使用低分辨率的便携式光谱仪和机器学习来预测西红的成熟度

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:

• 准确的番茄成熟度评估对于保持产品质量和优化农业流程至关重要.
• 目前用于评估番茄成熟度的方法可能耗时且具有破坏性,限制实时应用.
• 开发非破坏性技术对于农业和供应链的高效质量控制至关重要.

研究的目的:

• 开发和验证一种新的方法来预测西红的总溶性固体 (TSS) 和度.
• 使用便携式光谱仪和机器学习算法对番茄成熟程度进行分类.
• 建立一个实时的,非破坏性的番茄质量评估方法.

主要方法:

• 使用低分辨率的AS7265x便携式光谱仪进行光谱数据采集.
• 使用部分最小平方回归 (PLSR) 和人工神经网络 (ANN) 开发了TSS和坚固性的预测模型.
• 采用机器学习分类器,包括纯粹的贝叶斯,支持向量机 (SVM) 和K-最近邻居 (KNN) 来进行成熟度分类.

主要成果:

• 人工神经网络 (ANN) 模型实现了高预测准确性,R平方值为0.95的坚固性和0.82的TSS.
• 支持矢量机 (SVM) 分类模型表现出色,准确地分类番茄成熟度水平,准确率为96%.
• 该研究成功地将便携式光谱学与机器学习相结合,以有效评估番茄的质量.

结论:

• 便携式光谱仪与机器学习相结合,为实时番茄成熟度评估提供了强大的,非破坏性的解决方案.
• 这项技术具有显著的潜力,可以通过精确的质量控制来增强精密农业实践,并优化供应链管理.
• 开发的模型为种植者和经销商提供了一种有效的工具,以确保番茄产品的最佳质量.