Определение содержания растворимых твердых веществ в яблоке с использованием сочетания спектральных и текстурных особенностей гиперспектральных изображений

Pang T.; Rao L.; Chen X.; Cheng J.

Определение содержания растворимых твердых веществ в яблоке с использованием сочетания спектральных и текстурных особенностей гиперспектральных изображений

Pang T. , Rao L. , Chen X. , Cheng J.

2020

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.

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).

Цитирование

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).

Источник

Информация

Автор

Pang T. Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университета
Rao L. Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университета
Chen X. Колледж информации и инженерии Сычуаньского сельскохозяйственного университета
Cheng J. Колледж машиностроения и электротехники Сычуаньского сельскохозяйственного университета

Страницы

1024(1)-1024(10)

Год издания

2020

Ключевые слова

Коллекции

Журнал прикладной спектроскопии