食品品质光谱可视化研究：多光谱成像在草莓果实品质属性和成熟期测定中的应用

品质至上，客户至上，您的满意就是我们的目标

返回旧版

技术文章

当前位置: 首页 > 技术文章

食品品质光谱可视化研究：多光谱成像在草莓果实品质属性和成熟期测定中的应用

发表时间：2022-04-26 09:12:09点击：1038

来源：北京博普特科技有限公司

Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit

多光谱成像在草莓果实品质属性和成熟期测定中的应用

摘要：已经对405-970nm范围内的19个波长的多光谱成像进行了评估，用于无损测定草莓果实的硬度、总可溶性固体 (TSS) 含量和成熟阶段。应用偏最小二乘法 (PLS)、支持向量机(SVM) 和反向传播神经网络 (BPNN) 等几种分析方法来开发预测完整草莓果实硬度和 TSS 的理论模型。与 PLS 和 SVM 相比，BPNN 显着提高了多光谱成像预测硬度和总可溶性固体含量的性能，相关系数 (r) 分别为 0.94 和 0.83，SEP 分别为 0.375 和 0.573，偏差分别为 0.035 和 0.056。随后，使用支持向量机和主成分分析-反向传播神经网络（PCA-BPNN）模型测试了多光谱成像技术基于成熟阶段对水果进行分类的能力。使用 SVM 模型实现了 100% 的更高分类准确率。此外，所有这些模型的结果表明，光谱的 VIS 部分是草莓果实硬度测定、TSS 含量估计和成熟阶段分类的主要贡献者。这些结果表明，多光谱成像与合适的分析模型相结合，是一种用于快速估计草莓果实品质属性和成熟阶段分类的有前景的技术。

图1.多光谱成像系统的主要设置

图2显示了在三个成熟阶段取样的草莓果实在 405-970 nm 范围内的平均相对反射光谱。尽管处于成熟阶段，但草莓果实的反射率曲线在整个光谱区域内相当平滑。代表草莓果实颜色特征的花青素和叶绿素先前已分别在约 520 和 680 nm 波长处鉴定。埃尔马斯里等人。[11] 报道，在840和960nm 附近的 NIR 吸收分别与糖和水含量有关。在本研究中，由于该果实的叶绿素降解，成熟和过熟果实中几乎没有660nm 处的叶绿素吸收带。同时，成熟果实和过熟果实在花青素吸收带（525 nm）处的相对反射率远低于未成熟果实，表明成熟果实和过熟果实中的花青素含量要高得多。结果与ElMasry 等人报道的结果相似。[11]，谁表明花青素在成熟和过熟的果实高于未成熟的果实。以前的研究发现，总可溶性固形物含量的主要贡献者是糖，糖含量占总可溶性固形物含量的57%至 82% [5]。过熟果实在糖吸收带（850 nm）处的相对反射率远低于未成熟果实和成熟果实，这可能是由于过熟果实的总可溶性固形物含量（8.63uBx）高于未成熟果实和成熟果实水果（分别为 7.03 和 7.79uBx）。

图2.未成熟、成熟和过熟草莓果实多光谱图像的平均反射率

仅使用光谱信息处理算法的结构化选择被证明是足够的，因为校准和验证集显示了所有研究参数的均值、范围和标准偏差的相似值。PLS、SVM和BPNN模型预测草莓果实硬度和TSS含量的预测性能如图1所示。这些模型的性能通过相关系数 (r)、SEC 和 SEP 进行评估。通过比较预测残差平方和 (PRESS) 的值，确定 PLS 模型的坚固性和 TSS 的潜在因子数为 5。对于 SVM 模型，元参数 C（正则化参数）和 G（RBF 核参数）的优化是 SVM 中的关键步骤，因为它们的组合值决定了边界复杂度和预测性能。为了获得良好的预测性能，必须仔细选择 SVM 中的一些参数。最好的 C 和 G硬度预测分别为 11.31 和 0.06，TSS 含量预测分别为 2 和 0.06。对于BPNN模型，在参数调整后，建模过程中的最优参数设置如下。隐藏节点数、目标误差和迭代次数分别设置为 20、161028 和 1000。