使用Vis-NIR全透光超光谱成像和光谱视觉编码来确定子中的SSC:解决不均混合物的散射问题的一个实际解决方案
Letian Cai1, Jiangbo Li2, Hailiang Zhang3
1Intelligent Equipment Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China; College of Mechanical and Electrical Engineering, Shihezi University, Shihezi 832003, China.
这项研究开发了一种用于预测子质量的新方法. 该GAF-HOG-SVR模型准确地估计了可溶性固体含量 (SSC) 的非破坏性,克服了来自内部水果结构的挑战.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
背景情况:
- 溶性固体含量 (SSC) 对于的质量评估至关重要.
- 子的内部组织复杂性阻碍了准确,稳定的SSC预测模型.
- 有效的质量评估需要非破坏性方法.
研究的目的:
- 开发一个高精度和稳定的非破坏性模型来预测色SSC.
- 为了克服子内部结构对光相互作用所带来的限制.
- 为了验证色质量评估的新型高光谱成像方法.
主要方法:
- 使用全透射超光谱成像来捕获全色数据.
- 将Vis-NIR原始超谱数据编码成高斯亲函数 (GAF) 图像.
- 使用导向梯度 (HOG) 运算符的直方图 (Histogram) 提取的图像特征.
- 开发和优化了一个支持向量回归 (SVR) 模型,集成GAF和HOG特征 (GAF-HOG-SVR).
主要成果:
- 优化的GAF-HOG-SVR模型实现了SSC的高预测准确性.
- 在预测集中获得0.927的相关系数 (R).
- 获得了0.445的预测集的根平均平方误差 (RMSE).
- 已证明有效地减轻来自内部组织的不良影响.
结论:
- 拟议的GAF-HOG-SVR方法为子中准确和稳定的非破坏性SSC预测提供了一种有效的方法.
- 这种技术为类水果的可靠质量评估提供了一条新的途径.
- 超光谱成像与先进的特征提取和建模相结合,在食品质量评估中显示出重大潜力.
更多相关视频
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
相关概念视频
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
UV–Vis Spectrometers
UV–Vis Spectroscopy of Conjugated Systems
One of the factors influencing λmax is the extent...
