可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型.采集100个长枣样本在波长400～1 000 nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法(genetic algorithm,GA)、连续投影算法(successive projection algorithm,SPA)和竞争性正自适应加权(competitive adaptive reweighted sampling,CARS)算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘(partial least squares regression,PLS)和最小二乘支持向量机(least squares support vector machine,LSSVM) VC含量预测模型.结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839 5,交叉验证均方根误差为16.248 2;利用GA、SPA和CARS从全光谱的125个波长中分别选取出12、5个和26个特征波长;基于CARS建立的PLS模型效果最优,其Rc、R.、校正均方根误差、预测均方根误差分别为0.896 2、0.889 2、10.746 2％、12.145 3％.研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的.