摘要 : 小麦籽粒作为一种活的生命体,在正常储藏过程中,会不断消耗自身的营养物质来维持其生命活动.随着储藏时间的推移,小麦籽粒内部各种酶的活性减弱或丧失,自身呼吸强度逐步降低,原生质胶体结构松弛,籽粒的物理和化学状态发生改变,进而导致其后续食用和加... 展开 小麦籽粒作为一种活的生命体,在正常储藏过程中,会不断消耗自身的营养物质来维持其生命活动.随着储藏时间的推移,小麦籽粒内部各种酶的活性减弱或丧失,自身呼吸强度逐步降低,原生质胶体结构松弛,籽粒的物理和化学状态发生改变,进而导致其后续食用和加工品质变劣.因此,对小麦新陈度的准确判定,是保证储藏小麦数量和质量的前提,对指导我国粮食储存具有重要的经济和社会意义.目前常用的小麦新陈度鉴定方法主要包括感官判定法和各种生化类方法;前者主要依赖操作者个人的主观经验,容易受到外界因素的干扰,可重复性较差,判定结果因人而异,只适合作小麦新陈度鉴定的辅助方法.后者虽然判定精度较高,但整个检测过程耗时过长,一般需要对待测样品进行复杂预处理,且检测过程中用到的多种化学试剂会对环境造成一定的污染.因此,迫切需要研究出一套快速、准确、绿色的小麦新陈度鉴定方法.利用生物光子仪器分别测试了5种不同储藏年份小麦样品的生物光子信号,并结合改进多尺度排列熵算法对2015年—2018年四种小麦样品的光子信号进行特征分析,最后借助反向传播神经网络对这4种不同储藏年份的小麦进行分类验证.实验结果表明,不同储藏年份小麦的自发光子量存在一定的差异,其中2019年小麦样品产生的光子数量明显高于其他年份的小麦样品,其余年份小麦样品光子数量的排列熵值随着储藏年限的增加而增大.对比实验结果显示,改进多尺度排列熵算法在很大程度上解决了由多尺度排列熵算法引起的信号抖动和突变问题,可以作为一种明显的特征来标识小麦的新陈度.最后借助BP神经网络进行分类测试,输出结果证明新构建的分类模型的准确度可以达到95％,能够实现对不同年份小麦新陈度的准确鉴别. 收起