1 四川农业大学机电学院, 四川 雅安 625014
2 四川农业大学信息工程学院, 四川 雅安 625014
为了对花椒挥发油的含量进行快速、无损、低成本的检测,以汉源县花椒为实验对象,采集其在400~1000 nm波长范围内的光谱数据,然后采用标准正态变量变换(SNVT)方法对光谱数据进行预处理,利用迭代保留信息变量算法(IRIV)进行特征变量的提取,并建立极限学习机(ELM)回归模型,模型结果如下:校正集的决定系数 RC2为0.8522,均方根误差RMSEC为0.3475;预测集的决定系数 RP2为0.8365,均方根误差RMSEP为0.5737。为了进一步提高模型的预测性能,利用果蝇优化算法(FOA)对极限学习机的输入权值进行自适应优化。最终,优化后模型(IRIV-FOA-ELM)的决定系数 RC2为0.8792,RMSEC为0.3323, RP2为0.8659,RMSEP为0.3621。结果表明,高光谱成像技术可以对花椒挥发油进行快速无损检测,同时为其他农产品挥发油检测提供一种新的方法和思路。
光谱学 挥发油 高光谱技术 迭代保留信息变量算法 果蝇优化算法 极限学习机 激光与光电子学进展
2020, 57(20): 203002
1 四川农业大学机电学院, 四川 雅安 625014
2 四川农业大学信息工程学院, 四川 雅安 625014
3 四川农业大学农业信息工程四川省重点实验室, 四川 雅安 625014
将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。
光谱学 高光谱成像技术 硬度 堆栈自动编码器 极限学习机 无损检测 激光与光电子学进展
2019, 56(11): 113001
1 四川农业大学 机电学院, 四川 雅安 625014
2 四川农业大学 信息工程学院, 四川 雅安 625014
3 四川农业大学 农业信息工程四川省重点实验室, 四川 雅安 625014
可溶性固形物含量是判断苹果内部品质的重要参考属性之一。利用高光谱技术获取苹果感兴趣区域的反射光谱, 以S-G平滑（Savitzky-Golay smoothing)和直接正交信号校正（Direct orthogonal signal correction, DOSC)算法对光谱数据进行梯度预处理后, 用后向区间偏最小二乘法（Bipls)优选出3, 5, 6, 7, 8, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 23等16个子区间, 共计177个波长。结合竞争自适应重加权采样算法（CARS)再作进一步筛选, 提取出449.6,512.9,544.8,547.2,594.3,596.8,928.2 nm等7个特征波长, 利用偏最小二乘算法(PLS)建立基于特征波长的可溶性固形物含量检测模型, 所得模型评价为Rc=0.906 2, RMSEC为0.482 2,Rp=0.871 6,RMSEP为0.614 0。该算法模型预测性能同Bipls和Bipls-SPA模型相比更为优异, 证明了Bipls结合CARS算法在提高苹果可溶性固体物含量检测精度方面的有效性。
可溶性固形物含量 后向区间偏最小二乘 竞争自适应重加权采样 偏最小二乘 soluble solid content backward interval partial least squares(Bipls) competitive adaptive reweighted sampling(CARS) partial least squares(PLS)
