Определение содержания растворимых твердых веществ в яблоке с использованием сочетания спектральных и текстурных особенностей гиперспектральных изображений
Аннотация
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.
Об авторах
T. Pang
Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университета
Китай
Яань 625014.
Китай
Яань 625014.
L. Rao
Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университета
Китай
Яань 625014.
Китай
Яань 625014.
X. Chen
Колледж информации и инженерии Сычуаньского сельскохозяйственного университета
Китай
Яань 625014.
Китай
Яань 625014.
J. Cheng
Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университета
Китай
Яань 625014.
Китай
Яань 625014.
Список литературы
1. 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.
2. J. Dong, W. Guo, Food Anal. Method5, 8, No. 10, 2635-2646 (2015).
3. F. Mendoza, R. Lu, D. Ariana, H. Cen, B. Bailey, po5tharve5t. Biol. Technol., 62, No. 2, 149-160 (2011).
4. J. Dong, W. Guo, Z. Wang, D. Liu, F. Zhao, Food Anal. Method5, 9, No. 5 (2016).
5. D. J. Lee, R. Schoenberger, J. Archibald, S. McCollum, J. Food Eng., 86, 388-398 (2008).
6. S. N. Jha, K. Narsaiah, A. D. Sharma, M. Singh, S. Bansal, R. Kumar, JFST, 47, No. 1, 1-14 (2010).
7. L. Yang, F. Yang, N. Noguchi, IFAc proc., 18, 14145-14150 (2011).
8. Z. Xiaobo, Z. Jiewen, H. Xingyi, L. Yanxiao, Chemometr. Intell. Lab., 87, 69-77 (2007).
9. H. Zhang, X. Sun, Y. Liu, T. Liu, A. Ouyang, Y. Pan, et al. Tran. Chin. Soc. Agric. Eng., 25, 340-344 (2009).
10. D. Yang, D. He, A. Lu, D. Ren, J. Wang, Infrared Phys. Technol., 83, 206-216 (2017).
11. M. Huang, Q. Wang, M. Zhang, Q. Zhu, J. Food Eng., 128, 24-30 (2014).
12. P. Rajkumar, N. Wang, G. Eimasry, G. S. V. Raghavan, Y. Gariepy, J. Food Eng., 108, No. 1, 194-200 (2012).
13. H. Cen, R. Lu, Q. Zhu, F. Mendoza, Postharvest Biol. Technol., 111, 352-361 (2016).
14. A. Lopez-Maestresalas, J. C. Keresztes, M. Goodarzi, S. Arazuri, C. Jaren, W. Saeys, Food Control, 70, 229-241 (2016).
15. S. Suktanarak, S. Teerachaichayut, J. Food Eng., 215, 97-103 (2017).
16. T. Guo, M. Huang, Q. Zhu, Y. Guo, J. Qin, J. Food Eng., 218, 61-68 (2017).
17. Sh. Fan, B. Zhang, J. Liu, Postharvest Biol. Technol., 121, 51-61 (2016).
18. T. Mohammadi-Moghaddam, S. M. A. Razavi, M. Taghizadeh, B. Pradhan, A. Sazgarnia, A. Shaker-Ardekani, J. Food Meas. Charact. (2018).
19. D. Liu, H. Pu, D. W. Sun, L. Wang, X. A. Zeng, Food Chem., 160, 330-337 (2014).
20. W. Cheng, D. W. Sun, H. Pu, Y. Liu, LWT-Food Sci. Technol., 72, 322-329 (2016).
21. J. H. Cheng, D. W. Sun, LWT-Food Sci. Technol., 63, 892-898 (2015).
22. J. A. Westerhuis, S. D. Jong, A. K. Smilde, Chemometr. Intell. Lab., 56, No. 1, 13-25 (2001).
23. D. A. Clausi, Can. J. Remote Sens., 28, 45-62 (2002).
24. X. Li, P. Nie, Z. J. Qiu, Y. He, Expert. Syst. Appl., 38, 11149-11159 (2011).
25. S. Nigam, A. Khare, Multimed. Tools Appl., 75, 17303-17332 (2016).
26. T. Tang, L. Dai, Z. Yin, Abstr. 5th Int. Conf. Mechatronics, Materials, Chemistry and Computer Engineering, 6 (2017)
27. 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).
28. H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20-26 (2012).
29. Y. H. Yun, H. D. Li, L. R. Leslie, Spectrochim. Acta A, 111, 31-36 (2013).
30. U. Thissen, M. Pepers, B. Ustiin, W. J. Melssen, L. M. Buydens, Chemometr. Intell. Lab., 73, No. 2, 169-179 (2004).
31. S. Fan, W. Huang, Z. Guo, Food Anal. Methods, 8, No. 8, 1936-1946 (2015).
32. X. L. Chu, Molecular Spectroscopy Analytical Technology Combined with Chemometrics and Its Applications, Beijing, Chemical Industry Press, 86-88 (2011).
33. V. A. Mcglone, S. Kawano, Postharvest Biol. Technol., 13, No. 2, 131-141 (1998).
34. R. Lu, Postharvest Biol. Technol., 31, No. 2, 147-157 (2004).
Рецензия
Для цитирования:
Pang T., Rao L., Chen X., Cheng J. Определение содержания растворимых твердых веществ в яблоке с использованием сочетания спектральных и текстурных особенностей гиперспектральных изображений. Журнал прикладной спектроскопии. 2020;87(6):1024(1)-1024(10).
For citation:
Pang T., Rao L., Chen X., Cheng J. Impruved prediction of soluble solid content of apple using a combination of spectral and textural features of hyperspectral images. Zhurnal Prikladnoii Spektroskopii. 2020;87(6):1024(1)-1024(10).
Просмотров: 277
Послать статью по эл. почте 