优化在线可溶性固体内容检测模型的果全果与不同的模式光谱结合光谱校正和模型融合的优化

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 食品质量分析 食品质量分析

背景情况:

• 溶性固体含量 (SSC) 是果质量的关键指标.
• 精确的在线检测整个果SSC对于水果行业至关重要.
• 现有的光谱方法需要优化以提高精度.

研究的目的:

• 为了提高在线SSC检测在整个果中的精度.
• 评估光谱预处理和模型融合技术.
• 为了比较分散反射 (DR),分散传播 (DT) 和完全传播 (FT) 频谱的预测性能.

主要方法:

• 使用光谱对光谱比率 (S/S) 的光谱预处理.
• 开发多种特征波长成员模型融合 (MCMF) 和特征波长和非特征波长成员模型融合 (CNCMF) 方法.
• 竞争性自适应重量化采样 (CARS) 的应用,用于特征波长选.
• 使用粒子群优化-极端学习机器 (PSO-ELM) 进行模型优化.
• 对DR,DT和FT光谱数据的分析.

主要成果:

• 在所有光谱模式中,S/S预处理显著改进了部分最小平方回归 (PLSR) 模型.
• 汽车选择的特征波长进一步提高了所有频谱的预测性能.
• 使用PSO-ELM优化的MCMF和CNCMF方法显示了最实质性的改进.
• FT光谱显示出最高的预测准确度,其次是DT光谱,超过DR光谱.

结论:

• 提出的基于S/S预处理,CARS和PSO-ELM的融合模型 (MCMF,CNCMF) 有效地改善了在线果SSC检测.
• 与DR频谱相比,FT和DT频谱为整个果SSC提供了优越的预测能力.
• 这项研究为开发更准确的果在线质量评估系统提供了有价值的见解.