基于高光谱图像的细齿麒麟菜水分含量预测研究

摘要

为实现大型藻类水分含量的快速、准确预测，实现优质海藻种质资源的高效筛选，本研究利用高光谱成像系统采集了243个细齿麒麟菜样品的原始高光谱数据，同时利用传统方法对藻体的含水量进行检测.对高光谱数据使用73种预处理方法，并基于全光谱信息考察了反向传播神经网络（Back Propagation Neural Network, BPNN）、支持向量回归（Support Vector Regression, SVR）、偏最小二乘回归（Partial Least Squares Regression, PLSR）以及岭回归（Ridge Regression, RR）4种机器学习方法对细齿麒麟菜含水量预测效果.结果显示，细齿麒麟菜原始光谱数据经过Savitzky-Golay（S-G）平滑+一阶导数预处理后，结合BPNN方法所建立的含水量预测模型效果最佳，其训练集R_T²为0.999 5，σ_RMSET为0.526 7%；预测集R²_P为0.9767，σ_RMSEP为3.626 6%,δ_RPD为6.546 4.本研究结合高光谱成像技术和机器学习方法构建了适用于细齿麒麟菜含水量的测定方法，实现了对藻株含水量的高通量、准确、无损评估.

关键词

细齿麒麟菜 / 高光谱成像技术 / 含水量 / 光谱预处理 / 机器学习

基金资助

国家自然科学基金(32060829)