Черника имеет тонкую плоть и уникальный вкус. Он богат питательными веществами и известен как «Королева фруктов». Он выполняет функции предотвращения старения мозговых нервов, защиты зрений, противоракоя и улучшения иммунитета человека. У этого есть широкие перспективы рынка. Содержание черничного сахара является важным показателем для оценки качества черники. Традиционное обнаружение содержания черничного сахара является разрушительным, а неразрушающее обнаружение является важной тенденцией развития.
1. Получение данных изображения
Высокий спектральный изображение образцов черники
Извлеките спектральные данные двух гиперспектральных изображений: выберите различные области интереса (ROI) на поверхности каждого образца и получите исходную кривую спектра отражения
В соответствии с исходной спектральной кривой интересующей области, среднее спектральное значение извлечено для получения трех наборов 48x256 спектральных матриц данных
Согласно гиперспектральным изображениям и спектральным кривым в разных полосах, полоса 1-диапазона 50 имеет большой шум и размытые изображения. При выборе данных
Было смоделировано только полоса 51-полос 250 (1031.11nm-1699.11nm). Всего было смоделировано 200 полос. Первые 36 спектральных значений черники были использованы для установления модели,
и последние 12 были использованы для тестирования моделей.
2. Создание моделя и анализ
В создании модели прогнозирования содержания черничного сахара в основном используется метод регрессии частичных квадратов (PLSR). Различные спектральные данные получают
Различные модели прогнозирования. Непосредственно используйте 200 полос с удаленным шумом, чтобы моделировать 200 полос спектральных данных для сокращения размеров PCA, выберите
Сначала n основные компоненты с совокупным уровнем взносов составляют 99,9%, а затем используйте моделирование PLSR, чтобы выбрать характерные полосы для 256 спектральных
полосы во всей области задней части с использованием SPA, а затем используют моделирование PLSR для непосредственного выполнения циклического моделирования на 200 полосах во всей области задней части, сначала объединившись
два на два, а затем используя три на три комбинации для модели
3. Создание модели прогнозирования
PLSR модель спектральных данных некоторых областей фронта
Модель прогнозирования:
y = 8,1109+0,3989x+0,2848x+….+0,809x200
Где x1, x2, ..., x200 являются средними спектральными значениями полосы 51-диапазона 250, а Y-содержание сахара в чернике.
Используя модель прогнозирования, спектральные данные 12 черники были заменены, чтобы получить прогнозируемые значения содержания сахара, как показано в следующей таблице
Таблица 1. Сравнение прогнозируемых значений содержания сахара и фактических значений содержания сахара в некоторых областях на передней части черники
Таблица 2. Прогнозируемые значения содержания сахара и истинные значения для всей области передней стороны черники
Таблица 3. Прогнозируемые значения содержания сахара и истинные значения для всей области на задней части черники
Прогнозируемое значение содержания сахара модели прогнозирования, полученное из трех наборов данных, и кривой фактической значения содержания сахара черники
PCA использовали для уменьшения размера спектральных данных черники. Данные после уменьшения измерения использовались для моделирования PLSR. После снижения размеров PCA были отобраны первые основные компоненты N с общим уровнем взносов 99,9%. Семь основных компонентов были отобраны после уменьшения размеров спектральных данных, извлеченных из частичной площади передней части и всей площади фронта. Первые 10 основных компонентов были извлечены после уменьшения размеров спектральных данных всей площади задней части. Основные компоненты, выбранные после уменьшения размеров PCA, использовались для моделирования PLSR. Согласно функции модели прогнозирования, были получены прогнозируемые значения содержания сахара трех наборов данных.
Сначала используйте PCA, чтобы уменьшить размер, а затем выполнить моделирование PLSR. В соответствии с функцией модели прогнозирования, кривые прогнозируемого значения содержания сахара и фактическое значение содержания сахара трех наборов данных получены
4. Резюме
Сравнение моделей прогнозирования, установленных с различными данными, коэффициенты корреляции R R R R R R -между прогнозируемой стоимостью содержания сахара и истинным сахаром
Значение содержания оптимальной модели прогнозирования комбинации полос, выбранное с помощью моделирования комбинации полос цикла, составляет 0,54 и 0,61 соответственно, которые являются
крупнейшие среди моделей, установленных с другими комбинациями полос, и средние относительные ошибки составляют 12,6% и 11,9% соответственно, которые являются
Самый маленький среди моделей, установленных с другими комбинациями полос, и средняя квадратная ошибка для тестового набора невелика. Можно сделать вывод, что
Эффект прогнозирования оптимальной модели, выбранной после моделирования комбинации диапазона цикла лучше, чем у других комбинаций полос.
