由于松子中蛋白质含量很高，且蛋白质含量是衡量不同松子质量的一个重要标准，因此对松子中的蛋白质含量进行预测十分必要。 虽然利用现有方法建立的近红外光谱校准模型可以对松子中的蛋白质含量进行预测，但是现有方法存在的问题是没有充分利用近红外所包含的大量信息，尤其是近红外光谱中复杂的空间特征，PCA 与 SPA 特征提取与光谱优选方法造成的数据损失较大，最终校准模型对松子中蛋白质含量预测的准确率较低。本发明涉及食品成分检测技术领域，具体涉及一种基于集成学习校准模型的松子蛋白质含量预测方法。

目前国内绝大多数都处于传统人工操作阶段，精度低，浪费率高，随着人们的食品需求的不断提高，对于无损检测预测需求也在极大提高。本发明对松子的近红外光谱数据进行预处理，并在预处理结束后选用局部切线空间对齐 、等距特征映射、局部线性嵌入与主成分分析对预处理后光谱数据进行特征提取；使用提取的特征数据集建立松子蛋白质含量与光谱数据的偏最小二乘模型；依据 stacking 法集成策略，神经网络为次级学习器，输出松子蛋白质含量。充分融合光谱技术与机器学习方法，提高品质含量的无损检测预测能力。此技术方法目前相对成熟，解决了利用现有近红外校准模型对松子中蛋白质含量预测的准确率低的问题。适用于林下产品、食品的品质无损检测。此技术方法对于林下经济产品行业、食品行业的发展将具有重要的意义，尤其对于林产品生产加工过程、食品安全工程具有很好的实际应用价值。

此技术方法优于行业内目前的其他传统方法，真正意义上实现数字化的无损检测，实现林产品品质的量化分析预测。红松子中的不包含脂肪酸是决定其营养价值的重要指标，红松子也因此在坚果类食 品中一直处于较高地位。从食用角度出发，红松子的储存期与产地直接决定了脂肪品质 及含量，可以此为鉴别目标进行检测。脂肪含量的检测是反映脂肪酸含量多少的直接指标，在红松子性质鉴别后仍需要将含量检测作为研究重点。在大力倡导碳中和碳达峰的大环境下，林下经济产品行业的发展也急需解决低碳环保的问题。解决林产品的高效无损检测，尤其是在线分选的高效实现，对加工产业的发展和绿色运行，对行业经济价值的获取，都将提供有效的保障和促进。

入选“中西部基础能力建设工程”高校、国家“特色重点学科项目”建设高校、教育部“卓越工程师教育培养计划高校”、教育部“国家大学生创新性实验计划”实施高校、中国政府奖学金来华留学生接收院校、国家级新工科研究与实践项目、黑龙江省国内“双一流”建设高校、黑龙江省首批高等学校课程思政建设示范高校，为CDIO工程教育联盟成员。

作为随化学计量学发展应运而生的全新应用检测领域，近红外光谱分析检测技术足 迹已经遍布以发达国家为代表的几十个国家和地区。其中一些国家的研究十分突出，应用也涉及众多行业领域，大到生产线中对产品质量品质的检测环节，小至针对特定检测样本的手持便携式检测分析仪，也有供研究开发人员专用拓展性极强的研究型光谱仪。 范围可以从田间林地山川河流覆盖到科研机构的实验室中。我国自上世纪八十年代初期开展近红外光谱相关研究，到九十年代后期的大力推进，已经将近红外光谱技术细化为 多个研究方向，从光谱仪的研究制造到配套软件的开发推广，以及可行性研究到实际检测应用，均有质的飞跃。进入二十一世纪，我国的近红外光谱分析检测技术已经广泛应 用于农林业、材料化工业、医疗与食品等领域，发展态势强劲，并有赶超欧美强国的趋势。

本项目可以采用技术转让、技术合作等多种形式进行对接，欢迎有需求的企业单位联系洽谈。