猕猴桃挤压损伤高光谱快速检测研究

目的 探究猕猴桃挤压损伤较优的快速无损判别方法。方法 利用高光谱成像系统获得所有猕猴桃的高光谱图像,并提取猕猴桃损伤区域以及完好无损区域的光谱反射率;运用多元散射校正方法对原始反射光谱进行预处理,并运用主成分分析对光谱数据降维;比较并分析Fisher判别分析方法以及简化的K最近邻(Simplified K Nearest Neighbor,SKNN)模式识别方法对猕猴桃挤压损伤的判别效果。结果 在710~850 nm和960~1 030 nm这2个波段内,猕猴桃损伤区域的平均光谱反射率与完好无损区域的平均光谱反射率存在较明显差异;采用主成分分析从256个全波段中筛选了前5个主成分作为新变量,识别模型的检测效率得到了提升;构建的SKNN和Fisher模型对预测集中样本的正确识别率均为93.3%,从SKNN识别模型的混淆矩阵中得出,预测集中仅有2个样本出现误判,并且SKNN模型对校正集中样本的正确识别率高于Fisher模型。结论 在判别猕猴桃挤压损伤时,SKNN识别模型具有相对较好的判别效果。     

基于高光谱成像的贵长猕猴桃硬度快速预测

为了提高猕猴桃硬度预测的效率。应用可见/近红外(390～1030 nm)高光谱成像系统获取贵长猕猴桃的高光谱图像信息,并提取每个样品感兴趣区域的反射光谱,采用标准正态变换消除原始反射光谱中的噪声干扰;基于竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)与连续投影算法筛选特征变量,建立误差反向传播神经网络和多元线性回归(multi linear regression,MLR)模型检测贵长猕猴桃硬度。结果表明：应用CARS从256个变量中筛选了35个特征变量,运算效率提升了近11倍(即运算时间从5.84 s降到了0.54 s);构建的CARS-MLR检测模型具有较大的r_c=0.95和r_p=0.92,较小的RMSEC=1.65 kg/cm²和RMSEP=1.99 kg/cm²,且RPD值(2.47)大于2,表明CARS-MLR模型具有非常好的检测性能,利用高光谱成像技术以及化学计量学可以实现贵长猕猴桃硬度的快速无损检测。     

基于可见/近红外光谱预测枇杷糖度及模型优化

为实现枇杷糖度的快速无损检测,并探究开阳枇杷糖度最优预测模型。首先利用光纤光谱仪获取开阳枇杷的反射光谱,分析比较标准正态变换和多元散射校正方法对原始光谱数据的预处理效果;然后基于原始全光谱和预处理后的全光谱数据分别构建预测开阳枇杷糖度的偏最小二乘回归和主成分回归模型;最后,采用连续投影算法和竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征光谱,并基于特征光谱构建预测开阳枇杷糖度的多元线性回归（multi linear regression, MLR）模型。结果表明,采用CARS算法从785个全光谱中筛选了23个特征波长,不仅提升了预测模型的运算效率,而且建立的CARS-MLR模型具有最佳的校正性能（R_C=0.89,RMSEC=0.62）和预测性能（R_P=0.89,RMSEP=0.65,RPD=2.29）。这表明利用可见/近红外光谱技术结合化学计量学预测开阳枇杷糖度是可行的,且CARS-MLR模型相对最优,为枇杷品质的无损快检和分选提供了理论依据与技术基础。     

基于BP神经网络快速无损检测开阳枇杷糖度

为实现开阳枇杷糖度的快速无损检测,采用紫外/可见光纤光谱仪采集开阳枇杷的反射光谱,探究比较标准正态变换以及多元散射校正预处理原始光谱的效果;应用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法以及组合两种方法分别筛选特征变量,基于筛选的特征变量构建预测开阳枇杷糖度的反向传播（back propagation,BP）神经网络检测模型。结果表明：标准正态变换预处理效果相对较好;基于CARS从835个全变量中筛选出49个特征变量,使模型的运算效率明显提高;构建的枇杷糖度预测模型中,CARS-BP的性能最好,预测集相关系数为0.91,均方根误差为0.56%,剩余预测偏差为2.42。表明采用紫外/可见光谱结合BP神经网络适用于开阳枇杷糖度的快速无损检测,为后期在线无损检测设备的研发提供参考。