Неразрушающая экспресс-идентификация сортов сои с использованием технологии гиперспектральной визуализации (англ.)

Для классификации сортов сои использована технология гиперспектральной визуализации. Получены спектры отражения четырех сортов сои из гиперспектральных изображений в диапазоне 400–1000 нм. Метод главных компонент и линейный дискриминантный анализ (LDA) позволили сделать вывод о разделимости спектральных данных сои. Спектральные данные предварительно обрабатывались с использованием мультипликативной коррекции рассеяния (MSC), сглаживания Савицкого–Голея (SG), а также одновременно MSC и SG. Модели классификации, основанные на LDA, методах опорных векторов (SVM) и k-ближайших соседей (KNN), созданы на основе полных или характерных длин волн. Совместная предварительная обработка спектральных данных MSC и SG применена для создания модели классификации SVM, основанной на полных длинах волн, которая показала точность классификации 95.19 %. Метод случайного леса использован для выбора признаков среди всех длин волн для создания модели классификации LDA с точностью 82.69 %. Показано, что метод гиперспектральной визуализации в сочетании с алгоритмами SVM, KNN и LDA может использоваться для быстрой и неразрушающей классификации различных сортов сои.

1. Baek Insuck, Kusumaningrum Dewi, Kandpal Lalit Mohan, Lohumi Santosh, Mo Changyeun, Kim S. Moon, Cho Byoung-Kwan, Sensors, 19, No. 2 (2019), https://doi.org/10.3390/s19020271.

2. M. T. McCarville, C. C. Marett, M. P. Mullaney, G. D. Gebhart, G. L. Tylka, Plant Health Prog., 18, 146–155 (2017), https://doi.org/10.1094/PHP-RS-16-0062.

3. K. M. Maria John, S. Natarajan, D. L. Luthria, Food Chem., 211, 347–355 (2016), https://doi.org/10.1016/j.foodchem.2016.05.055.

4. S. Ye, Y. Wang, D. Huang, J. Li, Y. Gong, L. Xu, L. Liu, Sci. Horticult., 155, 92–96 (2013), https://doi.org/10.1016/j.scienta.2013.03.016.

5. S. Vanisri, R. Durga, G. Swathi, M. Jamal, M. Sreedhar, N. R. Kumar, E. Ramprasad, Y. Raviteja, Agric. Res. (2018), https://doi.org/10.1007/s40003-018-0324-8.

6. K. Moorthy, P. Babu, M. Sreedhar, et al., J. Seed Sci. Technol., 39, No. 2, 282–292 (2011), https://doi.org/10.1007/s10681-007-9630-0.

7. D. Guo, Q. Zhu, M. Huang, et al., Comput. Electron. Agric., 142, 1–8 (2017), https://doi.org/10.1016/j.compag.2017.08.015.

8. X. Feng, et al., Sensors (Basel), 17, No. 8, 1894 (2017), https://doi.org/10.3390/s17081894.

9. M. Huang, J. Tang, B. Yang, Q. Zhu, Comput. Electron. Agric., 122, 139–145 (2016), https://doi.org/10.1016/j.compag.2016.01.029.

10. S. Jia, et al., J. Cereal Sci., 63, 21–26 (2015), https://doi.org/10.1016/j.jcs.2014.07.003.

11. Y. Zhao, et al., Molecules, 23, No. 6 (2018), https://doi.org/10.3390/molecules23061352.

12. Susu Zhu, Lei Zhou, Chu Zhan, Yidan Ba, Baohua Wu, Hangjian Chu, Yue Y, Yong He, Lei Feng, Sensors, 19, 4065 (2019), https://doi.org/10.3390/s19194065.

13. X. He, X. Feng, D. Sun, et al., Molecules, 24, No. 12, 2227 (2019), https://doi.org/10.3390/molecules24122227.

14. N. Wu, Y. Zhang, R. Na, C. Mi, S. Zhu, Y. He, C. Zhang, RSC Adv., 12635–12644 (2019), https://doi.org/10.1039/c8ra10335f.

15. L. Ravikanth, C. B. Singh, D. S. Jayas, N. D. White, Biosyst. Eng., 135, 73–86 (2015), https://doi.org/10.1016/j.biosystemseng.2015.04.007.

16. T. Isaksson, T. Næs, Appl. Spectrosc., 42, No. 7, 1273–1284 (1988), http://doi.org/10.1366/0003702884429869.

17. A. Savitzky, M. J. E. Golay, Anal. Chem., 36, 1627–1639 (1964), http://dx.doi.org/10.1021/ac60214a047.

18. J. Yang, V. Honavar, IEEE Intell. Systems Their Appl., 13, No. 2, 44–49 (1998), https://doi.org/10.1109/5254.671091.

19. Y. Zhao, S. Zhu, C. Zhang, X. Feng, L. Feng, Y. He, RSC Adv., 1337–1345 (2018), https://doi.org/10.1039/C7RA05954J.

20. X. Feng, C. Peng, Y. Chen, X. Liu, X. Feng, Y. He, Sci. Rep., 15934 (2017), https://doi.org/10.1038/s41598-017-16254-z.