检测果糖度基于光高光谱图像系统和机器学习

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:

• 中国是全球果生产的领导者,需要有效的质量评估.
• 糖度 (SC) 是果风味和成熟度的关键指标.
• 当前的SC测量方法往往是破坏性的,耗时的,劳动密集的.

研究的目的:

• 开发一种快速,非破坏性的方法来预测果糖度 (SC).
• 评估光高光谱成像系统 (FHIS) 与机器学习 (ML) 结合用于SC预测的疗效.

主要方法:

• 利用FHIS捕获果在440-530nm和680-780nm范围内的光特性.
• 采用了ML算法,包括变量重要性投影 (VIP),连续投影算法 (SPA) 和极端梯度提升 (XGBoost),用于特征提取.
• 开发了使用梯度增强决策树 (GBDT),随机森林 (RF) 和LightGBM的预测模型.

主要成果:

• 该VN-SPA + VIP-LightGBM模型在预测SC方面表现出卓越的性能.
• 实现了高精度,Rp2为0.9074,RMSEp为0.4656和RPD为3.2877. 实现了高精度.
• 在特定波长范围内识别出不同的光特性,用于SC检测.

结论:

• 与ML相结合的FHIS提供了果SC评估的有效和非破坏性方法.
• 这项技术在改善农业部门的质量控制方面具有重大潜力.
• 强调使用光谱数据来快速,非侵入性地评估水果质量的可行性.