이 연구에서, 하이퍼스펙트럴 카메라가 익숙한 400-1000nm은 호두나무의 내부를 발견하고 FS-13, 한초우 치스페크 기술 주식회사의 제품이 관련 연구를 위해 사용될 수 있습니다. 800-1700nm의 스펙트럼 범위에서 호두나무 표면을 발견하기 위해, 900-1700nm의 스펙트럼 범위에서 FS-15 초다분광 카메라는 2.5nm 보다 그리고 1200년 스펙트럼 채널까지 더 잘 파장 분해능과 함께 사용될 수 있습니다. 획득 속도는 전체 스펙트럼에서 128FPS에 도달할 수 있고 밴드 선택 뒤에 있는 최대가 3300Hz (지지 다중 영역 밴드 선택) 입니다.
호두유는 모든 시대와 중요한 목질 유료 작물에 적합한 견과류 식량입니다. 중국에서 호두나무의 식재면적과 생산량은 세계에서 제1위에 있습니다. 호두나무 핵심의 품질 테스팅과 등급은 호두나무 생산과 처리에 중요 링크입니다. 적절한 국가 표준에 따르면, 내부 품질 표시기가 살찐 콘텐츠와 단백질 함량을 포함하는 반면에, 호두나무 핵심의 출현 품질 표시기가 완전성과 피부색을 포함합니다. 생산 실적에서, 내부 품질을 구별하는 것을 어렵게 하면서, 호두 핵심 등급은 주로 등급에서 고비용과 높은 무작위성을 가지고 있는 출현과 컬러 중에서 수동 선택에 의존합니다. 샘플에 파괴적이고, 현대 생산 요구 조건에 적응하는 것을 어렵게 하면서, 전통적 화학적 테스팅은 탐색하기 위해 긴 시간이 걸립니다. 요즈음, 호두나무 품질검출을 위한 초다분광 기술의 사용에 대한 연구는 주로 월너트 쉘과 핵심의 분류에 초점을 맞추고 호두나무 핵심의 품질에 대한 어떤 적절한 보고도 있지 않았습니다.
동시에 호두나무 핵심의 내부 품질검출과 외모 분류를 실현하기 위해 방법을 탐구하기 위해, 이 연구는 호두나무 핵심의 살찐 콘텐츠, 단백질 함량과 색채의 특징적 스펙트럼을 지키기 위해 초다분광 이미징 기술을 사용했고, 호두나무 핵심 품질의 비파괴 시험의 적용에게 참조를 제공하기 위해 품질 표시기의 적절한 특징적 밴드를 선발되었습니다.
일반적인 근적외선 영역 (863-1704 밀리미터)과 프리 처리된 분광 정보에서 호두나무 핵심 샘플의 분광 정보는 수치 3에 나타납니다. 표본의 원래 분광 정보의 종합 특성은 물의 흡수 피크를 제외하고, 근본적으로 일관되고, 다른 성분의 흡수 피크가 명백하지 않고, 스펙트럼의 더욱 처리가 필요합니다. 샘플의 분광 정보를 원활하게 만들면서, MSE와 SNV를 결합시키는 전 처리 수단은 약간의 배경 소음의 영향을 제거합니다. 동시에, 그것은 더욱 분광 정보의 일관성을 강화하고, 스펙터럼 피크와 계곡을 강조하고, 스펙트럼 특징을 강화합니다.
분광 정보와 이미지 선들을 기반으로 하는 호두나무 핵심의 출현 등급 분류. 수치 6은 가시 광선과 단파 근적외선 영역 (382~1027nm)에서 일반적인 세 색 호두나무 핵심 표본의 스펙트럼 곡선을 보여줍니다. 스펙트럼의 앞과 백세그먼트에서 소음이 큰 영향을 가지기 때문에, 앞과 백세그먼트에서 20 주파대 지점은 제거됩니다. 수치들 6으로부터, 원래 스펙트럼에서, 3 다른 색과 호두나무 핵심 표본의 분광 반사율이 근적외선 범위에서 상대적으로 빛에서 깊이와 스펙트럼으로 변하는 것은 무질서하다는 것을 색깔로서의 가시광 범위의 중요한 하향세에게 보여준다는 것이 보일 수 있습니다. MSC와 SNV 방법의 조합에 의해 선행 처리된 분광 정보는 차후 스펙트럼 처리를 위해 도움이 된 분광 반사율에서 어떤 정규성과 일관성을 보여줍니다.
초다분광 이미징 첨단을 사용할 때, 호두나무 핵심의 내부의와 외부 품질을 발견하기 위한 방법은 연구되었습니다. 괴기하고 화상 정보를 결합시킴으로써, 완전성과 색을 기반으로 등급인 호두나무 핵심과 외양 품질의 단백질과 살찐 콘텐츠 예상은 달성되었습니다. 카스 알고리즘과 상관 계수법의 조합이 효과적으로 가득 찬 스팩트럼 대역에서 무관하고 예비 정보를 제거한다는 것을 결과는 보여줍니다. 가득 찬 스팩트럼 대역, 0.66에서부터 0.91까지 단백질 함량 2의 특징 밴드 예측모델의 유효성 확인 세트 Ｒ와 비교해서, RMSEP은 1.37%에서부터 0.78%까지 감소했습니다 ; 선택된 특징 밴드는 효과적으로 모델의 복잡성을 감소시켰고 그것의 예상된 능력을 향상시킨 것을 나타내면서, 0.83부터 0.93, RMSEP까지 살찐 콘텐츠 2를 위한 유효성 확인 세트 Ｒ는 0.98%에서부터 0.47%까지 감소했습니다. 색차 특징 스펙트럼을 이미지 통계 특징 매개 변수와 결합함으로써, 총컬러 차이 특징 밴드스펙트럼은 초다분광 영상으로부터 추출되었으며, 그것이 의미 심장하게 용장 정보의 간섭을 감소시키고 모델링 효율성을 향상시킬 수 있습니다. 총컬러 차이 특징 대역 스펙트럼을 이미지 통계 특징 매개 변수와 결합함으로써, 분류 정확도는 더욱 RGB 밴드와 비교하여 향상됩니다. 색상 구분 모델을 이용하는 것 DT 알고리즘에 의해 확립될 때, 모델은 가장 높은 분류 정확도 (98.6%)를 가지고 있습니다. 동시에 호두나무 핵심 질의 비파괴 시험의 앱에게 새로운 해결책을 제공하면서, 초다분광 영상의 사용은 (단백질 함량, 살찐 콘텐츠) 내부 품질 매개 변수의 탐지와 호두나무 핵심의 외양 품질 (완전성, 색)의 분류를 달성했습니다.
