高光谱图像结合机器学习方法无损检测猕猴桃

摘要：

为实现对过量使用1-MCP化学保鲜剂猕猴桃快速、无损检测,提出高光谱技术结合机器学习建立识别模型的检测方法.首先对空白猕猴桃和过量化学保鲜猕猴桃在865.11～1 711.71 nm范围内进行高光谱数据采集.然后选用标准正态变量变换方法预处理原始光谱数据以去除噪声,采用波段比算法增强图像,数学形态学算法提取感兴趣区域,进而计算光谱平均值.最后采用主成份分析(PCA)、竞争性自适应加权(CARS)方法对全光谱数据(FS)进行特征提取,去除干扰项;以PCA和CARS提取的特征量和FS数据作为输入,结合偏最小二乘(PLS)和支持向量机(SVM)建立12个识别模型.试验结果表明,基于PLS和SVM建立的识别模型均能够有效检测过量化学保鲜猕猴桃,其中CARS-SVM模型性能最好,平均正确识别率达100％,运行速度最快,仅为0.015 348 s,满足工程实践中实时性高的要求,为快速、无损检测猕猴桃果品安全提供理论支撑.

关键词：机器学习、竞争性自适应重加权、主成分分析、偏最小二乘、支持向量机

所属期刊栏目：40

分类号：O657.3;S482(分析化学)

资助基金：国家高技术研究发展计划子课题2013AA10230402;陕西省农业科技创新与攻关项目2015NY049;陕西省自然科学基金面上项目2015JM3110

在线出版日期：2019-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：71-77