zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-626Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESИДЕНТИФИКАЦИЯ ЗРЕЛОСТИ ГРУШИ NANGUO НА ОСНОВЕ СЛИЯНИЯ ИНФОРМАЦИИIDENTIFICATION OF NANGUO PEAR MATURITY BASED ON INFORMATION FUSIONYuD.YuDongmin

110866, Шэньян; 110045, Шэньян

Shenyang 110866; Shenyang 110045

XuT.XuTongyu

110866, Шэньян

Shenyang 110866

poisons2000@sina.comSongK.SongKai

Шэньян 110159

Shenyang 110159

Колледж информации и электротехники, Шэньянский сельскохозяйственный университет; Шэньянский политехнический колледжCollege of Information and Electrical Engineering, Shenyang Agricultural University; Shenyang Polytechnic CollegeКолледж информации и электротехники, Шэньянский сельскохозяйственный университетCollege of Information and Electrical Engineering, Shenyang Agricultural UniversityШэньянский университет ЛигунShenyang Ligong University202008052020872346(1)-346(8)Copyright © Yu D., Xu T., Song K., 20202020Yu D., Xu T., Song K.Yu D., Xu T., Song K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/626

На основании метода гиперспектральной визуализации путем объединения информации о спектральных характеристиках и особенностях изображения для идентификации зрелости груш Nanguo предложены модель нейронной сети с обратным распространением и модель опорных векторов. Результаты идентификации с помощью метода опорных векторов оказались лучше, степень распознавания зрелости ˃95%, в том числе степень распознавания незрелых и зрелых образцов достигает 100%.

Maturity is not only an important factor affecting the internal quality of the Nanguo pear, but also an important theoretical basis for grading online fruit. Based on the hyperspectral imaging technology, in this paper, back-propagation neural network and support vector machine models are established to identify Nanguo pear maturity by information fusion of spectral features and image features. The results show that the identification results of the support vector machine based on information fusion of spectral features and image features are the best, and the recognition rate is above 95%. Among them, the recognition rates of immature and mature samples reach 100%.

гиперспектральная визуализациязрелостьобъединение информацииметод опорных векторовнейронная сеть с обратным распространениемhyperspectral imagingmaturityinformation fusionsupport vector machineback-propagation neural networkReferencesL. S. Fu, H. Okamoto, Y. Shibata, T. Kataoka, Y. J. Cui, R. Li, Eng. Agric., Environ. Food, 7 , 22–27 (2014).L. S. Fu, H. Okamoto, Y. Shibata, T. Kataoka, Y. J. Cui, R. Li, Eng. Agric., Environ. Food, 7 , 22–27 (2014).X. B. Zou, X. L. Zhang, J. Y. Shi, Z. H. Li, T. T. Shen, Trans. Chin. Soc. Agric. Eng., 30 , 169–175 (2014).X. B. Zou, X. L. Zhang, J. Y. Shi, Z. H. Li, T. T. Shen, Trans. Chin. Soc. Agric. Eng., 30 , 169–175 (2014).Z. J. Xiong, D. Sun, H. B. Pu, Z. W. Zhu, M. Luo, LWT-Food Sci. Tec., 60 , 649–655 (2015).Z. J. Xiong, D. Sun, H. B. Pu, Z. W. Zhu, M. Luo, LWT-Food Sci. Tec., 60 , 649–655 (2015).L. M. Kandpal, S. Lee, M. S. Kim, H. Bae, B. K. Cho, Food Control, 51 , 171–176 (2015).L. M. Kandpal, S. Lee, M. S. Kim, H. Bae, B. K. Cho, Food Control, 51 , 171–176 (2015).V. Giovenzana, R. Beghi, C. Malegori, R. Civelli, R. Guidetti, Am. J. Enol. Vitic., 65 , 117–123 (2014).V. Giovenzana, R. Beghi, C. Malegori, R. Civelli, R. Guidetti, Am. J. Enol. Vitic., 65 , 117–123 (2014).P. Rajkumar, N. Wang, G. Elmasry, Y. Gariépy, J. Food Eng., 108 , 194–200 (2012).P. Rajkumar, N. Wang, G. Elmasry, Y. Gariépy, J. Food Eng., 108 , 194–200 (2012).M. Khojastehnazhand, M. H. Khoshtaghaza, B. Mojaradi, M. Rezaei, M. Goodarzi, W. Saeys, Food Res. Int., 56 , 25–34 (2013).M. Khojastehnazhand, M. H. Khoshtaghaza, B. Mojaradi, M. Rezaei, M. Goodarzi, W. Saeys, Food Res. Int., 56 , 25–34 (2013).Z. Li, T. S. Hong, H. N. Ni, N. Li, J. Wang, J. B. Zheng, H. Lin, Trans. Chin. Soc. Agric. Eng., 30 , 124–130 (2014).Z. Li, T. S. Hong, H. N. Ni, N. Li, J. Wang, J. B. Zheng, H. Lin, Trans. Chin. Soc. Agric. Eng., 30 , 124–130 (2014).J. V. Roy, J. C. Keresztes, N. Wouters, B. D. Ketelaere, W. Saeys, Postharvest Biol. Tec., 129 , 79–89 (2017).J. V. Roy, J. C. Keresztes, N. Wouters, B. D. Ketelaere, W. Saeys, Postharvest Biol. Tec., 129 , 79–89 (2017).L. Giongo, P. Poncetta, P. Loretti, F. Costa, Postharvest Biol. Tec., 76 , 34–39 (2013).L. Giongo, P. Poncetta, P. Loretti, F. Costa, Postharvest Biol. Tec., 76 , 34–39 (2013).J. C. Keresztes, M. Goodarzi, W. Saeys, Food Control, 6 , 215–226 (2016).J. C. Keresztes, M. Goodarzi, W. Saeys, Food Control, 6 , 215–226 (2016).C. Erkinbaev, K. Henderson, J. Paliwal, Food Control, 80 , 197–203 (2017).C. Erkinbaev, K. Henderson, J. Paliwal, Food Control, 80 , 197–203 (2017).G. A. Leiva-Valenzuela, R. Lu, J. M. Aguilera, J. Food Eng., 115 , 91–98 (2013).G. A. Leiva-Valenzuela, R. Lu, J. M. Aguilera, J. Food Eng., 115 , 91–98 (2013).Y. Lei, D. J. He, Z. Y. Zhou, H. H. Zhang, D. Su, Trans. Chin. Soc. Agric. Mach., 47 , 193–199 (2016).Y. Lei, D. J. He, Z. Y. Zhou, H. H. Zhang, D. Su, Trans. Chin. Soc. Agric. Mach., 47 , 193–199 (2016).Y. B. Ying, X. Q. Rao, J. F. Ma, Trans. Chin. Soc. Agric. Eng., 20 , 144–147 (2004).Y. B. Ying, X. Q. Rao, J. F. Ma, Trans. Chin. Soc. Agric. Eng., 20 , 144–147 (2004).

The authors declare that there are no conflicts of interest present.