לאוכמניות יש בשר עדין וטעם ייחודי. הוא עשיר בחומרים מזינים ומכונה "מלכת הפירות". יש לו את התפקודים של מניעת הזדקנות עצבית המוח, הגנה על ראייה, נגד סרטן ושיפור חסינות אנושית. יש לו סיכויי שוק רחבים. תכולת סוכר אוכמניות היא מחוון חשוב להערכת איכות האוכמניות. גילוי תכולת סוכר אוכמניות מסורתיות הוא הרסני, וגילוי לא הרסני הוא מגמת פיתוח חשובה.

1. רכישת נתוני תמונה

תמונה גבוהה-ספקטרלית של דגימות אוכמניות

חלץ את הנתונים הספקטרליים של שתי התמונות ההיפרספרקטליות: בחר אזורים שונים המעניינים (ROI) על פני כל מדגם וקבל את עקומת ספקטרום ההשתקפות המקורית

התואם לעיקול הספקטרלי המקורי של שטח העניין, הערך הספקטרלי הממוצע מופק כדי להשיג שלוש קבוצות של מטריצות נתונים ספקטרליות 48x256

על פי התמונות ההיפרספרקטליות והעקומות הספקטרליות בלהקות שונות, להקה 1 להקה 50 יש רעש גדול ותמונות מטושטשות. בבחירת נתונים,
רק להקה 51 להקת 250 (1031.11nm-1699.11nm) בסך הכל עוצבו 200 להקות. 36 הערכים הספקטרליים הראשונים של אוכמניות שימשו לביסוס הדגם,
ו -12 האחרונים שימשו לבדיקת מודלים.

2. הקמת מודלים וניתוח

הקמת מודל חיזוי תכולת הסוכר האוכמניות משתמשת בעיקר בשיטת הרגרסיה החלקית הכי פחות ריבועית (PLSR). נתונים ספקטרליים שונים מקבלים
דגמי חיזוי שונים. השתמש ישירות ב -200 הלהקות עם הרעש שהוסרו כדי לדגמן את 200 הלהקות של נתונים ספקטרליים להפחתת ממד PCA, בחר את
ראשית N רכיבים עיקריים עם שיעור תרומה מצטבר של 99.9%ואז משתמשים במודלים של PLSR כדי לבחור את הלהקות האופייניות עבור 256 הספקטרליות
להקות באזור האחורי כולו באמצעות SPA, ואז משתמשים במודלים של PLSR כדי לבצע ישירות דוגמנות מחזוריות על 200 הלהקות באזור האחורי, ושילוב תחילה
שניים על שניים ואז השתמשו בשלושה על שלושה שילובים לדגם

3. הקמת מודל חיזוי

מודל PLSR של נתונים ספקטרליים של אזורים מסוימים בחזית

מודל חיזוי:

y = 8.1109+0.3989x+0.2848x+….+0.809x200

כאשר x1, x2, ..., x200 הם הערכים הספקטרליים הממוצעים של פס 51-band250, ו- y הוא תכולת הסוכר של אוכמניות.

בעזרת מודל החיזוי הוחלפו הנתונים הספקטרליים של 12 אוכמניות כדי להשיג את ערכי תוכן הסוכר החזוי כמוצג בטבלה הבאה

טבלה 1.

טבלה.

טבלה 3. ערכי תוכן סוכר חזויים וערכים אמיתיים לכל האזור בגב האוכמניות

ערך תכולת הסוכר החזוי של מודל החיזוי המתקבל משלוש קבוצות הנתונים ועקומת ערך תכולת הסוכר בפועל של אוכמניות

PCA שימש להפחתת הממד של נתונים ספקטרליים של אוכמניות. לאחר מכן נעשה שימוש בנתונים לאחר הפחתת מימד למודלים של PLSR. לאחר הפחתת ממד PCA, נבחרו הרכיבים העיקריים הראשונים עם שיעור התרומה הכולל של 99.9%. שבעה רכיבים עיקריים נבחרו לאחר הפחתת ממד של נתוני הספקטרום שהוצאו מהאזור החלקי של החזית וכל שטח החזית. 10 הרכיבים העיקריים הראשונים חולצו לאחר הפחתת מימד של הנתונים הספקטרליים של כל שטח הגב. הרכיבים העיקריים שנבחרו לאחר הפחתת ממד PCA שימשו למודלים של PLSR. על פי פונקציית מודל החיזוי, התקבלו ערכי תכולת הסוכר החזויים של שלוש קבוצות הנתונים.

תחילה השתמש ב- PCA כדי להפחית את הממד ואז לבצע דוגמנות PLSR. על פי פונקציית מודל החיזוי, מתקבלות עקומות ערך תכולת הסוכר החזוי וערך תכולת הסוכר בפועל של שלוש קבוצות הנתונים

4. סיכום

בהשוואה בין מודלי החיזוי שנקבעו עם נתונים שונים, מקדמי המתאם R בין ערך תכולת הסוכר החזוי לסוכר האמיתי

ערך התוכן של מודל חיזוי שילוב הלהקה האופטימלי שנבחר על ידי דוגמנות שילוב מחזור הלהקה הם 0.54 ו- 0.61, בהתאמה, שהם

הגדול ביותר מבין הדגמים שהוקמו עם שילובי להקות אחרות, והטעויות היחסיות הממוצעות הן 12.6% ו -11.9% בהתאמה, שהם

הקטן ביותר מבין הדגמים שהוקמו עם שילובי פס אחרים, והשגיאה הממוצעת של שורש מרובע של מערך הבדיקה היא קטנה. ניתן להסיק כי

השפעת החיזוי של הדגם האופטימלי שנבחר לאחר דוגמנות שילוב מחזור הלהקה טובה יותר מזו של שילובי להקות אחרות.