Блуеберри има осјетљив месо и јединствен укус. Богат је хранљивим материјама и познат је као "краљица плодова". Има функције спречавања старења живаца мозга, штитећи вид, анти-рак и унапређење имунитета људског језика. Има широке перспективе тржишта. Садржај шећера од боровнице важан је индикатор за процену квалитета боровнице. Традиционална откривање садржаја шећера од боровнице је деструктивна, а неразорна детекција је важан тренд развоја.

1. Сликовна стицање података

Високо спектрална слика узорака од боровница

Издвојите спектралне податке две хиперспекцијске слике: Изаберите различите регионе интересовања (РОИ) на површини сваког узорка и набавите оригиналну кривуљу од рефлексије

Одговара оригиналној спектралној кривини подручја интереса, просечна спектрална вредност се извлачи да би се добила три сета 48к256 спектралних матрица података

Према хиперспектралним сликама и спектралним кривинама у различитим бендовима, бенда 1-опсег 50 има велику буку и замагљене слике. Приликом одабира података,
Само бенд 51-опсег 250 (1031.11НМ-1699.11нм) уноси се укупно 200 опсега. Првих 36 спектралних вредности боровница коришћено су за успостављање модела,
и последњих 12 коришћених за тестирање модела.

2 Модел Оснивање и анализа модела

Успостављање модела предвиђања са садржајем боровнице шећера углавном користи део регресијске регресије делимично најмање квадрата (ПЛСР). Различити спектрални подаци
различити модели предвиђања. Директно користите 200 бендова са шумом уклоњени за моделирање 200 опсега спектралних података за смањење димензије ПЦА, изаберите
Прво н главне компоненте са кумулативном стопом доприноса од 99,9%, а затим користите моделирање ПЛСР-а за одабир карактеристичних бендова за 256 спектрал
бендови у целом леђа помоћу бања, а затим користе моделирање ПЛСР-а да директно изводите циклично моделирање на 200 бендова у целом леђа, прво комбиновање
два по два, а затим користе три по три комбинације за модел

3. Оснивање модела предвиђања

ПЛСР модел спектралних података неких подручја предње стране

Модел предвиђања:

и = 8.1109 + 0.3989к + 0.2848к + .... + 0.809к200

ГДЈЕ Кс1, Кс2, ..., Кс200 су просечне спектралне вриједности опсега 51-банд250, а И је садржај шећера боровница.

Користећи модел предвиђања, спектрални подаци 12 боровница супституисани су да би се добиле предвиђене вредности садржаја шећера као што је приказано у следећој табели

Табела 1. поређење предвиђених вредности садржаја шећера и стварне вредности садржаја шећера неких подручја на предњој страни боровница

Табела 2. Предвиђали су вредности садржаја шећера и праве вредности за целокупно подручје предње стране боровница

Табела 3. Предвиђање вредности садржаја шећера и праве вредности за целокупно подручје на полеђини боровница

Предвиђена вредност садржаја шећера за предвиђање модела предвиђања добијена из три скупа података и кривуље стварне вредности садржаја шећера боровница

ПЦА је коришћена за смањење димензије Спектралних података са боровницом. Подаци након смањења димензија су затим коришћени за моделирање ПЛСР-а. Након смањења димензија ПЦА, изабране су прве Г главне компоненте са укупном стопом доприноса од 99,9%. Изабрано је седам главних компоненти након смањења димензија спектралних података екстрахованих са делимичног подручја предње и целокупне површине предње стране. Првих 10 главних компоненти су екстраховани након смањења димензија спектралних података целог подручја назад. Главне компоненте изабране након смањења димензија ПЦА коришћене су за моделирање ПЛСР-а. Према функцији предвиђања модела, предвиђене вредности шећерне садржаја добијене су три скупа података.

Прво користите ПЦА да бисте смањили димензију, а затим извршите ПЛСР моделирање. Према функцији предвиђања модела, добије се криве предвиђене вредности садржаја шећера и стварна вредност садржаја шећера три скупа података

4. Резиме

Упоређивање модела предвиђања утврђених различитим подацима, коефицијенти корелације Р између предвиђене вредности садржаја шећера и правег шећера

Вредност садржаја оптималне модела предвиђања средства за предвиђање опсега изабраног од стране моделирања циклуса бенда је 0,54 и 0,61, односно

највећи међу моделима основаним другим комбинацијама бенда, а просечне релативне грешке су 12,6% и 11,9%, односно

Најмањи међу модели успостављени са другим комбинацијама бенда, а коренска средња квадратна грешка теста је мала. Може се закључити да

Ефекат предвиђања оптималног модела изабраног након што је моделирање комбинације опсега модела боља од осталих комбинација бенда.