Ang Blueberry ay may pinong laman at natatanging lasa. Mayaman ito sa mga nutrisyon at kilala bilang "reyna ng mga prutas". Mayroon itong mga pag-andar ng pagpigil sa pag-iipon ng utak ng utak, pagprotekta sa paningin, anti-cancer, at pagpapahusay ng kaligtasan sa tao. Mayroon itong malawak na mga prospect sa merkado. Ang nilalaman ng asukal sa Blueberry ay isang mahalagang tagapagpahiwatig para sa pagsusuri ng kalidad ng blueberry. Ang tradisyunal na deteksyon ng nilalaman ng asukal sa blueberry ay mapanirang, at ang hindi mapanirang pagtuklas ay isang mahalagang kalakaran sa pag-unlad.

1. Pagkuha ng data ng imahe

Ang high-spectral na imahe ng mga sample ng blueberry

I -extract ang spectral data ng dalawang mga imahe ng hyperspectral: pumili ng iba't ibang mga rehiyon ng interes (ROI) sa ibabaw ng bawat sample at makuha ang orihinal na curve ng spectrum ng pagmuni -muni

Naaayon sa orihinal na spectral curve ng lugar ng interes, ang average na halaga ng multo ay nakuha upang makakuha ng tatlong hanay ng 48x256 spectral data matrices

Ayon sa mga imahe ng hyperspectral at spectral curves sa iba't ibang mga banda, ang Band 1-band 50 ay may malaking ingay at malabo na mga imahe. Kapag pumipili ng data,
Tanging ang Band 51-Band 250 (1031.11nm-1699.11nm) isang kabuuang 200 banda ang na-modelo. Ang unang 36 na mga halaga ng spectral na blueberry ay ginamit upang maitaguyod ang modelo,
at ang huling 12 ay ginamit para sa pagsubok sa modelo.

2. Pagtatatag ng Model at Pagsusuri

Ang pagtatatag ng modelo ng hula ng nilalaman ng blueberry ay higit sa lahat ay gumagamit ng bahagyang hindi bababa sa mga parisukat na paraan ng regression (PLSR). Iba't ibang spectral data ang makakakuha
Iba't ibang mga modelo ng hula. Direktang gamitin ang 200 banda na may ingay na tinanggal upang modelo ang 200 banda ng spectral data para sa pagbawas ng sukat ng PCA, piliin ang
Unang mga pangunahing sangkap ng N na may pinagsama -samang rate ng kontribusyon na 99.9%, at pagkatapos ay gumamit ng pagmomolde ng PLSR upang piliin ang mga katangian na banda para sa 256 spectral
Mga banda sa buong lugar ng likod gamit ang SPA, at pagkatapos ay gumamit ng pagmomolde ng PLSR upang direktang magsagawa ng pag -modelo ng cyclic sa 200 banda sa buong lugar ng likod, unang pagsasama
Dalawa sa dalawa, at pagkatapos ay gumagamit ng tatlo sa pamamagitan ng tatlong mga kumbinasyon sa modelo

3. Pagtatatag ng modelo ng hula

PLSR modelo ng spectral data ng ilang mga lugar sa harap

Modelong Hula:

y = 8.1109+0.3989x+0.2848x+….+0.809x200

Kung saan ang x1, x2, ..., x200 ay ang average na mga parang multo na halaga ng band 51-band250, at y ang nilalaman ng asukal ng mga blueberry.

Gamit ang modelo ng hula, ang spectral data ng 12 blueberry ay nahalili upang makuha ang hinulaang mga halaga ng nilalaman ng asukal tulad ng ipinapakita sa sumusunod na talahanayan

Talahanayan 1. Paghahambing ng hinulaang mga halaga ng nilalaman ng asukal at ang aktwal na mga halaga ng nilalaman ng asukal ng ilang mga lugar sa harap ng mga blueberry

Talahanayan 2. Hinulaang mga halaga ng nilalaman ng asukal at totoong mga halaga para sa buong lugar ng harap na bahagi ng mga blueberry

Talahanayan 3. Hinulaang mga halaga ng nilalaman ng asukal at totoong mga halaga para sa buong lugar sa likod ng mga blueberry

Ang hinulaang halaga ng nilalaman ng asukal ng modelo ng hula na nakuha mula sa tatlong hanay ng data at ang curve ng aktwal na halaga ng nilalaman ng asukal ng mga blueberry

Ang PCA ay ginamit upang mabawasan ang sukat ng data ng blueberry spectral. Ang data pagkatapos ng pagbawas ng sukat ay ginamit pagkatapos para sa pagmomolde ng PLSR. Matapos ang pagbawas ng dimensyon ng PCA, ang mga unang bahagi ng N Principal na may kabuuang rate ng kontribusyon na 99.9% ay napili. Pitong pangunahing sangkap ang napili pagkatapos ng pagbawas ng sukat ng spectral data na nakuha mula sa bahagyang lugar ng harap at sa buong lugar ng harap. Ang unang 10 pangunahing sangkap ay nakuha pagkatapos ng pagbawas ng sukat ng spectral data ng buong lugar ng likod. Ang mga pangunahing sangkap na napili pagkatapos ng pagbawas ng sukat ng PCA ay ginamit para sa pagmomolde ng PLSR. Ayon sa function ng modelo ng hula, nakuha ang hinulaang mga halaga ng nilalaman ng asukal ng tatlong hanay ng data.

Gumamit muna ng PCA upang mabawasan ang sukat, at pagkatapos ay magsagawa ng pagmomolde ng PLSR. Ayon sa function ng modelo ng hula, ang mga curves ng hinulaang halaga ng nilalaman ng asukal at ang aktwal na halaga ng nilalaman ng asukal ng tatlong hanay ng data ay nakuha

4. Buod

Ang paghahambing ng mga modelo ng hula na itinatag na may iba't ibang data, ang mga koepisyentong ugnayan r sa pagitan ng hinulaang halaga ng nilalaman ng asukal at ang tunay na asukal

Ang halaga ng nilalaman ng pinakamainam na modelo ng hula ng kombinasyon ng banda na napili ng pagmomolde ng kombinasyon ng band cycle ay 0.54 at 0.61, ayon sa pagkakabanggit, na kung saan

Ang pinakamalaking sa mga modelo na itinatag kasama ang iba pang mga kumbinasyon ng banda, at ang average na kamag -anak na mga error ay 12.6% at 11.9%, ayon sa pagkakabanggit, na kung saan

Ang pinakamaliit sa mga modelo na itinatag kasama ang iba pang mga kumbinasyon ng banda, at ang ugat ay nangangahulugang square error ng set ng pagsubok ay maliit. Maaari itong tapusin na ang

Ang epekto ng hula ng pinakamainam na modelo na napili pagkatapos ng pagmomolde ng pagsasama ng band cycle ay mas mahusay kaysa sa iba pang mga kumbinasyon ng banda.