زغال اخته دارای گوشت ظریف و عطر و طعم بی نظیر است. سرشار از مواد مغذی است و به عنوان "ملکه میوه" شناخته می شود. این عملکرد دارای عملکرد جلوگیری از پیری عصب مغز ، محافظت از بینایی ، ضد سرطان و تقویت ایمنی انسان است. چشم انداز بازار گسترده ای دارد. محتوای قند زغال اخته یک شاخص مهم برای ارزیابی کیفیت زغال اخته است. تشخیص محتوای سنتی قند زغال اخته مخرب است و تشخیص غیر مخرب یک روند مهم توسعه است.

1. دستیابی به داده های تصویر

تصویر با طیف بالا از نمونه های زغال اخته

داده های طیفی دو تصویر hyperspectral را استخراج کنید: مناطق مختلف مورد علاقه (ROI) را بر روی سطح هر نمونه انتخاب کرده و منحنی طیف بازتاب اصلی را بدست آورید

مطابق با منحنی طیفی اصلی منطقه مورد علاقه ، میانگین مقدار طیفی برای به دست آوردن سه مجموعه از ماتریس داده های طیفی 48x256 استخراج می شود

با توجه به تصاویر Hyperspectral و منحنی های طیفی در باندهای مختلف ، باند 1 باند 50 دارای سر و صدای زیادی و تصاویر تاری است. هنگام انتخاب داده ،
فقط باند 51 باند 250 (1031.11nm-1699.11nm) در مجموع 200 باند مدل شدند. 36 مقادیر طیفی زغال اخته اول برای ایجاد مدل استفاده شد ،
و 12 مورد آخر برای آزمایش مدل استفاده شد.

2. ایجاد و تجزیه و تحلیل مدل

ایجاد مدل پیش بینی محتوای قند زغال اخته عمدتا از روش رگرسیون حداقل مربعات جزئی (PLSR) استفاده می کند. داده های طیفی مختلف دریافت می کنند
مدل های پیش بینی متفاوت. به طور مستقیم از 200 باند با سر و صدای حذف شده برای مدل سازی 200 باند داده های طیفی برای کاهش ابعاد PCA استفاده کنید ، انتخاب کنید
اولین اجزای اصلی N با میزان سهم تجمعی 99.9 ٪ ، و سپس از مدل سازی PLSR برای انتخاب باند های مشخصه برای 256 طیفی استفاده کنید
باندهای در کل ناحیه پشت با استفاده از SPA ، و سپس از مدل سازی PLSR برای انجام مستقیم مدل سازی چرخه ای در 200 باند در کل ناحیه پشتی استفاده می کنند ، ابتدا ترکیب می شوند
دو به دو و سپس با استفاده از سه در سه ترکیب برای مدل

3. ایجاد مدل پیش بینی

مدل PLSR از داده های طیفی برخی از مناطق جبهه

مدل پیش بینی:

Y = 8.1109+0.3989x+0.2848x+….+0.809x200

جایی که x1 ، x2 ، ... ، x200 میانگین مقادیر طیفی باند 51-band250 است و y مقدار قند زغال اخته است.

با استفاده از مدل پیش بینی ، داده های طیفی 12 زغال اخته برای به دست آوردن مقادیر محتوای قند پیش بینی شده همانطور که در جدول زیر نشان داده شده است ، جایگزین شدند

جدول 1. مقایسه مقادیر محتوای قند پیش بینی شده و مقادیر واقعی قند برخی از مناطق در قسمت جلوی زغال اخته

جدول 2. مقادیر محتوای قند و مقادیر واقعی را برای کل ناحیه جلوی زغال اخته پیش بینی کرده است

جدول 3. مقادیر محتوای قند و مقادیر واقعی را برای کل منطقه در پشت زغال اخته پیش بینی کرده است

مقدار قند پیش بینی شده مدل پیش بینی به دست آمده از سه مجموعه داده و منحنی مقدار قند واقعی زغال اخته

از PCA برای کاهش ابعاد داده های طیفی زغال اخته استفاده شد. سپس داده ها پس از کاهش بعد برای مدل سازی PLSR استفاده شد. پس از کاهش بعد PCA ، اولین مؤلفه های اصلی N با میزان سهم کل 99.9 ٪ انتخاب شدند. هفت مؤلفه اصلی پس از کاهش ابعاد داده های طیفی استخراج شده از ناحیه جزئی جبهه و کل ناحیه جبهه انتخاب شدند. 10 مؤلفه اصلی اول پس از کاهش ابعاد داده های طیفی کل ناحیه پشتی استخراج شدند. اجزای اصلی انتخاب شده پس از کاهش بعد PCA برای مدل سازی PLSR استفاده شد. با توجه به عملکرد مدل پیش بینی ، مقادیر محتوای قند پیش بینی شده از سه مجموعه داده به دست آمد.

ابتدا از PCA برای کاهش ابعاد استفاده کنید و سپس مدل سازی PLSR را انجام دهید. با توجه به عملکرد مدل پیش بینی ، منحنی های مقدار قند پیش بینی شده و مقدار قند واقعی سه مجموعه داده به دست می آید

4 خلاصه

با مقایسه مدل های پیش بینی ایجاد شده با داده های مختلف ، ضرایب همبستگی R بین مقدار قند پیش بینی شده و قند واقعی

مقدار محتوای مدل پیش بینی ترکیبی باند بهینه انتخاب شده توسط مدل سازی ترکیب چرخه باند به ترتیب 0.54 و 0.61 است که

بزرگترین در بین مدلهای ایجاد شده با سایر ترکیبات باند ، و میانگین خطاهای نسبی به ترتیب 12.6 ٪ و 11.9 ٪ است که این موارد هستند

کوچکترین در بین مدلهای ایجاد شده با سایر ترکیبات باند ، و میانگین خطای مربع ریشه مجموعه آزمایش اندک است. می توان نتیجه گرفت که

تأثیر پیش بینی مدل بهینه انتخاب شده پس از مدل سازی ترکیبی از چرخه باند بهتر از سایر ترکیبات باند است.