"苏"草果的内部质量预测技术使用有机分析和高光谱成像技术

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 评估水果成熟度对于收获时间和质量控制至关重要.
• 评价水果质量的传统方法往往是破坏性的和耗时的.
• 超光谱成像 (HSI) 与机器学习 (ML) 结合,提供了一个有希望的非破坏性的替代方案.

研究的目的:

• 开发和验证一种非破坏性的方法来预测草果的成熟度和内部质量属性.
• 确定与草生长和质量相关的关键光谱参数.
• 利用超光谱数据和ML进行准确的实时质量评估.

主要方法:

• 草是在受控的环境中种植的,以准确收集数据.
• 超光谱测量和有机分析以最小的时间延迟进行.
• 用数据增强技术 (交叉验证,插值) 来提高模型的稳定性.
• 为了质量预测,确定了两个线性光谱参数 (p_s和p₃).

主要成果:

• 识别的参数准确地预测了度,可溶性固体含量,酸度和酸盐含量.
• 参数p_s实现了1.0N,2.3%,0.1%和2.0毫克/100克的RMSE值.
• 参数p₃显示出优异的RMSE值为0.6N,1.2%,0.1%和1.8 mg/100g.
• 该模型显示了内部质量属性的高预测准确性.

结论:

• 拟议的非破坏性超光谱成像和ML方法有效预测草的成熟度和内部质量.
• 识别的光谱参数为评估果实质量而无损坏提供了可靠的基础.
• 这种方法有可能显著改善草质量管理,减少收获后的损失.