基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

基于高光谱成像技术对番石榴可溶性固形物的快速测定

目的 珍珠番石榴(Psidium guajava "Pearl")是中国亚热带地区的优势水果,可溶性固形物含量(soluble solids content, SSC)是番石榴品质优选的关键理化参数。本文旨在凭借高光谱成像技术实现珍珠番石榴SSC的测定,比较支持向量回归(support vector regression, SVR)和偏最小二乘回归(partial least squares regression, PLSR)模型对其预测准确性的影响。方法 通过高光谱成像系统和全自动折光仪获得番石榴的表面反射光谱与SSC信息,选择S-G平滑 (Savitzky-Golay, S-G)和标准正态变量变换(standard normal variable transformation, SNV)作为预处理手段,使用主成分分析(principal component analysis, PCA)评估预处理前后光谱的聚类变化。采用区间变量迭代空间收缩法(interval variable iterative space shrinkage algorithms, iVISSA)、区间随机蛙跳法(interval random frog , iRF)、自举软收缩法(bootstrapping soft shrinkage , BOSS)、变量组合集群分析(variable combination population analysis, VCPA)提取特征波长,用于建立SVR和PLSR预测模型。结果 预处理后光谱数据主成分聚类进一步分散,PLSR整体在预测集的回归效果比SVR更好,BOSS-PLSR为最优预测模型,R_p^2为0.9216,RMSEP为 0.2366,RPD为3.5710。结论 利用高光谱成像技术快速实现番石榴可溶性固形物测量是可行的。