基于信息融合的小麥粉品質(zhì)快速檢測(cè)

陳嘉，葉發(fā)銀，趙國(guó)華,2,3*

1(西南大學(xué) 食品科學(xué)學(xué)院，重慶，400715) 2(重慶市甘薯工程技術(shù)研究中心，重慶，400715)3(重慶市農(nóng)產(chǎn)品加工技術(shù)重點(diǎn)實(shí)驗(yàn)室，重慶，400715)

我國(guó)是小麥生產(chǎn)與消費(fèi)大國(guó)，國(guó)家統(tǒng)計(jì)局相關(guān)數(shù)據(jù)顯示，2017年我國(guó)小麥總產(chǎn)量13 433.39萬(wàn)t，占全國(guó)糧食總產(chǎn)量的20.3%。小麥粉制品營(yíng)養(yǎng)豐富，蛋白質(zhì)含量高，在很多地區(qū)都被作為人們的主食，對(duì)國(guó)民的健康與營(yíng)養(yǎng)有著舉足輕重的作用。

由于小麥品種、磨粉工藝、配粉比例、強(qiáng)化配方等的差異，不同品牌、廠(chǎng)家小麥粉中各化學(xué)成分的比例均不同，食品企業(yè)在收購(gòu)原料、加工產(chǎn)品前均需要進(jìn)行小麥粉品質(zhì)指標(biāo)檢測(cè)。小麥粉品質(zhì)是一個(gè)綜合概念，小麥粉的蛋白質(zhì)含量、濕面筋含量以及面團(tuán)流變學(xué)指標(biāo)等常被用來(lái)表征小麥粉的品質(zhì)。傳統(tǒng)的小麥粉品質(zhì)評(píng)價(jià)過(guò)程非常繁瑣，如使用凱氏定氮法測(cè)定蛋白質(zhì)含量需要進(jìn)行樣品消化，蒸餾與吸收裝置復(fù)雜且有刺激性氣體釋放；傳統(tǒng)面團(tuán)流變學(xué)品質(zhì)測(cè)定更為耗時(shí)，通常進(jìn)行1次粉質(zhì)檢測(cè)所耗費(fèi)的時(shí)間(包括儀器設(shè)備清洗)約為50～60 min、1次拉伸檢測(cè)所耗費(fèi)的時(shí)間約為150 min[1]，且操作過(guò)程有很強(qiáng)的經(jīng)驗(yàn)性，測(cè)定結(jié)果重復(fù)性差，波動(dòng)較大[2]；基于近紅外光譜(near-infrared spectra, NIR)的快速檢測(cè)方法多集中于小麥粉的理化指標(biāo)(如蛋白質(zhì)含量、含水量等)的檢測(cè)，對(duì)流變學(xué)指標(biāo)(如粉質(zhì)、拉伸等)的預(yù)測(cè)效果不佳[3-5]。因此，開(kāi)發(fā)一種能對(duì)小麥粉多個(gè)品質(zhì)指標(biāo)進(jìn)行快速檢測(cè)的方法意義重大。

信息融合是將多個(gè)來(lái)源的信息進(jìn)行合并或集成，以得到更完整、更精確、更可靠的推論或結(jié)果。不同傳感器采集的信息存在互補(bǔ)性，這種互補(bǔ)性經(jīng)過(guò)適當(dāng)處理，可以補(bǔ)償單一傳感器的不精確性和測(cè)量范圍的局限性，進(jìn)而增加系統(tǒng)的可靠性。近年來(lái)，基于信息融合的快速檢測(cè)技術(shù)已被用于食品摻假檢測(cè)[6-8]、產(chǎn)地鑒別[9-10]、風(fēng)味檢測(cè)[11]、品質(zhì)檢驗(yàn)[12-15]、加工過(guò)程控制[16]等領(lǐng)域中。從某種程度上講，近紅外光譜與中紅外光譜(mid-infrared spectra, MIR)具有一定的互補(bǔ)性，絕大多數(shù)有機(jī)化合物和無(wú)機(jī)化合物化學(xué)鍵的振動(dòng)均會(huì)在MIR區(qū)產(chǎn)生基頻吸收，在NIR區(qū)產(chǎn)生倍頻吸收和合頻吸收；NIR反映化學(xué)組成的綜合信息，波峰重疊嚴(yán)重，MIR則反映特定基團(tuán)或組分的特征吸收峰，光譜信號(hào)靈敏。BRS等[17]對(duì)比了NIR及MIR對(duì)黃豆粉品質(zhì)的檢測(cè)能力，發(fā)現(xiàn)雖然NIR模型的預(yù)測(cè)能力優(yōu)于MIR模型，但MIR中包含NIR中未檢測(cè)到的額外信息，2種光譜融合后可以提升模型的預(yù)測(cè)效果。LI等[18]融合MIR與NIR信息對(duì)三七粉的產(chǎn)地進(jìn)行鑒別，結(jié)果顯示，高層信息融合策略的識(shí)別準(zhǔn)確率可達(dá)98%～100%。CASALE等[19]融合MIR與NIR光譜對(duì)特級(jí)初榨橄欖油的產(chǎn)地、品種進(jìn)行鑒別，發(fā)現(xiàn)交互驗(yàn)證識(shí)別率可以達(dá)到90%以上。目前，基于信息融合的小麥粉品質(zhì)快速檢測(cè)方法尚未見(jiàn)報(bào)道。因此，本研究擬采用信息融合技術(shù)構(gòu)建一種能同時(shí)檢測(cè)多個(gè)小麥粉品質(zhì)指標(biāo)(蛋白質(zhì)含量、濕面筋含量、吸水量、形成時(shí)間、穩(wěn)定時(shí)間、弱化度)的快速檢測(cè)模型，以期為信息融合技術(shù)在小麥粉品質(zhì)檢測(cè)方面的應(yīng)用提供參考。

1 材料與方法

1.1 材料

小麥粉樣品購(gòu)自國(guó)內(nèi)各地區(qū)的超市及農(nóng)貿(mào)市場(chǎng)，共收集到不同產(chǎn)地、不同廠(chǎng)家及品牌的各類(lèi)型市售小麥粉樣品96份。樣品采集后保存在自封袋中，在冷藏條件下保存?zhèn)溆谩?/p>

1.2 儀器與設(shè)備

布魯克MPA近紅外光譜儀，德國(guó)Bruker公司；FTIR Spectrum 100傅立葉變換紅外光譜儀，美國(guó)Perkin Elmer公司；Farinograph-E電子型粉質(zhì)儀，德國(guó)Brabender公司；Glutomatic 2200面筋數(shù)量和質(zhì)量測(cè)定儀，瑞士Perten公司；K-360全自動(dòng)凱氏定氮儀，瑞士Buchi公司。

1.3 試驗(yàn)方法

1.3.1 小麥粉品質(zhì)指標(biāo)檢測(cè)

蛋白質(zhì)含量按照《谷物和豆類(lèi)氮含量測(cè)定和粗蛋白含量計(jì)算凱氏法》(GB/T 5511—2008)規(guī)定的方法和試驗(yàn)條件進(jìn)行檢測(cè)。濕面筋含量按照《小麥和小麥粉面筋含量第2部分：儀器法測(cè)定濕面筋》(GB/T 5506.2—2008)規(guī)定的方法和試驗(yàn)條件進(jìn)行檢測(cè)。

粉質(zhì)指標(biāo)(吸水量、形成時(shí)間、穩(wěn)定時(shí)間、弱化度)按照《小麥粉面團(tuán)的物理特性吸水量和流變學(xué)特性的測(cè)定粉質(zhì)儀法》(GB/T 14614—2006)規(guī)定的方法和試驗(yàn)條件，采用Farinograph-E電子型粉質(zhì)儀，使用300 g揉面缽，30 ℃恒溫條件下進(jìn)行揉混檢測(cè)。

1.3.2 紅外光譜采集

近紅外光譜的采集參考CHEN等[20]的方法，小麥粉樣品在室溫中平衡溫度后，放入石英樣品杯中，采用樣品杯旋轉(zhuǎn)式掃描，掃描范圍12 000～4 000 cm-1，分辨率8 cm-1，掃描次數(shù)16次，PbS檢測(cè)器，光譜使用自帶的OPUS 7.0采集。

中紅外光譜的采集參考LIU等[21]的方法，小麥粉樣品在105 ℃烘箱中干燥24 h后，與無(wú)水KBr按1∶25(m∶m)比例研磨并進(jìn)行壓片，然后掃描,掃描范圍4 000～450 cm-1，掃描次數(shù)20次，分辨率1 cm-1。掃描時(shí)應(yīng)即時(shí)去除水分和CO2的背景干擾。采集到的光譜信息由儀器自帶的Spectrum 6.0軟件系統(tǒng)收集和處理。

1.3.3 異常樣品檢測(cè)與數(shù)據(jù)集的劃分

異常值的判別參考SIGNES-PASTOR等[22]的方法，使用箱圖法(boxplot)進(jìn)行檢測(cè)。刪除異常樣品后，采用SPXY法[23]從原始樣本集中挑選72個(gè)樣品作為校正集，剩余樣品作為驗(yàn)證集，樣品詳細(xì)劃分情況見(jiàn)表1。

表1 小麥粉各品質(zhì)指標(biāo)校正集和驗(yàn)證集數(shù)據(jù)統(tǒng)計(jì)表

1.3.4 數(shù)據(jù)處理及建模

數(shù)據(jù)處理及建模采用Matlab 2016a(美國(guó)MathWorks公司)軟件。在構(gòu)建模型前，光譜須經(jīng)過(guò)適當(dāng)?shù)念A(yù)處理，以消除固體顆粒大小、表面散射以及光程變化對(duì)近紅外光譜的影響，提高光譜的分辨率和靈敏度。試驗(yàn)中采用標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation，SNV)、一階導(dǎo)數(shù)(1stDer)、二階導(dǎo)數(shù)(2ndDer)、SNV+1stDer及SNV+2ndDer 5種方法進(jìn)行光譜預(yù)處理，以考察不同光譜預(yù)處理方法對(duì)模型預(yù)測(cè)能力的影響。

采用偏最小二乘法(partial least squares regression, PLS)構(gòu)建信息融合模型，模型的預(yù)測(cè)能力采用模型對(duì)驗(yàn)證集樣品的預(yù)測(cè)誤差均方根(root mean square error of prediction, RMSEP)和預(yù)測(cè)值與實(shí)測(cè)值間的相關(guān)系數(shù)r考察。RMSEP主要用于評(píng)價(jià)模型對(duì)于外部樣本的預(yù)測(cè)能力，其值越小，表明模型對(duì)外部樣品的預(yù)測(cè)能力越高，反之則預(yù)測(cè)能力越低；相關(guān)系數(shù)r用于衡量驗(yàn)證集樣本的預(yù)測(cè)值和實(shí)測(cè)值之間的相關(guān)程度，r越接近于1，表明預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)程度越好。

為了進(jìn)一步增強(qiáng)模型的預(yù)測(cè)能力，首先采用前向區(qū)間(forward interval，F(xiàn)I)變量篩選算法對(duì)信息融合(data fusion，DF)模型進(jìn)行優(yōu)化(記為FI-DF-PLS)，其基本步驟是：將NIR與MIR同時(shí)分割為n個(gè)等長(zhǎng)子區(qū)間，一共可以得到2n個(gè)子區(qū)間；在每個(gè)子區(qū)間上建立PLS局部模型，計(jì)算各局部模型的RMSEP值；選取RMSEP值最小的模型對(duì)應(yīng)的子區(qū)間為第1固定子區(qū)間，將余下的子區(qū)間逐一與第1固定子區(qū)間組合建模，選擇其中RMSEP值最低的模型對(duì)應(yīng)的區(qū)間作為第2固定子區(qū)間，如此循環(huán)，直至所有剩余的子區(qū)間都進(jìn)入模型；對(duì)比以上各步驟模型的RMSEP值，其中RMSEP最小者對(duì)應(yīng)的區(qū)間組合即為n個(gè)子區(qū)間劃分條件下的最佳區(qū)間組合。在FI-DF-PLS的基礎(chǔ)上，再使用遺傳算法(genetic algorithm，GA)對(duì)模型進(jìn)一步優(yōu)化，其操作步驟為：對(duì)模型進(jìn)行20次GA變量篩選，統(tǒng)計(jì)各光譜波數(shù)點(diǎn)總的被選頻率，然后按照頻率由高到低的順序，將各波數(shù)點(diǎn)變量依次加入模型中并計(jì)算RMSEP值，RMSEP值最低時(shí)對(duì)應(yīng)的模型即為最優(yōu)模型，記做FI-GA-DF-PLS模型。

2 結(jié)果與分析

2.1 小麥粉近紅外光譜及中紅外光譜

圖1為小麥粉樣品的近紅外光譜與中紅外光譜圖。

圖1 小麥粉樣品近紅外光譜(a)與中紅外光譜(b)圖

Fig.1 NIR(a) and MIR(b) spectra of wheat flour samples

2.2 光譜預(yù)處理方法的選擇

光譜預(yù)處理方法對(duì)建立預(yù)測(cè)能力強(qiáng)、穩(wěn)定性好的分析模型至關(guān)重要，有時(shí)甚至起決定作用[26]。分別采用SNV，1stDer，2ndDer，SNV+1stDer和SNV+2ndDer 5種方式對(duì)NIR及MIR光譜進(jìn)行預(yù)處理并建立PLS模型，對(duì)比各預(yù)處理方法對(duì)NIR及MIR模型的影響，結(jié)果見(jiàn)表2。

表2 光譜預(yù)處理方法對(duì)近紅外和中紅外模型的影響

續(xù)表2

指標(biāo)預(yù)處理方法NIRMIRrRMSEPPCrRMSEPPC穩(wěn)定時(shí)間/min原始光譜0.651.13940.281.5734SNV0.421.48230.331.56861stDer0.791.09080.251.67612ndDer0.751.10470.211.8212SNV+1stDer0.671.22960.211.6635SNV+2ndDer0.791.10160.201.8152弱化度/FU原始光譜0.5932.92520.1241.5812SNV0.5534.90230.1041.74511stDer0.6131.54650.4138.74772ndDer0.6233.10680.2140.9311SNV+1stDer0.5333.97660.3838.7616SNV+2ndDer0.5834.99190.2140.9951

注：PC,主成分?jǐn)?shù)。

可以看出，對(duì)同一指標(biāo)，NIR與MIR最佳的光譜預(yù)處理方式不同。由于儀器、樣品特征和測(cè)量環(huán)境、條件的變化，光譜預(yù)處理尚無(wú)通用的解決方法，需要針對(duì)每個(gè)指標(biāo)分別進(jìn)行最優(yōu)光譜預(yù)處理方法的篩選，以提高模型的預(yù)測(cè)精度。依據(jù)RMSEP最優(yōu)原則，分別選擇各指標(biāo)最優(yōu)的NIR及MIR光譜預(yù)處理方法，蛋白質(zhì)含量模型NIR及MIR最優(yōu)預(yù)處理方法分別為SNV+1stDer和1stDer，濕面筋含量模型NIR及MIR最優(yōu)預(yù)處理方法分別為SNV和SNV+1stDer，吸水量模型NIR及MIR最優(yōu)預(yù)處理方法分別為1stDer和SNV，形成時(shí)間模型NIR和MIR最優(yōu)預(yù)處理方法均為SNV+1stDer，穩(wěn)定時(shí)間模型NIR和MIR最優(yōu)預(yù)處理方法分別為1stDer和SNV，弱化度模型NIR和MIR最優(yōu)預(yù)處理方法均為1stDer。

2.3 基于前向區(qū)間算法的變量篩選

將NIR及MIR預(yù)處理后進(jìn)行信息融合并構(gòu)建預(yù)測(cè)模型。為了提高模型的預(yù)測(cè)精度，將NIR及MIR分別劃分為10～50個(gè)子區(qū)間，采用前向區(qū)間變量篩選算法篩選NIR及MIR光譜中的有效變量區(qū)間，構(gòu)建前向區(qū)間信息融合模型(FI-DF-PLS)，結(jié)果見(jiàn)表3。

可以看出，與單光譜模型相比(見(jiàn)表2)，采用全光譜直接進(jìn)行信息融合建模后，模型的預(yù)測(cè)精度并未提高，甚至略有下降。這是因?yàn)?種光譜融合后，光譜中的噪聲及干擾信息互相疊加，影響了模型的預(yù)測(cè)精度。因此，需要使用適當(dāng)?shù)幕瘜W(xué)計(jì)量學(xué)方法進(jìn)行光譜變量篩選，消除部分冗余、干擾信息，再進(jìn)行信息融合，以提高模型的預(yù)測(cè)精度。

總體上，F(xiàn)I-DF-PLS模型的預(yù)測(cè)能力隨著光譜子區(qū)間劃分?jǐn)?shù)量的增加而提升，對(duì)于蛋白質(zhì)含量、濕面筋含量、吸水量、穩(wěn)定時(shí)間和弱化度，光譜子區(qū)間劃分為50時(shí)預(yù)測(cè)精度最高；對(duì)于形成時(shí)間，光譜子區(qū)間劃分為40時(shí)預(yù)測(cè)精度最高。

表3 光譜子區(qū)間劃分對(duì)信息融合模型的影響

從表3還可以看出，當(dāng)光譜子區(qū)間劃分?jǐn)?shù)較小時(shí)，F(xiàn)I-DF-PLS算法篩選出的最優(yōu)模型不包含MIR光譜子區(qū)間的數(shù)據(jù)，這是因?yàn)閷?duì)每個(gè)指標(biāo)，NIR模型預(yù)測(cè)效果均優(yōu)于MIR模型(表2)，當(dāng)光譜子區(qū)間劃分?jǐn)?shù)量較少時(shí)，一個(gè)子區(qū)間內(nèi)包含的變量數(shù)量較多，其中有用信息與干擾噪聲無(wú)法進(jìn)行有效的區(qū)分，MIR子區(qū)間的引入反而可能降低模型的預(yù)測(cè)效果。當(dāng)光譜子區(qū)間劃分?jǐn)?shù)量較大時(shí)，單個(gè)光譜子區(qū)間中包含的變量數(shù)量較少，有用信息與干擾噪聲得以區(qū)分，有效信息子區(qū)間又通過(guò)FI-DF算法的排列組合而得以集中，從而提高了模型的預(yù)測(cè)精度。因此，當(dāng)光譜子區(qū)間劃分?jǐn)?shù)量增加時(shí)，F(xiàn)I-DF-PLS模型可以充分利用MIR及NIR中的有效信息。從表3可以看出，最優(yōu)蛋白質(zhì)含量FI-DF-PLS模型中包含了23個(gè)NIR子區(qū)間和5個(gè)MIR子區(qū)間；最優(yōu)濕面筋含量FI-DF-PLS模型中包含了5個(gè)NIR子區(qū)間和1個(gè)MIR子區(qū)間；最優(yōu)吸水量FI-DF-PLS模型中包含了30個(gè)NIR子區(qū)間和17個(gè)MIR子區(qū)間；最優(yōu)形成時(shí)間FI-DF-PLS模型中包含了9個(gè)NIR子區(qū)間和1個(gè)MIR子區(qū)間；最優(yōu)穩(wěn)定時(shí)間FI-DF-PLS模型中包含了24個(gè)NIR子區(qū)間和7個(gè)MIR子區(qū)間；最優(yōu)弱化度FI-DF-PLS模型中包含了15個(gè)NIR子區(qū)間和6個(gè)MIR子區(qū)間。各模型的光譜子區(qū)間選擇見(jiàn)圖2所示。

圖2 最優(yōu)信息融合模型近紅外及中紅外光譜子區(qū)間選擇

Fig.2 Selected subintervals in the optimist data fusion models

注：圖中灰色部分為最優(yōu)FI-DF-PLS模型所用子區(qū)間；a和b，蛋白質(zhì)含量NIR和MIR子區(qū)間；c和d，濕面筋含量NIR與MIR子區(qū)間；e和f，吸水量NIR與MIR子區(qū)間；g和h，形成時(shí)間NIR與MIR子區(qū)間；i和j，穩(wěn)定時(shí)間NIR與MIR子區(qū)間；k和l，弱化度NIR與MIR子區(qū)間。

最優(yōu)FI-DF-PLS模型的r和RMSEP值隨固定子區(qū)間數(shù)量增加而變化的趨勢(shì)見(jiàn)圖3。預(yù)測(cè)形成實(shí)際的模型中最多有80個(gè)光譜子區(qū)間(即MIR與NIR子區(qū)間數(shù)量之和)時(shí)精確度最高，所以圖3-d橫坐標(biāo)軸最大值為80；其余模型均在光譜劃分為50個(gè)子區(qū)間時(shí)預(yù)測(cè)精度最高，因此橫坐標(biāo)軸最大值為100?？梢钥闯?，在算法運(yùn)行之初，由于篩選出的固定子區(qū)間數(shù)量較少，用于模型校正的光譜有效信息不足，F(xiàn)I-DF-PLS模型預(yù)測(cè)能力較低；隨著固定子區(qū)間數(shù)量增加，模型中的有效信息不斷積累，F(xiàn)I-DF-PLS模型預(yù)測(cè)效果不斷提升，r不斷上升，RMSEP不斷下降；當(dāng)固定子區(qū)間積累到一定數(shù)量時(shí)，RMSEP達(dá)到最??；隨后RMSEP隨著固定子區(qū)間數(shù)量的增加不斷升高，這是因?yàn)榧尤敫嗟墓庾V區(qū)間引入了過(guò)多無(wú)用和干擾信息，從而引起了模型預(yù)測(cè)效果的下降。

2.4 基于遺傳算法的模型進(jìn)一步優(yōu)化

遺傳算法基于對(duì)生物界自然選擇和自然遺傳機(jī)制的模擬來(lái)解決實(shí)際問(wèn)題，是一種具有高度的并行、隨機(jī)和自適應(yīng)性的搜索方法。為了進(jìn)一步簡(jiǎn)化模型，提高模型的預(yù)測(cè)精度，采用遺傳算法對(duì)FI-DF-PLS模型進(jìn)一步優(yōu)化，結(jié)果見(jiàn)表4所示。

a-蛋白質(zhì)含量；b-濕面筋含量；c-吸水量；d-形成時(shí)間；e-穩(wěn)定時(shí)間；f-弱化度；Δ-RMSEP值；■-r值

圖3 FI-DF-PLS模型r和RMSEP值變化情況

Fig.3 Changes of r and RMSEP values in FI-DF-PLS model

表4 遺傳算法對(duì)FI-DF-PLS模型的優(yōu)化結(jié)果

對(duì)于蛋白質(zhì)含量、吸水量、形成時(shí)間、穩(wěn)定時(shí)間和弱化度，最優(yōu)FI-DF-PLS模型經(jīng)過(guò)遺傳算法進(jìn)行變量二次篩選后，模型使用的變量數(shù)量降低的同時(shí)，預(yù)測(cè)精度均有所提升。特別是穩(wěn)定時(shí)間模型，經(jīng)遺傳算法進(jìn)行變量二次篩選后，模型所用的變量數(shù)量由698降低至245，大大降低了模型的復(fù)雜程度。對(duì)于濕面筋含量模型，遺傳算法二次變量篩選前后模型使用變量數(shù)量無(wú)變化，這是因?yàn)闈衩娼詈孔顑?yōu)FI-DF-PLS模型中的光譜變量數(shù)量已非常少(186個(gè))，再使用遺傳算法進(jìn)行變量二次篩選對(duì)模型的影響程度有限。經(jīng)遺傳算法進(jìn)行二次優(yōu)化后，所得的FI-GA-DF-PLS模型對(duì)驗(yàn)證集蛋白質(zhì)含量、濕面筋含量、吸水量、形成時(shí)間、穩(wěn)定時(shí)間和弱化度的預(yù)測(cè)相關(guān)系數(shù)r分別達(dá)到了0.98、0.98、0.97、0.94、0.95和0.95，RMSEP分別為0.181、0.590、0.455、0.502、0.557和13.047。

3 結(jié)論

本試驗(yàn)采用信息融合技術(shù)，融合小麥粉的MIR及NIR光譜信息，建立了基于信息融合的小麥粉品質(zhì)快速檢測(cè)模型，并采用前向區(qū)間-遺傳算法對(duì)信息融合模型進(jìn)行了優(yōu)化。結(jié)果顯示，與MIR或NIR預(yù)測(cè)模型相比，未經(jīng)變量篩選的信息融合模型的預(yù)測(cè)精度并未提升；經(jīng)過(guò)前向區(qū)間算法進(jìn)行變量篩選后，信息融合模型的預(yù)測(cè)能力大幅度提升；遺傳算法可以對(duì)模型進(jìn)一步優(yōu)化，提升模型的預(yù)測(cè)精度并簡(jiǎn)化模型所用變量數(shù)量。試驗(yàn)構(gòu)建的最優(yōu)FI-GA-DF-PLS模型對(duì)驗(yàn)證集蛋白質(zhì)含量、濕面筋含量、吸水量、形成時(shí)間、穩(wěn)定時(shí)間和弱化度的預(yù)測(cè)相關(guān)系數(shù)r分別達(dá)到了0.98、0.98、0.97、0.94、0.95和0.95，RMSEP分別為0.181、0.590、0.455、0.502、0.557和13.047，達(dá)到了較好的預(yù)測(cè)精度。采用信息融合技術(shù)與前向區(qū)間-遺傳算法變量篩選構(gòu)建小麥粉多品質(zhì)指標(biāo)的預(yù)測(cè)模型時(shí)，樣品不需前處理，操作簡(jiǎn)便迅速，為小麥粉品質(zhì)快速檢測(cè)提供了一種新的思路與方法。