Mėlynės turi subtilų minkštimą ir unikalų skonį. Jis gausu maistinių medžiagų ir yra žinomas kaip „vaisių karalienė“. Jis turi smegenų nervų senėjimo, apsaugos regėjimo, priešvėžinio ir žmogaus imuniteto gerinimo funkcijas. Tai turi plačias rinkos perspektyvas. Mėlynių cukraus kiekis yra svarbus mėlynių kokybės įvertinimo rodiklis. Tradicinis mėlynių cukraus kiekio aptikimas yra destruktyvus, o neardomas aptikimas yra svarbi vystymosi tendencija.

1. Vaizdo duomenų gavimas

Aukšto spektro mėlynių mėginių vaizdas

Ištraukite dviejų hiperspektrinių vaizdų spektrinius duomenis: kiekvieno mėginio paviršiuje pasirinkite skirtingus dominančius regionus (IG) ir gaukite pradinę atspindžio spektro kreivę

Atitinkant pradinę dominančios srities spektrinę kreivę, vidutinė spektrinė vertė yra ekstrahuojama, kad būtų gauti trys 48x256 spektrinių duomenų matricų rinkiniai

Pagal hiperspektrinius vaizdus ir spektrines kreives skirtingose ​​juostose, 1 juostos 50 juosta turi didelį triukšmą ir neryškius vaizdus. Renkantis duomenis,
Tik 51 juosta 250 (1031.11NM-1699.11nm) Iš viso buvo modeliuota 200 juostų. Modeliui nustatyti buvo naudojamos pirmosios 36 mėlynių spektrinės vertės,
ir paskutiniai 12 buvo naudojami modelio testavimui.

2. Modelio įsteigimas ir analizė

Mėlynųjų cukraus kiekio prognozavimo modelio sukūrimui daugiausia naudojamas dalinio mažiausių kvadratų regresijos metodas (PLSR). Gaunami skirtingi spektriniai duomenys
Skirtingi prognozavimo modeliai. Tiesiogiai naudokite 200 juostų su triukšmu pašalinta, kad modeliuotumėte 200 spektrinių duomenų juostų, kad sumažintumėte PCA matmenų mažinimą, pasirinkite
Pirmieji N pagrindiniai komponentai, kurių kaupiamojo įmokos dažnis yra 99,9%, ir tada naudokite PLSR modeliavimą, kad pasirinktumėte charakteristikų juostas 256 spektrui
Grupės visoje galinėje srityje, naudojant SPA, ir tada naudokite PLSR modeliavimą, kad tiesiogiai atliktumėte ciklinį modeliavimą 200 juostų visoje galinėje srityje, pirmiausia derinant
du po du, o po to modeliui naudodami tris iš trijų derinių

3. Prognozavimo modelio įsteigimas

Kai kurių priekinių sričių spektrinių duomenų PLSR modelis

Prognozavimo modelis:

y = 8,1109+0,3989x+0,2848x+….+0,809x200

Kur x1, x2, ..., x200 yra vidutinės 51 juostos juostos spektrinės vertės, o y yra mėlynių cukraus kiekis.

Naudojant prognozavimo modelį, buvo pakeista 12 mėlynių spektrinių duomenų

1 lentelė. Numatomo cukraus kiekio verčių ir kai kurių sričių, esančių mėlynių priekyje

2 lentelė. Numatomos cukraus kiekio vertės ir tikrosios vertės visoje mėlynių priekinės pusės srityje

3 lentelė. Numatomos cukraus turinio ir tikrosios vertės visoje srityje mėlynių gale

Prognozavimo modelio, gauto iš trijų duomenų rinkinių, prognozuojama cukraus kiekio vertė ir faktinės mėlynių cukraus kiekio vertės kreivė

PCA buvo naudojamas sumažinti mėlynių spektrinių duomenų matmenis. Po to PLSR modeliavimui buvo naudojami duomenys po matmenų sumažinimo. Po PCA matmenų sumažėjimo buvo parinkti pirmieji N pagrindiniai komponentai, kurių bendras įmokų dažnis buvo 99,9%. Septyni pagrindiniai komponentai buvo parinkti sumažinus spektrinius duomenis, išgautus iš dalinio priekio ir viso priekio srities, matmenų. Pirmieji 10 pagrindinių komponentų buvo išgauti po to, kai matmenų sumažėjo viso nugaros ploto spektriniai duomenys. PLSR modeliavimui buvo naudojami pagrindiniai komponentai, parinkti po PCA matmenų mažinimo. Remiantis prognozavimo modelio funkcija, buvo gautos numatomos trijų duomenų rinkinių cukraus kiekio vertės.

Pirmiausia naudokite PCA, kad sumažintumėte matmenį, o tada atlikite PLSR modeliavimą. Remiantis prognozavimo modelio funkcija, gaunamos numatomo cukraus kiekio vertės ir faktinės cukraus kiekio vertės, gautos trijų duomenų rinkinių kreivės

4. Santrauka

Palyginus numatymo modelius, nustatytus su skirtingais duomenimis, koreliacijos koeficientai R tarp numatomos cukraus kiekio vertės ir tikrojo cukraus

Optimalaus juostos derinio prognozavimo modelio, pasirinkto juostos ciklo derinio modeliavimas, turinio vertė yra atitinkamai 0,54 ir 0,61, tai yra atitinkamai

Didžiausias tarp modelių, įsteigtų su kitais juostų deriniais, o vidutinės santykinės klaidos yra atitinkamai 12,6% ir 11,9%, tai yra

Mažiausias tarp modelių, nustatytų su kitais juostų deriniais, o bandymo rinkinio šaknies vidurkio kvadratinė paklaida yra maža. Galima daryti išvadą, kad

Optimalaus modelio, pasirinkto po juostos ciklo derinio modeliavimo, prognozavimas yra geresnis nei kitų juostų derinių.