• <nav id="ai48w"></nav>
    <menu id="ai48w"></menu>
  • <dd id="ai48w"></dd>
  • 文章詳情

    利用高光譜成像技術的靈芝子實體多糖含量無損預測

    日期:2023-01-28 12:23
    瀏覽次數:193
    摘要:華南農業大學電子工程學院(人工智能學院)趙靜副教授團隊,對我司可見-近紅外高光譜相機(GaiaField Pro-V10E)和近紅外雙高光譜相機(GaiaField Pro-N17E)采取聯用的形式,采集靈芝(赤芝)實體402.6-1005.5nm和887-1703nm的高光譜圖像,并獲取其多糖含量。圖1(a)為不同采摘時期的靈芝RGB圖片,圖1(b)為高光譜圖像采集系統及獲取數據流程。

    靈芝是一種具有多種營養活性的中國傳統保健食品,多糖是其主要活性成分之一。本研究利用可見-近紅外高光譜成像技術無損預測靈芝生長過程中多糖含量,為靈芝栽培、采收提供新的監測技術。

    華南農業大學電子工程學院(人工智能學院)趙靜副教授團隊,對我司可見-近紅外高光譜相機GaiaField Pro-V10E)和近紅外雙高光譜相機(GaiaField Pro-N17E)采取聯用的形式,采集靈芝(赤芝)實體402.6-1005.5nm887-1703nm的高光譜圖像,并獲取其多糖含量。圖1a)為不同采摘時期的靈芝RGB圖片,1b)為高光譜圖像采集系統及獲取數據流程。

     

    1 光譜采集環境和樣品處理 (a). 四個時期的樣品RGB, (b). 高光譜圖像采集系統和ROI

    高光譜圖像采集完畢后進行光譜校正,接著選取感興趣區域(ROI)提取原始光譜數據(如圖2所示),為了消除散射效應產生的影響,使用SNVSG平滑對原始光譜進行預處理(如圖3所示),然后使用SPA篩選特征波段,利用偏*小二乘法(PLSR)構建多糖回歸模型。

     

    2 不同ROI和光譜范圍的光譜反射率。(a)可見光中心區域的反射率,(b)近紅外中心區域的反射率,(c)可見光邊緣區域的反射率,(d)近紅外邊緣區域的反射率,(e)可見光子實體整體的反射率,(f)近紅外子實體整體的反射率。

     

    3 近紅外子實體整體的反射率經過3種預處理的結果。(a)原始光譜,(bSG平滑,(cSNV,(d)先SG平滑后SNV。

    針對不同ROI、不同光譜范圍和不同的光譜預處理方法得到的光譜數據進行建模,*終結果如表1所示。

    1 多糖預測結果


    從上表可以看出單獨使用所建立的回歸模型的效果也非常好,這說明靈芝子實體的中心區域和生長區域(邊緣區域)的光譜可以反映整個子實體的多糖含量??紤]到實際應用場景,使用子實體的整體區域能夠減少計算量,提高檢測效率,并且使用整體區域的光譜進行建模也是*合理的。*終,對整體區域的光譜結合使用SG平滑和SNV進行預處理,然后使用SPA提取特征波段,在可見光和近紅外波段范圍內得到的分別為0.90.924。圖4展示了這兩個模型的預測結果。

    4 兩個模型的預測結果.a)可見光,(b)近紅外

    本文結合光譜成像技術和機器學習方法,建立靈芝子實體多糖含量預測模型。據我們所知,這是**將高光譜成像技術運用于靈芝多糖無損檢測,突破了靈芝原位檢測、低濃度多糖在體檢測兩大技術難題,為高品質靈芝栽培、*佳采收期確定提供了有效的技術方法。

    通訊作者簡介:

    趙靜,工學博士,華南農業大學副教授,碩士生導師。

    參考文獻:Liu, Y., Long, Y., Liu, H., Lan, Y., Long, T., Kuang, R., ... & Zhao, J. (2022). Polysaccharide prediction in Ganoderma lucidum fruiting body by hyperspectral imaging. Food chemistry: X, 13, 100199.

    川公網安備 51011202000202號

    处破学生毛都没长齐在线播放
  • <nav id="ai48w"></nav>
    <menu id="ai48w"></menu>
  • <dd id="ai48w"></dd>