References

zhps

Журнал прикладной спектроскопии

Zhurnal Prikladnoii Spektroskopii

0514-7506

B. I. Stepanov Institute of Physics of the National Academy of Sciences

zhps-748

Research Article

Статьи

Определение содержания растворимых твердых веществ в яблоке с использованием сочетания спектральных и текстурных особенностей гиперспектральных изображений

Impruved prediction of soluble solid content of apple using a combination of spectral and textural features of hyperspectral images

Pang

Яань 625014.

Yaan 625014.

Rao

Яань 625014.

Yaan 625014.

Chen

Яань 625014.

Yaan 625014.

xycheng123@hotmail.com

Cheng

Яань 625014.

Yaan 625014.

Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университетаCollege of Mechanical and Electrical Engineering at Sichuan Agricultural University

Колледж информации и инженерии Сычуаньского сельскохозяйственного университетаCollege of Information and Engineering at Sichuan Agricultural University

2020

29112020

876

1024(1)-1024(10)

2020

Pang T., Rao L., Chen X., Cheng J.

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/748

Созданы модели прогнозирования, основанные на сочетании спектральных и различных расширенных функций изображения для повышения точности прогнозирования твердого растворимого содержимого (SSC) яблока. Восемь оптимальных длин волн выбраны с помощью нового метода выбора переменных — анализа совокупности переменных (VCPA). Текстурные особенности первых трех изображений с оценкой основных компонент получены с использованием матрицы совместной встречаемости уровней серого (GLCM) и локального двоичного шаблона (LBP). Разработан алгоритм случайной лягушки для выбора оптимальных текстурных особенностей для дальнейшего анализа. Для прогнозирования SSC яблока разработана модель регрессии опорных векторов (SVR), основанная на спектральных и текстурных характеристиках. Модель, основанная на восьми оптимальных длинах волн и девяти оптимальных характеристиках GLCM-изображений главных компонент, дает лучший результат с коэффициентом детерминации для прогноза (Rp2) 0.9193, среднеквадратичной ошибкой прогноза 0.2955 и отношением стандарта. Отклонение прогноза установлено на среднеквадратичную ошибку прогнозирования RPD = 3.50. Результаты показывают, что спектр в сочетании с оптимальными характеристиками GLCM из изображений основных компонент в сочетании с моделью SVR имеет потенциал для предсказания SSC яблока.

We established prediction models based on the combination of spectral and different advanced image features to improve the prediction accuracy of solid-soluble content (SSC) of apple. Eight optimal wavelengths were selected using a new variable selection method called variable combination population analysis (VCPA). Image textural features of the first three principal component score images were obtained using a gray level co-occurrence matrix (GLCM) and a local binary pattern (LBP). Next, a random frog algorithm was developed to select optimal textural features for further analysis. A support vector regression (SVR) model based on spectral and different textural features was developed to predict the SSC of the apple. The model based on eight optimal wavelengths and nine optimal GLCM features of principal component images yielded the best result with the determination coefficient for prediction (Rp2) of 0.9193, root mean square error for prediction (RMSEP) of 0.2955, and the ratio of the standard deviation of the prediction set to the root mean square error of prediction (RPD) with a value of 3.50. These results revealed that the spectral combined with optimal GLCM features from principal component images coupled with the SVR model has the potential for prediction of the SSC of apple.

гиперспектральное изображениерастворимое твердое веществотекстурная характеристикаанализ совокупности переменныхслучайная лягушкамодель регрессии опорных векторов

hyperspectral imagesoluble solid contenttextural featureVCPArandom frogSVR

The authors are grateful to Sichuan Province Department of Education (China) for support through the program of “Research on Apple Quality Nondestructive Testing Method Based on Hyperspectral Image Technology” (17ZB0333). This work was also supported by the Lab of Agricultural Information Engineering, Sichuan Key Laboratory. This study was funded by Natural Science Program of Sichuan Education Department (17ZB0333).

References1

W. Huang, L. Chen, J. Li, Z. Guo, Determination of Soluble Solids Content in Apple using Hyperspectral Imaging and Variable Selection Algorithms, Conference in Kansas City, Missouri, July 21-24, 2013 (2013), doi: 10.13031/aim.20131620975.

J. Dong, W. Guo, Food Anal. Method5, 8, No. 10, 2635-2646 (2015).

F. Mendoza, R. Lu, D. Ariana, H. Cen, B. Bailey, po5tharve5t. Biol. Technol., 62, No. 2, 149-160 (2011).

J. Dong, W. Guo, Z. Wang, D. Liu, F. Zhao, Food Anal. Method5, 9, No. 5 (2016).

D. J. Lee, R. Schoenberger, J. Archibald, S. McCollum, J. Food Eng., 86, 388-398 (2008).

S. N. Jha, K. Narsaiah, A. D. Sharma, M. Singh, S. Bansal, R. Kumar, JFST, 47, No. 1, 1-14 (2010).

L. Yang, F. Yang, N. Noguchi, IFAc proc., 18, 14145-14150 (2011).

Z. Xiaobo, Z. Jiewen, H. Xingyi, L. Yanxiao, Chemometr. Intell. Lab., 87, 69-77 (2007).

H. Zhang, X. Sun, Y. Liu, T. Liu, A. Ouyang, Y. Pan, et al. Tran. Chin. Soc. Agric. Eng., 25, 340-344 (2009).

D. Yang, D. He, A. Lu, D. Ren, J. Wang, Infrared Phys. Technol., 83, 206-216 (2017).

M. Huang, Q. Wang, M. Zhang, Q. Zhu, J. Food Eng., 128, 24-30 (2014).

P. Rajkumar, N. Wang, G. Eimasry, G. S. V. Raghavan, Y. Gariepy, J. Food Eng., 108, No. 1, 194-200 (2012).

H. Cen, R. Lu, Q. Zhu, F. Mendoza, Postharvest Biol. Technol., 111, 352-361 (2016).

A. Lopez-Maestresalas, J. C. Keresztes, M. Goodarzi, S. Arazuri, C. Jaren, W. Saeys, Food Control, 70, 229-241 (2016).

S. Suktanarak, S. Teerachaichayut, J. Food Eng., 215, 97-103 (2017).

T. Guo, M. Huang, Q. Zhu, Y. Guo, J. Qin, J. Food Eng., 218, 61-68 (2017).

Sh. Fan, B. Zhang, J. Liu, Postharvest Biol. Technol., 121, 51-61 (2016).

T. Mohammadi-Moghaddam, S. M. A. Razavi, M. Taghizadeh, B. Pradhan, A. Sazgarnia, A. Shaker-Ardekani, J. Food Meas. Charact. (2018).

D. Liu, H. Pu, D. W. Sun, L. Wang, X. A. Zeng, Food Chem., 160, 330-337 (2014).

W. Cheng, D. W. Sun, H. Pu, Y. Liu, LWT-Food Sci. Technol., 72, 322-329 (2016).

J. H. Cheng, D. W. Sun, LWT-Food Sci. Technol., 63, 892-898 (2015).

J. A. Westerhuis, S. D. Jong, A. K. Smilde, Chemometr. Intell. Lab., 56, No. 1, 13-25 (2001).

D. A. Clausi, Can. J. Remote Sens., 28, 45-62 (2002).

X. Li, P. Nie, Z. J. Qiu, Y. He, Expert. Syst. Appl., 38, 11149-11159 (2011).

S. Nigam, A. Khare, Multimed. Tools Appl., 75, 17303-17332 (2016).

T. Tang, L. Dai, Z. Yin, Abstr. 5th Int. Conf. Mechatronics, Materials, Chemistry and Computer Engineering, 6 (2017)

Y. H. Yun, W. T. Wang, B. C. Deng, G. B. Lai, X. B. Liu, D. B. Ren, Anal. Chim. Acta, 862, 14-23 (2015).

H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20-26 (2012).

Y. H. Yun, H. D. Li, L. R. Leslie, Spectrochim. Acta A, 111, 31-36 (2013).

U. Thissen, M. Pepers, B. Ustiin, W. J. Melssen, L. M. Buydens, Chemometr. Intell. Lab., 73, No. 2, 169-179 (2004).

S. Fan, W. Huang, Z. Guo, Food Anal. Methods, 8, No. 8, 1936-1946 (2015).

X. L. Chu, Molecular Spectroscopy Analytical Technology Combined with Chemometrics and Its Applications, Beijing, Chemical Industry Press, 86-88 (2011).

V. A. Mcglone, S. Kawano, Postharvest Biol. Technol., 13, No. 2, 131-141 (1998).

R. Lu, Postharvest Biol. Technol., 31, No. 2, 147-157 (2004).

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