论文部分内容阅读
近、中红外检测技术是通过对被测物体进行透射或者漫反射,获取到其光谱信息,由光谱信息可反应出被测物体的内部品质。对光谱信息进行预处理是基于机器学习的光谱分析的前提和基础,其作用是剔除无关或冗余的特征和突出被测物体与其理化性质相关的吸收峰。基于机器学习对农产品的吸光度进行学习,是实现无损检测的一种重要手段。通过SNV和PCA相结合对光谱特征进行处理可以有效减少后续对光谱建模的复杂度并且可以降低预测其理化性质的误差。由于实际采集光谱时受环境因素影响致使采用线性模型对光谱特征学习有较大的误差,所以将Xgboost算法引入到近红外无损检测技术中,可有效改善线性模型的预测结果。最终,对比所提方法与PLSR方法在不同预处理方式下对水果品质的预测效果。在196个苹果样本上进行了实验,证明了所提方法的有效性和高效性。