工程杂志42（2）（2019）e12982。[29] https://learn.adafruit.com/adafruit-as7262-6-channel-visible-light-sensor?view=all，[在线;访问时间：2022年9月19日]。[30] https：//www.sparkfun.com/products/15050，[在线;访问时间：2022年9月19日]。[31] M. Born，E.Wolf，A.B.Bhatia，P.C.Clemmow，D.A.R.加博尔斯托克斯，上午泰勒先生，P.A. Wayman，W.L. Wilcock，光学原理：光的传播、干涉和衍射的电磁理论，第7版。剑桥大学出版社，1999年。10.1017/CBO9781139644181。[32] Vishay Semiconductor vlmu 3100，https://ams.com/documents/20143/36005/AS7265x_UG000337_2-00.pdf/7af 9 f359-e2 a4-f286- 0 e12 - 6c 9 e4 e89 c054，访问时间：2020-08-20。[33] LUMILEDS US luxeon 3014，https://www.vishay.com/docs/82556/vlmu3100。pdf，访问时间：2020-08-22。[34] Vishay Semiconductors vsmy 12940，https://www.lumileds.com/wp-content/uploads/files/DS208-L.pdf，访问时间：2020-09-01。[35] 德州仪器tp 62063，https：//www.ti.com/product/TPS62063，访问时间：2020-06-01。[36] Atmel微控制器atmega328p说明书，https：//ww1. microchip.com/downloads/en/DeviceDoc/Atmel-7810-Automotive-Microprocesso