基于高光谱图像技术的菜用大豆厚度检测

菜用大豆厚度是划分菜用大豆等级的重要衡量指标之一。采用高光谱图像技术对菜用大豆的厚度进行预测。实验中选取200个菜用大豆作为测试样本,获取其高光谱反射图像,同时用数字式游标卡尺测量厚度值。选取400～1 000 nm范围的光谱信息,采用多元散射校正、标准归一化和导数计算对光谱数据预处理,结合偏最小二乘和多元线性回归两种分析方法建立厚度校正模型和预测模型。研究发现基于多元散射校正的偏最小二乘方法的模型精度较优,校正模型和预测模型的相关系数分别为0.956和0.933,均方根误差分别为0.59 mm和0.70 mm。研究结果表明可以利用高光谱图像技术预测菜用大豆厚度。

基于高光谱散射图像的苹果压缩硬度和汁液含量无损检测

压缩硬度和汁液含量是衡量苹果内部品质的两项重要指标。采用高光谱散射图像技术对苹果压缩硬度和汁液含量进行预测。已有研究表明,高光谱图像含有丰富的波谱信息,光谱值与测量值之间存在严重的非线性关系,简单的线性建模方法不能达到较高的预测精度。最小二乘支持向量机(Least Squares Support Vector Machine,LS_SVM)作为一种非线性建模工具,已用于解决小样本、非线性和高维数等实际问题。针对580个‘RedDelicious’苹果的高光谱散射图像,提取600～1000nm范围内的波谱信息,采用LS_SVM建立苹果的压缩硬度和汁液含量模型。研究结果表明,LS_SVM压缩硬度预测模型的相关系数为Rp=0.795,预测均方差为RMSEP=10.4KN/m,汁液含量的相关系数为Rp=0.568,预测均方差为RMSEP=1.20cm2,高于传统的偏微分最小二乘(PartialLeastSquares,PLS)建立的压缩硬度,模型精度Rp=0.744,RMSEP=11.4KN/m,汁液含量模型精度Rp=0.539,RMSEP=1.23cm2。