Неразрушающая оценка качества и классификация спелости мушмулы на основе гиперспектральной визуализации

Aug 10, 2023

Том 13 научных докладов, Номер статьи: 13189 (2023) Цитировать эту статью

140 доступов

Подробности о метриках

Традиционный метод оценки качества и зрелости мушмулы имеет такие недостатки, как разрушительный отбор проб и трудоемкость. В этом исследовании технология гиперспектральной визуализации использовалась для неразрушающего прогнозирования и визуализации цвета, твердости и содержания растворимых твердых веществ (SSC) в мушмуле, а также для определения зрелости. При сравнении эффективности различных методов выбора переменных характеристик и калибровочных моделей результаты показали, что модели множественной линейной регрессии (MLR) в сочетании с конкурентным адаптивным алгоритмом повторного взвешивания (CARS) дали наилучшие показатели прогнозирования качества мушмулы. В частности, модели CARS-MLR с оптимальными характеристиками прогнозирования были получены для цвета (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), твердости (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) и SSC (R2P = 0,84). , RMSEP = 0,51, RPD = 2,54). Впоследствии были получены карты распределения цвета, твердости и SSC мушмулы на основе оптимальных моделей CARS-MLR в сочетании с технологией псевдоцвета. Наконец, при сравнении различных моделей классификации зрелости мушмулы модель анализа дискриминации с частичным методом наименьших квадратов продемонстрировала наилучшую производительность с точностью классификации 98,19% и 97,99% для наборов калибровки и прогнозирования соответственно. Исследование показало, что метод гиперспектральной визуализации перспективен для оценки качества и классификации спелости мушмулы.

Мушмула японская (Eriobotrya japonica Lindl.) — вечнозеленое плодовое дерево семейства розоцветных, плоды которого используются в качестве лекарственного средства и продукта двойного назначения. В Китае их выращивают уже более 2000 лет1. Его используют для очищения глотки, увлажнения легких, облегчения кашля и удаления мокроты2. Характер созревания мушмулы аналогичен таковому у климактерических плодов. Если урожай собран очень рано, он будет иметь твердую мякоть и мягкий вкус. Поскольку мушмула имеет активный физиологический обмен после сбора урожая, она подвержена потере воды и питательных веществ, а также гниению при позднем сборе3,4. Качество фруктов напрямую влияет на их коммерческую ценность. Цвет, твердость и содержание растворимых твердых веществ (SSC) являются важными характеристиками мушмулы и ключевыми параметрами для оценки ее вкуса и зрелости5. Поэтому обнаружение послеуборочной мушмулы имеет решающее значение.

Однако традиционные методы определения имеют недостаток, заключающийся в деструктивном отборе проб, и не подходят для онлайн-обнаружения. В последние годы для оценки качества и зрелости фруктов широко используются методы гиперспектральной визуализации (HSI), которые объединяют информацию двумерного изображения с одномерной спектральной информацией. HSI использовался для определения нескольких показателей (SSC, твердость и т. д.) фруктов, включая сливы6, черешню7, груши8, персики9 и дыни10. Были проведены обширные исследования для прогнозирования качества и спелости фруктов. Вэй и др.11 использовали HSI для классификации спелости и прогнозирования твердости хурмы. Мунера и др.12 использовали индекс внутреннего качества и зрелости для оценки внутренних физико-химических свойств и сенсорного восприятия нектаринов сортов «Big Top» и «Magique». Отношение общего количества растворимых сухих веществ (TSS) к титруемой кислотности (TA) использовалось в качестве индекса спелости ананаса для анализа влияния пропускающей коротковолновой ближней инфракрасной спектроскопии и отражательной гиперспектральной визуализации в ближнем инфракрасном диапазоне на прогнозирование спелости ананаса с использованием та же процедура и модель соответственно13. Бенелли и др.14 исследовали потенциал использования HSI непосредственно в поле посредством проксимальных измерений в условиях естественного освещения, чтобы предсказать время сбора красного винограда Санджовезе. Они разделили образцы винограда на два класса на основе эталонного значения SSC и установили модели для прогнозирования SSC и распознавания стадий зрелости соответственно. Чжан и др.15 объединили HSI с машиной опорных векторов (SVM) для оценки спелости клубники. Результаты показали, что модель SVM работает лучше всего с точностью классификации более 85%.