为实现对不同干燥时间红枣VC和总糖含量的无损检测,提出了基于高光谱成像技术的无损检测方法。在本研究中,采集不同干燥时间红枣的光谱数据,依次通过光谱预处理、特征波长筛选(连续投影算法)后获取特征波长,通过灰度共生矩阵提取特征波...为实现对不同干燥时间红枣VC和总糖含量的无损检测,提出了基于高光谱成像技术的无损检测方法。在本研究中,采集不同干燥时间红枣的光谱数据,依次通过光谱预处理、特征波长筛选(连续投影算法)后获取特征波长,通过灰度共生矩阵提取特征波长下的灰度图像纹理数据;分别建立基于特征波长、图像特征以及两者融合特征的偏最小二乘(partial least squares,PLS)预测模型。结果表明,VC和总糖含量预测模型中,分别优选出无预处理和标准化(Autoscale)预处理为最佳方法;最优预测模型分别为基于特征波长建立的和基于数据融合建立的PLS预测模型,对应的预测集决定系数R^(2)_(P)分别为0.930和0.883,预测集均方根误差(root mean square error of prediction,RMSEP)分别为30.439 mg/100 g和0.0400 g/g,模型剩余预测残差均大于2.5,具有较好的预测效果。研究结果表明高光谱成像技术可以用于红枣干燥过程中VC和总糖含量的无损检测。展开更多
文摘为实现对不同干燥时间红枣VC和总糖含量的无损检测,提出了基于高光谱成像技术的无损检测方法。在本研究中,采集不同干燥时间红枣的光谱数据,依次通过光谱预处理、特征波长筛选(连续投影算法)后获取特征波长,通过灰度共生矩阵提取特征波长下的灰度图像纹理数据;分别建立基于特征波长、图像特征以及两者融合特征的偏最小二乘(partial least squares,PLS)预测模型。结果表明,VC和总糖含量预测模型中,分别优选出无预处理和标准化(Autoscale)预处理为最佳方法;最优预测模型分别为基于特征波长建立的和基于数据融合建立的PLS预测模型,对应的预测集决定系数R^(2)_(P)分别为0.930和0.883,预测集均方根误差(root mean square error of prediction,RMSEP)分别为30.439 mg/100 g和0.0400 g/g,模型剩余预测残差均大于2.5,具有较好的预测效果。研究结果表明高光谱成像技术可以用于红枣干燥过程中VC和总糖含量的无损检测。
