一级欧美黄片,色呦呦视频一区二区,大鸡吧抽插啊啊啊啊视频,台湾中文化娱乐网22

您好,歡迎進(jìn)江蘇雙利合譜科技有限公司網(wǎng)站!
您現(xiàn)在的位置:首頁(yè) >> 解決方案 >> 基于高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法的茶多酚無損檢測(cè)模型
基于高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法的茶多酚無損檢測(cè)模型
瀏覽次數(shù):811發(fā)布日期:2023-08-28

題目

基于高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法的茶多酚無損檢測(cè)模型

 

應(yīng)用關(guān)鍵詞

高光譜、茶多酚、樣品分割、特征選擇、無損檢測(cè)

 

背景

茶多酚是茶葉的重要組成部分,也是生物活性化學(xué)物質(zhì)的重要來源,具有抗氧化、抗癌、抗菌、抗炎和抗動(dòng)脈硬化的能力,在醫(yī)藥和食品工業(yè)中發(fā)揮著重要作用。高光譜成像技術(shù)是基于大量窄波段的圖像數(shù)據(jù)技術(shù)。它將成像技術(shù)與光譜技術(shù)相結(jié)合,檢測(cè)目標(biāo)的二維幾何空間和一維光譜信息,已被廣泛應(yīng)用于農(nóng)產(chǎn)品質(zhì)量檢測(cè)。

基于高光譜技術(shù)建立的模型結(jié)果受多種因素的影響。特征數(shù)據(jù)預(yù)處理方法是影響分析結(jié)果的主要因素。常見的光譜數(shù)據(jù)預(yù)處理方法包括正交信號(hào)校正(OSC)、一階導(dǎo)數(shù)(FD)、二階導(dǎo)數(shù)(SD)、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNVT)、Savitzky-Gola濾波(SG)。結(jié)果表明,這些方法可以減少外界因素的影響,在一定程度上提高檢測(cè)的準(zhǔn)確性。

光譜特征波段的選擇是影響模型結(jié)果的另一個(gè)重要因素。有效地選擇特征波段可以節(jié)省計(jì)算資源,提高模型性能。近年來,研究人員提出了許多特征波段選擇方法,如區(qū)間偏最小二乘(iPLS)、協(xié)同區(qū)間偏最小二乘(siPLS)、后向區(qū)間偏最小二乘(biPLS)。這些特征選擇算法將所有特征劃分為若干個(gè)區(qū)間,然后通過迭代選取區(qū)間中效果較好的一小部分作為特征集合。然而,通過這種捆綁方法選擇的光譜特征可能會(huì)遺漏一些重要特征。

為了避免手動(dòng)數(shù)據(jù)分割引起的偏差,有許多計(jì)算方法可用于樣本選擇,如隨機(jī)選擇(RS),Kennard-StoneKS)或基于聯(lián)合x-y距離(SPXY)的樣本集分割算法。

本研究旨在探討基于高光譜圖像技術(shù)的茶多酚含量快速無損在線檢測(cè)的可行性。采用不同的數(shù)據(jù)預(yù)處理方法對(duì)采集到的茶葉高光譜數(shù)據(jù)進(jìn)行處理。本文通過建立模型并對(duì)建模結(jié)果進(jìn)行分析,選擇了最佳的預(yù)處理方法。

 

試驗(yàn)設(shè)計(jì)

四川農(nóng)業(yè)大學(xué)康志亮團(tuán)隊(duì)共選出三個(gè)級(jí)別的雅安藏茶,獲取其茶多酚含量后,用SPXY算法對(duì)數(shù)據(jù)集進(jìn)行劃分(表1)。利用江蘇雙利合譜公司研制的GaiaSorter高光譜分選儀獲得了藏茶的高光譜數(shù)據(jù),其有效光譜范圍為387 ~ 1035nm,光譜分辨率為2.8 nm,光譜通道為256條。把茶葉均勻地鋪在一個(gè)容器里(大約65厘米 × 65厘米)。高光譜采集系統(tǒng)如圖1所示。由于暗電流的影響,最終420 ~ 1010 nm波段被保留作為原始光譜數(shù)據(jù)。

1 基于 SPXY 算法的茶多酚含量統(tǒng)計(jì)及樣品分配結(jié)果

1 高光譜成像系統(tǒng)示意圖

隨機(jī)噪聲通常是在獲取光譜時(shí)由外界環(huán)境、儀器響應(yīng)和其他與被測(cè)樣品性質(zhì)無關(guān)的因素產(chǎn)生的,并且光譜數(shù)據(jù)出現(xiàn)無序波動(dòng)。因此,本文采用了SG、MSC、SNVT、FDSDZ分?jǐn)?shù)標(biāo)準(zhǔn)化(ZSS)六種預(yù)處理算法來消除原始光譜數(shù)據(jù)中的噪聲。

本研究使用的SPXY算法是由KSKennard-Stone)算法發(fā)展而來。KS算法將所有樣本看作校準(zhǔn)集的候選樣本,并選擇進(jìn)入校準(zhǔn)集的歐幾里得度量最大的兩個(gè)樣本。然后,通過計(jì)算剩余樣本與校準(zhǔn)集中已知樣本之間的歐幾里得度量,選擇接近選定樣本的兩個(gè)樣本并將其放入校準(zhǔn)集中,重復(fù)上述步驟,直到樣本數(shù)達(dá)到設(shè)定值。在SPXY計(jì)算樣本距離時(shí),同時(shí)考慮了樣本標(biāo)號(hào)(Y)和樣本特征(X)。

所獲得的高光譜數(shù)據(jù)往往包含大量冗余信息,這將對(duì)最終建模的準(zhǔn)確性和效率產(chǎn)生一定的影響。本研究使用六種方法,梯度提升(GB)、自適應(yīng)提升(AdaBoost)、隨機(jī)森林(RF)、分類提升(CatBoost)、LightGBMXgBoost來選擇高光譜特征波段。模型中使用了隨機(jī)森林回歸(RFR)、分類提升回歸(CatBoostR)、LightGBM回歸(LightGBMR)、XGBoost回歸(XGBoostR)和模型集成策略用于預(yù)測(cè)茶多酚。

 

結(jié)論

梯度提升回歸(GBR)用于建模和預(yù)測(cè)原始數(shù)據(jù)和預(yù)處理的光譜數(shù)據(jù)?;诓煌A(yù)處理算法和不同樣本劃分算法的建模結(jié)果如圖2所示。如圖2a所示,校準(zhǔn)集的R2均大于0.96。RAW-KS-GBR模型效果好。FD-KS-GBR模型校準(zhǔn)集R2最大的,為0.9857,但測(cè)試集R2最小,僅為0.6490,表明FD-KS-GBR模型存在嚴(yán)重的過擬合問題。圖2b是基于SPXY劃分?jǐn)?shù)據(jù)集的建模結(jié)果。通過FDSD預(yù)處理光譜數(shù)據(jù)建立的模型校準(zhǔn)集在0.98以上,但測(cè)試集R2不超過0.88。

 

2 不同輸入下GBR模型的預(yù)測(cè)結(jié)果。基于KS劃分?jǐn)?shù)據(jù)集的建模結(jié)果(a)、基于SPXY劃分?jǐn)?shù)據(jù)集的建模結(jié)果(b)。

KS算法比SPXY算法建立的模型更容易出現(xiàn)過擬合,因此SPXY-GBR模型總體上優(yōu)于KS-GBR模型?;趫D2,比較兩種不同的數(shù)據(jù)集劃分方法和六種不同的預(yù)處理算法建模結(jié)果,效果較好的模型是RAW-KS-GBRSG-SPXY-GBRSNVT-SPXY-GBR。SG-SPXY-GBR具有最高的測(cè)試集R2,為0.9365,其校準(zhǔn)集R2也達(dá)到0.9563。這表明,以SG為預(yù)處理算法,SPXY為樣本分割法建立的模型不僅精度高,而且具有更好的魯棒性。綜上所述,最終選擇SG算法對(duì)藏茶原始高光譜數(shù)據(jù)進(jìn)行預(yù)處理。原始光譜曲線RAWSG預(yù)處理后的光譜曲線如圖3所示。

 

3 藏茶光譜曲線。原始數(shù)據(jù)(a);通過SG算法預(yù)處理的數(shù)據(jù)(b);(c)圖為(a)中紅框的放大視圖;(d)圖為(b)中紅框的放大視圖。

SG算法預(yù)處理后的數(shù)據(jù)噪聲有了一定程度的改善,但數(shù)據(jù)中仍有大量與茶多酚含量預(yù)測(cè)無關(guān)的信息。如果不進(jìn)一步提取特征,高維數(shù)據(jù)無疑會(huì)影響模型的準(zhǔn)確性和魯棒性。本研究采用GB、AdaBoost、RF、CatBoostLightGBMXGBoost這六種算法選擇前30個(gè)最重要光譜特征(圖4)。RFCatBoost522.66 nm波長(zhǎng)為第二重要特征,而XGBoost564.55 nm波長(zhǎng)為第一重要特征,在GB中僅排名第五,在AdaBoost中排名第四,在RF中排名第七。不同算法提取的特征波長(zhǎng)大多分布在420 ~ 700 nm之間。試驗(yàn)結(jié)果表明,不同算法提取的特征波長(zhǎng)不同,但也有一定的共性。上述六種算法提取的特征將作為后續(xù)回歸預(yù)測(cè)算法的輸入。

2展示了不同模型的全波段預(yù)測(cè)結(jié)果。CatBoostR模型具有最高的準(zhǔn)確度,在校準(zhǔn)和測(cè)試集上的R2分別為0.95780.9493。RFR模型預(yù)測(cè)效果較差,校準(zhǔn)R2僅為0.9040。

本研究以RFRLightGBMXGBoostR為三個(gè)基礎(chǔ)學(xué)習(xí)模型,以CatBoostR為元學(xué)習(xí)模型,建立了一個(gè)新的stacking預(yù)測(cè)模型(圖5)。表3展示了不同模型的預(yù)測(cè)結(jié)果。與全波段建模結(jié)果相比,即使特征維數(shù)降低,模型性能也沒有相應(yīng)降低。優(yōu)選特征在一定程度上提高了建模精度,并進(jìn)一步提高了模型魯棒性。CatBoostR模型的預(yù)測(cè)精度普遍可以接受,RMSEC小于0.35,RMSEP小于0.45。CatBoost + CatBoostR模型的RMSECRMSEP值更接近。因此,該模型被認(rèn)為是四個(gè)獨(dú)立模型中較好的。本文建立的stacking模型中以CatBoost算法提取的特征作為輸入的模型效果更好。圖6aCatBoost + stacking模型對(duì)藏茶茶多酚含量的預(yù)測(cè)結(jié)果。由于茶多酚含量在7%左右的樣本數(shù)量較少,SPXY沒有在該值附近分配測(cè)試集。因此,在SPXY劃分的數(shù)據(jù)集中,選擇對(duì)應(yīng)于校準(zhǔn)集中茶多酚含量為7.2671%的樣品作為測(cè)試樣本之一,選擇對(duì)應(yīng)于測(cè)試集中茶多酚含量為8.7892%的樣品作為校準(zhǔn)樣本之一。如果替換的數(shù)據(jù)被輸入到CatBoost + stacking模型中,校準(zhǔn)集R20.9686,RMSEC0.2833,測(cè)試集R20.9577RMSEP0.3703。

綜上結(jié)果表明,新建立的stacking預(yù)測(cè)模型比個(gè)體回歸模型性能更優(yōu),可實(shí)現(xiàn)藏茶茶多酚含量的準(zhǔn)確預(yù)測(cè)。

4 由不同算法選擇的特征波段。GBa);AdaBoostb);RFc);CatBoostd);LightGBMe)和XGBoostf)。

2 基于全波段的預(yù)測(cè)結(jié)果

 

5 用于茶多酚預(yù)測(cè)的stacking回歸模型流程

6 基于CatBoost + stacking模型的茶多酚預(yù)測(cè)結(jié)果。更換樣本前的預(yù)測(cè)結(jié)果(a)和更換樣本后的預(yù)測(cè)結(jié)果(b)。

 

作者信息

康志亮,博士,四川農(nóng)業(yè)大學(xué)機(jī)電學(xué)院教授,博士生導(dǎo)師。

主要研究方向:信號(hào)與信息處理、傳感器與檢測(cè)技術(shù)、自動(dòng)控制。

參考文獻(xiàn):

Luo, X., Xu, L.j., Huang, P., Wang, Y.c., Liu, J., Hu, Y., Wang, P., & Kang, Z.l. (2021). Nondestructive Testing Model of Tea Polyphenols Based on Hyperspectral Technology Combined with Chemometric Methods. Agriculture, 11:673-687.

https://doi.org/10.3390/agriculture11070673

日韩精品无码成人专区| 亚洲欧美日韩国产国产A| 国产天美传媒性色AV | 曰的好深好爽好紧的视频| 久久久久高清| 国产色婷亚洲99精品av在| 99久久久国产精品免费无卡顿 | 熟女一区二区三区| 国产精品伦一区二区三级视频| 无码人妻精品一区二区三区66| 18禁免费无码无遮挡不卡网站| 丰满人妻无奈张开双腿AV| av入口| 国产精品沙发午睡系列999| 国产AV国片精品一区二区| 成人无码AV一区二区三区| 悠悠色影院| 亚洲AV无码专区在线电影| 亚洲AV无码AV制服另类专区| 日本靠逼视频| 青青青国产在线观看免费| 国产成人精品午夜福利在线播放 | WW欧日韩视频高清在线| 国产精品久久福利网站| 国产婷婷色一区二区三区在线| 中文无码一区二区视频在线播放量| 福利一区二区三区四区五区无码 | 日产日韩亚洲欧美综合| 亚洲性久久久影院| 日韩久久久久久| 亚洲伊人久久大香线蕉综合图片 | 亚洲精品亚洲人成在线下载| 免费不卡在线观看av| 少妇一级淫片免费放| 超碰最新上传| 国产精品久久久久久麻豆一区| 亚洲人成色77777在线观看| 国产精品影视| 亚洲第一无码专区天堂| 中文字日产幕码三区的做法大全| 亚洲国产欧美在线人成最新|