Blueberry heeft delicaat vlees en unieke smaak. Het is rijk aan voedingsstoffen en staat bekend als de "Queen of Fruit". Het heeft de functies van het voorkomen van hersenzenuwveroudering, het beschermen van gezichtsvermogen, anti-kanker en het verbeteren van de menselijke immuniteit. Het heeft brede marktperspectieven. Blueberry -suikergehalte is een belangrijke indicator voor het evalueren van de kwaliteit van de bosbessen. Traditionele bosbessensuikergehalte detectie is destructief en niet-destructieve detectie is een belangrijke ontwikkelingstrend.
1.. Afbeeldingsgegevensverwerving
Hoge spectrale afbeelding van bosbessenmonsters
Extraheer de spectrale gegevens van de twee hyperspectrale afbeeldingen: Selecteer verschillende interessegebieden (ROI) op het oppervlak van elk monster en verkrijg de oorspronkelijke reflectiespectrumcurve
Overeenkomend met de oorspronkelijke spectrale curve van het interessegebied, wordt de gemiddelde spectrale waarde geëxtraheerd om drie sets van 48x256 spectrale gegevensmatrices te verkrijgen
Volgens de hyperspectrale afbeeldingen en spectrale krommen in verschillende banden heeft band 1-band 50 grote ruis en wazige beelden. Bij het selecteren van gegevens,
Alleen band 51-band 250 (1031.11nm-1699.11nm) in totaal 200 banden werden gemodelleerd. De eerste 36 bosbessenspectrale waarden werden gebruikt om het model vast te stellen,
en de laatste 12 werden gebruikt voor het testen van modellen.
2. Modelinstelling en analyse
De oprichting van het voorspellingsmodel van het bosbessensuikergehalte maakt voornamelijk gebruik van de gedeeltelijke minste vierkantenregressiemethode (PLSR). Verschillende spectrale gegevens krijgen
verschillende voorspellingsmodellen. Gebruik direct de 200 banden met ruis verwijderd om de 200 banden spectrale gegevens te modelleren voor PCA -dimensie -reductie, selecteer de
Eerste n hoofdcomponenten met een cumulatief contributiegraad van 99,9%, en gebruik vervolgens PLSR -modellering om de karakteristieke banden te selecteren voor de 256 Spectral
Banden in het hele achtergebied met behulp van spa en gebruiken vervolgens PLSR -modellering om direct cyclische modellering uit te voeren op de 200 banden in het hele achtergebied, eerst combineren
twee bij twee, en vervolgens drie bij drie combinaties gebruiken om te modelleren
3. Voorspellingsmodelopstelling
PLSR -model van spectrale gegevens van sommige delen van de voorkant
Voorspellingsmodel:
Y = 8.1109+0.3989x+0.2848X+….+0.809X200
Waar X1, X2, ..., X200 de gemiddelde spectrale waarden van Band 51-Band250 zijn en Y het suikergehalte van bosbessen is.
Met behulp van het voorspellingsmodel werden de spectrale gegevens van 12 bosbessen vervangen om de voorspelde suikergehalte -waarden te verkrijgen, zoals weergegeven in de volgende tabel
Tabel 1. Vergelijking van de voorspelde suikergehaltewaarden en de werkelijke suikergehaltewaarden van sommige gebieden aan de voorkant van bosbessen
Tabel 2. Voorspelde suikergehaltewaarden en werkelijke waarden voor het gehele gebied van de voorkant van bosbessen
Tabel 3. Voorspelde suikergehaltewaarden en werkelijke waarden voor het hele gebied aan de achterkant van bosbessen
De voorspelde waarde van de suikergehalte van het voorspellingsmodel verkregen uit de drie sets van gegevens en de curve van de werkelijke suikergehalte -waarde van bosbessen
PCA werd gebruikt om de dimensie van bosbessenspectrale gegevens te verminderen. De gegevens na dimensievermindering werden vervolgens gebruikt voor PLSR -modellering. Na PCA -dimensievermindering werden de eerste N hoofdcomponenten met een totale contributiegraad van 99,9% geselecteerd. Zeven hoofdcomponenten werden geselecteerd na dimensievermindering van de spectrale gegevens geëxtraheerd uit het gedeeltelijke gebied van de voorkant en het gehele gebied van de voorkant. De eerste 10 hoofdcomponenten werden geëxtraheerd na dimensievermindering van de spectrale gegevens van het gehele gebied van de achterkant. De belangrijkste componenten die werden geselecteerd na PCA -dimensievermindering werden gebruikt voor PLSR -modellering. Volgens de functie voor het voorspellingsmodel werden de voorspelde suikergehalte -waarden van de drie sets van gegevens verkregen.
Gebruik eerst PCA om de dimensie te verminderen en voer vervolgens PLSR -modellering uit. Volgens de functie voor het voorspellingsmodel worden de krommen van de voorspelde waarde van de suikergehalte en de werkelijke suikergehalte -waarde van de drie sets gegevens verkregen
4. Samenvatting
Vergelijking van de voorspellingsmodellen die zijn vastgesteld met verschillende gegevens, de correlatiecoëfficiënten tussen de voorspelde suikergehalte -waarde en de echte suiker
Inhoudswaarde van het optimale bandcombinatie -voorspellingsmodel geselecteerd door de combinatie van de bandcycluscombinatie is respectievelijk 0,54 en 0,61, die zijn
De grootste van de modellen die zijn vastgesteld met andere bandcombinaties, en de gemiddelde relatieve fouten zijn respectievelijk 12,6% en 11,9%, wat de
De kleinste van de modellen die zijn vastgesteld met andere bandcombinaties, en de wortelgemiddelde vierkante fout van de testset is klein. Er kan worden geconcludeerd dat de
Voorspellingseffect van het optimale model dat is geselecteerd na de modellering van de bandcycluscombinatie is beter dan dat van andere bandcombinaties.
