基于近红外高光谱成像技术的花生冻伤检测方法研究

• Published in: 食品工业科技 Vol. 45; no. 6; pp. 226 - 233
• Main Authors: 崔程, 刘翠玲, 孙晓荣, 吴静珠
• Format: Journal Article
• Language: Chinese
• Published: 北京工商大学食品安全大数据技术北京市重点实验室,北京 100048 01.03.2024
• Subjects: 特征波长选择; frostbite; 支持向量机; 冻伤; characteristic wavelength selection; support vector machine(SVM); 高光谱成像; peanut; hyperspectral imaging; 花生
• ISSN: 1002-0306
• DOI: 10.13386/j.issn1002-0306.2023030252

TS207.7; 花生在收获、运输、储存和加工过程中易受到温、湿度变化导致冻伤现象,从而影响花生及其制品的品质,为探索花生冻伤机理并提高冻伤花生检测效率,本文采用近红外高光谱技术研究花生冻伤无损检测可行性、基于特征变量筛选的判别模型优化方法以及花生冻伤机理.实验研究了变量标准化(Standard Normalized Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、Savitzky-Golag(SG)平滑以及SG平滑-SNV和SG平滑-MSC五种预处理方法对原始数据的影响,随后分别采用竞争自适应重加权法(competitive adapative reweighted sampling,CARS)、随机蛙跳(random frog,RF)、变量重要性投影(variable importance in projection,VIP)、连续投影算法(successive projections algorithm,SPA)、蒙特卡洛无信息变量消除(Monte Carlo uninfor-mative variable elimination,MC-UVE)、迭代保留信息变量(Iteration retention information variable,IRIV)、变量组合种群分析-迭代保留信息变量(Variable combination population analysis-Iteration retention information variable,VCPA-IRIV)和变量组合种群分析-遗传算法(Variable combination population analysis-Genetic Algorithm,VCPA-GA)8种变量选择方法筛选得到与花生冻伤相关的特征波长,通过建立支持向量机(Support Vector Machine,SVM)选用达到判别准确率阈值为 90%的特征波长作为花生冻伤特征波长.结果表明,基于近红外高光谱成像技术的花生冻伤检测总体可行,且精度较高,所有变量选择方法均能有效筛选与冻伤相关的特征波长,其中VCPA-GA算法选择了最少的 7个特征波长,仅占数据集所有波长的 3.125%,训练集和测试集准确率分别为 91.60%和90.12%.经过筛选得出的冻伤特征波长体现了油酸和蛋白质的信息,验证了过低的