在线检测果成的核心使用近红外光谱学与灵活的传输托盘和深度学习

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:

• 果成的核心 (AMC) 导致收获后的重大损失.
• 由于缺乏可见症状,早期发现AMC具有挑战性.

研究的目的:

• 开发一种集成的,行业准备的方法,用于准确,高通量检测早期的AMC.
• 将传输近红外 (NIR) 光谱与深度学习相结合,以精确识别疾病.

主要方法:

• 开发了一种定制的灵活传输托盘,用于稳定的水果定位和可重复的光谱数据采集.
• 预处理的光谱数据使用萨维茨基-戈莱平滑,标准正常变量,乘法散射校正和平均中心.
• 评估波长选择策略 (CARS,SCARS,SCARS-SPA) 和对比深度学习模型 (BP,CNN,LSTM,CNN-LSTM) 进行分类.

主要成果:

• 在SCARS-SPA选择的波长上训练CNN-LSTM模型,实现了高分类准确率:98.82%的两类 (健康/疾病) 和97.65%的三类 (健康/轻度/严重).
• 灵活的传输托盘通过稳定水果和最大限度地减少环境光来确保可重复的传输光谱.
• 该SCARS-SPA + CNN-LSTM管道证明了早期AMC检测的稳定性和可重复性.

结论:

• 拟议的综合系统为商业果供应链中早期和精确的AMC检测提供了一个实际的解决方案.
• 该系统兼容基于输送机的集成,用于实时分类,增强质量控制.
• 这种方法有效地减少了与收获后果腐败相关的经济损失.