Гиперспектральная визуализация и ее применение в неразрушающем контроле качества фруктов и овощей

Сяона Ли, Руолан Ли, Мэнъюй Ван, Яру Лю, Баохуа Чжан и Цзюнь Чжоу

Дополнительная информация доступна в конце главы

http://dx.doi.org/10.5772/intechopen.72250

За последнее десятилетие гиперспектральная визуализация быстро развивалась и широко использовалась в качестве нового научного инструмента для неразрушающей оценки качества фруктов и овощей. Метод гиперспектральной визуализации объединяет методы визуализации и спектроскопии в одну систему, и он может получать набор монохроматических изображений на почти непрерывных сотнях тысяч длин волн.

В этой главе представлен подробный обзор внедрения, последних разработок и применений гиперспектральной визуализации в неразрушающем контроле фруктов и овощей.

В этой главе также приводятся соответствующие методы обработки и анализа.


Ключевые слова: гиперспектральная визуализация, фрукты и овощи, неразрушающая оценка качества

1. Введение

В последние годы потребительский спрос на фрукты и овощи имеет тенденцию к диверсификации, и все больше внимания уделяется внешнему качеству яблок. Как правило, к таким свойствам относятся его спелость, размер, вес, форма, цвет, состояние или наличие/отсутствие дефектов, стеблей или стеблей, а также ряд внутренних свойств, таких как сладость, кислотность, текстура, твердость, в том числе другие [1]. Следовательно, четкая, быстрая и объективная система оценки на этапе переработки имеет важное значение для обеспечения качества фруктов и овощей в процессе переработки.

В то же время, управление пищевыми процессами требует мониторинга в режиме реального времени в критических точках обработки [2].

Традиционные методы оптического зондирования, такие как визуализация и спектроскопия, имеют ограничения для получения адекватной пространственной и спектральной информации для неразрушающей оценки пищевых и сельскохозяйственных продуктов. Как правило, обычная визуализация не может получить спектральную информацию, а спектроскопические измерения не могут охватить большую площадь образца. В целом, часто используемые системы машинного зрения для сортировки фруктов и овощей основаны на цветной видеокамере, которая имитирует зрение человеческого глаза, захватывая изображения с помощью трех фильтров, центрированных на красных, зеленых и синих (RGB) длинах волн [3, 4]. Таким образом, они ограничиваются наблюдением за сценами и, как правило, не в состоянии получить много информации о внешнем или внутреннем составе продуктов или обнаружить какие-либо дефекты или изменения, цвет которых похож на цвет звуковой кожи. Кроме того, традиционные методы мониторинга фруктов и овощей с использованием аналитических методов являются слишком трудоемкими, дорогостоящими и требуют уничтожения проб.

За последние годы, с быстрым развитием информатики, обработки изображений и технологий распознавания образцов, появились технологии оптического зондирования как научные инструменты для неразрушающего контроля качества фруктов и овощей. Спектральная и магическая технология, сочетающая в себе традиционные методы визуализации и спектроскопии, позволяет получать пространственную и спектральную информацию от мишени, которая используется для оценки отдельных продуктов питания.

В частности, гиперспектральная визуализация получила широкое распространение и развитие путем интеграции методов спектроскопии и визуализации в систему, которая может получить пространственную карту спектральной изменчивости, что привело к множеству успешных применений в оценке качества фруктов и овощей. Типичное спектральное изображение состоит из набора монохроматических изображений, соответствующих определенным длинам волн, и гиперспектральные изображения имеют естественное преимущество по сравнению с традиционным компьютерным зрением, даже зрением человека [2].

Системы гиперспектральной визуализации могут позволить выделить некоторые особенности внешнего вида, которые трудно или невозможно использовать в традиционных системах компьютерного зрения.

Данная глава посвящена технологиям гиперспектральной визуализации при неразрушающем контроле качества фруктов и овощей. Во втором разделе объясняется и обсуждается обзор, компоненты и различные технологии получения изображений гиперспектральной визуализации. Гиперспектральные изображения генерируют большой объем информации, которая может быть обработана с помощью различных статистических методов[1]. В третьем разделе подробно проиллюстрированы различные методы неразрушающей обработки и анализа. Наконец, обсуждаются области применения этой технологии, и даются выводы.

2. Метод гиперспектральной визуализации

2.1. Общие сведения о гиперспектральной визуализации

Гиперспектральная визуализация, известная также как химическая или спектроскопическая визуализация, представляет собой новую технологию, которая объединяет традиционные изображения и спектроскопию для одновременного получения пространственной и спектральной информации об объекте. Термин «гиперспектральная визуализация» был заимствован из работы в области дистанционного зондирования, ранее упомянутые Goez et al. в [5], для осуществления прямой идентификации поверхностных материалов в виде изображений. Несмотря на то, что изначально гиперспектральная система визуализации разрабатывалась для дистанционного зондирования, постепенно выясняется, что она имеет естественные преимущества перед традиционными системами компьютерного зрения [2] в таких различных областях, как сельское хозяйство [6–9]. С развитием методов оптического зондирования и визуализации гиперспектральная визуализация в последнее время стала научным и эффективным инструментом контроля и оценки качества фруктов и овощей. Целью гиперспектральной визуализации является получение спектра для каждого пикселя изображения сцены с целью обнаружения объектов, идентификации материалов или обнаружения процессов [10]. Для получения высокого спектрального разрешения и узкополосных данных, гиперспектральная визуализация в целом сочетается со спектроскопическим методом, двумерным геометрическим пространством и одномерным детектированием спектральной информации.

2.2. Компоненты системы гиперспектральной визуализации

На рисунке 1 показана схема системы гиперспектральной визуализации, широко используемой в наших исследованиях. Как показано на рисунке 1, типичная система гиперспектральной визуализации обычно состоит из следующих компонентов: источника света (освещения), устройства дисперсии длины волны (спектрографа), детектора площади (камеры), транспортного столика и компьютера с соответствующим программным обеспечением [11].

Источники света для спектральной визуализации обычно можно разделить на две категории: источник освещения и источник возбуждения. Широкополосные источники света обычно используются в качестве источников освещения для визуализации отражения и пропускания, в то время как узкополосные источники света обычно используются в качестве источников возбуждения. Таким образом, освещение является важнейшей частью системы гиперспектральной визуализации. По сравнению с тем, что видно невооруженным глазом, на системы зрения влияет уровень и качество освещения. Осветительные приборы генерируют свет, который освещает инспектируемые объекты, таким образом, производительность системы освещения может в значительной степени влиять на качество изображений и играет важную роль в общей надежности и точности системы [12]. Хорошее освещение может помочь повысить успешность обработки и анализа изображений за счет уменьшения шума, теней, выделения и повышения контрастности изображения [2].

Рисунок 1. Схема системы гиперспектральной визуализации.

Расположение, типы ламп и качество цвета освещения - все это учитывается при выборе наиболее подходящего освещения. Наиболее часто используемыми источниками света являются лампы накаливания, люминесцентные лампы, лазеры и инфракрасные лампы [13].

Устройство дисперсии длины волны является одним из ключевых компонентов гиперспектральной системы визуализации.

Фильтр, решетка и призма являются тремя типичными устройствами для дисперсии длины волны. Эти оптические устройства используются для рассеивания широкополосного света на различные длины волн и проецирования рассеянного света на детектор площади. Принципы призменной и дифракционной решетки проиллюстрированы на рисунке 2. Одним словом, в многопрофильной системе визуализации всегда используется фильтр, а в гиперспектральной системе визуализации широко используются призма и решетка [2]. Кроме того, характеристики пропускающих компонентов (например, призм), как правило, ниже, чем у отражательных оптических компонентов (например, зеркал). Устройство оптической дисперсии длины волны включает в себя [14, 15]: первую подложку; входной блок, сформированный на первой подложке, имеющий щель для приема оптического сигнала; линию решетки, образованную на первой подложке для генерации дифрированного светового пучка оптического сигнала; первый оптический рефлектор, сформированный на первой подложке к выбранному выходному пучку от дифракционной решетки для выхода; и вторую подложку, покрытую сверху входной блок и решетка. Дисперсия длины волны способна к дисперсии широкополосного света на различных длинах волн.

Рисунок 2. Принципы работы дифракционной решетки и призмы.

Типичными примерами являются илтерные колеса, визуализирующие спектрографы, акустооптические перестраиваемые ильтеры, жидкокристаллические перестраиваемые ильтеры, преобразовательные спектрометры и однокадровые тепловизоры [16].

Камера, которая является одним из устройств получения изображений, является еще одним ключевым компонентом системы гиперспектральной визуализации. Он является носителем физической или химической информации и света, генерируемого источником света. Другими устройствами получения изображений, используемыми в пищевых продуктах, являются компьютерная томография (КТ), магнитно-резонансная томография (МРТ), ультразвуковая и электрическая томография [17]. Датчики изображения с зарядовой связью (ПЗС) и комплементарные металлооксидные полупроводниковые (КМОП) являются двумя различными средствами для получения изображения в цифровом виде [2]. ПЗС-матрица — это устройство для перемещения электрического заряда, как правило, изнутри устройства в область, где зарядом можно манипулировать. В ПЗС-матрице пиксели представлены P-легированными полупроводниковыми конденсаторами из оксида металла (МОП). Когда начинается получение изображения, эти конденсаторы смещены выше порога инверсии, что позволяет преобразовывать поступающие фотоны в заряды электронов на границе раздела полупроводник-оксид [18]; затем CCD используется для считывания этих зарядов. КМОП-матрица состоит из миллионов пиксельных сенсоров, каждый из которых включает в себя фотодетектор. Когда свет попадает в камеру через объектив, он попадает на КМОП-матрицу, позволяя каждому фотоприемнику накапливать электрический заряд в зависимости от падающего на него света. КМОП также иногда называют комплементарно-симметричным металл-оксид-полупроводником (COS-MOS). Как правило, КМОП-матрица используется в приложениях с менее высокими требованиями к качеству, а ПЗС-матрица широко используется в медицинских, научных и профессиональных применениях, где требуются высококачественные данные изображения.

По сравнению с традиционной системой компьютерного зрения, устройство дисперсии длины волны и транспортный столик являются дополнительными компонентами гиперспециализированных или мультиспектральных систем компьютерного зрения. Этап трансляции используется для перемещения образца мимо объектива, когда камера захватывает только линию освещаемого объекта.

Компьютер не только используется для управления системой гиперспектральной визуализации для получения, обработки и анализа изображений и спектральных данных для специального применения, но также может обеспечить хранение гиперспектральных изображений. Сканируя всю поверхность образца создается полное гиперспектральное изображение, отображаемое компьютером [19].

2.3. Генерация гиперспектральных изображений

Гиперспектральное изображение представляет собой трехмерный гиперспектральный куб, состоящий из двух пространственных и одной размерности длины волны [20]. Существует три подхода к построению гиперспектральных изображений, основанных на методе, с помощью которого пространственная информация собирается в виде метлы, и перестраиваемого ильтера, известных как точечное сканирование, линейное сканирование и сканирование области соответственно [21], как показано на рисунке 3. Метод точечного сканирования (рис. 3а) представляет собой базовый спектроскопический подход, в котором
точка сканируется по двум пространственным измерениям путем перемещения образца или детектора. При сканировании одной точки образец перемещается к следующей точке измерения, и захватывается другой спектр. Систематически перемещая образец в двух пространственных измерениях, можно получить полное гиперспектральное изображение. Однако он не подходит для быстрого получения изображений, поскольку сканирование множества точек для двух пространственных измерений является трудоемким процессом. Метод линейного сканирования (рис. 3b) можно рассматривать как расширение метода точечного сканирования.

Рисунок 3. Три различных подхода к созданию гиперспектрального изображения. (А) Метод точечного сканирования. (b) Метод линейного сканирования. (с) Метод линейного сканирования.

Таким образом, срез пространственной информации и полная спектральная информация для каждой пространственной точки в линейном поле зрения могут быть получены одновременно. Но метод линейного сканирования требует использования спектрометра изображения, в котором дифракционная решетка рассеивает свет, поступающий через тонкую щель и проецируемый. Продовольственные товары обычно перемещаются линейно по производственной линии [11].

Следовательно, метод линейного сканирования подходит для онлайн-контроля отдельных пищевых продуктов. Метод сканирования по площади (рис. 3c) не требует относительного перемещения между образцом и детектором и обычно используется для получения изображений со стационарной сцены. Камера сканирующего образца обладает преимуществом перед камерой REA-Scan. В отличие от этих камер с областью сканирования, камера линейного сканирования может экспонировать новое изображение, в то время как предыдущее изображение все еще считывает свои данные. Подробное описание методов предварительной обработки данных можно найти в литературе [22, 23].

Как показано на рисунке 4, гиперспектральная система визуализации, как правило, выполняется в режимах отражения, пропускания или взаимодействия в зависимости от специфики светового потока, захваченного гиперспектральной системой визуализации [24]. При внешнем контроле качества плодов и овощей наиболее подходящим подходом считается режим реляции. Положение источника света и оптического детектора (камерального, спектрографа и линзы) различно для каждого режима регистрации [21]. При внешнем контроле качества плодов и овощей наиболее подходящим подходом считается релятивный режим (рис. 4а). В режиме отражения, чтобы избежать зеркального отбора, детектор улавливал переизбранный свет от освещенного образца в виде конформации. Световой колпачок, проходящий через образец, часто очень слабый, но несет более ценную информацию, а детектор расположен на противоположной стороне от источника света. Режим пропускания (рис. 4б) обычно используется для определения концентрации внутренних компонентов и выявления внутренних дефектов относительно прозрачных материалов [16]. Режим взаимодействия (рис. 4c) представляет собой комбинацию сопротивления и пропускания, при которой источник света и детектор расположены на одной стороне образца и параллельны друг другу.

Рисунок 4. Три различных режима для генерации гиперспектрального изображения. (a) Режим реляции. (b) Режим передачи. (c) Режим взаимодействия.

2.4. Характеристики гиперспектральных изображений

В обычных RGB-изображениях невозможно или трудно обнаружить какой-то неочевидный характер качества, который даже не виден человеческому глазу. В отличие от традиционных RGB-изображений, спектральная информация о которых очень ограничена, гиперспектральные изображения содержат обширное монохроматическое изображение [2]. На одном или нескольких монохроматических изображениях неочевидные внешние признаки качества могут быть очень четкими или легко обнаруживаемыми. Гиперспектральные изображения состоят из множества непрерывных полос волн для пространственного положения исследуемого объекта.

На рисунке 5 показан концептуальный вид гиперспектрального изображения, которое содержит стопку двумерных изображений, расположенных друг за другом на различных длинах волн и может быть описано как I(x, y, λ) [21]. На диаграмме видно, что необработанный гиперспектральный куб состоит из серии смежных подизображений, расположенных друг за другом на разных длинах волн [16], и каждое подизображение обеспечивает пространственное распределение спектральной интенсивности на определенной длине волны. Гиперспектральные изображения можно рассматривать либо как спектр I (λ) в каждом отдельном пикселе (x, y), либо как изображение I (x, y) на отдельной длине волны λ. Каждое изображение получает пространственно распределенную спектральную информацию на пиксельном уровне и может быть использовано для анализа биохимической составляющей образца в соответствии с пространственной информацией. Каждый пиксель, содержащий полный спектр, может быть использован для характеристики композиции этого конкретного пикселя.

Рисунок 5. Концептуальный вид гиперспектрального изображения со спектральной и пространственной областями.

2.5. Калибровка гиперспектральных изображений

Гиперспектральная визуализация является полезным инструментом для получения записи необработанной гиперспектральной информации о фруктах и овощах. Однако, из-за различий в квантовой и физической конфигурации камер систем визуализации, нескорректированное излучение для различных систем, даже для одной и той же системы, используемой в разное время, может быть очень разным для одного и того же образца, взятого в одних и тех же условиях [25]. Таким образом, точная калибровка системы гиперспектральной визуализации необходима для обеспечения стабильности и приемлемости извлеченных данных гиперспектральных изображений, а также стабильной работы системы. Исходные гиперспектральные изображения могут быть откалиброваны в режиме отражения на основе черно-белых эталонных изображений. Гиперспектральные изображения отражения R для пространственного пикселя (i) при заданной длине волны рассчитывались по следующему уравнению [26, 27].

где RS, RD и RW — это соответственно необработанные значения интенсивности идентичных пикселей из образца изображения, темного эталонного изображения и белого эталонного изображения. R_i — калиброванное гиперспектральное изображение в единице относительного отражения. Для устранения эффекта темнового тока зона детекторов используется темное эталонное изображение RD (с относительностью ~0%), которое может быть получено при полностью выключенном источнике света и полностью закрытом объективом камеры его нерефлективным непрозрачным черным колпачком [28]. Белое эталонное изображение RW (с отражением ~99%) представляет самые высокие значения интенсивности. RW может быть получен с белой поверхности Telon при условии необработанного изображения.

3. Методы неразрушающего контроля

Спектр может осложняться инструментальным шумом, сложным химическим составом продуктов, факторами окружающей среды и другими источниками изменчивости [19]. Как следствие, для повышения качества данных перед анализом данных необходима предварительная обработка и коррекция спецификаций и изображений [29]. Кроме того, хемометрия имеет решающее значение для извлечения информации и дальнейшей интерпретации полученных данных. Методы спектральной обработки и коррекции, выбор оптимальной длины волны, а также модели обработки и анализа изображений подробно представлены в следующих разделах, как показано на рисунке 6.

Рисунок 6. Низкая диаграмма методов анализа с гиперспектральным изображением.

3.1. Методы спектрального анализа

3.1.1. Методы спектральной предварительной обработки

Спектры образцов овощей зависят от физических свойств, таких как форма, размер и т. д. Это приводит к возникновению базовых сдвигов и шумов в спектрах с широкими областями длин волн при анализе параметров качества [30]. Таким образом, предварительная обработка спектральных данных ближнего инфракрасного диапазона (NIR) стала неотъемлемой частью хемометрического моделирования. Целью предварительной обработки является устранение физических эффектов в спектрах с целью улучшения последующей многомерной регрессии, классификационной модели или исследовательского анализа. Выбор подходящих методов предварительной обработки всегда следует рассматривать в связи с последовательным этапом моделирования. Вся обработка данных, как правило, состоит из нескольких этапов: спектральная предварительная обработка, калибровка модели и валидация модели. Подробное описание методов предварительной обработки данных можно найти в других работах [24, 31]. Некоторые из методов предварительной обработки представлены в следующих разделах.

3.1.1.1. Усреднение

Усреднение по спектрам, как правило, выполняется во время регистрации спектра для уменьшения теплового шума детектора. Количество сканирований зависит от области применения: PDA работает с типичным временем регистрации менее 50 мс, практически не имея времени на получение нескольких сканов в онлайн-классе, в то время как время измерения спектрофотометра PDA менее критично и может усреднять несколько спектров, не влияя на измерение производительности в лаборатории [32]. Усреднение по длинам волн используется для сглаживания спектра или уменьшения числа длин волн. В целом, большинство спектрофотометров могут обеспечить более высокое спектральное разрешение, чем фактическое оптическое разрешение.

3.1.1.2. Центрирование

Для всех практических целей рекомендуется, чтобы данные были центрированы или центрированы по среднему значению. Первым этапом центрирования часто является вычитание среднего значения из каждой переменной. Цель центрирования состоит в том, чтобы гарантировать, что все результаты будут интерпретированы в терминах вариации вокруг среднего значения [32].

Это особенно важно, если переменные значительно различаются по своим относительным величинам, так как значения с наибольшей дисперсией будут предпочтительными при регрессионном анализе.

3.1.1.3. Сглаживание

Сглаживание используется для уменьшения высокочастотного шума от специальных данных и соотношения сигнал/шум без уменьшения количества спектральных переменных. Его принцип заключается в том, чтобы получить оптимальное значение оценки путем усреднения или определения нескольких точек в окне. Чем шире окно, тем ниже спектральное разрешение [24]. Следовательно, важно правильно выбрать ширину окна. Сглаживание улучшает видимость исходных спектров, а также удаляет бесполезную информацию. На основе различных методов сглаживания его можно разделить на сглаживание скользящим средним, гауссовское сглаживание по Ильтеру, срединное сглаживание по Ильтеру и сглаживание по методу Савицкого-Голея (сглаживание S-G) [33, 34]. Различные алгоритмы сглаживания адаптированы к различным специфическим типам шумовых моделей. Другими словами, соответствующий алгоритм сглаживания должен быть выбран в соответствии с содержащейся шумовой ситуацией в реальном изображении.

3.1.1.4. Стандартная нормальная переменная

Стандартная нормальная переменная (SNV) — это строко-ориентированное преобразование, которое способно удалять мультипликативные интерференции из спектральных данных, вызванные влиянием скатера и размера частиц. SNV устраняет эффекты скатера путем центрирования и масштабирования каждого отдельного спектра [35, 36]. Метод предполагает, что поглощение каждой точки длины волны в спектре соответствует некоторому определенному распределению, такому как распределение Гаусса. Каждый спектр может быть откалиброван на основе этого предположения. Сначала из исходного спектра вычитается среднее значение спектра, а затем результат делится на стандартное отклонение [24]. Этот метод широко используется, когда переменные измеряются в различных диапазонах или в различных единицах, и он не может быть использован для спектроскопии NIR, поскольку шум от переменных с малыми стандартными отклонениями может взорваться и привести к ненадежной или неправильной модели.

3.1.1.5. Мультипликативная коррекция скатера

Мультипликативная коррекция скатера (MSC) — метод преобразования, используемый для компенсации аддитивных или мультипликативных эффектов в спектральных данных [36, 37]. Это осуществляется путем коррекции уровня скатера каждого или уровня среднего спектра. Как и в случае с SNV, целью MSC является устранение отклонений, вызванных размером частиц и осеменением [36]. Разница в том, что MSC стандартизирует каждый спектр, используя средний спектр всех спектров, в то время как SNV использует только данные из этого спектра. Таким образом, для воздействия МСК только на каждый спектр коррерентная способность MSC обычно слабее, чем у SNV. При коррекции SNV каждый индивидуальный спектр нормируется до нулевого среднего и единичной дисперсии [32].

3.1.1.6. Коррекция производных

Производная используется для удаления перекрывающихся пиков и сдвигов базовой линии, вызванных изменением размеров частиц и инструментальных условий, чтобы можно было выявить больше деталей в спектрах [31, 32]. Первая производная спектра — это просто мера наклона спектральной кривой в каждой точке [38, 39]. Наклон кривой не зависит от базовых множеств в спектре, и, таким образом, первая производная является очень эффективным методом удаления базовых множеств. Тем не менее, пики в исходных спектрах обычно становятся точками пересечения нуля в первых спектрах производных, что может быть затруднительно для интерпретации. Вторая производная является мерой изменения наклона кривой. В дополнение к игнорированию офсета, на него не влияет какая-либо линейная линия, которая может существовать в данных, и поэтому это очень эффективный метод для удаления из спектра как базовой линии, так и наклона. Вторая производная может помочь различить близлежащие пики и повысить резкость спектральных объектов. Пики в исходных спектрах меняют знак и превращаются в отрицательные пики с лепестками по обе стороны во второй производной. Двумя наиболее часто используемыми спектральными производными являются производная Gap-Segment и производная Савицкого-Голея (S-G) [24].

3.1.1.7. Трансформация

В спектральном анализе преобразование Фурье (FT) и вейвлет-преобразование (WT) часто используются для сжатия, сглаживания и фильтрации данных, а также для извлечения эффективной информации. FT является очень важным методом обработки сигналов, который может реализовать трансформацию между функциями во временной и частотной областях. Его принцип заключается в том, чтобы разложить исходную спецификацию на сумму синусоидальных волн различных амплитуд, частот и направлений. В основе WT лежит идея разложения химических сигналов на масштабные композиции в соответствии с их различными частотами путем применения базисной функции [24]. WT идентичен FT с совершенно отличной функцией заслуг. Основное отличие состоит в том, что FT разлагает сигнал на синусы и косинусы, в то время как WT, напротив, использует функции которые локализованы как в вещественном, так и в Фурье-пространстве [40].

3.1.2. Методы выбора оптимальной длины волны

Благодаря высокому разрешению современных спектроскопических приборов, полученный набор спектральных данных может содержать тысячи переменных/длин волн и сотни или тысячи образцов [41, 42]. Таким образом, гиперспектральная визуализация с помощью алгоритма будет очень трудоемкой из-за большого объема данных. Для того, чтобы упростить сложность вычислений, повысить точность обнаружения и обеспечить требуемую промышленностью скорость контроля, выбор переменной (выбор длины волны) является наиболее необходимым и важным шагом для выбора оптимальных переменных и удаления высококалиброванных переменных [43]. Для этого было разработано множество методов, основанных на различных критериях. Некоторые из них включают в себя соревновательную
адаптивную взвешенную выборку (CARS), случайную лягушку (RF), алгоритм последовательных проекций (SPA), генетический алгоритм (GA) и исключение неинформативных переменных (UVE), которые могут быть реализованы до построения как регрессионных, так и классификационных моделей.

3.1.2.1. Соревновательная адаптивная взвешенная выборка (CARS)

Конкурентная адаптивная взвешенная выборка (CARS) — это новый алгоритм выбора длины волны, использующий принцип «выживания самого многого» из теории эволюции Дарвина [44]. Первоначально он был разработан для выбора информативных длин волн из смежных спектральных данных, специально примененных впервые в спектроскопии ближнего ИК-диапазона. Метод последовательно выбирает подмножества длин волн из прогонов выборки итеративным образом. В основном он состоит из ряда итераций, включающих [45]: (1) выборку модели по методу Монте-Карло (MC), (2) уменьшение длины волны экспоненциально убывающей функцией (EDF), (3) уменьшение длины волны с помощью адаптивной взвешенной выборки (ARS), построение (4) модели с каждым подмножеством выбранных переменных и CV для вычисления ошибки предсказания. На рисунке 7 показана схема алгоритма CARS. Для каждого запуска или итерации MCS четыре шага, упомянутые выше, будут повторяться, получая ошибку для каждого из них. Наконец, подмножество с наименьшим значением RMSECV будет определено как оптимальное подмножество [46]. Ключевые длины волн, выбранные с помощью CARS, рассматриваются как длины волн с большими абсолютными коэфициентами регрессии в многомерной линейной регрессии модели. Функция экспоненциального затухания используется для управления скоростью удержания переменной в алгоритме и имеет потенциал для выбора оптимальной комбинации длин волн.

3.1.2.2. Случайная лягушка (RF)

Алгоритм случайной лягушки (RF) — это полезный метод выбора длины волны, основанный на системе координат обратимой скачковой цепи Маркова Монте-Карло (MCMC) или множественном решении.

Рисунок 7. Нижняя диаграмма конкурентного адаптивного алгоритма взвешенной выборки.

Как и CARS, он работает итеративно. При этом он вычисляет вероятность выбора для каждой переменной. Случайная лягушка работает в три этапа [47, 48]: (1) инициализация случайным образом подмножества переменной V₀, содержащего переменные Q; (2) генерация подмножества переменной-кандидата V*, включающей переменную Q*; принять V* как V 1 с некоторой вероятностью и пусть V ₀ = V ₁; повторять эти процедуры до тех пор, пока не будет инициировано N итераций; и (3) вычисление вероятности выбора каждой переменной, которая может быть использована в качестве меры переменной важности. В то же время, если мы говорим о том Схема показана на рисунке 8. Преимущество случайной лягушки в том, что она не требует строгой математической формулы. И ему не нужно использовать предыдущее распределение в формальных методах MCMC обратимого перехода, что упрощает реализацию и вычисления. Существуют параметры настройки для управления радиочастотными характеристиками, которые могут быть оптимизированы в рутине. Двумя наиболее важными параметрами являются количество переменных, содержащихся в количестве итераций, и начальный набор переменных.

3.1.2.3. Алгоритм последовательных проекций (SPA)

Алгоритм последовательных проекций (SPA), метод прямого выбора, использующий простые о перации в векторном пространстве для минимизации коллинеарности переменных являются новой стратегией выбора переменных в гиперспектральном анализе изображений для многомерной калибровки [49, 50]. Основной целью SPA является отбор волнообразных с минимальной избыточностью [43]. Таким образом, шаги для выполнения SPA заключаются в следующем: (1) выполнение проекций на матрицу N и генерация K цепочек из M переменных в каждой, (2) оценка потенциальных подмножеств переменных, извлеченных из цепочек, генерирующих (3) устранение процедур, направленных на отбрасывание неинформативных переменных без потери способности к прогнозированию. Многие успешные приложения доказали, что SPA является выдающимся подходом к выбору переменных.

Рисунок 8. Нижняя диаграмма алгоритма случайной лягушки.

3.1.2.4. Генетический алгоритм (ГА)

Генетический алгоритм (GA) — это эффективный алгоритм поиска по глобусу. Основываясь на функции, GA представляет собой итеративный процесс, начинающийся с популяции случайно сгенерированных индивидуумов и достигает оптимальных решений с помощью генетических операций, включая кроссинговер, отбор и мутацию [24]. Этапы ГА [51]: (1) создание исходной совокупности наборов переменных путем случайной установки битов для каждой переменной, (2) добавление регрессионной модели PLS к каждому набору переменных и вычисление производительности, (3) выбор набора переменных с более высокой производительностью для выживания, (4) кроссовер и мутация, (5) выжившие и модифицированные наборы переменных из генеральной совокупности. Благодаря такой операции устраняется нерелевантная спектральная информация и уменьшается количество спектральных переменных.

3.1.2.5. Устранение неинформативных переменных (UVE)

Элиминация неинформативных переменных (UVE) — метод отбора переменных, основанный на анализе регрессионного коэффициента PLS. Метод UVE был использован Sun et al. Для получения подробной информации о многих методах отбора переменных следует обратиться к соответствующим источникам [52]. Метод строит большое количество моделей со случайно выбранными калибровочными образцами на начальном этапе, а затем каждая переменная оценивается со стабильностью соответствующих совпадений в этих моделях.

В то же время, если вы не знаете, как это сделать, вы можете быть уверены в том, что вы можете быть уверены в том, что вы можете быть уверены

3.1.3. Калибровочные модели

Методы многомерной регрессии (количественный анализ) направлены на установление взаимосвязи между наблюдаемыми значениями отклика и спектральной матрицей. В наших исследованиях частичный метод наименьших квадратов (PLS) является распространенным многомерным методом, используемым при калибровке спектрокопий данных. Принцип PLS заключается в использовании линейного метода наименьших квадратов. Он строит линейные модели между независимой матрицей X (спектральные данные) и зависимой матрицей Y и оценивает регрессионную коэффициентную матрицу с использованием методов наименьших квадратов. Метод опорных векторов по методу наименьших квадратов (LS-SVM) может работать с нелинейными соотношениями между

Переменные.

3.1.3.1. Частичные наименьшие квадратные площади (PLS)

Частичный метод наименьших квадратов (PLS) широко используется для калибровки в современном хемометрическом анализе. Это неконтролируемый статистический метод, используемый в тех случаях, когда доступен не только массив данных, поступающий из данных X, но и массив Y, который мы хотим получить из наших данных X [32]. Как правило, существует два метода отбора переменных с использованием регрессии PLS: использование важности переменных в оценках результатов и использование регрессионных коэффиентов, оцениваемых с помощью регрессии PLS [54, 55]. Целью PLS-анализа является определение модели линейной регрессии переменных с помощью проекции переменных X и переменных Y в новое латентное пространство, где ковариация между этими латентными переменными максимальна [1]. PLS-анализ может быть выполнен для создания регрессионной модели, ведущей к прогнозированию содержания химических компонентов. PLS учитывает одновременно переменную матрицу Y (значения SSC, pH) и переменную матрицу X (спектральные данные). Как правило, первым шагом в PLS является разложение матрицы, и модель дается:

В этих уравнениях X — спектральная матрица n × m (n — число выборок, m — число длин волн), T и U — матрицы оценки матриц X и Y, P — матрица m × k матрицы X и Q — нагрузка ( l × k), и y — эталонные данные (n × l), которые должны быть заранее предсказаны из X (k — число латентных вариаций), а E и F — ошибки, возникающие в процессе регрессии PLS [43]. Второй шаг заключается в том, что T и U обрабатываются линейной регрессией. Он должен построить следующую линейную корреляцию:

где B представляет собой внутренние отношения между U и T. Для того, чтобы достичь этого объекта, этот объект поворачивается, координата Т.

3.1.3.2. Метод наименьших квадратов опорных векторов (LS-SVM)

Метод опорных векторов наименьших квадратов (LS-SVM) представляет собой набор связанных методов обучения с учителем, которые анализируют данные и распознают образцы, а также используются для классификации и анализа регрессов. Метод PLS может работать только с линейными задачами и строит линейную зависимость между спектральными переменными и целевой химической реакцией, такой как значение SSC. Тем не менее, некоторые исследователи сообщили, что скрытая нелинейная информация может существовать в спектральных данных фруктов, и нелинейные модели лучше, чем линейные. Вычислительная сложность и качество SVM не зависят напрямую от размерности вводных данных. Поэтому для построения нелинейной модели для сравнения производительности прогнозирования с линейными PLS-моделями был применен метод наименьших квадратов (LS-SVM). LS-SVM широко применяется в распознавании образцов и функциональной регрессии благодаря ограниченной избыточности, высокой прогностической надежности и сильной способности к обобщению [24]. Более подробно о методе LS-SVM можно прочитать в работе [56, 57]. Регрессионная модель LS-SVM может быть выражена следующим образом:

где K(x, x k) — функция ядра, x k — входной вектор, α _k — множитель Лагранжа, называемый опорным значением, а b — смещение. Радиальная базисная функция (RBF), которая является часто используемой функцией ядра K(x, x_k), используется в этом исследовании и определяет следующим образом:

В уравнении ‖x k-x‖ представляет собой расстояние между входным вектором и пороговым вектором, а σ — вектор ширины. Как правило, переменные, выбранные методами выбора длины волны, могут быть использованы в качестве входных данных для построения моделей LS-SVM.

3.1.4. Валидация модели

Процедуры валидации имеют решающее значение для оценки точности калибровки и предотвращения чрезмерной нагрузки. Предсказательная способность калибровочной модели может быть оценена по коэффициенту корреляции (r), среднеквадратичной ошибке предсказания (RMSEP) и калибровке (RMSEC) между прогнозируемое значение и измеренное значение в валидационном наборе [24]. Для создания эффективных калибровочных моделей используются различные методы спектральной предварительной обработки и калибровочного моделирования

Как уже было сказано выше, следует исследовать. При перекрестной проверке эффективность прогнозирования также может быть оценена с помощью среднеквадратической ошибки для перекрестной проверки (RMSECV). Эти индексы определяются следующим образом:

где, ŷ – прогнозируемое значение i-го наблюдения, y я — измеренная величина iобсер- я vation, y_m — среднее значение калибровочного или прогнозирующего набора, n, n _c и n_p — соответственно количество наблюдений в наборе данных , калибровочном и прогнозируемом наборах. В общем, хорошая модель должны иметь более высокие корреляционные коэффициенты, более низкие значения RMSEC, RMSEP и смещения [58, 59].

3.2. Методы обработки изображений и анализа

Обработка изображений и анализ изображений рассматриваются как ядро системы гиперспектральной визуализации с различными алгоритмами и методами, доступными для выполнения специального классификации и измерения. Как показано на рисунке 9,обработка и анализ изображений выполняются на трех уровнях. Низкоуровневая обработка является базовой обработкой изображения, которая включает в себя получение и предварительную обработку изображений, и является важным этапом обработки и анализа изображений, который включает в себя извлечение изображений, извлечение признаков, представление и описание [60]; высокоуровневая обработка является ключевым этапом анализа изображений, который включает в себя распознавание, интерпретацию и классификацию [2].

Рисунок 9. Различные уровни обработки изображений.

3.2.1. Методы обработки изображений

Точность оценки качества фруктов и овощей тесно связана с изображениями. Однако из-за несовершенства систем получения изображений полученные изображения подвержены различным дефектам, которые требуют последующей обработки. Обработка изображений играет важную роль в анализе гиперспектральных данных. Обработка изображений включает в себя ряд этапов, которые можно разделить на три основных этапа: предварительная обработка изображений, сегментация и извлечение признаков [61].

Целью предварительной обработки и калибровки изображений является улучшение качества получаемых изображений путем повторного перемещения шума, повышения контрастности и коррекции искажений [2]. Как правило, к часто используемым методам предварительной обработки относятся базовые точечные операции (отображение интенсивности) и выравнивание гистограмм [43]. Основные точечные операции, такие как инверсия яркости и мульти-типическое масштабирование яркости может быть улучшено за счет растягивания уровней яркости в соответствие между входным и выходным уровнями. Выравнивание гистограммы представляет собой сложный метод изменения динамического диапазона и контраста изображения путем изменения изображения таким образом, что его гистограмма интенсивности имеет желаемую форму. Модель гистограммы использует нелинейные и немонотонные передаточные функции для отображения значений интенсивности пикселей входных и выходных изображений. К другим типичным методам предварительной обработки изображений относятся инициализация, преобразование и арифметические операции.

Сегментация изображений является наиболее важным и сложным шагом для разделения изображения на области интереса (ROI). Цель сегментации изображения направлена на упрощение и изменение представления изображения на нечто более осмысленное и легкое для анализа. Сегментация изображений обычно используется для определения местоположения объектов и границ (линий, кривых и т. д.) на изображениях. Точность сегментации изображений играет важную роль в последующей обработке изображений.

Сегментация на основе пороговых значений, сегментация на основе ребер, сегментация на основе регионов и сегментация на основе классификации являются четырьмя основными типами методов сегментации [62–64].

Извлечение признаков является ключевым этапом в соединении между извлечением и анализом изображений, который преобразует данные изображения или сегментированные области в набор векторов признаков. При обработке изображений добавление признаков создает признаки, предназначенные для того, чтобы быть информативными и неизбыточными, облегчая последующий этап обучения и обобщения [65]. При успешном выполнении сегментации изображения, если данные в ROI для алгоритма слишком велики для обработки, это может привести к уменьшению их размерности. Извлечение признаков связано с уменьшением размерности. Таким образом, извлечение признаков имеет решающее значение для точности оценки качества. Как правило, для оценки качества обычно извлекаются особенности формы, текстуры, цвета и размера целевого объекта.

3.2.2. Методы анализа изображений

Анализ изображений — это неразрушающий метод вычисления измерений и статистики, основанный на интересных значениях пикселей изображений и их соответствующем пространственном расположении. Анализ изображения выполняется для объекта, извлеченного из изображения, и интерпретирует результаты. Он использует интуитивно понятные объяснения для отображения изображений и математической обработки изображений, помогая решить проблему компьютерного зрения. Измерение зрения и отцовская классификация являются наиболее важными частями анализа изображений.

Измерение зрения — это метод количественного анализа в анализе изображений. Визуальное измерение — это процесс количественной оценки интересующих параметров по признакам, извлеченным из изображения. Это процесс количественного измерения интересующих параметров на основе характеристик, извлеченных из изображения [66]. Системы компьютерного зрения могут выполнять различные типы измерений. Как правило, типичные измерения включают размер, текстуру и цвет.

Отцовская классификация, также известная как распознавание отцов, представляет собой метод качественного анализа в анализе изображений. Это наука рассуждений, основанная на характеристиках измерения через вероятностный, статистический, вычислительный геометрия, многомерный анализ и алгоритмическое проектирование

При анализе изображений наиболее широко используются контролируемые методы. В большинстве случаев метод классификации с учителем направлен на построение модели или классификатора для классификации надписей по соответствующим признакам, в то время как метод классификации без учителя в основном используется для классификации изображений путем выявления сходства между выбранными признаками и использования алгоритма илюстрирования. К широко используемым методам отцовской классификации в анализе изображений относятся искусственная нейронная сеть (ANN), метод опорных векторов (SVM), метод K-ближайшего соседа (KNN), адаптивный бустинг и дерево решений. ИНС — это инструмент для нелинейного статистического анализа данных, который пытается имитировать отказоустойчивость и способность обучаться биологическим нейронным системам путем моделирования низкоуровневой структуры мозга [1].

ИНС широко используется в гиперспектральном анализе изображений, поскольку она может обрабатывать большое количество различных данных со значительной гибкостью и нелинейностью. Он состоит из набора взаимосвязанных искусственных нейронов, которые похожи на параллельную систему, способную разрешить парадигму, которую не могут решить линейные вычисления. SVM — это контролируемая непараметрическая статистическая модель обучения с ассоциированными алгоритмами обучения, которые анализируют данные и распознают отцов, используемые для классификации и регрессионного анализа. В дополнение к линейной классификации, SVM может использовать так называемую технику ядра для эффективного выполнения нелинейной классификации и неявного отображения входных данных в пространства признаков высокой размерности. Как SVM, AdaBoost является одним из наиболее успешных методов классификации с учителем, целью которого является максимизация минимального запаса обучающей выборки [2]. KNN — это еще один метод классификации без учителя, который способен предсказать реакцию нового образца путем анализа определенного количества ближайших соседей в пространстве признаков образца. В KNN набор данных классифицируется путем минимизации суммы квадратов расстояний между каждой категорией и соответствующим кластерным центроидом [67]. Деревья решений обычно используются при анализе гиперспектральных изображений, чтобы помочь определить стратегию, которая с наибольшей вероятностью приведет к достижению цели.

4. Применения при оценке качества плодоовощной продукции

4.1. Области применения дефектоскопии поверхности

Наличие поверхностных дефектов влияет на качество и цену фруктов и овощей, а также раннее отсеивание фруктов и овощей с серьезными дефектами может предотвратить заражение всего участка. Таким образом, обнаружение поверхностных дефектов является наиболее распространенным применением спектрального анализа изображения к внешнему контролю качества фруктов и овощей.

Визуальный осмотр фруктов и овощей по цвету, текстуре, размеру и форме

Компьютерное зрение уже автоматизировано в коммерческих сортировочных машинах. Однако сортировка по дефектам по-прежнему остается сложной задачей из-за высокой вариативности типов дефектов и наличия вогнутостей стебля и чашечки [68]. Цвет, текстура или внутренние компоненты дефектов могут отличаться от цвета звука; таким образом, цвет, текстура или спектральная отражательная способность обычно выбираются в качестве признаков дефекта, чтобы отличить дефекты от звукового отслаивания. Многие приложения, направленные на выявление дефектов на основе этих признаков, были описаны с использованием гиперспецификаций.

Из-за недостатка спектральной информации в обычных цветных изображениях традиционная система компьютерного зрения не подходит для контроля некоторых дефектов с таким же цветом и текстурой, как и звуковой шелушение, таких как синяки, гниль или холодные травмы. Гиперспектральные и мультиспектральные системы визуализации предоставляют мощные инструменты не только для обнаружения дефектов кожи, но и для дифференциации различных дефектов, имеющих схожий цвет и текстуру, или даже для обнаружения некоторых дефектов, которые не очень хорошо видны [1]. Синяки являются одним из известных дефектов, возникающих на фруктах и овощах на этапе послеуборочной обработки и переработки. Существующие коммерческие сортировочные машины до сих пор не позволяют обнаруживать синяки [69, 70]. Эксперимент по использованию гиперспектральной системы воображения для обнаружения синяков на яблоках был проведен Xing et al. [70]. PCA и PLSDA были использованы для извлечения спектральных и пространственных характеристик из гиперспектральных изображений в области между 400 и 1000 нм. Их эксперимент доказал, что сочетание процесса изображения и хемометрических инструментов имели потенциал для обнаружения синяков на яблоках. Для обнаружения ранних синяков у яблок Baranowski et al. [69] предложили систему, включающую гипертехнические камеры, оснащенные датчиками, работающими в видимом и ближнем инфракрасном (400–1000 нм), коротковолновом инфракрасном (1000–2500 нм) и тепловизионном в средневолновом инфракрасном (3500–5000 нм) диапазонах. Результаты показали, что анализ главных компонент (PCA) и анализ минимальной фракции шума (MNF) изображений позволяет различать участки с дефектами в ткани и звуковые, а быстрый Фурье-анализ последовательностей изображений после импульсного нагрева поверхности плода может дать дополнительную информацию не только о положении участка поврежденной ткани, но и о его глубине.

В неконтролируемых методах номер класса и значение цвета или интенсивности для класса EA CH всегда назначаются случайным образом PCA и MNF. Надежность и стабильность их алгоритмов должны быть протестированы в условиях внутритрубной инспекции.

Кариес является еще одним распространенным дефектом с большим потенциальным риском для потребителей, продавцов и производителей. Для быстрого обнаружения и визуализации раннего распада цитрусовых Li et al. [71] разработали мультиспектральный метод обработки изображений с нормализацией среднего, снижающий спектральную изменчивость за счет сферических плодов. Достигнута общая точность 98,6% для тестового набора без ложных отрицаний. Их идея, лежащая в основе предложенного алгоритма, может быть расширена для обнаружения невидимых повреждений других фруктов. Gómez-Sanchis et al. [72] представляет разработку гиперспектральной системы на основе двух жидкокристаллических перестраиваемых илтеров для получения изображений сферических плодов. Они также разработали систему, которая позволяет быстро и без изменения полученной сцены заменять их. Результаты сегментации системы и распада показаны на рисунке 10. Была достигнута правильная классификация 98% пикселей как гнилых или неротеновых тканей, однако частая смена илтеров снижает точность обнаружения, особенно при работе на сортировочной линии, вращающиеся продукты могут привести к тому, что полученная сцена будет меняться с каждым из фильтров.

Травма – распространенный дефект, возникающий при хранении и транспортировке при низких температурах. Liu et al. [73] разработали систему гиперспектральной визуализации для обнаружения холодного повреждения огурца с помощью методов соотношения полос и PCA. Результаты показали, что любой алгоритм соотношения каналов (Q811/756) или преобразование PCA в спектральной области между 733 и 848 нм могут обнаружить холодное повреждение с точностью более 90%. Ариана и Лу [74] обнаружили, что гиперспектральная визуализация в режиме пропускания показала потенциал для обнаружения внутренних дефектов.

Рисунок 10. Система и результаты сегментации распада, предложенные Gómez-Sanchis et al. (a) Полусферическая камера освещения, используемая для освещения сферических объектов, (b) Система, созданная для облегчения обмена двумя LCTF-изображениями, (c) RGB-изображениями и сегментированными изображениями мандаринов с поражениями распада [72].

Тем не менее, этот метод по-прежнему не может удовлетворить требований к скорости в режиме онлайн из-за необходимости получения и анализа большого количества данных изображений. Они определили до четырехволновых подмножества каналов с помощью алгоритма ветвления и границы в сочетании с ближайшим соседним классификатором. Наибольшая точность классификации 94,7 и 82,9% была достигнута для огурцов и целые соленые огурцы, соответственно.

Однако получение и обработка гиперспектральных изображений занимает много времени, и избыточность данных делает невозможным использование системы гиперспектральной визуализации в режиме реального времени. На самом деле, гиперспектральная визуализация всегда используется для анализа и определения эффективных длин волн для мультиспектральной системы визуализации. На основе гиперспектральных изображений и PCA были выбраны другие длины волн (558, 678, 728 и 892 нм), а затем Xing et al. [75] разработали мультиспектральную систему визуализации для обнаружения синяков на яблоках. Общая точность составила около 86% с помощью их систем и алгоритмов. Коммерческий прототип мультиспектральной визуализации для обнаружения синяков в прямом эфире был разработан Huang et al. [76] в NERCITA, Китай. Сегментированный анализ главных компонентов (PCA) проводится для устранения избыточности данных и выбора оптимальных длин волн. Два дихромных светоделителя, два полосовых фильтра с центром на выбранных длинах волн и три призменных для разработки мультиспектральной системы визуализации были использованы мультиспектральные камеры прогрессивного сканирования 2CCD. Статические и онлайн-тесты оценивались с помощью этой системы, и была достигнута общая точность 91,5% и 74,6% для статического и онлайн-детектирования соответственно.

В таблице 1 приведена подробная сводка исследований по выявлению дефектов фруктов и овощей с помощью систем гиперспектральной визуализации.

4.2. Применение внутреннего измерения параметров качества

4.2.1. Содержание растворимых сухих веществ (SSC)

Содержание растворимых сухих веществ, также называемое общим содержанием растворимых сухих веществ (TSS), является собирательным показателем для измерения сладости [77]. В предуборочный период SSC в значительной степени предсказывает оптимальное время сбора урожая для различных фруктов и овощей, в то время как изменение SSC в течение срока хранения после сбора урожая привело бы к снижению качества фруктов и овощей [77].

Таким образом, содержание растворимых сухих веществ является важным показателем качества при определении зрелости плодов и времени сбора урожая, а также при оценке и сортировке послеуборочного качества яблок [78].

За последние 20 лет было опубликовано множество исследований, посвященных прогнозированию SSC в плодах с использованием спектроскопического метода ближнего инфракрасного диапазона. Leivavalenzuela et al. [79] выступили с докладом о применении метода гиперспектральной визуализации для прогнозирования SSC голубики в видимой и коротковолновой ближней инфракрасной области 500–1000 нм. В данном исследовании были разработаны калибровочные модели с использованием метода наименьших квадратов для прогнозирования SSC, а также оценено влияние ориентации фруктов на производительность модели. Результаты показали, что гиперспектральная визуализация перспективна для онлайн-сортировки и сортировки голубики на SSC. Mendoza et al. [80] разработали две различные системы гиперспектральной визуализации. В работе использовалось несколько методов, в том числе дискретное и непрерывное вейвлет-преобразование, а также традиционный анализ текстур изображений. Наконец, результаты показали, что интеграция спектральных и визуальных признаков для метода гиперспектрального скрещивания значительно улучшила предсказание SSC (с помощью t-критерия) для всех трех сортов, но с меньшей степенью выраженности для SSC.

Таблица 1. Итог исследований по выявлению дефектов фруктов и овощей.

Peng et al. [78] провели исследование системы гиперспектральной визуализации для прогнозирования содержания растворимых соли (SSC) яблок сорта «Голден Делишес», которая была откалибрована как спектрально, так и пространственно. Предложенные ими методы, оценивающие и сравнивающие различные математические модели для описания гиперспектральных наклонностей в спектральной области между 450 нм и 1000 нм, в сочетании с методами коррекции скейтера, могут улучшить гиперспектральную технику оценки качества плодов; Исследование также показало, что функция распределения Лоренца с тремя параметрами, не включающая параметр для асимптотического значения, которое было наиболее подходящим для предсказания как среднеплодности, так и SSC. Rajkumar et al. [110] при трех различных температурах использовали технологию гиперспектральной визуализации в видимой и ближней ИК-областях (400–1000 нм) для изучения SSC бананов.

Такие параметры, как содержание влаги, также были определены и соотнесены со спектральными данными с помощью PLS. Предложенные ими методы, в сочетании с методами коррекции наклона скейтеров, могут усовершенствовать технику гиперспектрального скейтирования для измерения качества плодов банана.

Применение гиперспектральной визуализации в измерении SSC фруктов и овощей может быть найдено и в других продуктах растениеводства, таких как клубника, груши и т. д. [111, 112].

4.2.2. Твердость

Твердость является важным текстурным атрибутом фруктов и непосредственно влияет на срок их хранения и принятие потребителями, а также является важным внутренним показателем качества при определении зрелости плодов и времени сбора урожая, а также при оценке и сортировке послеуборочного качества яблок. Таким образом, неразрушающее зондирование обеспечит фруктовую промышленность средством для обеспечения качества и консистенции отдельных фруктов, повышения удовлетворенности потребителей и, таким образом, улучшения жизнеспособности отрасли [113].

Пэн и Лу [113] предложили десять модифицированных распределений Лоренца с тремя параметрами для характеристики пространственных пройлов по изображениям яблок сорта Голден Делишес. Проведен многолинейный регрессионный анализ для прогнозирования взаимосвязи между параметрами пройла и равномерностью применения. Этот новый метод, в сочетании с методами коррекции навесного оборудования, усовершенствовал гиперспектральную технологию определения качества фруктов и овощей. Fan et al. [114] получили гиперспектральное изображение релекции каждой груши в видимой и инфракрасной (400–1000 нм) областях, используя систему гиперспектральной визуализации для определения SSC груши. В данном исследовании для регрессии PLS использовались переменные, выбранные SPA, CARS и комбинацией CARS и SPA. Общие результаты показали, что CARS-SPA является эффективным способом выбора эффективных переменных, а система гиперспектральной визуализации вместе с моделью CARS-SPA-PLS может быть применена в качестве быстрого и потенциального метода определения SSC груши. Qin et al. [115] измерили поглощение и снижение количества остекляющих яблок с помощью метода гиперспектрального воображения с пространственным разрешением и связали их с раздражительностью плодов. Данное исследование продемонстрировало потенциал использования спектральных абсорбционных и скатных свойств для оценки внутренних показателей качества плодоовощной продукции.

4.2.3. Кислотность/рН

Содержание кислоты часто определяют титруемым методом. Распространенным методом, используемым для измерения производства этилена, является извлечение газовой пробы из внутреннего пространства фруктов или из герметичного контейнера, в котором фрукты хранились в течение определенного периода времени, а затем анализировались с помощью газового хроматографа [116]. Качество фруктов или овощей определяется рядом свойств, таких как кислотность, которая делает их привлекательными для потребителей, очень важна.

Cayuela et al. [117] описали портативный спектрофотометр AOTF-NIR с широким спектральным диапазоном от 1100 до 2300 нм, который был оснащен постдисперсионным оптическим конигуратным и детектором InGaAs, используемым для NIR-прогнозирования содержания влаги в плодах и свободной кислотности. ElMasry et al. [111] определяли кислотность клубники с помощью видимого диапазона системы гиперспектральной визуализации NIR (400–1000 нм). Было обнаружено, что спектральные кривые среднего значения и автоматической коррекции базовой линии улучшают калибровочную модель PLS по сравнению с другими предварительными обработками, такими как сглаживание Савицкого-Голея, МСК и вторые производные.

Rungpichayapichet et al. [118] предложили новую технологию гиперспектральной визуализации с использованием недавно разработанной рамочной камеры, которая была применена для определения внутренних свойств плодов манго, включая среднесердечность, общее содержание растворимых сухих веществ (TSS) и титруемую кислотность (TA). В их исследовании были разработаны прогностические модели с использованием спектральных данных относительной поверхностной отражательности 160 плодов в видимой и ближней ИК-области 450–998 нм, проанализированныхс помощью регрессии PLS. Исходя из их результатов, HSI может быть использован в качестве неразрушающего метода определения качества плодов.

Это потенциально может расширить возможности сортировки при промышленной обработке и переработке манго. Baiano et al. [119] провели определение кислотности у 7 сортов столового винограда с использованием NIR HSI с PLS-моделями, работающими на спектрах коррекции центрирования среднего, и они достигли коэффициентов определения для прогнозирования титруемой кислоты и pH красного винограда и белого винограда. Они пришли к выводу, что спектральная информация не коррелирует с сенсорными данными, что делает трудное предсказание восприятия атрибутов.

В дополнение к этим фруктам было получено применение гиперспектральных изображений кислотности с более широким диапазоном 1000–2300 нм для определения общего жира в говяжьих отрубах с хорошей предсказательной способностью [120]. В другом исследовании Abdel-Nour et al. [121] применили гиперспектральную визуализацию пропускания (900–1700 нм) для классификации яиц на три типа с различным содержанием докозагексаеновой кислоты с использованием анализа K-средних, что привело к 100% точности классификации. Liu и Ngadi [122] обнаружили фертильность и раннее развитие эмбриона куриных яиц с помощью ближнего инфракрасного диапазона гиперспектральной визуализации.

4.2.4. Содержание влаги/воды

Фрукт или овощ состоит из множества различных компонентов, где вода является основным компонентом фруктов и овощей [16]. Содержание влаги влияет на вкус, текстуру, вес, внешний вид и срок хранения фруктов и овощей. Поэтому даже незначительное отклонение от установленного стандарта может отрицательно сказаться на физических свойствах фрукта или овоща. По этим причинам анализ влажности пищевых продуктов оказывает решающее влияние на показатели качества и безопасности [123].

В последнее время гиперспектральная визуализациятакже используется для определения содержания воды в других крупных сортах фруктов и овощей. Mollazade et al. [124] оценили потенциал гиперспектральной визуализации в сочетании с искусственными нейронными сетями для прогнозирования содержания влаги в томе и фруктах и получения карт пространственного распределения. Их работы отображали пространственное распределение содержания влаги в виде цветовой карты, где цвета представляют различные значения прогнозируемого свойства. Наконец, результаты показали, что целесообразность метода, характеризующего пространственное распределение атрибута в плодоовощной продукции. Дун и Гуо [125] предложили технологию гиперспектральной отраженной визуализации в ближней инфракрасной области (900–1,70,002 нм) для оценки содержания растворимых сухих веществ (SSC), раздражительности, содержания влаги и значений pH яблок сорта «Фудзи». Они использовали методы регрессии PLS, LS-SVM и сетевого моделирования с обратным распространением (BP) для создания моделей для прогнозирования SSC, irmness, MC и pH яблок соответственно. Результаты показали, что содержание влаги может быть точно предсказано всеми разработанными моделями.

Firtha et al. [126] описали подход к прогнозированию содержания влаги в ткани моркови. Работа позволила снизить нагрузку на данные гиперспектральных экспериментов за счет использования операторов выборочного вектора для извлечения признаков в реальном времени и систематической процедуры компенсации пикселей в сенсоре ближнего ИК-диапазона. Результаты показали, что подход к прогнозированию влажности моркови осуществим. Кроме того, что мы упоминали выше, гиперспектральная визуализация может быть применена к влажности всех видов фруктов и овощей, таких как клубника и соя [24, 127].

4.2.5. Содержание крахмала

Крахмал является основной формой углеводов в нашей пище, которая присутствует в различных злаках, овощах и фруктах. Во время созревания плодов крахмал превращается в сахар, который придает сладость спелым плодам [128]. Время сбора урожая плодов, соответствующее желаемому коммерческому на практике оценивается с помощью крахмало-йодной пробы [129].

Peirs et al. [130] использовали пороговое значение первого показателя главного компонента для измерения распределения крахмала и крахмального индекса плодов яблони во время созревания. Результаты показали, что концентрация крахмала, полученная в каждом положении плода, непрерывно измерялась по сравнению с дискретными значениями, полученными с помощью традиционного метода.

Предложенный ими метод ускорит внесение, при этом затраты на закупку значительно снизятся и могут рассматриваться как модельная система для картирования качественных характеристик плодов. Menesati et al. [129] исследовали взаимосвязи спектральных изображений ближнего инфракрасного диапазона (NIR), визуально оцениваемых патернов с крахмалом/без крахмала и изображений RGB с помощью PLS-DA для оценки крахмального индекса яблок. Они изучили спектральную область между 1000 и 1 70 002 нм с помощью PLS-DA для оценки крахмального индекса в яблоках. Предложенные ими методы, позволяющие избежать субъективной трактовки определения индекс крахмала, показывают возможность использования БИК-спектроскопии в качестве инструмента определения зрелости плодов.

Chen et al. [131] изучали неразрушающее определение содержания крахмала в картофеле с использованием моделей SPA-MLR и SPA-PLSR соответственно. Результаты показали, что эффективность модели SPA-MLR превосходит эффективность модели SPA-PLSR. Trong et al. [132] использовали крахмальный индекс для оценки оптимального времени варки картофеля. Изменения, вызванные микроструктурой и составом крахмала, обусловили взаимодействие света с гранулами крахмала в различных областях внутри картофеля. В их исследовании был изучен потенциал гиперспектральной визуализации в диапазоне длин волн от 400 нм до 1000 нм в сочетании с хемометрическими инструментами и обработкой изображений для бесконтактного обнаружения фронта варки в картофеле.

4.2.6. Стадии созревания/зрелости

Определение зрелости яблока, соответствующего стадии развития плода, дающего минимально приемлемое качество конечному потребителю, подразумевает измеримые точки в развитии товара и необходимость методов измерения зрелости [133]. Кроме того, что касается внутреннего качества, то для определения урожая крайне важна зрелость времени и оптимизировать пост обработку и окружающую среду [1, 16].

В последние годы сообщается о многих работах по определению зрелости плодов. Примером таких исследований является исследование Rajkumar et al. [110], которые изучали качество плодов банана и стадии зрелости при трех температурах с использованием метода гиперспектральной визуализации в видимой и ближней инфракрасной (400–1000 нм) областях для определения параметров качества, таких как содержание влаги. В своем исследовании они пришли к выводу, что изменение TSS и нормальности банановых плодов, хранящихся при различных температурах в процессе созревания, следует за полиномиальным соотношением и изменением содержания влаги с линейной зависимости на разных стадиях зрелости. А Garridonovell et al. [134] оценили потенциал цифровой RGB и гиперспектральной визуализации для распознавания уровня зрелости яблок. В своих исследованиях, предварительная обработка и PLS-DA применяются к анализу гиперспектральных данных.

В то время как коррекция освещенности, уменьшение размерности и линейный дискриминантный анализ (LDA) применяются для анализа данных RGB. Наконец, они пришли к выводу, что гиперспектральная дискриминация классифицирует различные режимы хранения лучше, чем RGB.

Herrerolangreo et al. [135] разработали автоматическую процедуру, которая способна классифицировать коммерческие персики в соответствии со стадией их зрелости с помощью методов мультиспектральной визуализации. Они проверили и подтвердили процесс оценки зрелости персика с помощью спектральной визуализации, что очень важно для обеспечения качества оптимальной спелости персика. Предлагаемый метод является неразрушающим и быстрым, и, таким образом, он будет иметь хорошую перспективу для его применения в линиях упаковки свежих фруктов. Girod et al. [136] представили неразрушающий и быстрый метод, который может измерять содержание СВ для оценки зрелости авокадо. В работе был проведен анализ плодов авокадо на разных стадиях зрелости с помощью гиперспектральной визуализации в режимах релекции и поглощения. Предложенный метод показал, что достаточно точные модели могут быть получены для содержания СД во всем спектральном диапазоне. Также можно найти применение гиперспектральной визуализации для измерения стадий зрелости плодов и овощей у папайи, томатов и винограда [1, 137, 138].

5. Заключение

В последние десятилетия метод гиперспектральной визуализации быстро развивается и широко применяется для неразрушающей оценки качества фруктов и овощей. В этой главе представлены принципы, разработки и применение технологии гиперспектральной визуализации при контроле качества фруктов и овощей.

В этой главе также приводятся соответствующие методы обработки и анализа. Заглядывая в будущее индустрии быстрой поточной сортировки, гиперспектральная визуализация сталкивается как с проблемами, так и с возможностями. Задачи включают в себя влияние физической и биологической изменчивости, обнаружение всей поверхности, различение дефектов и стеблей/чашечек, обнаружение неочевидных дефектов, надежность признаков и алгоритмов, а также быструю мультиспектральную визуализацию.

Несмотря на то, что в предыдущих исследованиях, проведенных учеными со всего мира, было представлено множество решений для решения сложных задач в области контроля качества фруктов и овощей с использованием метода гиперспектральной визуализации, проблемы, представленные выше, будут оставаться неразрешимыми в течение длительного времени.

Сведения об авторе

Сяона Ли, Руолан Ли, Мэнъюй Ван, Яру Лю, Баохуа Чжан* и Цзюнь Чжоу *Всю корреспонденцию направляйте по адресу: bhzhang@njau.edu.cn

Инженерный колледж, Нанкинский сельскохозяйственный университет, Нанкин, провинция Цзянсу, КНР

Ссылки

[1] Лоренте Д., Алейшос Н., Гомес-Санчис Х. и др. Последние достижения и применение гиперспектральной визуализации для оценки качества фруктов и овощей. Введение в алгоритмы квантовых вычислений. Биркхаузер; 2012. С. 231-252

[2] Чжан Б., Хуан В., Ли Дж., Чжао С., Фань С., Ву Дж., Лю К. Принципы, разработки и приложения компьютерного зрения для внешнего контроля качества фруктов и овощей: Обзор. Международная исследовательская компания по пищевым продуктам. 2014; 62:326-343

[3] Коста К., Антонуччи Ф.,Поллотино Ф., Агуцци Дж., Сан Д.В., Менесати. Анализ формы сельскохозяйственной продукции: обзор последних достижений исследований и потенциального применения к компьютерному зрению. Пищевые и биотехнологические технологии. 2011 г.;4:673-692

[4] Куберо С., Алейшос Н., Молто Э., Гомес-Санчис Х., Бласко Х. Достижения в области применения машинного зрения для автоматического контроля и оценки качества фруктов и овощей. Пищевые и биотехнологические технологии. 2011 г.;4:487-504

[5] Гоез А.Ф., Вейн Г., Соломон Дж.Э., Рок Б.Н. Спектрометрия изображений для дистанционного зондирования Земли. Наука. 1985;228:1147-1153

[6] Арнгрен М., Шмидт М.Н., Ларсен Й. Размешивание гиперспектральных изображений с использованием байесовской неотрицательной матричной факторизации с априорным объемом. Журнал систем обработки сигналов. 2011; 65:479-496

[7] Монтейро С.Т., Минекава Ю., Косуги Ю. Предсказание сладости и содержания аминокислот в посевах сои по гиперспектральным снимкам. Журнал фотограмметрии и дистанционного зондирования ISPRS. 2007 г.;62:2—12

[8] Смаил В.В., Фриз А.К., Везель Д.Л. Химическая визуализация неповрежденных семян с помощью матрицы фокальной плоскости NIR помогает селекции растений. Колебательная спектроскопия. 2006 г.;42:215-221

[9] Уно Ю., Прашер С.О., Лакруа Р., Гоэль.К., Карими Ю., Вио А., Патель Р.М. Искусственные нейронные сети для прогнозирования урожайности кукурузы по данным компактных аэроспектрографических тепловизоров. Компьютеры и электроника в сельском хозяйстве. 2005;47:149-161

[10] Чанг Си. Гиперспектральная визуализация: методы спектрального детектирования и классификации. Издательство «Пленум»; 2003

[11] Цинь Дж., Чао К., Ким М.С., Лу Р., Беркс Т.Ф. Гиперспектральная и мультиспектральная визуализация для оценки безопасности и качества пищевых продуктов. Журнал пищевой инженерии. 2013;118:157-171

[12] Цзэн ХА. Последние разработки и применение гиперспектральной визуализации для оценки качества сельскохозяйственной продукции: Обзор. Критические обзоры в Food Science & Nutrition. 2015 г.;55:1744

[13] Акодагали Дж., Баладжи С. Методы автоматического характеризации фруктов на основе компьютерного зрения и анализа изображений. Биотехнология и биоинженерия. 2012 г.;38:1001-1006

[14] Катман А. Оптическое устройство и связанные с ним методы. In: US. US8411379[С.]. 2013

[15] Ко Ч. Оптическое устройство дисперсии длины волны и способ его изготовления. 2017

[16] Ву Д., Сунь Д.В. Расширенные возможности применения технологии гиперспектральной визуализации для анализа и оценки качества и безопасности пищевых продуктов: обзор – Часть II: Области применения. Инновационная наука о продуктах питания и новые технологии. 2013 г.;19:15-28

[17] Дю С.Дж., Сан Д.В. Последние разработки в области применения технологий обработки изображений для оценки качества пищевых продуктов. Тенденции в пищевой науке и технологиях. 2004 г.;15:230-249

[18] Чоу Р.Х., Хван Дж.Ю., Ли Н.С., Шунг К.К., Вайц А.К. Система и метод определения инвазивности опухоли. США 20140087411 А1 [С]. 2014

[19] Лю Д., Цзэн С.А., Сунь Д.В. Последние разработки и применения гиперспектральной визуализации для оценки качества сельскохозяйственной продукции: Обзор. Критические обзоры в Food Science & Nutrition. 2015 г.;55:1744

[20] Лю З., Цзин В. Гиперспектральный метод детектирования конечных элементов на основе байесовской теории принятия решений. В кн.: Программная инженерия и инженерия знаний: теория и практика. Springer Berlin Heidelberg; 2012. С. 727-732

[21] Элмасри Г., Камруззаман М., Сан Д., Аллен. Принципы и применение гиперспектральной визуализации в оценке качества агропродовольственной продукции: Обзор. Критические обзоры в Food Science & Nutrition. 2012 г.;52:999

[22] Патель Ю.Г., Раджадхьякша М., Димарцио К.А. Оптимизация дизайна зрачков для конфокальной микроскопии с точечным и линейным сканированием. Биомедицинская оптика Экспресс. 2011; 2:2231

[23] Уилсон Т., ОнС. Дж. Визуализация в сканирующих микроскопах с щелевидными детекторами. Журнал микроскопии. 1990 г.;160:115-139

[24] Ван Х., Пэн Дж., Се С., Бао Ю., Юн Х. Оценка качества фруктов с использованием технологии спектроскопии: Обзор. Датчики. 2015 г.;15:11889

[25] Хуан В., Чжан Б., Ли Дж., и др. Раннее обнаружение синяков на яблоках с помощью гиперспектрального изображения в ближнем инфракрасном диапазоне [C]. Международная конференция «Фотоника и имидж в сельском хозяйстве». 2013:87610П

[26] Ли В.Х., Ким М.С., Ли Х., Делвич С.Р., Бэй Х., Ким Д.Ю., Чо Б.К. Гиперспектральная визуализация в ближнем инфракрасном диапазоне для обнаружения физических повреждений груши. Журнал пищевой инженерии. 2014 г.;130:1—7

[27] Фокс Г., Мэнли М. Применение одноядерной традиционной и гиперспектральной спектроскопии изображений в ближнем инфракрасном диапазоне зерновых. Журнал науки о продовольствии и сельском хозяйстве. 2014;94:174-179

[28] Чжан Б., Фань С., Ли Дж., Хуан В., Чжао С., Цянь М., Чжэн Л. Выявление ранней ротации на яблоках с помощью гиперспектральной визуализации в сочетании со спектральным анализом и обработкой изображений. Аналитические методы пищевых продуктов. 2015;8:2075-2086

[29] Чжан С., Чэнь С., Лин З., Чжоу Х., Дин Д.Ю., Ким Ю.С., Сюй Ф. Метод удаления спектральных загрязнений для улучшения анализа данных комбинационного рассеяния света. Научные доклады. 2017; 7:39891

[30] МаГваза Л.С., Опара У.Л., Ньювудт Х., Кронье.Дж., Сайс В., Николай Б. Приложения спектрокопирования NIR для внутреннего и внешнего анализа качества цитрусовых – Обзор. Пищевые и биотехнологические технологии. 2012 г.;5:425-444

[31] Риннан О., Берг Ф.В., Энгельсен С.Б. Обзор наиболее распространенных методов предварительной обработки спектров ближнего инфракрасного диапазона. TrAC – Тенденции в аналитической химии. 2009;28:1201-1222

[32] Николай Б.М., Бёлленс К., Бобелин Э., Пирс А., Сейс В., Терон К.И., Ламмертин Дж. Послеуборочная биология и технология. 2007 г.;46:99-118

[33] Ким Дж.Х., Чунг Г.В., Ли Дж.В., Ким К.С. Оценка производительности двумерного фильтра Савицкого-Голея для сглаживания изображений. 2016

[34] Сунь Т., Сюй В.Л., Линь Дж.Л., Лю М.Х., Хэ С.В. Определение содержания растворимых сухих веществ в пупочных апельсинах с помощью спектров пропускания Vis/NIR диффузы в сочетании с методом CARS. Спектроскопия и спектральный анализ. 2012 г.;32:3229-3233

[35] Барнс Р., Дханоа М., Листер С. Летер: Поправка к описанию стандартных нормальных переменных (SNV) и детрендовых (DT) преобразований в практической спектроскопии с приложениями в анализе пищевых продуктов и посторонних видов – 2-е изд. Журнал ближней инфракрасной спектроскопии. 1993;1:185-186

[36] Дханоа М.С., Барнс Р.Дж., Листер С.Дж. Стандартное нормо-вариационное преобразование и детрендинг спектров диффузного отражения ближнего инфракрасного диапазона. Прикладная спектроскопия. 1989 г.;43:772-777

[37] Малеки М.Р., Муазен А.М., Рамон Х., Джде Б. Мультипликативная коррекция скатера во время оперативных измерений с помощью ближней инфракрасной спектроскопии. Биосистемная инженерия. 2007;96:427-433

[38] Чен Дж.Ю., Чжан Х., Ма Дж., Тучия Т., Мяо Ю. Определение степени деградации жареного рапсового масла с помощью инфракрасной спектроскопии с преобразованием Фурье в сочетании с частичной регрессией по методу наименьших квадратов. Международный журнал аналитической химии. 2015;2015:185367

[39] Уоркман Дж.Дж., Спрингстин А.В. Прикладная спектроскопия: компактный справочник для практиков. 1998 г.

[40] Ганеш А., Джена С.К., Баласубраманиан Г., Прадхан Н. Сравнительное исследование аппроксимации функции с использованием преобразований Фурье и вейвлетов. 2011:784-787

[41] Сунь Т., Линь Х., Сюй Х., Ин Ю. Влияние скорости движения плодов на прогнозирование содержания растворимых сухих веществ груши 'Цуйгуань' (Pomaceae pyrifolia Nakai cv. Cuiguan) с использованием регрессии PLS и LS-SVM. Послеуборочная биология и технологии. 2009;51:86-90

[42] Хуэй Л. Неразрушающее детектирование раздражения киви на основе диффузной спектроскопии ближнего инфракрасного диапазона. Труды Китайского общества сельскохозяйственной техники. 2011 г.;42:145-149

[43] Лю Д., Сунь Д.В., Цзэн С.А. Последние достижения в области методов выбора длины волны для гиперспектральной обработки изображений в пищевой промышленности. Пищевые и биотехнологические технологии. 2014; 7:307—323

[44] Ли Х., Лян Ю., Сюй К., Цао Д. Скрининг ключевых длин волн с использованием конкурентного адаптивного метода взвешенной выборки для многомерной калибровки. Analytica Chimica Acta. 2009; 648:77

[45] Юнь И, Вэй И, Чжао С, У В, Лян И, Лу Х. Зеленый метод количественного катиона полисахаридов в Dendrobium oicinale. РСК развивается. 2015 г.;5:105057-105065

[46] Ян И., Цзинь И., У И., Чэнь Ю. (2016). Применение ближней инфракрасной спектроскопии в сочетании с конкурентной адаптивной взвешенной выборкой по методу частичных наименьших квадратов для оперативного моделирования процесса концентрирования таблетки Вангби 24

[47] Ли Х.Д., Сюй К.С., Лян Ю.З. Случайная лягушка: Метод методологии Монте-Карло с обратимым скачком по цепи Маркова для вариативного отбора с приложениями к селекции генов и классификации заболеваний. Analytica Chimica Acta. 2012;740:20-26

[48] Юнь Ю.Х., Ли Х.Д., Вуд Л.Р., Фань В., Ван Дж.Дж., Цао Д.С., Сюй К.С., Лян Ю.З. Эффективный метод выбора интервала длин волн на основе случайной лягушки для многомерной специальной калибровки. Spectrochimica Acta Part A Молекулярная и биомольная экулярная спектроскопия. 2013;111:31 См.

[49] Араужу MCU, Saldanha TCB, Galvão RKH, Yoneyama T, Chame HC, Visani V. Алгоритм успешных проекций для выбора переменных в спектроскопическом многокомпонентном анализе. Хемометрика и интеллектуальные лабораторные системы. 2001 г.;57:65-73

[50] Ву Д., Сунь Д.В., Хэ Ю. Применение длинноволновой ближней инфракрасной гиперспектральной визуализации для измерения распределения цвета у лососевых илетов. Инновационная наука о продуктах питания и новые технологии. 2012; 16:361-372

[51] Мехмуд Т., Лиланд К.Х., Снипен Л., Себё С. Обзор методов выбора переменных в частичной регрессии по методу наименьших квадратов. Хемометрика и интеллектуальные лабораторные системы. 2012 г.;118:62-69

[52] И В.К., Массарт Д., Норд О.Э., И С.Д., Вандегинсте Б.М., Стерна К. Исключение неинформативных переменных для многовекторной калибровки. Аналитическая химия. 1996 г.;68:3851

[53] Цай В., Ли И., Шао С. Метод выбора переменных, основанный на исключении неинформативных переменных, для многомерной калибровки спектров ближнего инфракрасного диапазона. Хемометрика и интеллектуальные лабораторные системы. 2008;90:188-194

[54] Джузеппе., Паоло., Ханс-Дитер З. Производительность коэффициентов регрессии PLS в выборе переменных для каждого ответа многомерной PLS для данных омиксного типа. Достижения и приложения в биоинформатике и химии – AABC. 2009;2:57-70

[55] Мемуд Т., Мартенс Х., Себё С., Уоррингер Дж., Снипен Л. Алгоритм частичного метода наименьших квадратов для экономного выбора переменных. Алгоритмы молекулярной биологии Amb. 2011;6:27

[56] Лю Ф., Хэ Ю., Ванг Л., Пан Х. Целесообразность использования спектроскопического видимого и ближнего инфракрасного диапазонов для оценки содержания растворимых сухих веществ и рН рисовых вин. Журнал пищевой инженерии. 2007 г.;83:430-435

[57] Суйкенс Дж.А., Вандевалле Й. Классификаторы метода опорных векторов методом наименьших квадратов. Neural Processing Leters. 1999;9:293-300

[58] Линь С., Хуан С. Достижения в области информатики, окружающей среды, экоинформатики и образования. В кн.: Международная конференция, CSEE 2011, Ухань, Китай, 21-22 августа 2011 г. Труды, часть IV. Коммуникации в компьютерных и информационных науках. 2011. С. 218

[59] Шао Ю., Йонг Х. Спектроскопия видимого/ближнего инфракрасного диапазона и хемометрия для прогнозирования уровней микроэлементов (Fe и Zn) в рисовом листе. Датчики. 2013; 13:1872

[60] Цзоу Х., Чжао Д. Неразрушающее измерение в пищевой и сельскохозяйственной продукции. 2015

[61] Шарма Н., Рэй А.К., Шарма С., Шукла К.К., Прадхан С., Аггарвал Л.М. Сегментация и классификация медицинских изображений с использованием текстурно-примитивных признаков: Применение искусственной нейронной сети BAM-типа. Журнал медицинской физики. 2008; 33:119-126

[62] Джекман., Сан Д.В., Аллен. Последние достижения в использовании технологии компьютерного зрения при оценке качества свежего мяса. Тенденции в пищевой науке и технологиях. 2011 г.;22:185-197

[63] Нарендра В.Г., Хариш К.С. Контроль качества и сортировка сельскохозяйственной и пищевой продукции с помощью компьютерного зрения - обзор. Международный журнал компьютерных приложений. 2010 г.;2:43-65

[64] Тина М., Маникавасаган А., Мазершоу А., Хади С.Э., Джаяс Д.С. Потенциал методов машинного зрения для обнаружения фекальных и микробных загрязнений пищевых продуктов: обзор. Пищевые и биотехнологические технологии. 2013 г.;6:1621-1634

[65] Камила Н.К. Справочник по исследованиям новых перспектив в интеллектуальном распознавании, анализе и обработке изображений отцов: Справочник по информатике: IGI Publishing. 2016 г.

[66] Парк Б., Лу Р. Технология гиперспектральной визуализации в пищевой промышленности и сельском хозяйстве. Пищевая инженерия.2015

[67] Шоу-Тейлор Дж., Кристианини Н. Ядерные методы отцовского анализа. Журнал Американской статистической ассоциации. 2004; 101:1730-1730

[68] Унай Д., Госселин Б. Автоматическая сегментация дефектов яблок сорта 'Jonagold' на многовидовых изображениях: сравнительное исследование. Послеуборочная биология и технология. 2006 г.;42:271-279

[69] Барановский., Мазурек В., Возняк Ю., Маевска Ю. Выявление ранних синяков у яблок с использованием гиперспектральных данных и тепловизионной съемки. Журнал пищевой инженерии. 2012 г.;110:345-355

[70] Син Дж., Сайс В., Бердемаекер Дж.Д. Комбинация хемометрических инструментов и обработки изображений для обнаружения синяков на яблоках. Компьютеры и электроника в сельском хозяйстве. 2007; 56:1—13

[71] Ли Дж., Тянь Х., Хуан В., Чжан Б., Фань С. Применение длинноволновой гиперспектральной визуализации ближнего инфракрасного диапазона для измерения содержания растворимых твердых веществ (SSC) в груше. Аналитические методы пищевых продуктов. 2016 г.;9:3087-3098

[72] Гомес-Санчис Х., Лоренте Д., Сория-Оливас Э., Алейшос Н., Куберо С., Бласко Х. Разработка гиперспектральной системы компьютерного зрения на основе двух жидкокристаллических настраиваемых фильтров для инспекции фруктов. Применение для обнаружения гниения цитрусовых. Пищевые и биотехнологические технологии. 2014 г.;7:1047-1056

[73] Лю Ю., Чен Ю.Р., Ван С.Ю., Чан Д.Э., Ким М.С. Разработка метода гиперспектральной визуализации для выявления холодных повреждений у огурцов; спектры и анализ изображений. Прикладная инженерия в сельском хозяйстве. 2006 г.;22:101-111

[74] Ариана Д.., Лу Р.Ф. Оценка внутреннего дефекта и цвета поверхности целых огурцов с помощью гиперспектральной визуализации. Журнал пищевой инженерии. 2010; 96:583-590

[75] Син Дж., Браво К., ЯнксоК.Т., Рамон Х., Де Бердемаекер Д. Обнаружение синяков на яблоках сорта 'Голден Делишес' с использованием гиперспектральной визуализации с несколькими диапазонами волн. Биосистемная инженерия. 2005 г.;90:27-36

[76] Хуан Кью, Чэнь Кью, Ли Х. и др. Неразрушающее определение показателя свежести свинины с использованием метода мультиспектральной визуализации ближнего инфракрасного диапазона. РСК продвигается. 2015 г.;5:95903-95910

[77] Пу Й.Ю., Сунь Д.В., Риччоли К. и др. Перевод калибровки с микро-БИК-спектрометра на гиперспектральную визуализацию: тематическое исследование по прогнозированию содержания растворимых сухих веществ в бананитных плодах (Musa acuminata). Аналитические методы пищевых продуктов. 2017; 1—13

[78] Пэн Ю., Лу Р. Анализ гиперспектральных изображений с пространственным разрешением для оценки насыщенности плодов яблони и содержания растворимых сухих веществ. Послеуборочная биология и технология. 2008 г.;48:52-62

[79] ЛейвавАленсуэла Г.А., Лу Р., Агилера Дж.М. Прогнозирование влажности и содержания растворимых твердых веществ голубики с помощью гиперспектральной визуализации отражения. Журнал пищевой инженерии. 2013 г.;115:91-98

[80] Мендоса Ф., Лу Р., Ариана Д. и др. Интегрированный спектральный и визуальный анализ гиперспектральных данных для прогнозирования яркости плодов яблони и содержания растворимых сухих веществ. Послеуборочная биология и технология. 2011 г.;62:149-160

[81] Унай Д., Госселин Б., Клейнен О., Лиманс В., Дестейн М.Ф., Дебейр О. Автоматическая градация двухцветных яблок с помощью мультиспектрального машинного зрения. Компьютеры и электроника в сельском хозяйстве. 2011 г.;75:204-212

[82] Троп Дж.А., Анешансли Д.Дж., Энгер В.К., Петерсон Д.Л. Оценка качества яблок по поверхностным дефектам: Разработка автоматизированной системы контроля. Послеуборочная биология и технология. 2005;36:281-290

[83] Мель.М., Чен И.Р., Ким М.С., Чан Д.Э. Разработка технологии гиперспектральной визуализации для обнаружения дефектов и загрязнений поверхности яблони. Журнал пищевой инженерии. 2004 г.;61:67-81

[84] Ким М.С., Чо Б.К., Лефкур А.М., Чен Ю.Р., Кан С. Мультиспектральная люодесцентная пожизненная визуализация яблок, загрязненных фекалиями, с помощью лазерно-индуцированной люоресцентной системы визуализации с временным разрешением и настраиваемыми длинами волн возбуждения. Прикладная оптика. 2008;47:1608-1616

[85] Элмасри Г., Ван Н., Виньо К. и др. Раннее обнаружение синяков яблони на различных цветах фона с помощью гиперспектральной визуализации. LWT – Пищевая наука и технология. 2008;41:337-345

[86] Клейнен О., Лиманс В., Дестейн М.Ф. Выбор наиболее подходящих диапазонов длин волн для сортировки яблок 'Jonagold'. Послеуборочная биология и технология. 2003 г.;30:221-232

[87] Гомес-Санчис Х., Гомес-Чова Л., Алейшос Н., Кампс-Вальс Г., Монтесинос-Эрреро К., Молто Э., Бласко Х. Гиперспектральная система для раннего определения ротенности, вызванной Penicillium digitatum у мандаринов. Журнал пищевой инженерии. 2008 г.;89:80-86

[88] Николай Б.М., Лозе Э., Пейрс А., Шеерлинк Н., Терон К.И. Неразрушающее измерение кусачковой ямки в плодах яблони с использованием гиперспектральной визуализации NIR. Биология и технология. 2006;40:1—6

[89] Ариана Д., Гайер Д.Э., Шреста Б. Интеграция мультиспектральной релекторной и люоресцентной визуализации для обнаружения дефектов на яблоках. Компьютеры и электроника в сельском хозяйстве. 2006; 50:148-161

[90] Ким М.С., Чен И-Р, Чо Б-К, К.Хао К., Янг С-С., Лефкур А.М., Чан Д. Гиперспектральная реляционная и люоресцентная линейная визуализация для онлайн-дефектов и фекальных загрязнений яблок. Датчики и контрольно-измерительные приборы для обеспечения качества и безопасности пищевых продуктов. 2007 г.;1:151-159

[91] Ли Д-Дж., ШёнбергеР.Р., Арчибальд Дж., Макколлум С. Разработка системы машинного зрения для автоматической градации даты с использованием цифровой релективной изображения ближнего инфракрасного диапазона. Журнал пищевой инженерии. 2008 г.;86:388-398

[92] Лу Р. Обнаружение синяков на яблоках с помощью гиперспектральной визуализации ближнего инфракрасного диапазона. Транзакции ASAE. 2003 г.;46:523-530

[93] Беннедсен Б.С., Петерсон Д.Л., Табб А. Идентификация дефектов на изображениях вращающихся яблок. Компьютеры и электроника в сельском хозяйстве. 2005; 48:92-102

[94] Беннедсен Б.С., Петерсон Д.Л., Табб А. Идентификация дефектов яблока с использованием анализа компонентов и искусственных нейронных сетей. Транзакции ASABE. 2007 г.;50:2257-2265

[95] ЭльМасри Г., Ван Н., Виньо К. Обнаружение холодных повреждений у красного яблока с использованием гиперспектральной визуализации и нейронных сетей. Послеуборочная биология и технология. 2009;52:1—8

[96] Цинь Дж.В., Беркс Т.Ф., Чжао Х.Х., Нипхадкар Н., Ритенур М.А. Разработка двухполосной системы спектральной визуализации для обнаружения язвы цитрусовых в режиме реального времени. Журнал пищевой инженерии. 2012; 108:87-93

[97] Бласко Дж., Куберо С., Гомес-Санчис Дж., Мира., Молто Э. Разработка машины для автоматической сортировки гранатовых (Punica Granatum) фруктов на основе компьютерного зрения. Журнал пищевой инженерии. 2009 г.;90:27-34

[98] Ли Дж.Б., Рао Х.К., Ин Ю.Б. Обнаружение распространенных дефектов на апельсинах с помощью гиперспектральной визуализации отражения. Компьютеры и электроника в сельском хозяйстве. 2011; 78:38-48

[99] Гомес-Санчис Х., Мартин-Герреро Дж.Д., Сория-Оливас Э., Мартинес-Собер М., Магдалена-Бенедито Р., Бласко Х. Обнаружение гнили, вызванной грибами рода Penicillium, в плодах cit-rus с использованием методов машинного обучения. Экспертные системы с приложениями. 2012 г.;39:780-785

[100] Чжао Дж.В., ОУян К., Чэнь К.С., Ван Дж.Х. Обнаружение синяков на груше с помощью гиперспектрального датчика изображения с различными алгоритмами классификации. Датчики Летеры. 2010 г.;8:570-576

[101] Нагата М., Таллада Дж.Г., Кобаяши Т. Обнаружение синяков с помощью гиперспектрального изображения NIR для клубники (Fragaria × ananassa Duch.). Контроль окружающей среды в биологии. 2006 г.;44:133

[102] Цинь Дж., Лу Р. Обнаружение косточек в вишнях с помощью гиперспектральной просвечивающей визуализации. Транзакции ASAE. 2005; 48:1963-1970

[103] Ван Дж., Накано К., Охаси С. и др. Обнаружение внешних инвазий насекомых в плодах зизифуса с помощью гиперспектральной визуализации ретенденции. Биосистемная инженерия. 2011 г.;108:345-351

[104] Чэн С., Чен И.Р., Тао И., Ван С.Ю., Ким М.С., Лефкур А.М. Новый интегрированный метод PCA и FLD на гиперспектральном изображении имеет дополнительную функцию для контроля повреждения огурцов. Транзакции ASAE. 2004 г.;47:1313-1320

[105] Лю Ю.Л., Чен Ю.Р., Ван С.Ю., Чан Д.Э., Ким М.С. Разработка простого алгоритма обнаружения холодных повреждений у огурцов с помощью гиперспективной визуализации в видимом/ближнем инфракрасном диапазоне. Прикладная спектроскопия. 2005 г.;59:78-85

[106] Гоуэн А.А., О'Доннелл К.., Тагизаде М., Каллен.Дж., Фриас Дж.М., Дауни Г. Гиперспектральная визуализация в сочетании с анализом главных компонентов для обнаружения повреждений синяков на белых грибах (Agaricus bisporus). Журналхемометрики. 2008;22:259-267

[107] Гоуэн А.А., Тагизаде М., О'Доннелл К.. Идентификация грибов, подвергшихся замораживанию, с помощью гиперспектральной визуализации. Журнал пищевой инженерии. 2009 г.;93:7-12

[108] Тагизаде М., Гоуэн А.А., О'Доннелл К.. Потенциал видимого ближнего инфракрасного диапазона спектральная визуализация для различения покровного грунта, ферментативного потемнения и неповрежденных тканей на поверхности грибов (Agaricus bisporus). Компьютеры и электроника в
Сельское хозяйство. 2011; 77:74-80

[109] Ван Ю., Чжан М., Муджумдар А.С. Влияние замены зеленого банана на крахмал на питательность, цвет, текстуру и органолептические качества в двух видах снеков. LWT-Пищевая наука и технология. 2012 г.;47:175-182

[110] Раджкумар., Ванг Н., Эймасри Г., Гсв Р., Гарипи Ю. Исследования качества плодов банана и стадий зрелости с использованием гиперспектральной визуализации. Журнал пищевой инженерии. 2012 г.;108:194-200

[111] Элмасри Г., Ванг Н., Эльсайед А. и др. Гиперспектральная визуализация для неразрушающего определения некоторых атрибутов качества клубники. Журнал «Пищевая инженерия». 2007;81:98-107

[112] Ли Дж., Чжан Б., Чжао С. и др. Качественный анализ содержания растворимых твердых веществ и IRM-качества груши на основе алгоритма последовательных проекций и метода наименьших квадратов опорных векторов. Датчики Летеры. 2014 г.;12:575-580 (576)

[113] Пэн Ю., Лу Р. Улучшение прогнозов влажности плодов яблони путем эффективной коррекции многоспектральных изображений. Послеуборочная биология и технология. 2006 г.;41:266-274

[114] Фань С., Хуан В., Го З., Чжан Б., Чжао К. Прогнозирование содержания растворимых сухих веществ и раздражительности груш с использованием гиперспектральной визуализации ретентности. Аналитические методы пищевых продуктов. 2015 г.;8:1936-1946

[115] Цинь Дж., Лу Р., Пэн Ю. Внутренняя оценка качества яблок с использованием спектрального поглощения и скейтеров. Труды SPIE. 2007 г.;6761, 67610М-67610М-67611

[116] Но Х.К., Лу Р. Гиперспектральная лазерно-индуцированная люоресцентная визуализация для оценки качества плодов яблони. Послеуборочная биология и технология. 2007; 43:193-201

[117] Каюэла Дж.А., Гарк А.Дж.М., Калиани Н. Прогнозирование влажности фруктов, свободной кислотности и содержания масла в неповрежденных оливках в NIR. Grasas Y Aceites. 2009 г.;60:194-202

[118] Рунгпичаяпише., Нэгл М., Юванбун., Хувиджитжару., Махаоти Б., Мюллер Дж. Биосистемная инженерия. 2017 г.;159:109-120

[119] Байано А., Терраконе С., Пери Г. и др. Применение гиперспектральной визуализации для определения физико-химических и органолептических характеристик столового винограда. Компьютеры и электроника в сельском хозяйстве. 2012 г.;87:142-151

[120] Кобаяси К., Мацуи Ю., Маэбучи Ю. и др. Ближняя инфракрасная спектроскопия и гиперспектральная визуализация для прогнозирования и визуализации содержания жира и жирных кислот в неповрежденных кусках говядины-сырца. Журнал ближней инфракрасной спектроскопии. 2010 г.;18:301-315

[121] Абдель-Нур Н., Нгади М. Обнаружение омега-3 жирных кислот в дизайнерских яйцах с помощью гиперспектральной визуализации. Международный журнал пищевых наук и питания. 2011 г.;62:418-422

[122] Лю Л., Нгади М.О. Обнаружение фертильности и раннего развития эмбриона куриных яиц с помощью гиперспектральной визуализации ближней инфракрасной среды. Пищевые и биотехнологические технологии. 2013 г.;6:2503-2513

[123] Пу Ю., Фэн Ю.З., Сунь Д.В. Последние достижения в области гиперспектральной визуализации в области контроля качества и безопасности фруктов и овощей: обзор. Комплексные обзоры в области науки о продуктах питания и безопасности пищевых продуктов. 2015;14:176-188

[124] Моллазаде К., Омид М., Ахлагян-Таб Ф., Мохтасеби С.С., Зуде М. Пространственное картирование содержания влаги в плодах томатов с использованием гиперспектральной визуализации и искусственных нейронных сетей. В кн.: CIGR-Ageng2012: IV Международный семинар по компьютерному анализу изображений в сельском хозяйстве. 2012

[125] Донг Дж., Го В., Ван З. и др. Неразрушающее определение содержания растворимых сухих веществ в яблоках сорта 'Фудзи', произведенных на различных участках и упакованных различными материалами во время созревания. Аналитические методы пищевых продуктов. 2016 г.;9:1087-1095

[126] Фирта Ф., Фекете А., Кашаб Т., Гиллай Б., Ногуланаги М., Ковач З., Кантор Д.Б. Методы повышения качества изображений и снижения нагрузки на данные гиперспектральных изображений ближнего ИК-диапазона. Датчики. 2008 г.;8:3287

[127] Хуан М., Ван К., Чжан М., Чжу К. Прогнозирование цвета и влажности растительной сои во время сушки с использованием технологии гиперспектральной визуализации. Journal of Food Engineering. 2014;128:24-30

[128] Мария Т., Цаниклидис Г., Делис С., Николопулу А.Е., Николудакис Н., Карапанос И., Айвалакис Г. Накопление транскрипта гена и ферментативная активность β-амилаз предполагают участие в обеднении крахмала во время созревания томатов черри. Ген растения. 2016 г.;5:8-12

[129] Менесати., Занелла А., Д'Андреа С., Коста С., Палья Г., Паллотино Ф., Зуде М. Контролируемый многомерный анализ гиперспектральных изображений NIR для оценки крахмального индекса яблок. Пищевые и биотехнологические технологии. 2009 г.;2:308-314

[130] Пейр С. А., Шеерлинк Н., Де Бердемакер Дж. и др. Определение крахмального индекса плодов яблони с помощью гиперспектральной системы визуализации в ближнем инфракрасном диапазоне. Журнал ближней инфракрасной спектроскопии. 2003 г.;11:379-389

[131] Чэнь Ву, Цзянь-Го Хэ, Сяо-Гуан Хэ и др. Неразрушающее определение содержания крахмала в картофеле на основе метода гиперспектральной визуализации в ближнем инфракрасном диапазоне. Журнал Хэнаньского технологического университета. 2014 г.

[132] Тронг Н.Н., Цута М., Никола Б.М. и др. Прогнозирование оптимального времени варки вареного картофеля методом гиперспектральной визуализации. Журнал пищевой инженерии. 2011 г.;105:617-624

[133] Крисосто Ч. Индексы зрелости косточковых культур: описательный обзор. Послеуборочные новости и информация. 1994

[134] Гарридоновелл С., Перезмарин Д., Амиго Дж.М., Фернандесновалес Дж., Герреро Дж.Э., ГарридОваро А. Сортировка и эволюция цвета яблок с использованием RGB и гиперспектральных камер машинного зрения. Журнал пищевой инженерии. 2012 г.;113:281-288

[135] Herrerolangreo A, Lunadei L, Lle L, et al. Мультиспектральное зрение для мониторинга спелости персиков. Журнал науки о продуктах питания . 2011;76:Э178

[136] Жиро Д., Лэндри Дж.А., Дойон Г., Осуна-Гарсия Дж.А., Салазар-Гарсия С., Гоэнага Р. Оценка зрелости авокадо с помощью гиперспектральной визуализации. Карибские продовольственные культуры

Общество. 2008

[137] Гринсилл К., Ньюман Д. Исследование детерминации зрелости папайи (Carica papaya) по спектрам пропускания в ближнем ИК-диапазоне. Журнал ближнего инфракрасного диапазона

Спектроскопия. 1999; 7:109-116

[138] Хулио Н.Б., Хосе Мигель Х.Х., Франсиско Хосе Х. Определение технологического состава винограда и общего фенольного соединения кожицы винограда у красных и белых сортов в период созревания по гиперспектральному изображению ближнего инфракрасного диапазона: предварительный подход. Пищевая химия. 2014 г.;152:586-59