目的 针对外观正常但内部存在不同程度霉变的花生, 探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。 方法 采集 100 粒内部霉变和 100 粒健康花生的近红外高光谱图像构成数据集, 将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型, 并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。 结果 将 Savitzky-Golay 卷积平滑方法和二阶求导光谱预处理方法与 SVM 组合, 对内部霉变严重样本判别的总体识别准确率可达 95%, 对不同程度内部霉变样本的平均识别准确率为 88%; 基于 MC-UVE 筛选得到 10、5、3 个特征波长构建的模型总体识别准确率为 90%、85%和 82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案, 同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。
朱昊宇 , 王俊杰 , 杨一*, 朱新峰 *.基于近红外高光谱图像的花生内部霉变快速判别方法研究[J].科研仪器案例成果数据库,2024,(0).
