可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像，对光谱数据进行预处理；应用遗传算法（genetic algorithm，GA）、连续投影算法（successive projection algorithm，SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling，CARS）算法对原始光谱数据提取特征波长；分别建立基于全光谱和特征波长的偏最小二乘（partial least squares regression，PLS）和最小二乘支持向量机（least squares support vector machine，LSSVM）VC含量预测模型。结果表明，采用标准正态变换预处理算法效果最优，其PLS模型的交叉验证相关系数为0.839?5，交叉验证均方根误差为16.248?2；利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长；基于CARS建立的PLS模型效果最优，其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。