Hyperspectrale beeldvormingstechnologie voor niet-destructieve detectie van het gehalte aan rookbehandelde olie in tabaksrook

In het beoordelingssysteem voor de bladkwaliteit is het oliegehalte een van de belangrijke indicatoren om de kwaliteit van flue-cured tabak te meten. Traditioneel berust de evaluatie van het oliegehalte vooral op het empirische oordeel van professionals, dat problemen met zich meebrengt zoals een sterke subjectiviteit en een relatief lage efficiëntie. De afgelopen jaren heeft hyperspectrale beeldvormingstechnologie, vanwege de kenmerken van het combineren van grafieken en spectra, toepassingspotentieel aangetoond op het gebied van detectie van de kwaliteit van landbouwproducten. Met een onderzoek naar de detectie van het gehalte aan flue-cured tabaksolie als voorbeeld, introduceert dit artikel het praktische toepassingseffect van zichtbaar-nabij-infrarood hyperspectrale technologie in dit scenario.

Onderzoeksachtergrond en experimenteel ontwerp
De studie selecteerde 634 monsters van flue-cured tabaksbladeren uit 22 tabaksprovincies (autonome regio's) in het hele land, die de bovenste, middelste en onderste delen besloegen. Het onderzoeksteam gebruikte het hyperspectrale beeldvormingssysteem uit de FigSpec-serie van CHNSpec (inclusief FigSpec-23- en FigSpec-25-camera's) om synchroon de spectrale informatie van tabaksbladeren te verzamelen in het golflengtebereik van 400-1000 nm en 900-1700 nm. Tijdens het verzamelproces werd, door de hoek van de lichtbron en de cameraafstand vast te leggen, de uniformiteit van de verlichting verzekerd, en werd de gemiddelde waarde na tweemaal verzamelen van spectrale gegevens voor elk monster gebruikt als de oorspronkelijke invoer.

De score op het oliegehalte werd onafhankelijk beoordeeld op een schaal van 10 punten door een beoordelingsteam voor de kwaliteit van het uiterlijk, bestaande uit 20 personen. De monsters werden verdeeld in een kalibratieset (443 monsters) en een validatieset (191 monsters) in een verhouding van 7:3. De distributiekarakteristieken van de oliegehaltescores in de twee sets monsters waren consistent met de totale populatie en vormden een betrouwbare basis voor de daaropvolgende modelconstructie.

Spectrale voorverwerking en correlatieanalyse
De oorspronkelijke spectrale gegevens bevatten ruis en verstrooiingsinterferentie, waardoor voorverwerking nodig is om effectieve signalen te verbeteren. De studie vergeleek vijf afzonderlijke voorverwerkingsmethoden, waaronder voortschrijdend gemiddelde afvlakking (MA), multiplicatieve verstrooiingscorrectie (MSC), standaard normale variate (SNV), eerste afgeleide (D1) en standaardisatie (SS), evenals hun combinatiestrategieën.

De analyseresultaten toonden aan dat MSC- en SNV-voorverwerking de correlatie tussen spectrale reflectie en oliegehaltescores effectief kon verbeteren. In het golflengtebereik van 928,36-1177,03 nm nam de correlatiecoëfficiënt toe van 0,076-0,124 van het oorspronkelijke spectrum naar 0,331-0,640. D1-voorverwerking, door de lokale variatiekenmerken van de spectrale curven te versterken, zorgde ervoor dat het aantal sterk gecorreleerde banden (|r|≥0,4) groter was dan 100. Deze resultaten geven aan dat redelijke voorverwerkingsstrategieën helpen het voorspellende vermogen van daaropvolgende modellen te verbeteren.

Modelconstructie en prestatie-evaluatie
De studie maakte gebruik van twee algoritmen, gedeeltelijke kleinste kwadratenregressie (PLSR) en ondersteunende vectorregressie (SVR), om kwantitatieve voorspellingsmodellen voor oliegehaltescores te construeren. Het PLSR-model, gebaseerd op de volledige zichtbare-nabij-infraroodband, had RPD-waarden voor de validatieset tussen 1,642 en 1,775 onder de meeste voorverwerkingsomstandigheden, waaronder de validatieset R² bereikte 0,683 en de RMSE was 0,346 na MA-voorverwerking. Het SVR-model had een validatieset R² van 0,653 en een RMSE van 0,362 onder de D1+SS-combinatievoorverwerking.

Om de voordelen van beide modellen samen te voegen, introduceerde het onderzoek een gewogen gemiddelde fusiestrategie. Het fusiemodel gebaseerd op de volledige zichtbare nabij-infraroodband (PLSR onder MA-voorverwerking en SVR onder D1+SS-voorverwerking) zag de validatieset R² toenemen tot 0,721, RMSE dalen tot 0,324 en RPD bereiken 1,894, wat een beter voorspellingseffect laat zien dan welk enkel model dan ook.

Karakteristieke bandselectie en modeloptimalisatie
Hyperspectrale gegevens bevatten honderden banden, wat problemen met gegevensredundantie oplevert. De studie maakte gebruik van het algoritme voor opeenvolgende projecties (SPA) voor karakteristieke bandselectie. De resultaten toonden aan dat na MA-voorverwerking het PLSR-model, geconstrueerd met 95 karakteristieke banden geselecteerd door SPA, een validatieset R² had van 0,685 en een RMSE van 0,345; na D1+SS-voorverwerking had het SVR-model, opgebouwd met 56 karakteristieke banden geselecteerd door SPA, een validatieset R² van 0,666 en een RMSE van 0,355. Het aantal karakteristieke banden werd aanzienlijk verminderd van 428 in de volledige band, waardoor de datadimensionaliteit drastisch werd verlaagd.

Het fusiemodel van PLSR en SVR op basis van SPA-selectie verbeterde de voorspellingsnauwkeurigheid verder, waarbij de validatieset R² 0,724 bereikte, RMSE op 0,323 en RPD op 1,904. Dit resultaat geeft aan dat karakteristieke bandselectie de geldigheid van het model handhaaft terwijl de gegevensredundantie wordt verminderd.

Toepassingsvooruitzichten
Deze studie toont de haalbaarheid aan van zichtbaar-nabij-infrarood hyperspectrale technologie bij de niet-destructieve detectie van het gehalte aan flue-cured tabaksolie. Vergeleken met traditionele handmatige evaluatiemethoden heeft hyperspectrale technologie potentiële voordelen op het gebied van objectiviteit, niet-destructief vermogen en snelheid, die referentiebasissen kunnen bieden voor de ontwikkeling van automatische apparatuur voor het sorteren van tabaksbladeren en de constructie van intelligente kwaliteitscontrolesystemen. Het hyperspectrale beeldvormingssysteem uit de FigSpec-serie van CHNSpec voerde de kerntaak van het verzamelen van gegevens uit in deze studie, waarbij de toepasbaarheid ervan in scenario's voor de detectie van de kwaliteit van landbouwmateriaal werd geverifieerd.