基于贝叶斯优化XGBoost的小麦粉麸星含量预测

作     者：陈卫东 刘超 范冰冰 丰秋楠 丁俊丹 何为 

作者机构：河南工业大学信息科学与工程学院 粮食储运国家工程研究中心 

出 版 物：《河南工业大学学报(自然科学版)》 (Journal of Henan University of Technology(Natural Science Edition))

年 卷 期：2024年

学科分类：0832[工学-食品科学与工程（可授工学、农学学位）] 08[工学] 083202[工学-粮食、油脂及植物蛋白工程] 

基　　金：财政部和农业农村部国家现代农业产业技术体系资助项目(CARS-03) 

主　　题：小麦粉加工精度 麸星检测 机器学习 极限梯度提升算法 

摘      要：针对基于传统图像处理的小麦粉麸星含量测定存在分割困难和统计误差大的问题，提出基于贝叶斯优化极限梯度提升算法 (eXtreme Gradient Boosting，XGBoost) 的小麦粉麸星含量预测模型。使用方差膨胀因子 (Variance Inflation Factor， VIF) 对小麦粉RGB图像的颜色和纹理特征进行特征筛选，构建小麦粉麸星含量数据集。将筛选后的特征和麸星含量参数分别作为模型的输入和数据标签，训练完成后，将其与随机森林、GBDT、AdaBoost (Adaptive Boosting)和卷积神经网络进行对比试验。实验结果表明，XGBoost的平均绝对误差为0.0044，与RF、GBDT、AdaBoost和CNN相比，平均绝对误差分别降低了18.51%、22.81%、18.51%、24.14%。该算法模型可以实现麸星含量的准确预测，对指导小麦粉适度加工、提高检测效率具有较强的实用价值。