Хух-Хото
Hohhot
Хэфэй, Аньхой
Hefei, Anhui
Хух-Хото
Hohhot
Хух-Хото
Hohhot
Хух-Хото
Hohhot
Данные гиперспектральной отражательной способности получены с использованием методов гиперспектральной визуализации и обработки изображений. Объект исследования — содержание жира в шести различных марках молока. Три зрелых бионических алгоритма — генетический алгоритм (GA), оптимизация муравьиной колонии и оптимизация роя частиц — объединены с моделями метода частичных наименьших квадратов (PLS) и вспомогательной векторной машинной регрессии (SVR) для фильтрации характеристических полос. Исследованы линейная и нелинейная зависимости между спектральными данными молока и содержанием жира. Метод коэффициента корреляции, алгоритм исключения неинформативности, алгоритм последовательной проекции, алгоритм конкурентной адаптивной выборки с повторным взвешиванием, четыре метода выбора зрелых полос признаков сравниваются с бионическим алгоритмом и в соответствии с характеристиками комбинируются. Наилучшая комбинация характеристических полос выбирается для создания регрессионной модели для точного определения содержания жира в молоке. Показано, что комбинация полос, проверенная с помощью GA и PLS, дает наилучшие результаты прогнозирования. Всего отобрано 72 полосы, коэффициент корреляции прогноза составил 0.9995, среднеквадратическая ошибка прогноза 0.0283. Экспериментальные результаты показывают, что более высокая точность может быть получена путем создания модели PLS с использованием характеристических полос, экранированных линейной зависимостью между спектральными данными и содержанием жира в молоке. Модель SVR построена на основе нелинейной зависимости между спектральными данными и содержанием жира в молоке. Точность модели SVR несколько ниже, чем у модели PLS. Выбор характеристических полос повышает точность модели, а использование гиперспектральной технологии обеспечивает точное определение жирности молока.
Taking the fat content of six different brands of milk as the research object, hyperspectral reflectance data were obtained using hyperspectral imaging and image processing techniques. The raw data are preprocessed in seven different ways. Combine the three mature bionic algorithms – genetic algorithm (GA), ant colony optimization, and particle swarm optimization – with partial least squares (PLS) and support vector machine regression (SVR) models to filter characteristic bands, and to explore the linear and nonlinear relationship between milk spectral data and fat content. The correlation coefficient method, the uninformative elimination algorithm, the successive projection algorithm, the competitive adaptive reweighting sampling algorithm, four mature feature band selection methods, are compared with the bionic algorithm, and, according to the characteristics of each, are combined. The best combination of characteristic bands is selected to establish a regression model to detect milk fat content accurately. The band combination screened by GA and PLS achieved the best prediction results. A total of 72 bands were selected; the correlation coefficient of prediction was 0.9995, and the root mean square error of prediction was 0.0283. The experimental results show that higher accuracy can be obtained by establishing the PLS model using the characteristic bands screened by the linear relationship between spectral data and milk fat content. The SVR model was established based on the nonlinear relationship between spectral data and milk fat content. The accuracy of the SVR model was slightly lower than that of the PLS model. The selection of characteristic bands can improve the model’s prediction accuracy, and the use of hyperspectral technology can realize the accurate detection of milk fat content.
The authors declare that there are no conflicts of interest present.