基于高光譜圖像的藍(lán)莓糖度的無(wú)損檢測(cè)

基于高光譜圖像的藍(lán)莓

糖度的無(wú)損檢測(cè)論文框架研究背景圖像數(shù)據(jù)采集模型建立與分析總結(jié)1234研究背景藍(lán)莓果肉細(xì)膩，風(fēng)味獨(dú)特，果實(shí)中含有豐富的營(yíng)養(yǎng)成分，被稱為“水果皇后”，具有防止腦神經(jīng)老化、保護(hù)視力、抗癌、增強(qiáng)人機(jī)體免疫等功能，市場(chǎng)前景廣闊。藍(lán)莓糖度是評(píng)價(jià)藍(lán)莓質(zhì)量的一個(gè)重要指標(biāo)。傳統(tǒng)藍(lán)莓糖度檢測(cè)是破壞性的，無(wú)損檢測(cè)是一個(gè)重要的發(fā)展趨勢(shì)。圖像數(shù)據(jù)采集藍(lán)莓樣本的高光譜圖像正面反面圖像數(shù)據(jù)采集提取兩幅高光譜圖像的光譜數(shù)據(jù)：分別選取每個(gè)樣本表面不同感興趣區(qū)域（ROI），得到的原始反射光譜曲線（a）正面部分區(qū)域

（b）正面全區(qū)域

（c）反面全區(qū)域圖像數(shù)據(jù)采集對(duì)應(yīng)感興趣區(qū)域的原始光譜曲線，提取出平均光譜值，共得到三組48x256光譜數(shù)據(jù)矩陣圖像數(shù)據(jù)采集根據(jù)不同波段下高光譜圖像及光譜曲線，Band1-Band50存在較大的噪聲，圖像模糊，選取數(shù)據(jù)時(shí)只選取Band51-Band250（1031.11nm-1699.11nm）共200個(gè)波段的進(jìn)行建模。前36顆藍(lán)莓光譜值用于建立模型，后12顆用于模型檢驗(yàn)。模型建立與分析藍(lán)莓糖度預(yù)測(cè)模型的建立主要采用偏最小二乘回歸法（PLSR）。不同的光譜數(shù)據(jù)得到不同的預(yù)測(cè)模型。直接利用去除噪聲的200個(gè)波段建模對(duì)200個(gè)波段的光譜數(shù)據(jù)進(jìn)行PCA降維，選取累積貢獻(xiàn)率達(dá)99.9%前n個(gè)主成分，再用PLSR建模對(duì)反面全區(qū)域的256個(gè)光譜波段利用SPA選取特征波段，再用PLSR建模直接對(duì)反面全區(qū)域的200個(gè)波段進(jìn)行循環(huán)建模，先兩兩組合，再用三三組合建模預(yù)測(cè)模型建立正面部分區(qū)域光譜數(shù)據(jù)PLSR模型

預(yù)測(cè)模型建立利用預(yù)測(cè)模型，代入12顆檢驗(yàn)藍(lán)莓的光譜數(shù)據(jù)，得到預(yù)測(cè)糖度值如下表所示。表1.藍(lán)莓正面部分區(qū)域預(yù)測(cè)糖度值和真實(shí)糖度值的比較預(yù)測(cè)模型建立相對(duì)誤差K的計(jì)算公式表2.藍(lán)莓正面全區(qū)域預(yù)測(cè)糖度值與真實(shí)值表3.藍(lán)莓反面全區(qū)域預(yù)測(cè)糖度值與真實(shí)值預(yù)測(cè)模型建立三組數(shù)據(jù)所得到的預(yù)測(cè)模型預(yù)測(cè)糖度值與藍(lán)莓真實(shí)糖度值曲線預(yù)測(cè)模型建立利用PCA對(duì)藍(lán)莓光譜數(shù)據(jù)進(jìn)行降維處理，降維后的數(shù)據(jù)再利用PLSR建模。PCA降維后，選取總貢獻(xiàn)率達(dá)到99.9%的前n個(gè)主成分。正面部分區(qū)域和正面全區(qū)域提取的光譜數(shù)據(jù)降維后選取了7個(gè)主成分反面全區(qū)域的光譜數(shù)據(jù)降維后提取了前10個(gè)主成分預(yù)測(cè)模型建立利用PCA降維后選取的主成分，再進(jìn)行PLSR建模。根據(jù)預(yù)測(cè)模型函數(shù)式，得到三組數(shù)據(jù)預(yù)測(cè)糖度值。預(yù)測(cè)模型建立先用PCA降維，再進(jìn)行PLSR建模。根據(jù)預(yù)測(cè)模型函數(shù)式，得到三組數(shù)據(jù)預(yù)測(cè)糖度值與真實(shí)糖度值的曲線。預(yù)測(cè)模型建立利用SPA_GUI提取藍(lán)莓高光譜圖像光譜數(shù)據(jù)的特征波長(zhǎng)建立預(yù)測(cè)模型。SPA_GUI是一個(gè)Matlab的圖形用戶界面，可以用于信號(hào)處理和變量選擇。分別設(shè)定不同的參數(shù)對(duì)反面全區(qū)域的光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)提取。預(yù)測(cè)模型建立反面全區(qū)域的原始光譜和提取的特征波長(zhǎng)如下圖所示。假設(shè)光譜模型為二次多項(xiàng)式，光譜波段從band21開(kāi)始，到band256。預(yù)測(cè)模型建立根據(jù)下圖，SPA共提取出了17個(gè)特征波段。分別為：band21（931.51nm），band25（944.79nm），band29（958.07nm），band30（961.39nm），band31（964.71nm），band32（968.03nm），band33（971.35nm），band36（981.31nm），band51（1031.11nm），band70（1084.19nm），band89（1157.27nm），band98（1187.15nm），band115（1243.59nm），band135（1309.99nm），band152（1366.43nm），band175（1442.79nm），band246（1678.51nm）預(yù)測(cè)模型建立PRESS(預(yù)測(cè)誤差平方和)RMSEP(預(yù)測(cè)均方根誤差)SDV(預(yù)測(cè)誤差標(biāo)準(zhǔn)差)BIAS(預(yù)測(cè)誤差平均值)r(預(yù)測(cè)值和參考值的相關(guān)系數(shù))根據(jù)SPA_GUI自帶的預(yù)測(cè)功能，得到的預(yù)測(cè)模型如圖所示預(yù)測(cè)模型建立改變參數(shù)，設(shè)光譜模型為一次多項(xiàng)式，共提取出了4個(gè)特征波段，分別為band51（1031.11nm），band134（1306.67nm），band172（1432.83nm），band256（1711.71nm），預(yù)測(cè)模型如下。預(yù)測(cè)模型建立將提取的4個(gè)特征波段band51（1031.11nm）、band134（1306.67nm）、band172（1432.83nm）、band256（1711.71nm）用PLSR建模，得到預(yù)測(cè)糖度值和真實(shí)值的比較如下表。預(yù)測(cè)模型建立

特征波段提取的算法較多，且各種

算法有自身的特點(diǎn)，可能對(duì)某一項(xiàng)指標(biāo)并

不適用，建模誤差較大。因此采用循環(huán)建模的方法，將所有的波段組合都循環(huán)一遍，用檢驗(yàn)集進(jìn)行檢驗(yàn)，比較預(yù)測(cè)結(jié)果的相對(duì)誤差，挑選出最優(yōu)的波段組合。由于Matlab中循環(huán)比較耗時(shí)，在band51-band250中兩兩波段組合循環(huán)建模循環(huán)次數(shù)為19900次，三三波段組合循環(huán)次數(shù)達(dá)1313400次，繼續(xù)增加波段循環(huán)次數(shù)過(guò)高，目前無(wú)法實(shí)現(xiàn)。因此，只做了兩兩波段和三三波段組合循環(huán)建模。預(yù)測(cè)模型建立兩兩波段組合循環(huán)，用PLSR建模挑選的最優(yōu)波段組合。預(yù)測(cè)模型建立三三波段組合循環(huán)，用PLSR建模挑選的平均相對(duì)誤差前十種波段組合?？偨Y(jié)

不同數(shù)據(jù)組合PLSR建立的預(yù)測(cè)模型預(yù)測(cè)效果比較?？偨Y(jié)比較不同數(shù)據(jù)建立的各個(gè)預(yù)測(cè)模型，波段循環(huán)組合建模挑選出來(lái)的最優(yōu)波段組合預(yù)測(cè)模型的預(yù)測(cè)糖度值和真實(shí)糖度值的相關(guān)系數(shù)R分別為0.54和0.61，為其他波段組合建立模型中的最大，而平均相對(duì)誤差分別為12.6%和11.9%，為其他波段組合建立模型中的最小，而檢驗(yàn)集均方根誤差較小，可得波段循環(huán)組合建模后挑選的最優(yōu)模型預(yù)測(cè)效果較其他波段組合更好。展望藍(lán)莓的樣本較少，可靠性有待提高。波段組合循環(huán)建模預(yù)測(cè)模型預(yù)測(cè)效果較好，但是Matlab循環(huán)程序比較耗時(shí)，三個(gè)波段循環(huán)次數(shù)已