北京工商大学计算机与信息工程学院，食品安全大数据技术北京市重点实验室的郭培源、徐 盼、董小栋、许晶晶采用400～1 000 nm高光谱仪采集香肠的高光谱数据，并分别采用迭代决策树（GBDT）和支持向量回归（SVR）方法建立香肠菌落总数的预测模型，以期为香肠菌落总数的快速定量和品质控制提供参考。
1、SVR建模结果
SVR方法采用PSO算法进行c和g参数寻优得到的预测模型最优。PSO算法的收敛速度快，受问题维数的变化影响较小，使得求解过程更容易计算。
2、GBDT建模结果
迭代2 000 次得到的建模结果最好，并且迭代过程很快。
3、两种方法建模结果的比较
由SVR和GBDT的建模结果，比较采用PSO算法进行参数寻优的SVR建模结果与迭代2 000 次的GBDT建模结果可知，GBDT建模结果要远优于SVR的，GBDT所得的RMSE非常小，比SVR所得的要小一个数量级，并且GBDT所得的R2几乎为1。除此之外，SVR建模所需的训练时间很长，GBDT训练时间则很短。因而基于高光谱成像技术利用GBDT方法预测香肠菌落总数的方法可行且有效。
结 论
本实验通过高光谱成像系统采集50 个香肠样本的高光谱数据，并利用高光谱分析处理软件ENVI5.1，在每个香肠样本的高光谱图像中选择10 个ROI，从而获得500 个香肠样本的平均光谱数据。实验采用MSC方法对光谱预处理，并采用PCA方法从128 个光谱波段中选择5 个特征波段，从而提高了模型的预测精度。以处理过的光谱数据作为输入，理化实验所得的香肠菌落总数值作为输出，分别采用SVR和GBDT方法建立香肠菌落总数的预测模型。实验结果可知，迭代2 000 次的GBDT建模结果最优。本实验中，GBDT模型迭代2 000 次时，训练集和测试集的RMSE都很小，R2也都接近1，但是当迭代次数多于2 000 次时，是否会产生过拟合、建模效果需要进一步论证。除此之外，进一步需要探索研究地是，将每个像素点下预测出的菌落总数定量反演到香肠样本表面图像上，生成可视化分布图，使香肠新鲜度的动态变化趋势更加直观、形象地呈现。
