基于高光谱图像的蓝莓糖度的无损检测

基于高光谱图像的蓝莓

糖度的无损检测论文框架研究背景图像数据采集模型建立与分析总结1234研究背景蓝莓果肉细腻，风味独特，果实中含有丰富的营养成分，被称为“水果皇后”，具有防止脑神经老化、保护视力、抗癌、增强人机体免疫等功能，市场前景广阔。蓝莓糖度是评价蓝莓质量的一个重要指标。传统蓝莓糖度检测是破坏性的，无损检测是一个重要的发展趋势。图像数据采集蓝莓样本的高光谱图像正面反面图像数据采集提取两幅高光谱图像的光谱数据：分别选取每个样本表面不同感兴趣区域（ROI），得到的原始反射光谱曲线（a）正面部分区域

（b）正面全区域

（c）反面全区域图像数据采集对应感兴趣区域的原始光谱曲线，提取出平均光谱值，共得到三组48x256光谱数据矩阵图像数据采集根据不同波段下高光谱图像及光谱曲线，Band1-Band50存在较大的噪声，图像模糊，选取数据时只选取Band51-Band250（1031.11nm-1699.11nm）共200个波段的进行建模。前36颗蓝莓光谱值用于建立模型，后12颗用于模型检验。模型建立与分析蓝莓糖度预测模型的建立主要采用偏最小二乘回归法（PLSR）。不同的光谱数据得到不同的预测模型。直接利用去除噪声的200个波段建模对200个波段的光谱数据进行PCA降维，选取累积贡献率达99.9%前n个主成分，再用PLSR建模对反面全区域的256个光谱波段利用SPA选取特征波段，再用PLSR建模直接对反面全区域的200个波段进行循环建模，先两两组合，再用三三组合建模预测模型建立正面部分区域光谱数据PLSR模型

预测模型建立利用预测模型，代入12颗检验蓝莓的光谱数据，得到预测糖度值如下表所示。表1.蓝莓正面部分区域预测糖度值和真实糖度值的比较预测模型建立相对误差K的计算公式表2.蓝莓正面全区域预测糖度值与真实值表3.蓝莓反面全区域预测糖度值与真实值预测模型建立三组数据所得到的预测模型预测糖度值与蓝莓真实糖度值曲线预测模型建立利用PCA对蓝莓光谱数据进行降维处理，降维后的数据再利用PLSR建模。PCA降维后，选取总贡献率达到99.9%的前n个主成分。正面部分区域和正面全区域提取的光谱数据降维后选取了7个主成分反面全区域的光谱数据降维后提取了前10个主成分预测模型建立利用PCA降维后选取的主成分，再进行PLSR建模。根据预测模型函数式，得到三组数据预测糖度值。预测模型建立先用PCA降维，再进行PLSR建模。根据预测模型函数式，得到三组数据预测糖度值与真实糖度值的曲线。预测模型建立利用SPA_GUI提取蓝莓高光谱图像光谱数据的特征波长建立预测模型。SPA_GUI是一个Matlab的图形用户界面，可以用于信号处理和变量选择。分别设定不同的参数对反面全区域的光谱数据进行特征波长提取。预测模型建立反面全区域的原始光谱和提取的特征波长如下图所示。假设光谱模型为二次多项式，光谱波段从band21开始，到band256。预测模型建立根据下图，SPA共提取出了17个特征波段。分别为：band21（931.51nm），band25（944.79nm），band29（958.07nm），band30（961.39nm），band31（964.71nm），band32（968.03nm），band33（971.35nm），band36（981.31nm），band51（1031.11nm），band70（1084.19nm），band89（1157.27nm），band98（1187.15nm），band115（1243.59nm），band135（1309.99nm），band152（1366.43nm），band175（1442.79nm），band246（1678.51nm）预测模型建立PRESS(预测误差平方和)RMSEP(预测均方根误差)SDV(预测误差标准差)BIAS(预测误差平均值)r(预测值和参考值的相关系数)根据SPA_GUI自带的预测功能，得到的预测模型如图所示预测模型建立改变参数，设光谱模型为一次多项式，共提取出了4个特征波段，分别为band51（1031.11nm），band134（1306.67nm），band172（1432.83nm），band256（1711.71nm），预测模型如下。预测模型建立将提取的4个特征波段band51（1031.11nm）、band134（1306.67nm）、band172（1432.83nm）、band256（1711.71nm）用PLSR建模，得到预测糖度值和真实值的比较如下表。预测模型建立

特征波段提取的算法较多，且各种

算法有自身的特点，可能对某一项指标并

不适用，建模误差较大。因此采用循环建模的方法，将所有的波段组合都循环一遍，用检验集进行检验，比较预测结果的相对误差，挑选出最优的波段组合。由于Matlab中循环比较耗时，在band51-band250中两两波段组合循环建模循环次数为19900次，三三波段组合循环次数达1313400次，继续增加波段循环次数过高，目前无法实现。因此，只做了两两波段和三三波段组合循环建模。预测模型建立两两波段组合循环，用PLSR建模挑选的最优波段组合。预测模型建立三三波段组合循环，用PLSR建模挑选的平均相对误差前十种波段组合。总结

不同数据组合PLSR建立的预测模型预测效果比较。总结比较不同数据建立的各个预测模型，波段循环组合建模挑选出来的最优波段组合预测模型的预测糖度值和真实糖度值的相关系数R分别为0.54和0.61，为其他波段组合建立模型中的最大，而平均相对误差分别为12.6%和11.9%，为其他波段组合建立模型中的最小，而检验集均方根误差较小，可得波段循环组合建模后挑选的最优模型预测效果较其他波段组合更好。展望蓝莓的样本较少，可靠性有待提高。波段组合循环建模预测模型预测效果较好，但是Matlab循环程序比较耗时，三个波段循环次数已