Гиперспектральная модель прогнозирования содержания растворимых сухих веществ в свежих персиках
В данном исследовании для изучения персиков используется гиперспектральная камера, работающая в диапазоне 400-1000 нм, в частности, модель FS13 от компании Hangzhou CHNSpec technology Co., Ltd.
Оценка содержания растворимых сухих веществ (СРСВ) в персиках важна для определения их общих и вкусовых качеств. Традиционно, точное определение СРСВ использовалось при сортировке и оценке персиков. Однако, современные технологии анализа данных и сенсоры позволяют проводить неразрушающую оценку СРСВ во фруктах. Спектроскопия в ближнем инфракрасном диапазоне, мультиспектральный анализ, флуоресцентная спектроскопия уже успешно применяются для определения СРСВ. Тем не менее, большинство этих методов анализируют отдельные характеристики, что ограничивает возможности создания более точных моделей прогнозирования СРСВ. В последние годы, гиперспектральные изображения, предоставляющие как спектральную, так и пространственную информацию, стали широко использоваться для определения СРСВ во фруктах, демонстрируя многообещающие результаты. Однако, акцент только на спектральных данных может привести к переобучению модели. Внедрение методов глубокого обучения открывает новые возможности для решения этой задачи. В частности, сложенные автокодировщики (SAE) обладают мощными возможностями для выявления важных признаков, что потенциально повышает точность моделей прогнозирования. В данной работе разработаны сложенные автокодировщики с различными структурами, предназначенные для извлечения как спектральных, так и пространственных характеристик гиперспектральных изображений, что представляет собой перспективный подход к количественному анализу СРСВ в свежих персиках.
Рисунок 1 – Модель для прогнозирования содержания растворимых сухих веществ в персиках на основе многослойного автокодировщика, оптимизации роем частиц и метода опорных векторов
Рисунок 2 – Исходные гиперспектры свежих персиков
Рисунок 3 – Результаты прогнозирования СРСВ персиков на основе модели SAE-PSO-SVR с различными структурами
Рисунок 4 – Визуализация содержания растворимых сухих веществ в различных сортах свежих персиков, где a - Золотой персик (Golden Peach); b - Плоский персик (Flat peach); c - Нектарин (Nectarine)
Визуализация содержания СРСВ для различных сортов персиков показала высокую эффективность и универсальность модели sae-pso-svr. Использование SAE для извлечения глубоких признаков из спектральных и пространственных данных гиперспектральных изображений с последующим объединением этих признаков и использованием модели sae-pso-svr позволяет значительно повысить точность прогнозирования СРСВ в персиках.
