使用旋转超光谱成像技术对果内部质量的非破坏性评估
Xiaojiang Wang1, Junying Han1, Chengzhong Liu1
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou, China.
Frontiers in plant science
|November 21, 2024
概括
超光谱成像和机器学习可以准确预测果的营养含量. 最优的第二个Der-CARS-MLR模型实现了超过90%的精度粉,维生素C,可溶性固体和可定位酸.
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:
- 准确预测果的营养质量对于食品科学和农业至关重要.
- 分析水果成分的传统方法往往具有破坏性和耗时性.
研究的目的:
- 开发和验证高光谱成像与机器学习模型相结合,用于预测果中的关键营养成分.
- 为准确的质量评估确定最佳特征选择和回归模型.
主要方法:
- 获得了果表面的高光谱图像 (380-1018 nm).
- 使用遗传算法 (GA),连续投影算法 (SPA) 和竞争性自适应重量调整采用算法 (CARS) 提取特征变量.
- 使用了支持向量回归 (SVR),主要组件回归 (PCR),部分最小平方回归 (PLSR) 和多重线性回归 (MLR) 模型.
主要成果:
- 第二个Der-CARS-MLR模型在预测粉,维生素C,可溶性固体和可定位酸方面表现出卓越的性能.
- 使用最佳模型,所有测试的营养成分的预测确定系数 (Rp2) 超过了90%.
- 分析显示,粉和维生素C含量之间存在显著的正相关性.
结论:
- 超光谱成像与先进的机器学习相结合,为评估果的营养质量提供了一种非破坏性和准确的方法.
- 第二个Der-CARS-MLR模型对于同时预测多个物理化学性质非常有效.
- 了解营养成分之间的相互关系可以有助于育种和质量管理.
