Үй> Жобалар> Гиперспектралды бейнелеу негізінде көкжидек қантының мөлшерін бұзбау
Гиперспектралды бейнелеу негізінде көкжидек қантының мөлшерін бұзбау

Көкжидектің нәзік еті және ерекше дәмі бар. Ол қоректік заттарға бай және «жемістер патшайымы» деп аталады. Ол мидың жүйке қартаюының алдын алу, көру қабілеті, қатерлі ісікке қарсы және адам иммунитетін жақсарту функциялары бар. Оның кең келешегі бар. Көкжидек қантының құрамы - бұл көкжидек сапасын бағалаудың маңызды көрсеткіші болып табылады. Дәстүрлі көкжидек қантының қант материалдарын анықтау деструктивті, ал бұзылмайтын анықтама - бұл дамудың маңызды бағыты.

 

1. Кескін деректерін алу

Көкжидек үлгілерінің жоғары спектрлік бейнесі

Екі гиперстральды суреттің спектрлік мәліметтерін шығарыңыз: әр үлгі бетіне әр түрлі аймақтарды (ROI) таңдаңыз және түпнұсқа шағылысу спектрінің қисық сызығын алыңыз

Сыйақы аймағының түпнұсқа спектрлік қисығына сәйкес келетін 48x256 спектрлік деректер матрицаларының үш жиынтығын алу үшін орташа спектрлік мән алынады

Гиперспектралды бейнелер мен әртүрлі топтардағы спектральды қисықтарға сәйкес, 1-жолақта 50-жолақта үлкен шу және бұлыңғыр бейнелер бар. Деректерді таңдау кезінде,
Тек 51-диапазонды тек 250-жолақ (1031.11nm-1699.11NM), барлығы 200 жолақ модельденді. Модельді құру үшін алғашқы 36 көкжидек спектрлік мәндері пайдаланылды,
Ал соңғы 12 модельді тестілеу үшін пайдаланылды.

 

2. Модельді құру және талдау

Көкжидек қантының мөлшерін белгілеу моделі негізінен ең аз квадраттардың регрессия әдісін қолданады (PLSR). Әр түрлі спектрлік мәліметтер алу
әр түрлі болжам модельдері. DOIA көмегімен 200 жолақты тікелей пайдаланыңыз, PCA өлшемінің қысқаруы үшін 200 диапазонын модельдеу үшін, таңдаңыз
Бірінші n негізгі компоненттер жиынтық үлестері бар жиынтық құрамдас бөліктері 99,9%, содан кейін 256 спектрлік жолақтарды таңдау үшін PLSR моделін қолданыңыз
SPA көмегімен бүкіл артқы аймақтағы диапазондар, содан кейін бүкіл арқа аймағында циклдік модельдеу үшін PLSR модельдеуді қолданыңыз, алдымен бүкіл артқы аймақта.
екеуі екеуімен, содан кейін үш комбинациямен үш комбинацияны қолданады

 

3. Болжау моделін құру

Майданның кейбір аймақтарындағы спектрлік мәліметтердің PLSR моделі

Болжау моделі:

y = 8.1109 + 0.3989x + 0.2848x + .... + 0.809x200

X1, x2, ..., x200 - 51-диапазонды және y диапазонының орташа спектрлік шамалары, ал y - көкжидек құрамы.

Болжалды модельді қолдана отырып, 12 көкжидектен тұратын спектрлік мәліметтер келесі кестеде көрсетілгендей, алынған қант мазмұнының мәндерін алу үшін ауыстырылды

 

Кесте 1

Кесте 2. Көкжидектердің алдын-ала болжанған қант мөлшері және шынайы мәндер

Кесте 3

Үш, үш мәліметтер жиынтығынан алынған болжам моделінің және көкжіттердің нақты қантының қисық сызығының болжамды мөлшері

PCA көкжидек спектрлік мәліметтерінің өлшемін азайту үшін пайдаланылды. Өлшемді азайтудан кейінгі мәліметтер PLSR модельдеу үшін пайдаланылды. PCA өлшемдерін азайтудан кейін жалпы жарнасы 99,9% болатын бірінші N негізгі компоненттері таңдалды. Алдыңғы және майданның бүкіл аумағынан алынған спектрлік мәліметтерді өлшеу аяқталғаннан кейін жеті негізгі компонент таңдалды. Алғашқы 10 негізгі компоненттер артқы жағының барлық аймағының спектрлік мәліметтерін азайтудан кейін алынды. PCA өлшемдерін азайтудан кейін таңдалған негізгі компоненттер PLSR модельдеу үшін пайдаланылды. Болжалды модель функциясына сәйкес, үш мәліметтер жиынтығының болжамды қантының мәні алынды.

Алдымен, өлшемді азайту үшін PCA қолданыңыз, содан кейін PLSR модельдеуін орындаңыз. Болжалды модель функциясы бойынша, болжанған қант мөлшерінің қисықтары және үш мәліметтер жиынтығының нақты қант мөлшері алынады

4. Қысқаша мазмұны

 

Әр түрлі мәліметтермен белгіленген болжамды модельдерді салыстыру, Rellectration коэффициенттері REFRELECT коэффициенттері RESED Қант мазмұны мен шынайы қант арасында

диапазонның комбинациясы бойынша таңдалған оңтайлы диапазонды болжау моделінің мазмұны, сәйкесінше 0,54 және 0,61, ол

Басқа топтармен құрылған модельдердің ішіндегі ең үлкені, ал салыстырмалы қателіктер сәйкесінше 12,6% және 11,9% құрайды, ол

Басқа топтармен құрылған модельдердің ішіндегі ең кіші, ал сынақ жиынтығының түбірлік орташа квадрат қателігі аз. Мұны қорытындылауға болады

Таңдалған оңтайлы модельдің диапазоны комбинациясы басқа топтардың комбинацияларынан гөрі оңтайлы модельдің болжамды әсері.

Үй> Жобалар> Гиперспектралды бейнелеу негізінде көкжидек қантының мөлшерін бұзбау
Біз сізбен бірлікпен хабарласамыз

Сізбен жылдамырақ ақпарат бере алатындай көп ақпаратты толтырыңыз

Құпиялылық туралы мәлімдеме: Сіздің құпиялылығыңыз біз үшін өте маңызды. Біздің компания сіздің жеке ақпаратыңызды кез-келген экспонаттан сіздің нақты рұқсаттарыңызбен жарияламауға уәде бермейді.

Жіберу