Blueberry memiliki daging yang halus dan rasa yang unik. Ini kaya akan nutrisi dan dikenal sebagai "ratu buah". Ini memiliki fungsi untuk mencegah penuaan saraf otak, melindungi penglihatan, anti-kanker, dan meningkatkan kekebalan manusia. Ini memiliki prospek pasar yang luas. Kandungan gula blueberry adalah indikator penting untuk mengevaluasi kualitas blueberry. Deteksi kadar gula blueberry tradisional merusak, dan deteksi non-destruktif merupakan tren pengembangan yang penting.
1. Akuisisi Data Gambar
Gambar blueberry spektral tinggi
Ekstrak data spektral dari dua gambar hiperspektral: Pilih berbagai daerah yang menarik (ROI) pada permukaan setiap sampel dan dapatkan kurva spektrum reflektansi asli
Sesuai dengan kurva spektral asli dari bidang yang diminati, nilai rata -rata spektral diekstraksi untuk mendapatkan tiga set matriks data spektral 48x256
Menurut gambar hiperspektral dan kurva spektral di pita yang berbeda, pita 1-band 50 memiliki noise besar dan gambar kabur. Saat memilih data,
Hanya pita 51-band 250 (1031.11nm-1699.11nm) Sebanyak 200 pita dimodelkan. 36 nilai spektral blueberry pertama digunakan untuk menetapkan model,
dan 12 terakhir digunakan untuk pengujian model.
2. Pembentukan dan analisis model
Pembentukan model prediksi kandungan gula blueberry terutama menggunakan metode regresi kuadrat terkecil parsial (PLSR). Data spektral yang berbeda mendapatkan
model prediksi yang berbeda. Langsung gunakan 200 pita dengan noise dihapus untuk memodelkan 200 pita data spektral untuk pengurangan dimensi PCA, pilih
Komponen utama N pertama dengan tingkat kontribusi kumulatif 99,9%, dan kemudian gunakan pemodelan PLSR untuk memilih pita karakteristik untuk 256 spektral
Pita di seluruh area belakang menggunakan spa, dan kemudian menggunakan pemodelan PLSR untuk secara langsung melakukan pemodelan siklik pada 200 pita di seluruh area belakang, pertama kali menggabungkan
dua demi dua, dan kemudian menggunakan tiga dengan tiga kombinasi untuk memodelkan
3. Pembentukan Model Prediksi
Model PLSR data spektral dari beberapa area depan
Model prediksi:
y = 8.1109+0.3989x+0.2848x+….+0.809x200
Di mana x1, x2, ..., x200 adalah nilai spektral rata-rata pita 51-band250, dan y adalah kadar gula blueberry.
Menggunakan model prediksi, data spektral dari 12 blueberry diganti untuk mendapatkan nilai kadar gula yang diprediksi seperti yang ditunjukkan pada tabel berikut
Tabel 1. Perbandingan nilai kadar gula yang diprediksi dan nilai kadar gula aktual dari beberapa area di bagian depan blueberry
Tabel 2. Nilai kadar gula yang diprediksi dan nilai yang benar untuk seluruh area sisi depan blueberry
Tabel 3. Nilai kadar gula yang diprediksi dan nilai yang benar untuk seluruh area di belakang blueberry
Nilai kadar gula yang diprediksi dari model prediksi yang diperoleh dari tiga set data dan kurva nilai kadar gula aktual blueberry
PCA digunakan untuk mengurangi dimensi data spektral blueberry. Data setelah pengurangan dimensi kemudian digunakan untuk pemodelan PLSR. Setelah pengurangan dimensi PCA, komponen utama N pertama dengan tingkat kontribusi total 99,9% dipilih. Tujuh komponen utama dipilih setelah pengurangan dimensi data spektral yang diekstraksi dari area parsial depan dan seluruh area depan. 10 komponen utama pertama diekstraksi setelah pengurangan dimensi data spektral seluruh area belakang. Komponen utama yang dipilih setelah pengurangan dimensi PCA digunakan untuk pemodelan PLSR. Menurut fungsi model prediksi, nilai kadar gula yang diprediksi dari tiga set data diperoleh.
Pertama gunakan PCA untuk mengurangi dimensi, dan kemudian lakukan pemodelan PLSR. Menurut fungsi model prediksi, kurva nilai kadar gula yang diprediksi dan nilai kadar gula aktual dari tiga set data diperoleh
4. Ringkasan
Membandingkan model prediksi yang ditetapkan dengan data yang berbeda, koefisien korelasi R antara nilai kadar gula yang diprediksi dan gula yang sebenarnya
Nilai konten dari model prediksi kombinasi pita optimal yang dipilih oleh pemodelan kombinasi siklus pita masing -masing adalah 0,54 dan 0,61, yaitu, yaitu
Yang terbesar di antara model yang ditetapkan dengan kombinasi pita lainnya, dan kesalahan relatif rata -rata adalah 12,6% dan 11,9%, masing -masing, yang merupakan
Yang terkecil di antara model yang ditetapkan dengan kombinasi pita lainnya, dan kesalahan root mean square dari set uji kecil. Dapat disimpulkan bahwa
Efek prediksi dari model optimal yang dipilih setelah pemodelan kombinasi siklus pita lebih baik daripada kombinasi pita lainnya.