枇杷糖度无损检测及可视化研究

糖度是评价枇杷内部品质的重要指标。采集枇杷高光谱图像并提取不同感兴趣区域的平均光谱,分析光谱提取区域对枇杷糖度预测精度的影响规律。使用标准正态变换对原始光谱作预处理,分别利用竞争性自适应重加权算法和连续投影算法(Successive Projection Algorithm, SPA)筛选特征光谱,为枇杷糖度建立多元线性回归(Multi Linear Regression, MLR)预测模型。最后采用伪彩色技术实现枇杷糖度含量分布的可视化。结果表明:以整个样本为感兴趣区域,经连续投影算法筛选特征光谱建立的多元线性回归模型具有最好的预测性能(决定系数R_(p)^(2)=0.822,均方根误差RMSE_(p)=0.435,剩余预测偏差RPD=2.407),基于SPA-MLR模型计算枇杷每个像素点的糖度,生成可视化分布图。表明采用高光谱成像技术可实现枇杷糖度的快速无损检测及可视化研究。

高光谱成像技术在水果品质检测中的应用研究进展

高光谱成像技术结合成像技术和光谱技术,可以从样本中获取其空间和光谱信息。因此,高光谱成像技术能够识别和检测水果的各种化学成分及其空间分布,在水果品质的检测中备受关注。本文首先综述了高光谱成像原理及系统装置,并展开讨论了高光谱图像的校正方法、多种光谱预处理、数据降维和样本集划分方法,从定量和定性角度对模型的构建方法和性能评估进行了分析。其次,总结了高光谱成像技术在水果内部品质(可溶性固形物含量、酸度、硬度、水分含量)和外部品质(损伤、缺陷和纹理)检测和分级中的最新研究进展。最后,对高光谱成像技术在水果品质检测与分级中的应用前景提出展望,以期为优化水果品质的检测方法提供理论依据。同时,也指出了当前可能存在的挑战和局限性。

基于高光谱成像的贵长猕猴桃硬度快速预测

为了提高猕猴桃硬度预测的效率。应用可见/近红外(390~1030 nm)高光谱成像系统获取贵长猕猴桃的高光谱图像信息,并提取每个样品感兴趣区域的反射光谱,采用标准正态变换消除原始反射光谱中的噪声干扰;基于竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)与连续投影算法筛选特征变量,建立误差反向传播神经网络和多元线性回归(multi linear regression,MLR)模型检测贵长猕猴桃硬度。结果表明:应用CARS从256个变量中筛选了35个特征变量,运算效率提升了近11倍(即运算时间从5.84 s降到了0.54 s);构建的CARS-MLR检测模型具有较大的r_(c)=0.95和r_(p)=0.92,较小的RMSEC=1.65 kg/cm^(2)和RMSEP=1.99 kg/cm^(2),且RPD值(2.47)大于2,表明CARS-MLR模型具有非常好的检测性能,利用高光谱成像技术以及化学计量学可以实现贵长猕猴桃硬度的快速无损检测。