[目的/意义]为实现山楂水分含量的快速无损检测,本研究探索了一种基于高光谱成像技术结合机器学习算法的检测方法。[方法]首先,收集458个来自不同产区不同品种的新鲜山楂样品,分别采集每个样品在可见-近红外波段(Visible to Near Infrar...[目的/意义]为实现山楂水分含量的快速无损检测,本研究探索了一种基于高光谱成像技术结合机器学习算法的检测方法。[方法]首先,收集458个来自不同产区不同品种的新鲜山楂样品,分别采集每个样品在可见-近红外波段(Visible to Near Infrared,VNIR)和短波红外(Short-Wave Infrared,SWIR)波段的高光谱数据,利用阈值分割算法确定每个山楂的感兴趣区域(Region of Interest,ROI),提取果实ROI的平均反射光谱作为原始数据。随后,采用卷积平滑、乘法散射校正、标准正态变换、一阶导数和二阶导数五种预处理方法,对原始光谱数据进行优化。在此基础上,结合偏最小二乘回归、支持向量回归(Support Vector Regression,SVR)、随机森林与多层感知机等机器学习方法,系统评估不同摆放方式(果柄朝侧面、朝上、朝下及三者融合)和光谱范围(VNIR、SWIR、VNIR+SWIR)对模型预测性能的影响。最后,采用连续投影算法、竞争自适应重加权采样算法、变量迭代空间收缩方法,以及离散小波变换-逐步回归(Discrete Wavelet Transform-Stepwise Regression,DWT-SR)四种方法对全波段数据进行降维处理,进一步减少数据冗余,提高模型效率。[结果和讨论]果柄朝下的摆放方式、SWIR波段范围(940~2500 nm)及一阶导数预处理组合下,SVR模型表现最优,测试集的绝对系数(Coefficient of Determination,R^(2)_(p))为0.8605、平均绝对误差(Mean Absolute Error,MAE p)为0.7111、均方根误差(Root Mean Square Error,RMSE p)为0.9142、相对分析误差(Ratio of Performance to Deviation,RPD)为2.6776。在性能最优分析条件下,DWT-SR方法基于小波基函数“db6”在分解层级为1时,提取出17个关键特征波段,所建模型在降低数据维度的同时可以保持高水平预测性能(R^(2)_(p)=0.8571、MAE_(p)=0.6692、RMSE p=0.9252、RPD=2.6457)。[结论]本研究证明了高光谱成像结合机器学习方法在山楂水分无损检测中的可行性,为果品水分在线监测及智能分选提供了理论依据与技术支撑。展开更多
文摘[目的/意义]为实现山楂水分含量的快速无损检测,本研究探索了一种基于高光谱成像技术结合机器学习算法的检测方法。[方法]首先,收集458个来自不同产区不同品种的新鲜山楂样品,分别采集每个样品在可见-近红外波段(Visible to Near Infrared,VNIR)和短波红外(Short-Wave Infrared,SWIR)波段的高光谱数据,利用阈值分割算法确定每个山楂的感兴趣区域(Region of Interest,ROI),提取果实ROI的平均反射光谱作为原始数据。随后,采用卷积平滑、乘法散射校正、标准正态变换、一阶导数和二阶导数五种预处理方法,对原始光谱数据进行优化。在此基础上,结合偏最小二乘回归、支持向量回归(Support Vector Regression,SVR)、随机森林与多层感知机等机器学习方法,系统评估不同摆放方式(果柄朝侧面、朝上、朝下及三者融合)和光谱范围(VNIR、SWIR、VNIR+SWIR)对模型预测性能的影响。最后,采用连续投影算法、竞争自适应重加权采样算法、变量迭代空间收缩方法,以及离散小波变换-逐步回归(Discrete Wavelet Transform-Stepwise Regression,DWT-SR)四种方法对全波段数据进行降维处理,进一步减少数据冗余,提高模型效率。[结果和讨论]果柄朝下的摆放方式、SWIR波段范围(940~2500 nm)及一阶导数预处理组合下,SVR模型表现最优,测试集的绝对系数(Coefficient of Determination,R^(2)_(p))为0.8605、平均绝对误差(Mean Absolute Error,MAE p)为0.7111、均方根误差(Root Mean Square Error,RMSE p)为0.9142、相对分析误差(Ratio of Performance to Deviation,RPD)为2.6776。在性能最优分析条件下,DWT-SR方法基于小波基函数“db6”在分解层级为1时,提取出17个关键特征波段,所建模型在降低数据维度的同时可以保持高水平预测性能(R^(2)_(p)=0.8571、MAE_(p)=0.6692、RMSE p=0.9252、RPD=2.6457)。[结论]本研究证明了高光谱成像结合机器学习方法在山楂水分无损检测中的可行性,为果品水分在线监测及智能分选提供了理论依据与技术支撑。
