根据分数顺序导数和最佳带组合算法估计类的可溶性固体含量
Shiqing Dou1,2, Yuanxiang Deng1,2, Wenjie Zhang1,2
1College of Geomatics and Geoinformation, Guilin University of Technology, Guilin, China.
Journal of food science
|October 25, 2024
概括
这项研究开发了一种快速,非破坏性的方法,通过光谱分析来测量的可溶性固体含量 (SSC). HyperOpt优化集体学习回归 (H-ELR) 模型准确地预测了Murcott,Clementine和Navel子中的SSC.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 数据科学数据科学数据科学
背景情况:
- 溶性固体含量 (SSC) 对于的内部质量评估至关重要.
- 当前的质量分级方法往往具有破坏性和耗时性.
- 开发快速,非破坏性的技术对于中国果产业至关重要.
研究的目的:
- 开发和验证一种用于预测类SSC的非破坏性方法.
- 为了确定SSC估计的最佳光谱波段和回归模型.
- 应用先进的机器学习来准确的质量分级.
主要方法:
- 从261个果样本 (Murcott,Clementine,Navel色) 中收集了光谱数据和SSC测量.
- 用于光谱预处理的应用标准正常变量-分数顺序导数 (SNV-FOD).
- 利用了最佳的双频组合和集体学习模型,包括HyperOpt优化的集体学习回归 (H-ELR).
主要成果:
- SNV-FOD预处理显著改善了与SSC的光谱相关性 (R2从0.546到0.836).
- 一个最佳的双频组合 (969和1069nm) 与1.2次导数显示出高精度 (RPD=2.13).
- 该H-ELR模型实现了强大的SSC估计性能 (RPD=2.46).
结论:
- 拟议的SNV-FOD光谱预处理提高了SSC预测的准确性.
- 最佳的频段选择和集体学习,特别是H-ELR,提供有效的非破坏性SSC估计.
- 这项研究支持开发用于类品质评估的实用工具.
