Оценка спелости фруктов с помощью гиперспектральных данных

Аннотация: В данном исследовании для оценки стадий зрелости плодов ахача использовались спектральные данные в диапазоне длин волн 400–780 нм. Статус зрелости плодов ахача был разделен на семь стадий. Для оценки зрелости использовались как средние, так и пиксельные подходы. Точность и n-уровневая точность ошибок каждой стадии зрелости была предсказана с помощью классификационных моделей (машина опорных векторов (SVM), частичный дискриминантный анализ наименьшего квадрата (PLS-DA), искусственная нейронная сеть (ANN) и K-ближайший сосед (KNN)) и регрессионных моделей (частичная наименьшая квадратичная регрессия (PLSR) и регрессия опорного вектора (SVR)) - (Support Vector Machine (SVM), Partial Least Square Discriminant Analysis (PLS-DA), Artificial Neural Network (ANN) and K-Nearest Neighbor (KNN)). Кроме того, было исследовано, как кривизна поверхности плода повлияла на прогнозирование стадии зрелости. При использовании усредненного спектра образцов фруктов точность модели, использованной в этом исследовании, варьировалась от 52,25% до 79,75%, а точность одноуровневой ошибки (94,75–100%) была намного выше. Модель SVM имела самую высокую точность (79,75%), а модель PLSR имела самую высокую точность одноуровневой ошибки (100%). С использованием результатов прогнозирования спелости на основе пикселей и правила большинства точность (58,25–79,50%) и точность одноуровневой ошибки (95,25–99,75%) всех моделей была сопоставима с точностью, предсказанной с использованием усредненного спектра. Результаты прогнозирования на основе пикселей показали, что кривизна плодов может оказать заметное влияние на значения оценки зрелости плодов ахача с низкой или высокой стадией зрелости. Таким образом, использование спектральных данных в центральной области плодов ахача было бы относительно надежным выбором для оценки зрелости. Для плода ахача значение зрелости поверхности плода, подвергающейся воздействию солнечного света, может быть на один уровень выше, чем у поверхности в тени. Кроме того, когда значение зрелости плодов ахача было близко к среднему значению двух смежных значений стадии зрелости, все модели имели высокую вероятность наличия одноуровневых ошибок уровня зрелости. Таким образом, использование модели с высокой одноуровневой точностью ошибки для сортировки было бы практичным выбором для послеуборочной обработки плодов ахача.

Системы машинного зрения, основанные на обычных RGB-изображениях, были приняты для оценки спелости фруктов в течение многих лет. Например, зрелость томатов была классифицирована на основе цветовой гистограммы HSV (цветовая модель Hue, Saturation, Value — тон, насыщенность, значение) и цветовых моментов, извлеченных из RGB-изображений, снятых с помощью системы компьютерного зрения. Комбинация цветового признака и нейронной сети обратного распространения (BPNN) была использована для обнаружения трех уровней зрелости (зеленый, оранжевый и красный) томатов. Cardenas-Perez предложили индекс созревания (RPI) для оценки зрелости яблок (незрелых, зрелых и стареющих). Спелость плодов определяли на основе внешнего окраса с помощью методов обработки изображений [17–19]. Однако на цветовые особенности могут влиять такие факторы, как интенсивность света и время экспозиции цифровой камеры, которые вызывают шум [20]. Кроме того, цветовая разница между промежуточными смежными уровнями зрелости может быть незначительной [21]. Таким образом, может быть трудно различить несколько промежуточных смежных стадий зрелости плодов по RGB-изображениям. В дополнение к использованию цветных цифровых камер для получения RGB-изображений, системы гиперспектральной съемки (HSI) были успешно использованы для оценки зрелости плодов. Системы HSI могут одновременно получать данные как в пространственной, так и в спектральной областях [22]. Созревание плодов обычно включает в себя химические процессы, такие как деградация хлорофилла, изменения дыхания, биосинтез каротиноидов и изменения в производстве этилена [23]. Многие из видимых изменений на протяжении всего процесса созревания приписываются изменениям пигментации, вызванным изменениями содержания хлорофилла и накоплением каротиноидов. По сравнению с использованием RGB-изображений, полученных цифровыми датчиками изображения с широкополосной мозаикой фильтра Байера, изменения стадий зрелости можно лучше наблюдать с использованием данных с высоким спектральным разрешением, полученных гиперспектральными системами, поскольку для плодов без значительной разницы в цвете между промежуточными соседними уровнями зрелости уровень зрелости может быть лучше дифференцирован на основе тонких спектральных сдвигов в измеренных спектрах. Logan et al. использовали RGB-изображения и гиперспектральные изображения для анализа зрелости фруктов и овощей. Результаты показали, что гиперспектральные изображения превосходят изображения RGB по возрастной классификации по всем их протестированным продуктам [24]. Кроме того, Zhang et al. использовали данные гиперспектральных изображений VIS-NIR и NIR для оценки зрелости клубники с тремя уровнями [25], а Wei et al. классифицировали четыре уровня зрелости хурмы, используя данные гиперспектрального изображения VIS-NIR [26].

Модели классификации с помощью машинного обучения с использованием гиперспектральных данных широко использовались для оценки зрелости. Чтобы назвать несколько, машина опорных векторов (SVM) использовалась для оценки зрелости клубники [25] и черники [27]. Искусственная нейронная сеть (ИНС) использовалась для распознавания бананов с четырьмя уровнями зрелости [28]. Для бананов [29] и груш [30]) использовалось мягкое независимое моделирование аналогий классов (SIMCA). Линейный дискриминантный анализ (LDA) применялся к помидорам [31] и яблокам [32]. Целью данного исследования была разработка моделей оценки стадии зрелости с использованием данных HSI для плодов ахача. В этом исследовании использовались как пиксельные, так и усредненные гиперспектральные данные. Исследована эффективность классификационных и регрессионных моделей. Кроме того, было изучено, как кривизна поверхности плода влияет на прогнозирование стадии зрелости.

2. Материалы и методы

2.1. Получение и подготовка гиперспектральных изображений

Для получения спектральных данных плодов ахача была использована специальная система гиперспектральной съемки (HSI). Система состоит из монохромной камеры Basler Ace acA2440-175 um, спектрографа Imaging (Imspector V10E, Spectral Imaging Ltd., Оулу, Финляндия) с зум-объективом с 23-мм C-байонетом (OLE23-f/2.4, Spectral Imaging Ltd., Оулу, Финляндия), двух галогенных ламп, компьютера (процессор Ryzen 9-3900 3900 с тактовой частотой 3,1 ГГц, 32 ГБ памяти) и моторизованной таблицы позиционирования образцов, приводимой в действие серводвигателем переменного тока (SDE-010A2, Shihlin, Тайвань) и ШИМ-сигналы от устройств сбора данных (NI-myDAQ, National Instruments, Austin, TX, США). Спектральные изображения были получены с помощью программы GUI, разработанной в программном обеспечении Labview 2020. Черно-белую калибровку проводили на исходных данных, полученных гиперспектральной системой съемки, для получения относительного отражения [33]. Черные эталонные изображения были получены путем отключения источников света и покрытия объектива черной крышкой, а белые эталонные изображения были получены с использованием белой диффузной доски.

2.2. Образцы Ачача Плоды ачача с различными стадиями зрелости были получены из сада в Пиндуне, Тайвань. Образцы хранились при комнатной температуре (25 ◦C), а гиперспектральные изображения образцов были получены в течение двух дней после сбора образцов. Семь стадий зрелости были использованы для определения различных уровней созревания плодов ахача. Общее количество образцов ахача, использованных в этом исследовании, составило 414. При подготовке данных к обучению и валидации крайности были пронумерованы как стадия зрелости «1» и «7». Затем остальные образцы были отсортированы на пять довольно равных интервалов. Наконец, были отобраны две наиболее репрезентативные выборки семи стадий зрелости для получения данных гиперспектральных изображений для обучения и валидации моделей оценки зрелости. Псевдо-RGB изображения, созданные путем объединения трех длин волн (красный: 622 нм; Зеленый: 530 нм; Синий: 465 нм), из наиболее репрезентативных образцов семи стадий зрелости показаны на рисунке 1. За исключением стадии зрелости 1 (зеленый) или 7 (темно-оранжевый), плоды ахача более или менее имеют смесь цветов или цветовых градиентов с соседней стадией зрелости. На 2 и 3 стадиях зрелости поверхность плодов ахача состоит из смешанных цветов зеленых и желтых пятен. Для плодов ахача на стадиях зрелости от 2 до 6, поскольку воздействие солнечного света может ускорить изменение цвета поверхности плода, сторона, подвергшаяся воздействию солнечного света, обычно имела более спелый вид, чем у противоположной стороны для того же плода.

Рисунок 1. Семь стадий зрелости плодов ахача

Рисунок 2. (а) RGB-изображение плодов ахача, (b) полная маска, содержащая образец плода и (c) эродированную маску для определения области интереса (ROI) для оценки зрелости.

Чтобы создать маску для отделения образца фруктов от фона, модель классификации ANN была обучена отличать пиксели фруктов от фоновых пикселей с использованием данных HSI (рисунок 2b). Кривизна плодов ахача привела к искажению интенсивности во время сканирования. Интенсивность спектральных данных пикселей вблизи границы была низкой. Там изображение маски было размыто от границы, чтобы удалить пиксели, принадлежащие к областям искажения сильной интенсивности (рисунок 2c). Потому что стадии спелости ачачения интенсивности искажения областей (рисунок 2с). плоды были визуально назначены специалистами-людьми, в этом исследовании использовались спектральные данные в диапазоне длин волн 400–780 нм.

2.3. Подготовка данных обучения и валидации

Для каждой стадии зрелости случайным образом было выбрано 20 000 помеченных точек данных из региона, определенного эродированной маской двух наиболее репрезентативных образцов плодов ахача, показанных на рисунке 1; данные были разделены на обучающие и валидационные наборы. Обучающий набор использовался для обучения моделей, а проверочный набор — для выбора гиперпараметров.

2.4. Модели оценки зрелости

Классификационные модели широко использовались для классификации стадии зрелости плодов. Например, при использовании RGB-изображений помидоры классифицировали по 3 уровням зрелости [15]; используя данные гиперспектрального изображения, пупочные апельсины и окры были классифицированы на 3 уровня зрелости [34,35]. Однако в целом классификационные модели используются для прогнозирования дискретных уровней [34,35]. Однако в целом классификационные модели используются для прогнозирования дискретных меток, а регрессионные модели используются для прогнозирования непрерывных величин. Созревание меток и регрессионные модели используются для прогнозирования непрерывных величин. Цвет плодов ахача непрерывно меняется от зеленого до желтого и до темно-оранжевого при созревании; оценку стадии спелости плодов ахача можно считать регрессионной проблемой. В этом исследовании для определения стадии зрелости плодов ахача использовались как классификационные модели (Машина опорных векторов (SVM), Частичный дискриминантный анализ наименьшего квадрата (PLS-DA), искусственная нейронная сеть (ANN) и K-ближайший сосед (KNN)) - (Support Vector Machine (SVM), Partial Least Square Discriminant Analysis (PLS-DA), Artificial Neural Network (ANN) and K-Nearest Neighbor (KNN)), так и регрессионные модели. Для регрессионных моделей прогнозируемые уровни были получены путем округления выходных данных регрессии до ближайшего целочисленного значения.

PLSR проецирует как независимые, так и зависимые переменные на новые пространства, чтобы найти направление, в котором независимые переменные могут объяснить зависимые переменные как можно больше. PLSR снимает ограничение многократной линейной регрессии для коррелированных данных и, следовательно, эффективен для использования в качестве регрессионной модели для полноволновых гиперспектральных данных [5]. PLS-DA был разработан на основе алгоритма частичного наименьшего квадрата (PLS) для целей классификации. Для двоичных задач PLS-DA выполняется путем обучения модели PLSR с фиктивными переменными, представляющими 2 класса, а затем их разделения, например, путем порогового значения. В многоклассовых задачах применяется схема «один против остальных». Базовые алгоритмы PLS использовались для прогнозирования параметров зрелости [29,30,36] и зрелости, таких как твердость [26], индекс созревания (RPI) и внутренний индекс качества (IQI) [37]. В данном исследовании оптимальное количество компонентов для PLS и PLS-DA было получено путем выполнения оценки наименьшей средней квадратичной ошибки (LMSE) на наборе данных валидации. SVM является популярной моделью для классификации спелости [25,27] благодаря своей способности хорошо работать с ограниченным количеством образцов. Двоичная модель SVM пытается найти разделяющую гиперплоскость, которая может разделять 2 класса с наибольшим полем к опорным векторам. В этом исследовании многоклассовый SVM выполнялся по схеме «один против одного». Поддержка векторной регрессии (SVR) является регрессионной версией SVM. Вместо того, чтобы рассматривать все ошибки прогнозирования, SVR игнорирует ошибки, меньшие порога, определенного ε нечувствительной трубкой [38], поэтому он становится менее чувствительным к шуму, а также более надежным [39]. SVR использовался для прогнозирования параметров, связанных с зрелостью, таких как концентрация антоцианов, индекс pH и содержание сахара в винных ягодах винограда [40]. Трюк ядра обычно применяется для SVM и SVR для решения нелинейно разделяемых проблем. В этом исследовании ядро радиальной базисной функции (RBF) использовалось для моделей SVM и SVR.

KNN - это модель, которая может быть использована как для классификации, так и для регрессии. Без обучения прогнозирование новых точек данных основано на K ближайших точках обучения, где K — число рассматриваемых ближайших соседей. При оценке спелости широко используется классификационная форма KNN [27,29]. В этом исследовании K был выбран как 1, и было использовано стандартизированное евклидово расстояние. ANN широко используется во многих областях, включая классификацию зрелости [28,41,42]. Модели ANN могут различать классы с помощью тренировочных весов и смещений с использованием обратного распространения. В этом исследовании структура модели ANN имела 3 слоя, включая входной слой (381 узел), скрытый слой (500 узлов, функция активации ReLU) и выходной слой (7 узлов, функция активации Softmax).

2.5. Классификация на основе пикселей и одноуровневое прогнозирование ошибок

При выполнении оценки стадии зрелости с использованием данных с съемочных устройств, таких как цветные ПЗС-камеры или гиперспектральные системы, использование среднего значения данных изображения из интересующей области (ROI) в качестве единой точки данных для представления всего плода для обучения и прогнозирования является распространенным методом, принятым исследователями. С использованием среднего спектра каждого образца плодов клубника была классифицирована по 3 уровням зрелости по SVM [25]. Бананы были классифицированы на 3 стадии зрелости с использованием среднего спектра, усредненного по ROI двух сторон с удаленными концом и концом стебля [29]. Помидоры были классифицированы на 4 стадии зрелости с использованием среднего спектра, представляющего каждый образец, усредненный от 100 × 100 пикселей в центре ROI [20]. Однако для плодов, которые имеют неравномерное цветовое распределение на определенных стадиях зрелости, использование усредненных данных может привести к потере информации, связанной со смешанным цветом и цветовым градиентом, и может привести к неправильным прогнозам. Чтобы решить проблему неоднородного цвета, Amirulah et al. [43] и Garcia et al. [44] используют пиксельный подход для исследования стадий созревания звездного фрукта и помидора. Polder et al. использовали пиксельный подход для классификации томатов на 5 уровней зрелости. Помимо точного прогноза, рассматривалось и одноуровневое предсказание ошибок. Зрелость образца определялась с помощью правила большинства всех пикселей в маске, а также исследовалась одноуровневая точность ошибки [45]. Процесс созревания плодов ахача представляет собой непрерывную прогрессию, и нет четких границ разделения между последовательными стадиями зрелости. Кроме того, плоды ахача более или менее имеют смесь цветов или цветовых градиентов между соседними стадиями зрелости. В этом исследовании для изучения стадии зрелости плодов ахача использовались как средний, так и пиксельный подходы. Исследованы точность (названная в данном исследовании точной точностью) и n-уровневая точность погрешности моделей оценки стадии зрелости. Для n-уровневой точности ошибки (n — положительное целое число) предсказанная стадия зрелости в пределах n-уровня выше или ниже фактической метки считалась правильной. Формула для расчета точности n-уровневой погрешности выглядит следующим образом:

Где n − уровень − точность погрешности = Число предсказаний | Прогнозируемый уровень <− Фактический уровень| Общее число прогнозов

Кроме того, для подхода, основанного на пикселях, было также изучено, как кривизна плодов влияет на прогнозы зрелости.

3. Результаты и обсуждение

3.1. Спектральные характеристики различных стадий зрелости

Средние спектры семи стадий зрелости плодов ахача показаны на рисунке 3. Для плодов ахача на стадиях зрелости 1 и 2 хорошо видно быстрое изменение отражательной способности в ближнем инфракрасном диапазоне (красный край). Для плодов на стадии зрелости 1 (зеленый) поверхность плодов полностью зеленая, а хлорофиллы являются доминирующими фотосинтетическими пигментами. Пик отражательной способности (или максимум хлорофилла) и плоская часть спектра расположены на длинах волн, соответствующих локальным минимальным и максимальным длинам волн поглощения (550 нм и 670 нм) хлорофилла соответственно [46,47]. На стадии зрелости 2 наблюдается явный разрыв цвета от зеленого до желтого; однако цвет поверхности не является однородным. Отражательная способность спектра выше, чем у 1 стадии из-за появления бета-каротина; однако пик поглощения и долина хлорофилла все еще можно наблюдать. Большая часть поверхности не зеленая на стадии зрелости 3; вместо хлорофиллов доминирующим пигментом является бета-каротин. Хотя пик поглощения (670 нм) хлорофилла все еще можно наблюдать, отражение спектров на длине волны более 520 нм выше, чем у фруктов на стадиях зрелости 1 и 2, поскольку бета-каротин имеет низкое поглощение света с длиной волны выше 520 нм. Для плодов ахача на стадии зрелости 4-7 отражательная способность спектра или цвета зависит от состояния разрушения хлорофилла и каротина. В целом молекулы каротина более стабильны, чем молекулы хлорофилла.

Рисунок 3. Спектры 7 уровней зрелости

3.2. Среднеспектральный подход с использованием алгоритмов регрессии и классификации

Реальная точность и n-уровневая погрешность шести моделей оценки спелости с использованием усредненных спектральных данных ROI каждого плода показаны на рисунке 4. Реальная точность всех моделей, используемых в этом исследовании, колеблется от 52,25% до 79,75%. По сравнению с другими моделями, модели на базе PLS имели самую низкую точность. В этом исследовании оптимальное количество компонентов, выбранных с помощью наименьшей средней квадратичной ошибки (LMSE) в наборе данных проверки, для PLSR и PLS-DA составляет 26 и 48 соответственно. Степени точности PLS-DA и PLSR составляют 57,25% и 64,25% соответственно. Кроме того, модели на основе опорных векторов имели высочайшую точность. Степени точности SVR и SVM составляют 79,75% и 75,75% соответственно. Из всех моделей точность одноуровневой ошибки намного выше, чем реальная точность. Кроме того, регрессионные модели имеют более высокую одноуровневую точность ошибок, чем классификационные модели. Как одноуровневая погрешность PLSR, как и SVR выше 99%. Причина, по которой регрессионные модели имеют более высокую одноуровневую точность ошибок, может заключаться в том, что регрессионные модели сохраняют информацию о порядке уровней зрелости. По сравнению с классификационными моделями большинство неверных прогнозов регрессионных моделей попадают в соседние уровни зрелости, а не в другие.

Рисунок 4. а) Реальная точность и точность n-уровневой погрешности шести моделей оценки зрелости с использованием усредненных спектральных данных и b) крупный план точности прогнозирования.

Модель PLSR имеет самую высокую точность одноуровневой погрешности (100%); однако модель PLS-DA имеет самую низкую одноуровневую точность ошибок. Более того, PLS-DA является единственным алгоритмом с погрешностью прогнозирования выше 2-уровневой (0,75% и 0,25% для трех- и четырехуровневых ошибок соответственно). Хотя PLS-DA обычно использовался для прогнозирования зрелости с высокой точностью с использованием усредненного спектра [29,30,36], представляется, что он не подходит для оценки зрелости плодов ахача. На рисунке 5 показана реальная точность и точность n-уровневой ошибки шести моделей оценки зрелости с использованием пиксельного прогнозирования и подхода, основанного на правилах большинства. Для классификационных моделей вывод пикселей рассматривается как метки уровня зрелости; правило большинства может быть применено к результатам классификации для получения уровня зрелости плодов. Поскольку для регрессионных моделей значение зрелости каждого пикселя является вещественным числом, результаты классификации были преобразованы в метки уровня зрелости перед применением правила большинства. Правила преобразования следующие. Для пикселя со значением зрелости менее 1,5 уровень зрелости равен 1; для пикселя со значением зрелости в интервале [n − 0,5, n + 0,5), где n — целое число, колеблется от 2 до 6, уровень зрелости равен n; а для пикселя со значением зрелости, равным или превышающим 6,5, уровень зрелости равен 7. Точные и n-уровневые погрешности шести моделей, использующих пиксельное прогнозирование и правило большинства, сопоставимы с точностью шести моделей, использующих средний спектр. Таким образом, одни и те же спектральные данные на основе пикселей могут быть использованы для классификации дефектов (при необходимости) и оценки зрелости, и нет необходимости готовить дополнительный средний спектр для оценки зрелости. - - - н р 0,5, n + 0,5), где n — целое число в диапазоне от 2 до 6, уровень зрелости — n; и для пикселей при значении спелости, равном или превышающем 6,5, уровень зрелости равен 7. Точный и n-уровень Точность ошибок шести моделей, использующих пиксельное прогнозирование и правило большинства, — COM притча к тем из шести моделей, использующих средний спектр. Таким образом, одни и те же спектральные данные пиксельной базы могут быть использованы для классификации дефектов (при необходимости) и оценки зрелости, и нет необходимости готовить дополнительный средний спектр для оценки зрелости.

Рисунок 5. а) Реальная точность и точность n-уровневой погрешности шести моделей оценки зрелости использование пиксельного прогнозирования и правила большинства и (b) крупного плана точности прогнозирования.

Поскольку выходы спелости регрессионных моделей (SVR и PLSR) являются реальными числами, дополнительно применяя правило большинства к результатам классификации на основе пикселей для получения уровня зрелости плода, среднее или среднее значение результатов прогнозирования на основе пикселей также может быть использовано для получения стадии зрелости плодов. В этом исследовании среднее значение результатов прогнозирования на основе пикселей было округлено до целого числа, чтобы быть уровнем зрелости плодов ахача. На рисунке 6 показана реальная точность и точность n-уровневой ошибки регрессионных моделей с использованием среднего и мажоритарного правила результатов прогнозирования на основе пикселей. Как для среднего, так и для мажоритарного подхода SVR имеет более высокую точность; однако PLSR имеет более высокую точность одноуровневой ошибки. PLSR, использующий средний подход, имеет самую высокую одноуровневую точность ошибок, а модель PLSR намного быстрее (около 400 раз), чем модель SVR в этом исследовании. Поэтому пиксельный подход с использованием модели PLSR больше подходит для онлайн-приложений сортировки в режиме реального времени, если допустима одноуровневая ошибка. Модель PLSR намного быстрее (примерно в 400 раз), чем модель SVR в этом исследовании.

Рисунок 6. Реальная точность и точность n-уровневой ошибки регрессионной модели с использованием (a) среднего и (b) правила большинства для результатов прогнозирования на основе пикселей.

3.3. Влияние кривизны на оценку спелости

При выполнении гиперспектральной съемки с использованием равномерного освещения отраженный свет от областей вблизи края объекта с изогнутой поверхностью будет значительно снижен [48] и может иметь нежелательные артефакты [49]. В этой работе к гиперспектральным данным образцов плодов ахаха был применен алгоритм коррекции эффекта искривления поверхности без уменьшения интенсивности, поскольку для коррекции требуется информация о форме плода, которая должна быть получена с помощью дополнительного устройства, такого как 3D-профилометр. На рисунке 7 показан эффект, полученный с помощью дополнительного устройства, такого как 3D-профилометр. Результаты прогнозирования на основе пикселей образцов с низкими, средними и высокими уровнями зрелости, оцененных с использованием моделей PLSR и SVR, показаны на рисунке 7b, c соответственно. Кривизна плодов оказывает аналогичное влияние на результаты оценки зрелости обеих моделей; однако влияние кривизны на зрелость двух моделей не является одинаковым. Для плодов, которые имели низкую стадию зрелости, эффект кривизны смещает значения зрелости к более высоким значениям для модели PLSR и к более низким значениям для модели SVR, соответственно. Кривизна плодов не оказывает очевидного влияния на значения оценки зрелости обеих моделей для плодов средней спелости. Кроме того, кривизна плодов стадии высокой спелости перемещает значения зрелости на более низкие значения для обеих моделей. Однако влияние на модель SVR, показанное на рисунке 7c, является более серьезным. Следует отметить, что для обеих моделей результаты оценки зрелости центральных областей образцов являются относительно последовательными, за исключением того, что значения зрелости, прогнозируемые PLSR, несколько выше, чем те, которые прогнозируются SVR для плодов с высоким уровнем зрелости. Вышеупомянутые результаты свидетельствуют о том, что использование спектральных данных в центральной области плодов ачача было бы относительно надежным вариантом для оценки зрелости. В этом исследовании оригинальная маска плода была разрушена алмазным структурирующим элементом со 101 × размером ядра 101. В зависимости от размера плодов, от 50% до 65% площади было размыто.

На рисунке 8 показаны нормализованные гистограммы (ширина бина = 0,01) и стандартные отклонения распределения значений спелости пикселей в ROI типичных образцов фруктов на разных стадиях зрелости, прогнозируемых моделями PLSR и SVR. Формы гистограмм модели PLSR по сравнению с формами модели SVR ближе к нормальному распределению. Однако стандартные отклонения модели SVR были значительно ниже, чем у модели PLSR, и причина может заключаться в том, что SVR может игнорировать меньшие ошибки и, следовательно, менее чувствительны к шуму [38,39]. Образец с третьей стадией зрелости имеет наибольшее стандартное отклонение и широко распространенные результаты классификации на основе пикселей, и, таким образом, образец более подвержен возникновению одноуровневой ошибки. Причина, по которой плоды на третьей стадии зрелости имели наибольшее стандартное отклонение значения зрелости, может быть связана с комбинированными эффектами цветового градиента, вызванного неравномерным воздействием солнечного света и смешанным цветом между соседними стадиями зрелости.

Рисунок 7. а) RGB-изображения образцов с низкой, средней и высокой стадиями зрелости. Значения зрелости, оцениваемые с использованием моделей (b) PLSR и (c) SVR.

Рисунок 8. Нормализованные гистограммы распределения значений зрелости типичных образцов плодов на различных стадиях зрелости, классифицированные по (а) моделям PLSR и (b) SVR. c) соответствующие стандартные отклонения гистограмм.

Регрессионные модели, использующие пиксельный подход, имеют высокую одноуровневую точность ошибок; однако применение различных статистических методов к одним и тем же результатам классификации на основе пикселей может привести к различным уровням зрелости. Три типичных случая, показанных на рисунке 9, используются для иллюстрации того, как распределение значений зрелости пикселей и статистические методы влияют на результат классификации плодов ахача.

Рисунок 9. Оценка спелости образцов плодов на основе результатов классификации с использованием различных статистических методов. Результаты гистограмм предсказания спелости на основе пикселей, которые (a,b) близки к гауссовскому распределению и (c) негауссовскому распределению.

Из рисунка 9a,b видно, что для плодов с гистограммами пиксельных результатов прогнозирования, близкими к гауссовским распределениям, средние значения зрелости близки к значению зрелости, соответствующему пикам гистограмм. Если среднее значение значений зрелости образца находится далеко от границ интервалов, используемых для расчета режима, уровни зрелости, прогнозируемые с использованием среднего или модального значений зрелости, будут одинаковыми.

С другой стороны, если среднее значение близко к границе интервалов, уровни зрелости, предсказанные с использованием среднего или режима, имеют высокую вероятность того, что они будут отличаться на один уровень. Например, как показано на рисунке 9a, среднее значение зрелости (6,045) плода находится далеко от границ (5,5 и 6,5), используемых для вычисления режима, и, таким образом, уровни зрелости, прогнозируемые с использованием средних значений или значений моды зрелости, одинаковы (стадия 6). Напротив, среднее значение зрелости (5,504) плодов, показанное на рисунке 9b, лишь немного выше верхней границы (5,5) интервала для расчета режима, поскольку 51,09% и 48,62% пикселей имели значения зрелости в интервалах 4,5, 5,5 и 5,5, 6,5 соответственно, уровень зрелости, предсказанный при использовании среднего значения зрелости, на один уровень выше, чем прогнозируемый с использованием режима гистограммы. Эта конкретная выборка была правильно предсказана на уровне 5 с помощью режима, поскольку распределение пятого уровня на 2,47% выше, чем на уровне 6. Однако он был ошибочно классифицирован как уровень 6 с использованием среднего значения зрелости из-за длительного распространения гистограммы с правой стороны. Для плодов с негауссовскими распределениями гистограммы значения зрелости, показанной на рисунке 9c, стандартное отклонение гистограммы больше, чем у плодов с гауссовскими распределениями гистограммы значения зрелости. Таким образом, уровень зрелости, рассчитанный с использованием большинства голосов (режим) или округленное среднее (среднее), может иметь более высокую вероятность того, что он будет отличаться.

Одна вещь, которую следует отметить, заключается в том, что пиксели дефектов при выполнении классификации на основе пикселей на поверхности плода могут иметь аномальные значения зрелости, которые намного выше или ниже, чем значение зрелости, которое должен иметь плод. Для плодов с небольшой площадью (площадями) дефектов, которые не были отсеяны алгоритмом сортировки, очень аномальные значения зрелости на небольшой площади могут оказать более значительное влияние на расчет значения зрелости на основе среднего, а не режима. Поэтому для плодов ахача с незначительными дефектами использование режима для получения уровня зрелости из результатов классификации на основе пикселей может быть более надежным, чем использование среднего значения.

Хотя простой визуальный осмотр человеческим зрением позволяет инспекторам выполнять сортировку фруктов на стадии зрелости, количественная оценка может быть улучшена и стандартизирована, если проверяемые фрукты можно сравнить с каким-либо стандартом. Таким образом, были разработаны цветовые диаграммы, чтобы сделать оценку зрелости плодов более объективной и позволить нормализовать измерения различными инспекторами. Фотография, показанная на рисунке 1, может быть использована инспекторами в качестве диаграммы зрелости для измерения стадии зрелости плодов ахача. Ничего не стоит, что созревание плодов – это непрерывный процесс. Когда значение зрелости близко к границам n − 0,5, n + 0,5 интервала для расчета режима, с использованием человеческого зрения, машинное зрение с RGB-камерой гиперспектральной системы визуализации для классификации стадии зрелости имеет высокую вероятность возникновения одноуровневых ошибок зрелости. Например, стадии зрелости образца, показанные на рисунке 10b,d, были определены экспертами-людьми соответственно как четыре и шесть; однако статусы зрелости этих образцов, предсказанные всеми моделями, являются стадией 5 (на один уровень выше или ниже назначенных стадий зрелости соответственно). Кроме того, для плодов ахача на стадиях зрелости от двух до шести значения зрелости лица, подвергающегося воздействию солнечного света, могут быть на один уровень выше, чем у лица в тени при использовании текущей семиуровневой шкалы зрелости. По этой причине разделение статуса зрелости ахачи на несколько стадий (уровней) ограничило бы использование для улучшения оценки зрелости плодов ахача. Принимая во внимание вышеупомянутые обстоятельства, использование моделей с высокой одноуровневой точностью ошибок для онлайн-сортировки плодов ахачи было бы более практичным вариантом.

Рисунок 10. (а,с,е) Образцы плодов контрольных стадий четыре, пять и шесть. b) образцы фруктов с четвертой стадией зрелости, отнесенные и классифицированные всеми моделями как пятая стадия зрелости. d) образцы фруктов с шестой стадией зрелости, отнесенные к пятой стадии зрелости и классифицированные всеми моделями как пятая стадия зрелости.

Стоит отметить, что для регрессионных моделей значения зрелости являются вещественными числами, поэтому значение зрелости (n + 0,5) в средней точке двух смежных уровней зрелости (n и n + 1) может быть присвоено подходящим плодам специалистами-людьми и объединено спектральные данные с набором обучающих данных для улучшения модели без увеличения числа уровней зрелости. Кроме того, хотя уровень зрелости n был присвоен пикселям со значением зрелости в интервале [n − 0,5, n + 0,5), этот интервал может быть скорректирован в соответствии с конкретными требованиями к выходу ступени зрелости, если это необходимо, без повторного обучения регрессионных моделей. Таким образом, по сравнению с классификационными моделями для определения уровня зрелости плодов [17–19], регрессионные модели могут иметь большую гибкость при их развертывании на линии сортировки фруктов.

В этом исследовании для оценки стадии зрелости плодов использовалась только спектральная отражательная способность. Однако физико-химические свойства плодов ачача, имеющих одинаковую окраску или спектральную отражательную способность из разных хозяйств, могут более или менее изменяться в зависимости от различных сортов и факторов окружающей среды [50]. Поэтому оценка других свойств спелости, таких как SSC [51,52], Total Soluble Solids (TSS) [53] и кислотность [54,55], может помочь оценке созревания плодов ахача. Тем не менее, преимущества использования цветовых или спектральных особенностей для оценки зрелости плодов являются неинвазивными и быстрыми, поэтому они подходят для онлайн-обработки после сбора урожая. В будущем исследовании свойства зрелости, полученные в результате инвазивных тестов, таких как SSC, TSS и титруемая кислотность, могут быть объединены со спектральными данными для уточнения моделей оценки зрелости.

4. Выводы

Данные гиперспектрального изображения были использованы для оценки семи стадий зрелости плодов ахача. Модели классификации и регрессии машинного обучения использовались для оценки точности и точности n-уровневой ошибки стадий зрелости. Спектральные данные, используемые для обучения и валидации, были отобраны из двух наиболее репрезентативных образцов плодов ахача на каждой стадии зрелости. Помимо использования усредненного спектра образцов фруктов для прогнозирования стадии зрелости, для оценки стадии зрелости также использовались результаты прогнозирования спелости образцов фруктов на основе пикселей. При использовании усредненных спектральных данных модели на основе опорных векторов (SVM и SVR) имеют более высокую точность, чем другие модели, а модели на основе PLS (PLSR и PLS-DA) имеют самую низкую точность. Кроме того, регрессионные модели (PLSR и SVR) имеют самую высокую одноуровневую точность ошибок. С использованием результатов прогнозирования спелости на основе пикселей и правила большинства точность и точность одноуровневой ошибки всех моделей, используемых в этом исследовании, сопоставимы с точностью и точностью одноуровневой ошибки, предсказанной моделями, использующими усредненный спектр. Таким образом, те же пиксельные спектральные данные могут быть использованы для оценки спелости и классификации дефектов (при необходимости) плодов ахача. Созревание плодов является непрерывным процессом. Когда значение спелости плодов ахача близко к среднему значению двух соседних значений стадии зрелости, все модели имеют высокую вероятность наличия одноуровневых ошибок зрелости. Использование высокоуровневых моделей точности ошибок было бы практичным вариантом для послеуборочного процесса плодов ахача. PLSR имеет высочайшую одноуровневую точность ошибок и не имеет погрешности стадии зрелости более одного уровня. Кроме того, скорость прогнозирования модели PLSR является быстрой. Поэтому пиксельный подход с использованием модели PLSR подходит для онлайн-приложений сортировки в режиме реального времени. Для плодов с низкими или высокими стадиями зрелости кривизна плода оказывает заметное влияние на значения оценки зрелости. Таким образом, использование только спектральных данных в центральной области плодов ахача было бы относительно надежным выбором для оценки зрелости. Чтобы улучшить модели оценки зрелости, свойства зрелости, полученные в результате инвазивных тестов, могут быть объединены со спектральными данными для обучения моделей машинного обучения.



Ссылки:

Toivonen, P.M. Fruit maturation and ripening and their relationship to quality. Stewart Postharvest Rev. 2007, 3, 1–5. [CrossRef]

Nunes, R.; Broering, M.F.; De Faveri, R.; Goldoni, F.C.; Mariano, L.N.B.; Mafessoli, P.C.M.; Delle Monache, F.; Cechinel, V.; Niero, R.; Santin, J.R.; et al. Effect of the metanolic extract from the leaves of Garcinia humilis Vahl (Clusiaceae) on acute inflammation.

Inflammopharmacology 2021, 29, 423–438. [CrossRef] [PubMed]

Almeida, R.L.J.; Santos, N.C.; Alves, I.L.; Andre, A.M.M.C.N. Evaluation of thermodynamic properties and antioxidant activities

of Achachairu (Garcinia humilis) peels under drying process. Flavour. Frag. J. 2021, 36, 213–222. [CrossRef]

Valero, D.; Serrano, M. Growth and ripening stage at harvest modulates postharvest quality and bioactive compounds with

antioxidant activity. Stewart Postharvest Rev. 2013, 3, 7.

Li, B.; Lecourt, J.; Bishop, G. Advances in Non-Destructive Early Assessment of Fruit Ripeness towards Defining Optimal Time of

Harvest and Yield Prediction-A Review. Plants 2018, 7, 3. [CrossRef] [PubMed]

Birth, G.S.; Norris, K.H. An instrument using light transmittance for nondestructive measurement of fruit maturity. Food Technol.

1958, 12, 592–595.

Gonzalez-Araiza, J.R.; Ortiz-Sanchez, M.C.; Vargas-Luna, F.M.; Cabrera-Sixto, J.M. Application of electrical bio-impedance for the

evaluation of strawberry ripeness. Int. J. Food Prop. 2017, 20, 1044–1050. [CrossRef]

Llobet, E.; Hines, E.L.; Gardner, J.W.; Franco, S. Non-destructive banana ripeness determination using a neural network-based

electronic nose. Meas. Sci. Technol. 1999, 10, 538. [CrossRef]

Choi, K.; Lee, G.; Han, Y.J.; Bunn, J.M. Tomato Maturity Evaluation Using Color Image-Analysis. Trans. Asae 1995, 38, 171–176.

[CrossRef]

Yang, H.Q. Nondestructive Prediction of Optimal Harvest Time of Cherry Tomatoes Using VIS-NIR Spectroscopy and PLSR

Calibration. Adv. Eng. Forum 2011, 1, 92–96. [CrossRef]

Sivakumar, S.S.; Qiao, J.; Wang, N.; Gariépy, Y.; Raghavan, G.S.V.; McGill, J. Detecting Maturity Parameters of Mango Using

Hyperspectral Imaging Technique; American Society of Agricultural and Biological Engineers: St. Joseph, MI, USA, 2006.

Lleo, L.; Barreiro, P.; Ruiz-Altisent, M.; Herrero, A. Multispectral images of peach related to firmness and maturity at harvest. J.

Food Eng. 2009, 93, 229–235. [CrossRef]

Flitsanov, U.; Mizrach, A.; Liberzon, A.; Akerman, M.; Zauberman, G. Measurement of avocado softening at various temperatures

using ultrasound. Postharvest Biol. Technol. 2000, 20, 279–286. [CrossRef]

El-Bendary, N.; El Hariri, E.; Hassanien, A.E.; Badr, A. Using machine learning techniques for evaluating tomato ripeness. Expert

Syst. Appl. 2015, 42, 1892–1905. [CrossRef]

Wan, P.; Toudeshki, A.; Tan, H.Q.; Ehsani, R. A methodology for fresh tomato maturity detection using computer vision. Comput.

Electron. Agric. 2018, 146, 43–50. [CrossRef]

Cardenas-Perez, S.; Chanona-Perez, J.; Mendez-Mendez, J.V.; Calderon-Dominguez, G.; Lopez-Santiago, R.; Perea-Flores, M.J.;

Arzate-Vazquez, I. Evaluation of the ripening stages of apple (Golden Delicious) by means of computer vision system. Biosyst.

Eng. 2017, 159, 46–58. [CrossRef]

Mohammadi, V.; Kheiralipour, K.; Ghasemi-Varnamkhasti, M. Detecting maturity of persimmon fruit based on image processing

technique. Sci. Hortic. 2015, 184, 123–128. [CrossRef]

Kheiralipour, K.; Nadimi, M.; Paliwal, J. Development of an Intelligent Imaging System for Ripeness Determination of Wild

Pistachios. Sensors 2022, 22, 7134. [CrossRef] [PubMed]

Azadnia, R.; Kheiralipour, K. Evaluation of hawthorns maturity level by developing an automated machine learning-based

algorithm. Ecol. Inform. 2022, 71, 101804. [CrossRef]

Jiang, Y.P.; Chen, S.F.; Bian, B.; Li, Y.H.; Sun, Y.; Wang, X.C. Discrimination of Tomato Maturity Using Hyperspectral Imaging

Combined with Graph-Based Semi-supervised Method Considering Class Probability Information. Food Anal. Methods 2021,

14, 968–983. [CrossRef]

Arias, R.; Lee, T.C.; Logendra, L.; Janes, H. Correlation of lycopene measured by HPLC with the L*, a* b* color readings of a

hydroponic tomato and the relationship of maturity with color and lycopene content. J. Agric. Food Chem. 2000, 48, 1697–1702.

Wang, H.T.; Hu, R.; Zhang, M.Y.; Zhai, Z.Q.; Zhang, R.Y. Identification of tomatoes with early decay using visible and near

infrared hyperspectral imaging and image-spectrum merging technique. J. Food Process Eng. 2021, 44, e13654. [CrossRef]

Prasanna, V.; Prabha, T.N.; Tharanathan, R.N. Fruit ripening phenomena–An overview. Crit. Rev. Food Sci. Nutr. 2007, 47, 1–19.

Riley, D.L.; Bryan, S.; Jacob, S.; Neil, S.W.; Amy, P.; John, W.S.; Joseph, A.S. Hyperspectral imaging and machine learning for

monitoring produce ripeness. In Proceedings of the Sensing for Agriculture and Food Quality and Safety XII, Online, 22 April

2020; p. 114210O.

Zhang, C.; Guo, C.T.; Liu, F.; Kong, W.W.; He, Y.; Lou, B.G. Hyperspectral imaging analysis for ripeness evaluation of strawberry

with support vector machine. J. Food Eng. 2016, 179, 11–18. [CrossRef]

Wei, X.; Liu, F.; Qiu, Z.J.; Shao, Y.N.; He, Y. Ripeness Classification of Astringent Persimmon Using Hyperspectral Imaging

Technique. Food Bioprocess Technol. 2014, 7, 1371–1380. [CrossRef]

Yang, C.; Lee, W.S.; Gader, P. Hyperspectral band selection for detecting different blueberry fruit maturity stages. Comput. Electron.

Zhao, W.; Yang, Z.; Chen, Z.; Liu, J.; Wang, W.C.; Zheng, W.Y. Hyperspectral Surface Analysis for Ripeness Estimation and Quick UV-C Surface Treatments for Preservation of Bananas. J. Appl. Spectrosc. 2016, 83, 254–260. [CrossRef]

Pu, Y.Y.; Sun, D.W.; Buccheri, M.; Grassi, M.; Cattaneo, T.M.P.; Gowen, A. Ripeness Classification of Bananito Fruit (Musa acuminata, AA): A Comparison Study of Visible Spectroscopy and Hyperspectral Imaging. Food Anal. Methods 2019, 12, 1693–1704. [CrossRef]

Khodabakhshian, R.; Emadi, B. Application of Vis/SNIR hyperspectral imaging in ripeness classification of pear. Int. J. Food Prop. 2018, 20, S3149–S3163. [CrossRef]

Polder, G.; van der Heijden, G.; Young, I. Hyperspectral image analysis for measuring ripeness of tomatoes. Trans. ASAE 2000, 45, 1155–1161.

Zhang, M.S.; Zhang, B.; Li, H.; Shen, M.S.; Tian, S.J.; Zhang, H.H.; Ren, X.L.; Xing, L.B.; Zhao, J. Determination of bagged 'Fuji' apple maturity by visible and near-infrared spectroscopy combined with a machine learning algorithm. Infrared Phys. Technol. 2020, 111, 103529. [CrossRef]

Van Der Heijden, G.W.; Polder, G.; Gevers, T. Comparison of multispectral images across the Internet. In Proceedings of the Internet Imaging, San Jose, CA, USA, 26–28 January 2000; pp. 196–206.

Wei, X.; He, J.C.; Ye, D.P.; Jie, D.F. Navel Orange Maturity Classification by Multispectral Indexes Based on Hyperspectral Diffuse Transmittance Imaging. J. Food Qual. 2017, 2017, 1023498. [CrossRef]

Xuan, G.T.; Gao, C.; Shao, Y.Y.; Wang, X.Y.; Wang, Y.X.; Wang, K.L. Maturity determination at harvest and spatial assessment of moisture content in okra using Vis-NIR hyperspectral imaging. Postharvest Biol. Technol. 2021, 180, 111597. [CrossRef]

Shao, Y.Y.; Wang, Y.X.; Xuan, G.T.; Gao, Z.M.; Hu, Z.C.; Gao, C.; Wang, K.L. Assessment of Strawberry Ripeness Using Hyperspectral Imaging. Anal. Lett. 2020, 54, 1547–1560. [CrossRef]

Munera, S.; Amigo, J.M.; Blasco, J.; Cubero, S.; Talens, P.; Aleixos, N. Ripeness monitoring of two cultivars of nectarine using VIS-NIR hyperspectral reflectance imaging. J. Food Eng. 2017, 214, 29–39. [CrossRef]

Drucker, H.; Burges, C.J.; Kaufman, L.; Smola, A.; Vapnik, V. Support vector regression machines. In Advances in Neural Information Processing Systems; MIT Press: Cambridge, MA, USA, 1996; Volume 9.

Awad, M.; Khanna, R. Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers; Springer Nature: Berlin/Heidelberg, Germany, 2015.

Silva, R.; Gomes, V.; Mendes-Faia, A.; Melo-Pinto, P. Using Support Vector Regression and Hyperspectral Imaging for the Prediction of Oenological Parameters on Different Vintages and Varieties of Wine Grape Berries. Remote Sens. 2018, 10, 312. [CrossRef]

Azarmdel, H.; Jahanbakhshi, A.; Mohtasebi, S.S.; Munoz, A.R. Evaluation of image processing technique as an expert system in mulberry fruit grading based on ripeness level using artificial neural networks (ANNs) and support vector machine (SVM). Postharvest Biol. Technol. 2020, 166, 111201. [CrossRef]

Jaramillo-Acevedo, C.A.; Choque-Valderrama, W.E.; Guerrero-Alvarez, G.E.; Meneses-Escobar, C.A. Hass avocado ripeness classification by mobile devices using digital image processing and ANN methods. Int. J. Food Eng. 2020, 16, 20190161. [CrossRef]

Amirulah, R.; Mokji, M.; Ibrahim, Z. Starfruit color maturity classification using Cr as feature. In Proceedings of the 2010 Sixth International Conference on Signal-Image Technology and Internet Based Systems, Kuala Lumpur, Malaysia, 15–18 December

2010; pp. 93–97.

Garcia, M.B.; Ambat, S.; Adao, R.T. Tomayto, tomahto: A machine learning approach for tomato ripening stage identification

using pixel-based color image classification. In Proceedings of the 2019 IEEE 11th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Laoag, Philippines, 29 November–1 December 2019; pp. 1–6.

Polder, G.; van der Heijden, G.W.A.M.; Young, I.T. Spectral image analysis for measuring ripeness of tomatoes. Trans. Asae 2002, 45, 1155–1161. [CrossRef]

Seager, S.; Turner, E.L.; Schafer, J.; Ford, E.B. Vegetation's red edge: A possible spectroscopic biosignature of extraterrestrial plants. Astrobiology 2005, 5, 372–390. [CrossRef]

Gates, D.M.; Keegan, H.J.; Schleter, J.C.; Weidner, V.R. Spectral properties of plants. Appl. Opt. 1965, 4, 11–20. [CrossRef]

Delwiche, S.R.; Baek, I.; Kim, M.S. Effect of curvature on hyperspectral reflectance images of cereal seed-sized objects. Biosyst.

Eng. 2021, 202, 55–65. [CrossRef]

Rogelj, L.; Simoncic, U.; Tomanic, T.; Jezersek, M.; Pavlovcic, U.; Stergar, J.; Milanic, M. Effect of curvature correction on

parameters extracted from hyperspectral images. J. Biomed. Opt. 2021, 26, 096003. [CrossRef] [PubMed]

Valero, D.; Serrano, M. Postharvest Biology and Technology for Preserving Fruit Quality; CRC Press: Boca Raton, FL, USA, 2010.

Omar, A.F.; MatJafri, M.Z. Near infrared spectral linearisation in quantifying soluble solids content of intact carambola. Sensors

2013, 13, 4876–4883. [CrossRef] [PubMed]

Li, X.L.; Wei, Y.Z.; Xu, J.; Feng, X.P.; Wu, F.Y.; Zhou, R.Q.; Jin, J.J.; Xu, K.W.; Yu, X.J.; He, Y. SSC and pH for sweet assessment and

maturity classification of harvested cherry fruit based on NIR hyperspectral imaging technology. Postharvest Biol. Technol. 2018,

143, 112–118. [CrossRef]

Blanke, M.M. Non-invasive Assessment of Firmness and NIR Sugar (TSS) Measurement in Apple, Pear and Kiwi Fruit. Erwerbs-

Obstbau 2013, 55, 19–24. [CrossRef]

Teerachaichayut, S.; Ho, H.T. Non-destructive prediction of total soluble solids, titratable acidity and maturity index of limes by near infrared hyperspectral imaging. Postharvest Biol. Technol. 2017, 133, 20–25. [CrossRef]

Chauchard, F.; Cogdill, R.; Roussel, S.; Roger, J.M.; Bellon-Maurel, V. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: Development of a robust and portable sensor for acidity prediction in grapes. Chemom. Intell. Lab. Syst. 2004, 71, 141–150. [CrossRef]