基于高光谱图谱融合的蓝莓可溶性固形物含量检测

孙枭雄; 刘大洋; 朱良宽

doi:10.7525/j.issn.1006-8023.2025.03.017

森林工程 ›› 2025, Vol. 41 ›› Issue (03) : 603 -613. DOI: 10.7525/j.issn.1006-8023.2025.03.017

森工技术与装备

基于高光谱图谱融合的蓝莓可溶性固形物含量检测

孙枭雄 ¹^,² ,
刘大洋 ¹ ,
朱良宽 ³^,^*

作者信息 +

Detection of Soluble Solids Content in Blueberries Based on Hyperspectral Image and Spectrum Fusion

Xiaoxiong SUN ¹^,² ,
Dayang LIU ¹ ,
Liangkuan ZHU ³^,^*

Author information +

文章历史 +

PDF (2716K)

摘要

可溶性固形物含量（soluble solids content，SSC）是衡量水果内部质量的重要指标，为此，提出一种基于高光谱图谱融合的无损检测方法，用于预测蓝莓的SSC。采用3种典型的波长降维算法，包括蒙特卡罗无信息变量消除（monte carlo uninformative variable elimination，MC-UVE）、竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）和连续投影算法（successive projections algorithm，SPA），用于筛选有效波长。此外，提出一种结合局部二值模式（local binary patterns，LBP）和灰度共生矩阵（gray level co-occurrence matrix，GLCM）提取图像特征的策略。基于光谱特征、图像特征和融合特征，分别建立偏最小二乘（partial least squares，PLS）、反向传播神经网络（back propagation neural network，BPNN）和支持向量机（support vector machine，SVM）模型进行SSC预测。研究结果表明，利用CARS算法提取的光谱特征融合LBP+GLCM算法提取的图像特征建立的BPNN模型，具有最佳的预测精度。该模型的决定系数（R ²）为0.926 1，均方根误差（root mean square error of prediction，RMSEP）为0.364 1。该研究表明高光谱图谱融合技术在无损预测蓝莓SSC中具有较大应用潜力。