基于高光谱成像及机器学习的烟叶糖料液施加量判别模型

针对目前烟叶加料工序中糖料液加料效果无法进行无损检测的问题,基于高光谱成像及机器学习构建了烟叶糖料液施加量判别模型。首先,利用可见光-短波红外高光谱成像系统获取不同糖料液施加量烟叶样品的高光谱数据,采用标准正态变换(SNV)进行预处理;然后,分别使用全频域数据和主成分分析(PCA)降维数据,结合支持向量机(SVM)、逻辑回归(LR)、多层感知机(MLP)、随机森林(RF)构建4种判别模型并进行验证。结果表明:SNV预处理显著增强了高光谱数据的特征集中度;在使用全频域波段数据建模时,短波红外波段内模型的预测准确率均显著高于可见光波段,短红外波段的LR模型准确率最高(为98.23%);相较于全频域数据建模,使用PCA降维后的前10个主成分数据建模时,短红外波段的模型预测准确率无显著变化,而可见光波段的RF模型预测准确率提升较为明显(达71.43%);在可见光波段内,PCA降维后4种判别模型的最高准确率对应的主成分数量分别为217个、55个、47个、59个,在短波红外波段内,则分别为13个、11个、117个、46个。整体上,LR和RF模型表现出较优异的预测性能,在短波红外波段内,基于PCA降维数据的LR模型在使用较少主成分时仍能获得高准确率,具有快速、无损、精准地判别烟叶糖料液施加量的能力。