使用RGB和超光谱传感器作为非破坏性技术,以机器学习驱动的番茄和普通话生物化学品质的评估

科学领域:

• 园艺和农业科学 园艺和农业科学
• 计算机科学和机器学习
• 光谱学和图像分析.

背景情况:

• 传统的水果质量评估依赖于破坏性方法,这些方法耗时,昂贵,不适合大规模分析.
• 包括图像处理和光谱反射在内的非破坏性技术为快速有效的水果质量评估提供了有希望的替代方案.

研究的目的:

• 评估图像处理 (RGB指数) 和光谱反射率指数 (SRIs) 结合机器学习模型 (决策树和随机森林) 的潜力,以估计普通话和番茄水果的关键质量参数.
• 评估这些非破坏性方法在确定诸如叶绿素,可溶性固体总量,可定位酸度,胡卜素和各种成熟阶段的度等参数方面的准确性.

主要方法:

• 利用红蓝绿 (RGB) 图像分析并开发了新的光谱反射率指数 (SRIs).
• 采用机器学习算法,特别是决策树 (DT) 和随机森林 (RF),以建模光谱数据和水果质量参数之间的关系.
• 测量了包括叶绿素a,叶绿素b,总溶性固体 (TSS),可定位酸度 (TA),胡卜素和坚硬度在内的关键质量属性,适用于普通菜和番茄水果.

主要成果:

• RGB指数和新开发的SRIs在量化水果特性方面表现出高效率,R2值在0.29到0.96.6之间.
• 特定的RGB指数,如VARI和Rn,与普通类胡卜素有很高的相关性 (R2 = 0.96),而ExR对番茄类胡卜素有效 (R2 = 0.84).
• 机器学习模型,特别是决策树模型 (普通的DT-2HV,西红的DT-5HV),在预测叶绿素a方面取得了极佳的准确性 (R2分别高达0.993和0.905),表明了强大的性能.

结论:

• 将RGB指数和SRI与决策树和随机森林模型的整合提供了一个强大的和准确的策略,用于非破坏性地估计多个水果质量参数.
• 这些非破坏性技术为传统的破坏性方法提供了可行和高效的替代方案,用于实时评估普通和番茄水果的质量.
• 该研究强调了先进的光谱和图像分析与机器学习相结合的显著潜力,用于精密农业和收获后质量管理.