基于高光谱成像技术的涌泉蜜桔糖度最优检测位置.pdf
《基于高光谱成像技术的涌泉蜜桔糖度最优检测位置.pdf》由会员分享,可在线阅读,更多相关《基于高光谱成像技术的涌泉蜜桔糖度最优检测位置.pdf(12页珍藏版)》请在咨信网上搜索。
1、文章编号2097-1842(2024)01-0128-12基于高光谱成像技术的涌泉蜜桔糖度最优检测位置李斌,万霞,刘爱伦,邹吉平,卢英俊,姚迟,刘燕德*(华东交通大学智能机电装备创新研究院水果智能光电检测技术与设备国家与地方联合工程研究中心,南昌 330013)摘要:本文旨在探索涌泉蜜桔糖度的最优检测位置和最佳预测模型,以便为蜜桔糖度检测分级提供理论依据。本文利用波长为 390.2981.3nm 的高光谱成像系统对涌泉蜜桔糖度最佳检测位置进行研究,将涌泉蜜桔的花萼、果茎、赤道和全局的光谱信息与其对应部位的糖度结合,建立其预测模型。使用标准正态变量变换(SNV)、多元散射校正(MSC)、基线校准
2、(Baseline)和 SG 平滑(Savitzkv-Golay)4 种预处理方法对不同部位的原始光谱进行预处理,用预处理后的光谱数据建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LSSVM)模型。找出蜜桔不同部位的最佳预处理方式,对经过最佳预处理后的光谱数据采用竞争性自适应重加权算法(CARS)和无信息变量消除法(UVE)进行特征波长筛选。最后,用筛选后的光谱数据建立 PLSR 和 LSSVM 模型并进行分析比较。研究结果表明,全局的 MSC-CARS-LSSVM 模型预测效果最佳,其预测集相关系数 Rp=0.955,均方根误差 RMSEP=0.395,其次是蜜桔赤道部位的 SNV-P
3、LSR 模型,其预测集相关系数 Rp=0.936,均方根误差 RMSEP=0.37。两者预测集相关系数相近,因此可将赤道位置作为蜜桔糖度的最优检测位置。本研究表明根据蜜桔不同部位建立的糖度预测模型的预测效果有所差异,研究最优检测位置和最佳预测模型可以为蜜桔进行糖度检测分级提供理论依据。关键词:涌泉蜜桔;高光谱;糖度;偏最小二乘回归;最小二乘支持向量机中图分类号:O433.4文献标志码:Adoi:10.37188/CO.2023-0057OptimalpositionforsugercontentdetectionofYongquanhoneyor-angesbasedonhyperspectr
4、alimagingtechnologyLIBin,WANXia,LIUAi-lun,ZOUJi-ping,LUYing-jun,YAOChi,LIUYan-de*(Intelligent Electromechanical Equipment Innovation Research Institute,East China Jiaotong University,National and Local Joint Engineering Research Center of Fruit Intelligent PhotoelectricDetection Technology and Equip
5、ment,Nanchang 330013,China)*Corresponding author,E-mail:Abstract:TheobjectiveofthisstudyistoexploretheoptimaldetectionlocationandthebestpredictionmodelofthesugerlevelofYongquanhoneyoranges,whichcanprovideatheoreticalbasisforthebrixmeas-urementandclassificationofhoneyoranges.Withthewavelengthrangeof3
6、90.2981.3nmhyperspectralimagingsystemwasusedtostudythebestpositionfordetectingthesugarcontentofYongquanhoneyor-anges,andthespectralinformationofthecalyx,fruitstem,equatorandglobalofYongquanhoneyoranges收稿日期:2023-03-30;修订日期:2023-04-19基金项目:青年科学基金项目(No.12103019)SupportedbyYouthScienceFundProjects(No.121
7、03019)第17卷第1期中国光学(中英文)Vol.17No.12024 年 1 月ChineseOpticsJan.2024werecombinedwiththeirsugarcontentofcorrespondingpartstoestablishitspredictionmodel.Theoriginalspectrafromthedifferentlocationswerepre-processedbyStandardNormalVariance(SNV)transformation,MultipleScatteringCorrection(MSC),baselinecalibrat
8、ion(Baseline)andSGsmoothing,respectively,andthePartialLeastSquaresRegression(PLSR)andLeastSquaresSupportVectorMachine(LSSVM)modelswereestablishedbasedonthepre-processedspectraldata.Thebestpre-processingmethodsfordifferentpartsofthehoneyorangeswerefound,andtheoptimalspectraldataobtainedbythebestpre-p
9、rocessingmethodswere conducted to identify characteristic wavelengths using the Competitive Adaptive Re-weightingSamplingalgorithm(CARS)andUninformativeVariableElimination(UVE).Finally,thePLSRandLSS-VMmodelswereestablishedandcomparedbasedontheselectedspectraldata.TheresultsshowthattheglobalMSC-CARS-
10、LSSVMmodeldemonstratesthemostaccuratepredictionperformance,withacorrela-tioncoefficientofRp=0.955andanRMSEPvalueof0.395.Alternatively,theSNV-PLSRmodeloftheequatoriallocationofhoneyorangeswasfoundtobethenextmoreeffective,withacorrelationcoefficientofRp=0.936,andanRMSEPvalueof0.37.Thecorrelationcoeffi
11、cientsofthetwopredictionmodelsaresimil-ar,theequatoriallocationcanbeusedastheoptimalpositionformeasuringthesugarcontentofhoneyor-anges.Thisstudydemonstratesthatthepredictionmodelsbasedondifferentpartsoftheorangehavediffer-enteffects.Identifyingtheoptimalpositionandpredictionmodelcanprovideatheoretic
12、albasisforclassify-ingorangesforsugarcontenttesting.Keywords:Yongquan honey orange;hyperspectral;sugar content;partial least-squares regression;least-squaressupportvectormachine1引言涌泉蜜桔产于浙江东南沿海地带,以果肉细嫩、皮薄易剥、无核、甜度高等特点深受人们喜爱,更是有“天下一奇,吃桔带皮”的美誉。浙江临海市常年种植蜜桔面积可达 20 万亩,蜜桔年产量近 30 万吨,涌泉作为临海蜜桔的核心产区,年产量约占其整个市蜜桔
13、总产量的 1/4。涌泉蜜桔曾多次获得省部级优秀奖、浙江省名牌产品和中国名牌产品称号。随着物流和电商行业的兴起,涌泉蜜桔也被销往全国各地1。近年来,随着涌泉蜜桔产量的增加以及人们消费水平的逐渐提高,人们对蜜桔的品质方面的要求越来越严格。蜜桔含糖量的高低直接影响其口感和价格,因此,糖度是衡量其品质的一个重要指标2-3。此外,在对采摘后的蜜桔进行无损检测和分级时,其糖度也是重要参考指标之一。如何快速、准确和稳定地对其糖度进行检测和分级是当前蜜桔产业待解决的问题之一。在蜜桔的生长过程中,受生长环境的影响,其不同部位的糖度分布不同,因此在检测过程中,若不考虑检测位置则会对蜜桔糖度无损检测产生较大的影响,
14、导致蜜桔的品质分级不够准确,所以有必要寻找出蜜桔糖度的最优检测位置,从而提高蜜桔糖度的无损检测精度4-5。近年来,高光谱成像技术作为新一代光电检测技术,它集成像技术与光谱技术两者于一身,可以同时获取被检测对象的光谱和空间信息6-7。与其他研究方法相比,利用高光谱成像技术可以更全面、更深入且更具体地了解被检测对象8-11。该技术在农产品品质检测领域有着很大的潜力,现如今已被广泛应用于柑橘12、苹果13、猕猴桃14、葡萄15、茶叶16等农产品的内部品质检测。Liu17等在赤道部位建立了脐橙可溶性固化物(SolubleSolidsContent,SSC)含量的预测模型,其预测集相关系数 Rp 为 0
15、.90。许丽佳14等利用高光谱成像技术对猕猴桃糖度进行无损检测。选择猕猴桃赤道位置进行糖度检测,其最优预测模型的预测集相关系数 Rp 为 0.839。Yang18等采用传统的破坏性方法,将番茄切块榨汁后测量其SSC 含量,经过高度和重量两个生理特征进行补第1期李斌,等:基于高光谱成像技术的涌泉蜜桔糖度最优检测位置129偿后的最优 SSC 预测模型的 Rp 为 0.91。以上研究并未考虑糖度检测位置对模型精度的影响,故所建立模型的精度不高。与此同时,也有部分学者就水果不同部位的糖度预测模型进行了研究。介邓飞2等利用高光谱技术对柑橘花萼、果梗和赤道部位进行检测,建立了不同部位糖度的预测模型,研究发
16、现花萼部位对应的糖度预测模型效果最好,其预测集相关系数达到 0.950。袁琳19等利用近红外反射光谱对网纹瓜的不同部位进行光谱采集,并与对应部位的糖度结合建立了三个局部和全局 PLSR 预测模型,研究发现全局模型预测效果最佳,其预测集相关系数 Rp 为0.8895。以上两位学者均采用 PLSR 模型作为预测模型,未进行多种模型对比分析。考虑到目前针对涌泉蜜桔不同部位的糖度预测模型的研究鲜有报道。本文利用高光谱成像技术对涌泉蜜桔糖度最优检测位置和最优糖度预测模型进行研究,分别测定蜜桔花萼、赤道、果茎 3 个部位的糖度,并结合这 3 个部位相应的光谱信息建立其局部糖度预测模型。在此基础上,将 3
17、个部位的平均光谱与平均糖度信息相结合,建立其全局模型。采用 4 种预处理方式(SNV、MSC、Baseline、SG)和两种建模方法(PLSR、LSSVM),分析比较找出蜜桔不同部位的最佳预处理方式。然后,通过特征波长筛选(CARS、UVE)进一步优化模型,从而提高其预测精度。最后,比较蜜桔各部位优化后的最佳糖度预测模型,找出蜜桔糖度的最优检测位置和预测模型。该研究结果不仅可以为蜜桔分级处理提供理论依据,而且可以为涌泉蜜桔检测分级的加工设备研制提供一定的研究基础。2实验材料与方法2.1实验材料本研究选用涌泉蜜桔作为实验样本,购买于南昌水果市场,所选涌泉蜜桔大小接近,形状规则且外观完好。将买来的
18、涌泉蜜桔进行检查和筛选,选取 120 个涌泉蜜桔洗净并逐个编号,在室温为 20C,相对湿度为 60%的环境下储存 24 小时后采集蜜桔的光谱数据,避免温度对结果的影响。蜜桔花萼、赤道和果茎图像如图 1 所示。果茎赤道花萼图1涌泉蜜桔不同部位图像Fig.1Imagesof different parts of Yongquan honey or-anges2.2实验装置与光谱数据采集本次实验装置为高光谱成像光谱仪,装置示意图如图 2 所示。该系统主要由相机(C8484-05G 型,Hamamastu,日本)、光谱仪(ImSpectorV10E 型,Specim,芬兰)、镜头、卤素灯(DE-COS
19、TAR51MR16 型,OSRAM,德国)、位移平台和计算机组成。本研究采集的光谱波长范围为390.2981.3nm,分辨率为 3.3nm。光谱采集装置需要提前预热 30min,在实验正式开始前,还要对试验装置的各项参数进行调整,本次实验曝光时间设置为 6ms,检测速度为 20mm/s。每个实验样品均需采集花萼、果茎和赤道部位的光谱数据。卤素灯高光谱相机暗箱位移平台蜜桔样本样品台计算机镜头光谱仪图2高光谱成像装置示意图Fig.2Schematic diagram of the hyperspectral imagingdevice由于高光谱相机存在暗电流和光源亮度分布不均匀现象,导致采集到的蜜
20、桔不同部位的高光谱图像易受其影响,因此,在对光谱数据进行处理之前,需要对其原始光谱图像的反射率进行黑白校正。首先将镜头遮住,进行扫描,将得到的全黑图像作为黑色参考图像,再取下镜头遮盖物,对白色校准板进行扫描得到白色参考图像。利用两种参考图像进行校准,校准公式如下:130中国光学(中英文)第17卷I=IrIdIwId(1)IrIwIdI式中:为原始光谱图像;为全白参考光谱图像;为全黑参考光谱图像;为校准后的光谱图像。利用 SpectraVIEW 软件对蜜桔的高光谱图像进行黑白校正,然后通过 ENVI4.5 软件提取蜜桔不同部位的光谱数据,在蜜桔不同部位选择一个矩形感兴趣区域(ROI),计算出 R
21、OI 区域的平均光谱值。2.3不同部位糖度的测量将蜜桔的糖度值作为预测模型的真值,对蜜桔样本采集光谱后,进行糖度理化指标的测定。通过温度补偿糖度计(型号 PAL-1,AtagoCo,Tokyo,Japan)测量其糖度值。该仪器的糖度测量范围为 053%OBrix。使用前用蒸馏水对糖度计进行零点校正。在蜜桔不同部位上切取果肉进行榨汁,将果汁滴入糖度计中进行测量,每测完一个部位后都要用蒸馏水进行清洗,重复 3 次测量取平均值,作为该部位的最终糖度值,取 3 个部位糖度值的均值作为全局的糖度值。2.4光谱预处理在采集原始光谱信息时,易受到外界干扰,从而出现随机噪声和表面散射等现象,导致提取的光谱数据
22、中存在许多干扰信息,对模型的精度和稳定性有显著影响20。对光谱进行预处理能够消除这些不利影响,从而提高其信噪比。本研究中采用了 SNV、MSC、Baseline 和 SG 四种预处理方式,针对蜜桔不同部位的光谱信息挑选出最适合的预处理方式。2.5特长波长筛选由于全光谱波长数据量很大,并且存在着大量的无信息波长,导致数据处理极其缓慢。因此,有必要通过算法提取出最具有代表性的波长,以构建更具稳定性和鲁棒性的糖度含量预测模型,并简化建模过程。本研究采用的波长筛选方式为竞争性自适应重加权算法(CARS)和无信息变量消除法(UVE)。其中,CARS 算法主要是利用自适应重加权采样技术和指数衰减函数从构建
23、的 PLS(PartialLeastSquares)子集模型中选出回归系数绝对值较大的变量,然后通过交叉验证选取 RMSECV(RootMeanSquareErrorofCrossValidation)最小的子集中的变量作为特征波长21-22。UVE 是一种基于 PLS 回归系数稳定性分析的变量选择方法。它用于消除无用信息变量或冗余光谱变量23。其基本思想是将偏最小二乘回归系数作为波长重要性的衡量指标。2.6预测模型的建立及其评价利用 Kennard-Stone(KS)方法将 120 个涌泉蜜桔样本进行分类,其中校正集为 90 个,预测集为 30 个。分别建立蜜桔花萼、果茎、赤道和全局的 PL
24、SR 和 LSSVM 模型。偏最小二乘回归(PLSR)是一种线性回归方法。该方法在普通多元回归的基础上融合了主成分分析和典型相关的分析方法,可解决变量之间的多重共线性问题21。最小二乘支持向量机(LSSVM)是一种非线性回归算法。该算法解决了经典 SVM(Sup-portVectorMachines)中复杂的二次优化问题,计算的复杂程度有所降低。非线性 LSSVM 预测模型对光谱和 SSC 中可能存在的非线性扰动有较好的鲁棒性20。模型性能主要是通过建模集相关系数 Rc、预测集相关系数 Rp、建模集均方根误差 RMSEC 和预测集均方根误差 RMSEP4 个指标来评价,其中 Rp 和 Rc 越
25、接近 1 且 RMSEC 和RMSEP 越小,则表明该模型既精度高又稳定24。3结果与分析3.1涌泉蜜桔不同部位的光谱分析本研究选择 390.2981.3nm 范围内的光谱进行分析。取蜜桔 3 个局部位置光谱的平均值作为其全局光谱。蜜桔赤道、果茎、花萼和全局的原始光谱如图 3(a)(彩图见期刊电子版)所示。由图 3(a)可以看出所有光谱曲线的变化趋势十分相似,在 650900nm 波段范围内,吸收峰不太明显,波峰和波谷之间没有剧烈起伏。为了更加直观地观察和比较蜜桔不同部位的光谱信息,计算得到蜜桔不同部位的平均光谱曲线,如图 3(b)(彩图见期刊电子版)所示。由图 3(b)可知,4 条光谱的光谱
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 成像 技术 涌泉 糖度 最优 检测 位置
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。