Video Experimental Relacionado
Updated: Sep 9, 2025
Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
Mejora de la detección de sólidos solubles y antocianinas en los litchis mediante imágenes hiperespectrales
Teng Long1, Kangning Wei1, Binshan Huang1
1College of Electronic Engineering/College of Artificial Intelligence, South China Agricultural University, Guangzhou 510642, China; Guangdong laboratory for Lingnan Modern Agriculture, South China Agricultural University, Guangzhou 510642, China; National Center for International Collaboration Research on Precision Agricultural Aviationdc Pesticides Spraying Technology, South China Agricultural University, Guangzhou 510642, China; Guangdong Engineering Technology Research Center of Smart Agriculture, South China Agricultural University, Guangzhou 510642, China; State Key Laboratory of Green Pesticides, Guizhou University, Guizhou 550025, China.
Las imágenes hiperespectrales (HSI) para la detección de la calidad de las frutas se mejoran mediante un nuevo método que fusiona características espectrales, de imagen y geométricas. Este enfoque mejora la precisión en la determinación del contenido de sólidos solubles (SSC) y el contenido de antocianinas (AC) en los lichis.
Área de la Ciencia:
- Ciencias Agrícolas
- Espectroscopia
- Visión por computadora
Sus antecedentes:
- La detección del contenido de componentes internos en las frutas mediante imágenes hiperespectrales (HSI) se ve desafiada por la estructura geométrica y las relaciones espectro-contenido no lineales.
- Los métodos existentes a menudo tienen dificultades para abordar simultáneamente estos factores complejos, lo que limita la evaluación precisa de la calidad.
Objetivo del estudio:
- Desarrollar y validar un enfoque HSI mejorado para la detección precisa del contenido de sólidos solubles (SSC) y el contenido de antocianinas (AC) en los litchis.
- Para superar las limitaciones planteadas por la geometría de los frutos y las características espectrales no lineales en el análisis de HSI.
Principales métodos:
- Se utilizó el HSI de transmisión VNIR-SWIR combinado con la regresión de mínimos cuadrados parciales (PLSR).
- Desarrolló una estrategia de fusión de características que integraba características espectrales (SPF), características de imagen (SSF), características de estructura geométrica (GSF) y características no lineales (NLF).
- Normalización espectral aplicada para mitigar las variaciones espectrales.
Principales resultados:
- El enfoque de fusión propuesto mejoró significativamente la precisión de predicción (Rp2): 17.47% para SSC y 11.85% para AC, alcanzando 0.9148 y 0.8455, respectivamente.
- Desarrolló un sistema de clasificación de lichis basado en SSC y AC pronosticados con una alta precisión de clasificación del 95,17%.
- Demostró la eficacia de la normalización espectral y la fusión de múltiples características para mejorar la detección de la calidad de las frutas basada en el HSI.
Conclusiones:
- El enfoque integrado aborda eficazmente los desafíos geométricos y no lineales en el ISH para la evaluación de la calidad de las frutas.
- Este método ofrece una solución robusta para la determinación precisa y no destructiva de SSC y AC en litchi.
- El sistema de clasificación desarrollado muestra un gran potencial de aplicación práctica en la industria de la fruta.
