La teneur en protéines est un indicateur important pour évaluer la qualité de la farine de poisson. Cet article utilise la technologie d’analyse spectrale proche infrarouge (NIR) combinée à des méthodes de sélection de caractéristiques pour établir un modèle d’analyse quantitative rapide de la teneur en protéines de la farine de poisson. En outre, l’algorithme d’évolution différentielle (DE) à stratégie de mutation binaire combiné à la méthode des moindres carrés partiels par intervalles (iPLS) a été utilisé pour construire un modèle d’optimisation de sélection des longueurs d’onde iPLS-DE, permettant la sélection des longueurs d’onde caractéristiques des données spectrales NIR de la farine de poisson. Le iPLS-DE ajuste le nombre d’intervalles égaux dans iPLS pour sélectionner neuf bandes caractéristiques optimales, puis utilise l’algorithme DE avec stratégie de mutation binaire pour filtrer les combinaisons de longueurs d’onde caractéristiques discrètes dans ces bandes optimales. Enfin, le modèle iPLS-DE optimisé est déterminé selon les indicateurs d’évaluation du modèle et comparé au modèle iPLS. Les résultats montrent que lorsque le spectre complet de la farine de poisson est divisé en cinq sous-intervalles, le modèle optimisé iPLS-DE, sélectionné avec 50 longueurs d’onde caractéristiques discrètes, présente une erreur quadratique moyenne racine et une erreur d’analyse relative pour l’échantillon test respectivement de 1,033% et 4,058%, tandis que le modèle iPLS présente 1,131% et 3,855%. Cela montre que la méthode iPLS-DE peut améliorer efficacement la capacité prédictive du modèle d’analyse spectrale NIR pour la quantification des protéines dans la farine de poisson.

Spectre proche infrarouge;Protéine de farine de poisson;Extraction de caractéristiques;Moindres carrés partiels par intervalles;Algorithme d’évolution différentielle