基于高光谱成像的贵长猕猴桃硬度快速预测

为了提高猕猴桃硬度预测的效率.应用可见/近红外(390～1030 nm)高光谱成像系统获取贵长猕猴桃的高光谱图像信息,并提取每个样品感兴趣区域的反射光谱,采用标准正态变换消除原始反射光谱中的噪声干扰;基于竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)与连续投影算法筛选特征变量,建立误差反向传播神经网络和多元线性回归(multi linear regression,MLR)模型检测贵长猕猴桃硬度.结果表明:应用CARS从256个变量中筛选了35个特征变量,运算效率提升了近11倍(即运算时间从5.84 s降到了0.54 s);构建的CARS-MLR检测模型具有较大的rc=0.95和rp=0.92,较小的RMSEC=1.65 kg/cm2和RMSEP=1.99 kg/cm2,且RPD值(2.47)大于2,表明CARS-MLR模型具有非常好的检测性能,利用高光谱成像技术以及化学计量学可以实现贵长猕猴桃硬度的快速无损检测.