金银花贮藏过程中绿原酸含量的高光谱无损检测(10)

图5 不同变量筛选方法选取的特征波长变量Fig. 5 Selection of characteristic wavelength variables by different variable selection methods

综上可知，UVE-CARS方法是最佳的特征变量筛选方法，由UVE-CARS方法筛选的26个特征波长变量可以代替全光谱变量，非线性的BP神经网络模型更适应于金银花贮藏过程中CGA含量的预测，且UVE-CARS-BP模型为最优金银花CGA含量预测模型。基于SNV预处理后的光谱数据建立的UVE-CARS-BP模型的CGA含量的预测值和测量值的结果如图6所示，其预测集R2为0.978 4，RMSE为0.250 3%，回归方程为y=0.978 4x+ 0.097 0，拟合效果最佳。

图6 基于SNV预处理后的UVE-CARS-BP模型的CGA含量的预测值与测量值Fig. 6 Measured and predicted CGA content for UVE-CARS-BP model based on SNV preprocessed data

3 结 论

本研究采用HSI技术对金银花贮藏过程中CGA的含量进行定量检测，基于不同预处理方法和多种变量筛选方法，尝试建立预测能力较高的高光谱模型，为利用HSI技术对金银花贮藏过程中CGA含量测定和品质控制提供参考。主要结论如下：

1）为了降低仪器噪声、基线漂移等对原始光谱的影响，分析了SG、Moving average、SNV、BC、MSC、OSC这6种不同的光谱降噪方法，通过建立PLSR模型对比得出，经SNV预处理后的光谱数据建立的PLSR的模型精度最高，预测集R2为0.977 6，RMSE为0.271 1%，表明SNV方法的降噪效果最好，可以显著提高模型的精度，其被确定为最佳的预处理方法用于后续的建模分析。

2）探讨了基于UVE，CARS，SPA，UVE-CARS和UVE-SPA这5种变量筛选方法对模型的性能的影响，发现UVE-CARS为最佳的变量筛选方法，基于UVE-CARS筛选的特征波长变量建立的PLSR和BP模型的预测集R2分别为0.974 6和0.978 4，RMSE分别为0.286 3%和0.250 3%。

3）对比线性PLSR模型与BP神经网络模型的精度发现，BP神经网络模型的性能整体优于PLSR模型，其中SNV-UVE-CARS-BP模型精度最好，预测集R2为0.978 4，RMSE为0.250 3%。

在今后的工作中将扩大试验样本的多样化，收集不同地区，不同批次的金银花原料，解决同一地区相同批次样品之间较小差异导致提高模型泛化能力的问题。此外，本研究中未涉及金银花的图像信息，而图谱融合能够提供更多的有用信息，因此，在未来的工作中，将基于光谱信息与图像信息的有效融合来进一步研究金银花中CGA含量的快速无损检测方法。

刘云宏，王庆庆，石晓微，高秀薇.金银花贮藏过程中绿原酸含量的高光谱无损检测模型研究[J]. 农业工程学报，2019，35(13)：291－299. doi：10./

文章来源：《无损检测》 网址: http://www.wsjczzs.cn/qikandaodu/2021/0310/422.html