基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

摘要:

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及 SSC 数据, 建立两种预测模型,采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm,GA)、 区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。 结果 与 PLSR 模型相比, BPNN 模型在预测 SSC 方面更为有效。而在 IVISSA 特征波 长变量提取后优化的 BPNN 模型预测能力最佳, 预测集判定系数R2p、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为 0.8641、 0.3924 和2.7127。 结论 该模型可快速、准确地检测芒果的 SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的 SSC, 为开发在线芒果 SSC 无损检测系统奠定基础。

Abstract: