Технология гиперспектральной визуализации для неразрушающего обнаружения содержания масла, высушенного в табаке

В системе оценки качества листьев содержание масла является одним из важных показателей качества табака дымовой сушки. Традиционно оценка содержания нефти в основном опирается на эмпирические суждения профессионалов, которые имеют такие проблемы, как сильная субъективность и относительно низкая эффективность. В последние годы технология гиперспектральной визуализации благодаря своим характеристикам объединения графиков и спектров продемонстрировала потенциал применения в области определения качества сельскохозяйственной продукции. На примере исследования по обнаружению содержания масла в табаке дымовой сушки в этой статье представлен эффект практического применения гиперспектральной технологии видимого и ближнего инфракрасного диапазона в этом сценарии.

Предыстория исследования и экспериментальный дизайн
В ходе исследования были отобраны 634 образца табачного листа дымовой сушки из 22 табачных провинций (автономных регионов) по всей стране, охватывающих верхнюю, среднюю и нижнюю части. Исследовательская группа использовала систему гиперспектральной визуализации серии FigSpec от CHNSpec (включая камеры FigSpec-23 и FigSpec-25) для синхронного сбора спектральной информации о листьях табака в диапазонах длин волн 400–1000 нм и 900–1700 нм. В процессе сбора путем фиксации угла источника света и расстояния до камеры обеспечивалась однородность освещения, а в качестве исходных входных данных использовалось среднее значение после двукратного сбора спектральных данных для каждого образца.

Оценка содержания масла была независимо оценена по 10-балльной шкале группой оценки качества внешнего вида, состоящей из 20 человек. Образцы были разделены на калибровочный набор (443 образца) и проверочный набор (191 образец) в соотношении 7:3. Характеристики распределения показателей содержания нефти в двух наборах проб соответствовали генеральной совокупности, обеспечивая надежную основу для последующего построения модели.

Спектральная предварительная обработка и корреляционный анализ
Исходные спектральные данные содержат шум и рассеянные помехи, требующие предварительной обработки для улучшения эффективных сигналов. В исследовании сравнивались пять отдельных методов предварительной обработки, включая сглаживание скользящего среднего (MA), мультипликативную коррекцию разброса (MSC), стандартную нормальную вариацию (SNV), первую производную (D1) и стандартизацию (SS), а также стратегии их комбинации.

Результаты анализа показали, что предварительная обработка MSC и SNV может эффективно улучшить корреляцию между спектральной отражательной способностью и показателями содержания нефти. В диапазоне длин волн 928,36-1177,03 нм коэффициент корреляции увеличился с 0,076-0,124 исходного спектра до 0,331-0,640. Предварительная обработка D1 за счет усиления особенностей локальных вариаций спектральных кривых привела к тому, что количество сильно коррелированных полос (|r|≥0,4) превысило 100. Эти результаты показывают, что разумные стратегии предварительной обработки помогают улучшить прогностическую способность последующих моделей.

Построение модели и оценка производительности
В исследовании использовались два алгоритма: частичная регрессия наименьших квадратов (PLSR) и регрессия опорных векторов (SVR) для построения моделей количественного прогнозирования показателей содержания нефти. Модель PLSR, основанная на полном видимом и ближнем инфракрасном диапазоне, имела значения RPD набора проверки от 1,642 до 1,775 в большинстве условий предварительной обработки, среди которых набор проверки R² достигал 0,683, а RMSE составляло 0,346 после предварительной обработки MA. Модель SVR имела набор проверки R² 0,653 и RMSE 0,362 при предварительной обработке комбинации D1+SS.

Чтобы объединить преимущества обеих моделей, в исследовании была введена стратегия объединения средневзвешенных значений. Модель слияния, основанная на полном видимом и ближнем инфракрасном диапазоне (PLSR при предварительной обработке MA и SVR при предварительной обработке D1+SS), показала, что ее набор проверки R² увеличился до 0,721, RMSE упал до 0,324, а RPD достиг 1,894, демонстрируя лучший эффект прогнозирования, чем любая отдельная модель.

Выбор характеристического диапазона и оптимизация модели
Гиперспектральные данные содержат сотни каналов, что создает проблемы избыточности данных. В исследовании использовался алгоритм последовательных проекций (SPA) для выбора характеристической полосы. Результаты показали, что после предварительной обработки MA модель PLSR, построенная с 95 характеристическими полосами, выбранными SPA, имела набор проверки R² 0,685 и RMSE 0,345; после предварительной обработки D1+SS модель SVR, построенная с 56 характеристическими полосами, выбранными SPA, имела набор проверки R² 0,666 и RMSE 0,355. Количество характеристических полос было значительно уменьшено с 428 в полной полосе, что резко снизило размерность данных.

Объединенная модель PLSR и SVR, основанная на выборе SPA, еще больше улучшила точность прогнозирования: набор проверки R² достиг 0,724, RMSE — 0,323 и RPD — 1,904. Этот результат указывает на то, что выбор характеристического диапазона сохраняет достоверность модели, одновременно уменьшая избыточность данных.

Приложение Outlook
Это исследование демонстрирует возможность использования гиперспектральной технологии в видимом и ближнем инфракрасном диапазоне для неразрушающего обнаружения содержания табачного масла дымовой сушки. По сравнению с традиционными методами ручной оценки, гиперспектральная технология обладает потенциальными преимуществами объективности, неразрушаемости и скорости, которые могут служить справочной базой для разработки автоматического оборудования для сортировки табачного листа и построения интеллектуальных систем контроля качества. Система гиперспектральной визуализации серии FigSpec от CHNSpec взяла на себя основную задачу по сбору данных в этом исследовании, проверив ее применимость в сценариях определения качества сельскохозяйственного материала.