基于超光谱成像技术与CARS-MIV-GA-SVM方法相结合的库博桃子缺陷检测的研究

科学领域:

• 农业工程 农业工程
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 在成熟的桃子中检测内部缺陷是具有挑战性的,因为它们的深红色表面.
• 传统的成像方法无法识别内部损伤,影响了水果的有效分类.
• 非破坏性方法对于准确评估新鲜桃子质量至关重要.

研究的目的:

• 开发一种非破坏性的方法,同时检测新鲜桃子的内部和外部缺陷.
• 建立强大的分类模型来识别库博桃子的缺陷.
• 为了评估高光谱成像与特征选择算法相结合的有效性.

主要方法:

• 从347个库博桃花样本中收集了超光谱成像数据 (900-1700nm).
• 应用的特征选择算法:竞争性自适应重权算法 (CARS),CARS-MIV,CARS-SPA和CARS-UVE,以提取特征波长.
• 开发了使用遗传算法优化支持向量机 (GA-SVM) 和最小平方支持向量机 (LS-SVM) 的分类模型.

主要成果:

• 特征选择方法,特别是CARS组合,有效地提高了使用更少波长的模型预测准确度.
• 汽车-MIV-GA-SVM模型显示了最高的分辨精度,达到93.15%.
• 超光谱成像成功地发现了库博桃的缺陷.

结论:

• 超光谱成像技术提供了一个准确的,非破坏性的方法来检测库博桃子的缺陷.
• 该研究提供了基于缺陷检测的桃子自动分类的可行策略.
• 优化的特征选择和机器学习模型提高了水果质量评估的准确性.