以“红”李子和“青”李子为研究对象,提出了基于高光谱成像技术结合误差反向传播(error Back Propagation,BP)网络无损检测李子硬度的方法。采用高光谱图像采集系统获取了李子样本的高光谱图像,并提取了感兴趣区域的平均光谱反射率;综...以“红”李子和“青”李子为研究对象,提出了基于高光谱成像技术结合误差反向传播(error Back Propagation,BP)网络无损检测李子硬度的方法。采用高光谱图像采集系统获取了李子样本的高光谱图像,并提取了感兴趣区域的平均光谱反射率;综合比较了不同光谱预处理方法(一阶导数(derivative)、标准正态变换(SNV)和多元散射校正(MSC))对BP网络模型检测效果的影响;并利用主成分分析方法对预处理后的光谱数据进行降维,以提取能反映李子硬度的特征光谱。研究结果表明:derivative预处理后的光谱具有较好的李子硬度校正能力(R C=0.939,RMSEC=0.153),而SNV预处理后的光谱具有较好的李子硬度预测能力(R P=0.723,RMSEP=0.580);采用主成分分析法选择了累计贡献率超过99.99%的主成分作为样本集特征光谱数据,很好地实现了光谱数据的降维,提升了BP网络模型的运行效率。这表明高光谱成像技术结合BP网络可实现李子硬度的无损检测。展开更多
利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400~1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variatio...利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400~1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variation,SNV)以及多元散射校正(multi-scatter calibration,MSC) 3种光谱预处理方法对预测模型的检测效果;分别应用连续投影算法(successive proiection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)对光谱数据进行降维,进而建立基于特征光谱的误差反向传播(error back propagation,BP)网络和多元线性回归(multiple linear regression,MLR)预测模型。结果表明,二阶导数预处理后的BP网络模型优于原始光谱及其他预处理方法;通过提取特征波长建立的SPA-BP网络模型的预测性能最优,其预测集相关系数rp和均方根误差(root mean square error of prediction set,RMSEP)分别为0.87和0.52。这表明基于可见/近红外光谱检测苹果可溶性固形物含量是可行的。展开更多
猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm^1000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(s...猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm^1000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(standard normal variation,SNV)]对光谱的预处理效果,应用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播(error back propagation,BP)网络模型。结果表明:SNV预处理效果最优,采用CARS从1024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP 2=0.901,均方根误差(root mean squares errors for prediction,RMSEP)为0.643%,剩余预测偏差(residual predictive deviation,RPD)为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。展开更多
文摘以“红”李子和“青”李子为研究对象,提出了基于高光谱成像技术结合误差反向传播(error Back Propagation,BP)网络无损检测李子硬度的方法。采用高光谱图像采集系统获取了李子样本的高光谱图像,并提取了感兴趣区域的平均光谱反射率;综合比较了不同光谱预处理方法(一阶导数(derivative)、标准正态变换(SNV)和多元散射校正(MSC))对BP网络模型检测效果的影响;并利用主成分分析方法对预处理后的光谱数据进行降维,以提取能反映李子硬度的特征光谱。研究结果表明:derivative预处理后的光谱具有较好的李子硬度校正能力(R C=0.939,RMSEC=0.153),而SNV预处理后的光谱具有较好的李子硬度预测能力(R P=0.723,RMSEP=0.580);采用主成分分析法选择了累计贡献率超过99.99%的主成分作为样本集特征光谱数据,很好地实现了光谱数据的降维,提升了BP网络模型的运行效率。这表明高光谱成像技术结合BP网络可实现李子硬度的无损检测。
文摘利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400~1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variation,SNV)以及多元散射校正(multi-scatter calibration,MSC) 3种光谱预处理方法对预测模型的检测效果;分别应用连续投影算法(successive proiection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)对光谱数据进行降维,进而建立基于特征光谱的误差反向传播(error back propagation,BP)网络和多元线性回归(multiple linear regression,MLR)预测模型。结果表明,二阶导数预处理后的BP网络模型优于原始光谱及其他预处理方法;通过提取特征波长建立的SPA-BP网络模型的预测性能最优,其预测集相关系数rp和均方根误差(root mean square error of prediction set,RMSEP)分别为0.87和0.52。这表明基于可见/近红外光谱检测苹果可溶性固形物含量是可行的。
文摘猕猴桃硬度是判别其成熟度的关键指标,为了建立预测不同成熟期猕猴桃硬度的最优模型,采用光纤光谱(200~1000 nm)采集系统获取不同成熟期"贵长"猕猴桃的反射光谱;基于全光谱数据分别构建了预测猕猴桃硬度的主成分回归(principal component regression PCR)和偏最小二乘回归(partial least square regression PLSR)模型;利用连续投影算法(successive projection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)提取特征波长进而基于特征光谱构建了预测硬度的多元线性回归(multiple linear regression,MLR)模型。结果表明采用CARS从1024个全波段中提取了42个特征波长不仅提升了预测模型的检测效率而且建立的CARS-MLR模型具有最佳的校正性能和预测性能,其校正集决定系数RC^2及其均方根误差(root mean square error of calibration,RMSEC)分别为0.91和1.27 kg/cm^2,预测集决定系数RP^2及其均方根误差(root mean square error of prediction,RMSEP)分别为0.85和1.57 kg/cm^2,剩余预测偏差(residual predictive deviation,RPD)为2.64。结果表明这说明基于光纤光谱技术预测猕猴桃硬度是可行的,CARS-MLR模型最佳。
文摘猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm^1000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(standard normal variation,SNV)]对光谱的预处理效果,应用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播(error back propagation,BP)网络模型。结果表明:SNV预处理效果最优,采用CARS从1024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP 2=0.901,均方根误差(root mean squares errors for prediction,RMSEP)为0.643%,剩余预测偏差(residual predictive deviation,RPD)为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。
