Mustikka on herkkä liha ja ainutlaatuinen maku. Se on runsaasti ravintoaineita ja tunnetaan nimellä "hedelmien kuningatar". Sillä on toiminnot estää aivojen hermojen ikääntyminen, näkökyvyn suojaaminen, syövän vastainen ja ihmisten immuniteetin parantaminen. Sillä on laajat markkinat. Mustikka -sokeripitoisuus on tärkeä indikaattori mustikan laadun arvioimiseksi. Perinteinen mustikka-sokeripitoisuuden havaitseminen on tuhoisa, ja tuhoava havaitseminen on tärkeä kehityssuuntaus.

1. Kuvan tiedonkeruu

Mustikkanäytteiden korkea-spektrinen kuva

Pura kahden hyperspektrisen kuvan spektritiedot: Valitse kunkin näytteen pinnalla olevat eri kiinnostavat alueet (ROI) ja hanki alkuperäinen heijastusspektrikäyrä

Vastaa kiinnostavan alueen alkuperäistä spektrikäyrää, keskimääräinen spektriarvo poistetaan kolmen sarjan 48x256 spektritietomatriisien saamiseksi

Eri kaistalla olevien hyperspektrikuvien ja spektrikähteiden mukaan kaista 1-kaista 50 on suuri melu ja hämärtyneet kuvat. Kun valitset tietoja,
Vain kaista 51 -kaista 250 (1031.11NM-1699.11nm) mallittiin yhteensä 200 kaistaa. Ensimmäisiä 36 mustikka -spektriarvoa käytettiin mallin määrittämiseen,
ja viimeisiä 12 käytettiin mallitestaukseen.

2. mallin perustaminen ja analyysi

Mustikka -sokeripitoisuuden ennustamismallin perustaminen käyttää pääasiassa osittaista pienimmän neliöiden regressiomenetelmää (PLSR). Eri spektritiedot saavat
Eri ennustemallit. Käytä suoraan 200 kaistaa, joissa melu on poistettu, mallintaaksesi 200 spektritiedon kaistaa PCA -ulottuvuuden vähentämiseksi, valitse
Ensimmäiset N Pääkomponentit, joiden kumulatiivinen osuus on 99,9%, ja sitten PLSR -mallinnuksen valitsemiseksi 256 spektrin ominaiskaistat
Koko taka -alueen kaistat SPA: n avulla ja sitten PLSR -mallinnus suorittaa syklinen mallintaminen suoraan koko takaosan 200 kaistalla, yhdistämällä ensin
kaksi kerralla ja käyttämällä sitten kolme kolmella yhdistelmällä malliin

3. Ennustamismallin perustaminen

PLSR -malli joidenkin etujen spektritiedoista

Ennustamismalli:

y = 8,1109+0,3989x+0,2848x+….+0,809x200

Missä x1, x2, ..., x200 ovat kaista 51 -kaistan 2550 keskimääräisiä spektriarvoja ja y on mustikan sokeripitoisuus.

Ennustemallia käyttämällä 12 mustikan spektritiedot korvattiin ennustetun sokeripitoisuuden arvojen saamiseksi seuraavassa taulukossa esitetyllä tavalla

Taulukko 1. Ennustettujen sokeripitoisuuden arvojen vertailu ja joidenkin mustikoiden edessä olevien alueiden todelliset sokeripitoisuusarvot

Taulukko 2. Ennustetut sokeripitoisuusarvot ja todelliset arvot mustikojen etupuolen koko alueelle

Taulukko 3. Ennustetut sokeripitoisuusarvot ja todelliset arvot koko alueelle mustikoiden takana

Kolmesta tietojoukosta saadun ennustemallin ennustettu sokeripitoisuusarvo ja mustikojen todellisen sokeripitoisuuden arvon käyrä

PCA: ta käytettiin mustikka -spektritietojen mitan vähentämiseen. Tietoja ulottuvuuden vähentämisen jälkeen käytettiin sitten PLSR -mallinnukseen. PCA -ulottuvuuden vähentämisen jälkeen valittiin ensimmäiset N pääkomponentit, joiden kokonaisosuus oli 99,9%. Seitsemän pääkomponenttia valittiin sen jälkeen, kun etuosan ja koko etuosan osittaisesta alueelta poistettiin spektritiedot. Ensimmäiset 10 pääkomponenttia uutettiin sen jälkeen, kun koko selän alueen spektritiedot ovat vähentyneet. PCA -ulottuvuuden vähentämisen jälkeen valittuja pääkomponentteja käytettiin PLSR -mallinnukseen. Ennustemallifunktion mukaan saatiin kolmen tietojoukon ennustetut sokeripitoisuusarvot.

Käytä ensin PCA: ta mitat ja suorita sitten PLSR -mallinnus. Ennustemallifunktion mukaan saadaan ennustetun sokeripitoisuuden arvon ja kolmen tietojoukon todellinen sokeripitoisuuden arvo

4. yhteenveto

Vertaamalla eri tietoihin perustettuja ennustemalleja, korrelaatiokertoimia r ennustetun sokeripitoisuuden arvon ja todellisen sokerin välillä

Kaistan sykliyhdistelmämallinnuksen valitsema optimaalinen kaistayhdistelmäennustimalli on vastaavasti 0,54 ja 0,61, jotka ovat

Suurin muiden kaistayhdistelmien kanssa perustetuista malleista, ja keskimääräiset suhteelliset virheet ovat vastaavasti 12,6% ja 11,9%, jotka ovat

Pienin muiden kaistayhdistelmien kanssa perustetuista malleista, ja testisarjan juuren keskimääräinen neliövirhe on pieni. Voidaan päätellä, että

Kaistan sykliyhdistelmän mallinnuksen jälkeen valitun optimaalisen mallin ennustamisvaikutus on parempi kuin muiden kaistayhdistelmien.