首页 > 食品科学 > 基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法

基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法

Hyperspectral Imaging for the Detection of Vitamin C Content in Potatoes Based on Fisher Discriminant Analysis Separable Information Fusion

二维码有效期 120s

摘要为提高马铃薯VC含量检测结果的准确性和可靠性,提出一种基于Fisher判别分析(Fisher discriminant analysis,FDA)可分性数据融合的检测模型输入变量构建方法.首先,利用高光谱成像技术采集200 个马铃薯的高光谱信息,通过对比6 种预处理方法和原始数据的建模结果,确定多元散射校正为光谱数据的预处理方法;其次,采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)及CARS-SPA组合算法3种方法提取相应特征波长,通过对比分析最终确定34个有效特征波长;然后,将有效特征波长进行FDA可分性数据融合,根据融合的新变量对样本间差异性判别能力的大小进行筛选,确定构建检测模型的输入变量;最后,分别对FDA融合前后筛选的变量建立偏最小二乘模型和反向传播神经网络(back propagation neural network,BPNN)模型,并对检测结果进行对比分析.结果表明,将CARS算法提取的34 个特征波长进行FDA融合,采用前3 个融合变量作为构建检测模型的输入变量时,其所建BPNN模型的相关系数由0.972 6提高至0.999 0,均方根误差由0.772 3降低至0.172 7,不仅能够极大地降低数据分析维度,而且能够提高检测结果的准确性.因此,基于FDA可分性数据融合构建检测模型输入变量可以提高马铃薯VC含量检测结果的准确性.