Blåbær har delikat kjøtt og unik smak. Den er rik på næringsstoffer og er kjent som "dronningen av frukt". Det har funksjonene for å forhindre aldring av hjernenerven, beskytte syn, antikreft og styrke menneskelig immunitet. Det har brede markedsutsikter. Blåbærsukkerinnhold er en viktig indikator for å evaluere blåbærkvalitet. Tradisjonell deteksjon av blåbærsukkerinnhold er ødeleggende, og ikke-destruktiv deteksjon er en viktig utviklingstrend.

1. Bildedatainnsamling

Høyt spektralt bilde av blåbærprøver

Trekk ut spektraldataene til de to hyperspektrale bildene: Velg forskjellige regioner av interesse (ROI) på overflaten av hver prøve og oppnå den opprinnelige refleksjonsspektrumkurven

Tilsvarende den opprinnelige spektrale kurven for interesseområdet, blir den gjennomsnittlige spektralverdien trukket ut for å oppnå tre sett med 48x256 spektrale datamatriser

I henhold til hyperspektrale bilder og spektrale kurver i forskjellige bånd, har Band 1-band 50 store støy og uskarpe bilder. Når du velger data,
Bare Band 51-band 250 (1031.11nm-1699.11nm) Totalt ble 200 bånd modellert. De første 36 blåbærspektralverdiene ble brukt til å etablere modellen,
og de 12 siste ble brukt til modelltesting.

2. Modellinstitusjon og analyse

Etableringen av Blueberry Sugar Content Prediction Model bruker hovedsakelig den delvise minste kvadratregresjonsmetoden (PLSR). Ulike spektrale data får
forskjellige prediksjonsmodeller. Bruk direkte de 200 båndene med støy fjernet for å modellere de 200 båndene med spektrale data for PCA -dimensjonsreduksjon, velg
Først n hovedkomponenter med en kumulativ bidragsgrad på 99,9%, og bruker deretter PLSR -modellering for å velge de karakteristiske båndene for 256 -spektralen
Bånd i hele bakområdet ved hjelp av spa, og bruker deretter PLSR -modellering for å utføre syklisk modellering direkte på 200 båndene i hele bakområdet, og først kombinere
to etter to, og deretter bruke tre etter tre kombinasjoner for å modellere

3. Prediksjonsmodellinstitusjon

PLSR -modell av spektrale data fra noen områder i fronten

Prediksjonsmodell:

y = 8.1109+0.3989x+0.2848x+….+0.809x200

Hvor x1, x2, ..., x200 er de gjennomsnittlige spektrale verdiene for bånd 51-bånd250, og y er sukkerinnholdet i blåbær.

Ved bruk av prediksjonsmodellen ble spektraldataene til 12 blåbær erstattet for å oppnå de forutsagte sukkerinnholdsverdiene som vist i følgende tabell

Tabell 1.

Tabell 2. Forutsagte sukkerinnholdsverdier og sanne verdier for hele området på forsiden av blåbær

Tabell 3. Forutsagte sukkerinnholdsverdier og sanne verdier for hele området på baksiden av blåbær

Den forutsagte sukkerinnholdsverdien til prediksjonsmodellen oppnådd fra de tre datasettene og kurven for den faktiske sukkerinnholdsverdien til blåbær

PCA ble brukt for å redusere dimensjonen til blåbærspektraldata. Dataene etter dimensjonsreduksjon ble deretter brukt til PLSR -modellering. Etter PCA -dimensjonsreduksjon ble de første N -hovedkomponentene med en total bidragsfrekvens på 99,9% valgt. Syv hovedkomponenter ble valgt etter dimensjonsreduksjon av de spektrale dataene som ble trukket ut fra det delvise området på fronten og hele området på fronten. De første 10 hovedkomponentene ble trukket ut etter dimensjonsreduksjon av spektraldataene i hele ryggen. De viktigste komponentene valgt etter PCA -dimensjonsreduksjon ble brukt for PLSR -modellering. I henhold til prediksjonsmodellfunksjonen ble de forutsagte sukkerinnholdsverdiene til de tre datasettene oppnådd.

Bruk først PCA for å redusere dimensjonen, og utføre deretter PLSR -modellering. I henhold til prediksjonsmodellfunksjonen oppnås kurvene for den forutsagte sukkerinnholdsverdien og den faktiske sukkerinnholdsverdien til de tre datasettene

4. Sammendrag

Sammenlignet prediksjonsmodellene som er etablert med forskjellige data, korrelasjonskoeffisientene R mellom den forutsagte sukkerinnholdsverdien og det sanne sukkeret

Innholdsverdi av den optimale båndkombinasjonsprediksjonsmodellen valgt av båndsyklus -kombinasjonsmodellering er henholdsvis 0,54 og 0,61, som er

Den største blant modellene som er etablert med andre båndkombinasjoner, og de gjennomsnittlige relative feilene er henholdsvis 12,6% og 11,9%, som er

Minst blant modellene som er etablert med andre båndkombinasjoner, og rotmidds kvadratfeil i testsettet er liten. Det kan konkluderes med at

Prediksjonseffekt av den optimale modellen som er valgt etter båndsyklus -kombinasjonsmodellering er bedre enn for andre båndkombinasjoner.