La myrtille a une chair délicate et une saveur unique. Il est riche en nutriments et est connu comme la "reine des fruits". Il a les fonctions de prévenir le vieillissement du nerf cérébral, de protection de la vue, de anti-cancéreuse et d'amélioration de l'immunité humaine. Il a de larges perspectives de marché. La teneur en sucre aux bleuets est un indicateur important pour évaluer la qualité des bleuets. La détection traditionnelle de la teneur en sucre de bleuet est destructrice et la détection non destructive est une tendance de développement importante.

1. Acquisition de données d'image

Image à haut spectrale des échantillons de myrtille

Extraire les données spectrales des deux images hyperspectrales: sélectionnez différentes régions d'intérêt (ROI) à la surface de chaque échantillon et obtenez la courbe du spectre de réflectance d'origine

Correspondant à la courbe spectrale d'origine de la zone d'intérêt, la valeur spectrale moyenne est extraite pour obtenir trois ensembles de matrices de données spectrales 48x256

Selon les images hyperspectrales et les courbes spectrales dans différentes bandes, la bande 1-bande 50 a un bruit important et des images floues. Lors de la sélection des données,
Seule bande 51 bande 250 (1031.11nm-1699.11 nm) Un total de 200 bandes ont été modélisées. Les 36 premières valeurs spectrales de bleuets ont été utilisées pour établir le modèle,
Et les 12 derniers ont été utilisés pour les tests de modèle.

2. Établissement et analyse du modèle

L'établissement du modèle de prédiction de contenu en sucre de bleuet utilise principalement la méthode de régression des moindres carrés partiels (PLSR). Différentes données spectrales obtiennent
différents modèles de prédiction. Utilisez directement les 200 bandes avec du bruit supprimé pour modéliser les 200 bandes de données spectrales pour la réduction de la dimension PCA, sélectionnez le
Ni-n composants principaux avec un taux de contribution cumulatif de 99,9%, puis utilisez la modélisation PLSR pour sélectionner les bandes caractéristiques pour le 256 spectral
Des bandes dans toute la zone arrière à l'aide de SPA, puis utilisent la modélisation PLSR pour effectuer directement une modélisation cyclique sur les 200 bandes dans toute la zone arrière, en combinant d'abord
deux par deux, puis en utilisant trois combinaisons par trois pour modéliser

3. Établissement du modèle de prédiction

Modèle PLSR des données spectrales de certaines zones de l'avant

Modèle de prédiction:

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

Où x1, x2, ..., x200 sont les valeurs spectrales moyennes de la bande 51-bande250, et y est la teneur en sucre des bleuets.

En utilisant le modèle de prédiction, les données spectrales de 12 bleuets ont été substituées pour obtenir les valeurs de teneur en sucre prévues comme indiqué dans le tableau suivant

Tableau 1. Comparaison des valeurs de teneur en sucre prévues et des valeurs réelles de teneur en sucre de certaines zones à l'avant des bleuets

Tableau 2. Valeurs de teneur en sucre prévues et valeurs réelles pour toute la zone de la face avant des bleuets

Tableau 3. Valeurs de contenu en sucre prévues et valeurs réelles pour toute la zone à l'arrière des bleuets

La valeur prévue du contenu en sucre du modèle de prédiction obtenu à partir des trois ensembles de données et la courbe de la valeur réelle de la teneur en sucre des bleuets

L'ACP a été utilisée pour réduire la dimension des données spectrales aux myrtilles. Les données après réduction de dimension ont ensuite été utilisées pour la modélisation PLSR. Après la réduction de la dimension PCA, les n premier composants principaux avec un taux de contribution total de 99,9% ont été sélectionnés. Sept composants principaux ont été sélectionnés après la réduction de la dimension des données spectrales extraites de la zone partielle de l'avant et de toute la zone de l'avant. Les 10 premiers composants principaux ont été extraits après réduction de la dimension des données spectrales de toute la zone du dos. Les principaux composants sélectionnés après la réduction de la dimension PCA ont été utilisés pour la modélisation PLSR. Selon la fonction du modèle de prédiction, les valeurs de teneur en sucre prévues des trois ensembles de données ont été obtenues.

Utilisez d'abord PCA pour réduire la dimension, puis effectuez la modélisation PLSR. Selon la fonction du modèle de prédiction, les courbes de la valeur de contenu en sucre prévues et la valeur réelle du contenu du sucre des trois ensembles de données sont obtenues

4. Résumé

En comparant les modèles de prédiction établis avec différentes données, les coefficients de corrélation r entre la valeur de teneur en sucre prévue et le vrai sucre

La valeur du contenu du modèle de prédiction de combinaison de bande optimale sélectionnée par la modélisation de la combinaison du cycle de bande est respectivement de 0,54 et 0,61

Le plus important parmi les modèles établis avec d'autres combinaisons de bande, et les erreurs relatives moyennes sont respectivement de 12,6% et 11,9%

Les plus petits parmi les modèles établis avec d'autres combinaisons de bande, et l'erreur quadratique moyenne de l'ensemble de tests est petite. On peut conclure que le

L'effet de prédiction du modèle optimal sélectionné après la modélisation de la combinaison du cycle de bande est meilleur que celui des autres combinaisons de bande.