基于高光谱成像的软枣猕猴桃SSC检测研究

摘要：

为探究软枣猕猴桃采后后熟过程中可溶性固形物含量(soluble solids content,SSC)变化和分布规律,利用高光谱成像结合化学计量学方法实现其SSC无损检测与可视化.首先,采集25℃下不同贮藏天数软枣猕猴桃的高光谱数据,并测定其SSC.其次,采用不同预处理方法对光谱数据进行处理,确定最佳预处理方法;然后,基于3种特征波段提取方法优选特征波段,构建偏最小二乘回归(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和粒子群优化的极限学习机(parti-cle swarm optimization-extreme learning machine,PSO-ELM)可溶性固形物含量预测模型.结果表明:基于竞争性自适应重加权采样算法(competitive adaptive reweighted sampling,CARS)提取特征波长的PSO-ELM模型的预测效果最佳,测试集Rp2为0.934,RMSEP为0.952,RPD为2.277.最后,基于CARS-PSO-ELM模型计算软枣猕猴桃每个像素点的SSC,生成可视化分布图,直观地呈现出不同贮藏天数软枣猕猴桃SSC变化的空间分布特征,为软枣猕猴桃的品质评价和贮运销售提供重要参考.

关键词：高光谱成像技术、软枣猕猴桃、可溶性固形物含量、极限学习机、粒子群优化算法、可视化

所属期刊栏目：54

分类号：TS255.3(食品工业)

资助基金：辽宁省教育厅项目;辽宁省科技厅揭榜挂帅科技攻关专项项目

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：318-326