预测和可视化地图的物理化学指数的果通过高光谱成像
Qinglong Meng1,2, Tao Tan1, Shunan Feng1
1School of Food Science and Engineering, Guiyang University, Guiyang, China.
Frontiers in nutrition
|March 29, 2024
概括
使用化学测量的高光谱成像可以进行基维果的非破坏性质量评估. 这种方法准确地预测可溶性固体含量,度和颜色,为成熟阶段创建直观的可视化地图.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
- 化学测量 化学测量 化学测量
背景情况:
- 果的质量取决于物理化学指数,如可溶性固体含量 (SSC),度和颜色 (L*,a*,b*).
- 对这些指数进行准确,非破坏性的评估对于质量控制和成熟度评估至关重要.
- 传统的方法往往是破坏性的和耗时的.
研究的目的:
- 开发一种非破坏性方法,用于检测和可视化基维果在各种成熟阶段的物理化学指数.
- 用特征波长选择来提高预测模型的准确性和效率.
- 创建可视化地图,用于直观的质量评估.
主要方法:
- 超光谱成像 (HSI) 与化学测量相结合.
- 竞争性适应性重权取样 (CARS) 和连续投影算法 (SPA) 用于特征波长选择.
- 多重线性回归 (MLR) 来构建简化预测模型 (CARS-MLR).
主要成果:
- 在256个完整波长中,CARS有效地选择了最佳特征波长 (32个为SSC,18个为坚固性,26个为L*,29个为a*,32个为b*).
- 与全频谱模型相比,CARS-MLR模型显示出更好的预测准确性和效率.
- 剩余预测偏差 (RPDs) 对于SSC,坚定性,L*,a*和b*分别为3.09,2.90,2.32,2.74和2.91,表明良好的预测能力.
- 生成的可视化地图提供了一种直观的体化学指数在果样本的表现.
结论:
- 超光谱成像与化学测量相结合,是一种有前途的技术,用于非破坏性检测和可视化果质量指数.
- 汽车-MLR方法提供了一个强大的和有效的方法来预测SSC,坚固性和颜色.
- 这项研究为推进非破坏性果质量评估提供了理论基础.
