摘要:
可溶性固形物含量(SSC)是决定鲜桃风味和品质的重要成分.高光谱影像的特征提取为无损检测可溶性固形物含量提供了数据基础和方法路径.先前的研究表明,基于多光谱、荧光谱、近红外光谱、电子鼻的水果内部品质评估取得较好的结果.但是,由于缺少多特征融合,从而限制了水果品质的精准估测.为此,提出了一种基于堆栈自动编码器-粒子群优化支持向量回归(SAE-PSO-SVR)模型预测鲜桃可溶性固形物含量.首先,利用高光谱影像提取光谱信息、空间信息及空-谱融合信息.其次,设置普适性堆栈自动编码器(SAE)提取光谱信息、空间信息及空-谱融合信息的深层特征.最后,将深层特征作为粒子群优化支持向量回归(PSO-SVR)模型的输入数据进行鲜桃可溶性固形物含量的预测.其中,对于光谱信息作为输入的S A E模型,设计了453-300-200-100-40,453-350-250-150-50,453-350-250-100-60的三个隐含层结构.对于空间信息作为输入的S A E模型,设计了894-700-500-300-50,894-650-350-200-80,894-800-700-500-100的三个隐含层结构.对于融合信息作为输入的SAE模型,设计了1347-800-400-200-40,1347-750-550-400-100,1347-700-500-360-150的三个隐含层结构.实验结果表明,对于输入数据分别为光谱信息、空间信息及融合信息的S A E模型,结构为453-300-200-100-40,894-800-700-500-100和1347-750-550-400-100的模型效果较好,而且基于融合信息的模型预测精度明显优于基于光谱信息或者图像信息的模型.为了验证模型的普适性,利用结构为1347-750-550-400-100的S A E模型提取融合信息的深层特征估测不同品种鲜桃的可溶性固形物含量并进行可视化.结果表明,基于结构为1237-650-310-130的SAE-PSO-SVR模型预测效果最好(R2=0.8733,RMSE=0.6451).因此,所提出的SAE-PSO-SVR模型提高了鲜桃可溶性固形物含量的估计精度,为鲜桃的其他成分检测提供了技术支撑.