Development of the portable device for rapeseed quality detection based on near-infrared spectroscopy
-
摘要:
为解决油菜籽收获、运输、存储、销售等过程中对含油量、蛋白质、硫苷等内部品质的检测需求，实现油菜籽多指标、便携式、快速无损的检测目标，该研究设计了一种基于近红外光谱的便携式油菜籽内部品质检测装置，集成微型光谱仪、LCD触摸屏、树莓派处理器、箱体、样品杯和电源，装置尺寸为246 mm×128 mm×127 mm，可在户外环境稳定工作6 h以上。以不同产区的65个油菜籽品种为研究对象，采集900～
1633 nm的近红外漫反射光谱，使用竞争性自适应重加权、最小角回归、无信息变量消除等降维算法与偏最小二乘、极限学习机、支持向量等回归算法，建立了含油量、蛋白质、硫苷、含水率和芥酸高精度预测模型，决定系数R2分别为0.949、0.861、0.730、0.976、0.862，均方根误差RMSE分别为1.39、1.46、20.7、0.36、3.63。使用 QT Creator 作为集成开发环境， PyTorch 作为框架，实现了模型的嵌入式部署与应用，实现了油菜籽的多品质参数一键式无损检测。使用Flask、MQTT等技术，开发了APP端、网页端和小程序端软件，实现了预测数据的多端同步和实时监控。经检验测试，含油量、蛋白质、硫苷、含水率和芥酸的预测决定系数R2分别为0.932、0.855、0.734、0.968、0.761，均方根误差RMSE分别为1.35、1.67、19.6、0.34、2.96，检测过程为13 s，在相对湿度40%～70%、温度15～35 ℃的环境下，装置对含杂量不大于2%、质量3～7 g的成熟期油菜籽具有数据采集稳定性；该仪器可用于对油菜籽的快速无损检测。Abstract:Oil content, protein, glucosinolates, and internal qualities are required to be detected during harvesting, transportation, storage, and sale of rapeseed. In this study, a portable device was designed to detect the rapeseed internal quality using near-infrared spectroscopy, in order to realize the multi-index, portable, and rapid non-destructive testing. The hardware was integrated with the dimensions of 246 mm × 128 mm × 127 mm, such as a mini spectrometer, an LCD touchscreen, and a Raspberry Pi processor. The device was operated stably outdoors for 6 hours. The 65 varieties of rapeseed were sampled from different production areas. Diffuse reflectance spectra were then collected from 900 to 1700 nm. The wavelength stability tests were carried out to determine a stable spectral region from 900 to 1633nm. Data was divided using KS (Kennard-Stone）, SPXY (sample set partitioning based on joint X-Y distances), and Random number. The dataset division was obtained with R2 as the index, where the KS was used for the oil content and protein, while the random numbers were for the glucosinolates, erucic acid, and moisture content. Various methods of data smoothing were evaluated with data smoothness as the index, such as SNV, SG, MSC, D1, and D2. SG smoothing (5-window, and 3rd order) was determined as the best preprocessing. Cars, Pca, GA, Lars, Uve, and Spa were used as data reduction to explore the best dimension reduction for each physicochemical index. Cars reduced the dimensions of the oil content model by 73%. Pca reduced the dimensions of the protein and erucic acid models by 98%. Thus the predictive accuracy of erucic acid was improved by 31.49%, whereas, the predictive error was reduced by 40.78%. PLS, ANN, CNN, SVR, and ELM models were used with RMSE, R2, and MAE as the indices. The calibration model was determined for the oil content using KS+SG+Cars+PLS, for the protein using SPXY+SG+Pca+PLS, for the glucosinolates using Random+SG+PLS, for the moisture content using Random+SG+ELM, and the for erucic acid using Random+SG+Pca+PLS. Model indices were as follows: RMSE, R2, and MAE for the oil content were 1.40, 0.95, 1.16; for the protein 1.46, 0.86, 1.24; for the glucosinolates 20.70, 0.73, 15.73; for the erucic acid 3.63, 0.86, 3.28; for the moisture content 0.36, 0.98, 0.24, respectively. The device was used to collect the spectra from 1 to 7 g of rapeseed seven times for the light transmission. Results showed that the absorption error for 3 to 7 g was within ±5%. Electronic scales were then removed for direct sample testing during field tests. Five stability tests were conducted at temperatures from 15 to 35 ℃, all of which were within reliable ranges; Stability tests were set as the relative humidity from 40% to 80% and found condensation at 70% relative humidity, which was corrected to maintain stability from 40% to 70% relative humidity. Accuracy tests on the device showed the correlation coefficients (R2) for oil content, protein content, glucosinolates, moisture content, and erucic acid between predicted and real sets at 0.932, 0.855, 0.734, 0.968, and 0.761, respectively; RMSE values were 1.35, 1.67, 19.6, 0.34, and 2.96, respectively. Therefore, the device can be expected to perform real-time non-destructive testing of oil content, protein, glucosinolates, moisture content, and erucic acid in rapeseed after safe storage.
-
Keywords:
- non-destructive testing /
- near-infrared /
- portable /
- multi-index /
- rapeseed
-
0. 引 言
据国家统计局信息显示，中国2022年油料作物产量
3654.2 万t，其中油菜籽产量1553.1 万t，占国产油料作物总产量的42.5%[1]，油菜籽作为国内主要的油料作物，其品质检测在整个生产过程有重要作用。油菜籽内部品质评价指标主要包括含油量（oil content, OC）、蛋白质含量（protein content, PC）、硫苷（glucosinolates，GL）、芥酸（erucic acid，EA）和含水率（moisture content，MC）等[2]，含油量与蛋白质含量是油菜籽重要的理化特性，决定了油菜籽的营养价值[3]，硫苷与芥酸是普通油菜籽与双低油菜籽的评价指标[2]，含水率对贮存、运输、干燥等环节有重要影响。目前，油菜籽内部品质评价指标的常规检测方法是使用化学分析法进行破坏性抽样检测，该方法精准、可靠，但成本高、人员技术要求高、检测时间长[4]，且油菜籽多种理化值的化学测定方法各不相同，如蛋白质测定需要使用凯氏定氮仪，硫苷与芥酸使用气相色谱法检测[5]。因此，需要一种可进行多指标同步检测、高效、无损、便携式的油菜籽品质检测方法与设备。基于近红外的便携式检测装置已应用于籽粒作物的内部品质检测，LIN等[6]使用便携式稻粒水分仪检测了水分含量为13%～30%的米粒样品，决定系数为0.936；LIU等[7]使用4组特征波长收集小麦漫反射敏感光谱，测定小麦蛋白质和水分含量预测值的均方根误差分别为
0.4866 和0.2161 %；CHENG等[8]使用紫外-可见-近红外光谱系统进行单粒玉米籽黄曲霉毒素检测，准确率为95%，灵敏度为86%；AYKAS等[9]使用手持式大豆品质筛选仪实现了决定系数为0.92、均方根误差为3.07%的含油量检测。现有研究证实了可见/近红外光谱技术可用于籽粒作物的品质检测[10-11]，但针对油菜籽多参数同时检测的研究尚未见报道，且缺少针对油菜籽的便携式内部品质检测仪器研究。本文基于近红外光谱分析技术，设计油菜籽快速无损便携式检测装置；利用数据分类、预处理、特征提取、模型筛选等多种分析方法，探究各理化值最优模型；依托校正模型开发控制与分析软件，拟实现嵌入式设备一键操作，实时显示含油量、蛋白质含量、硫苷、芥酸和含水率的预测值；并开发小程序、APP与网页，将预测结果显示在手机和用户网站上；通过试验检测装置性能，以实现油菜籽的实时无损检测。
1. 检测装置集成设计
1.1 检测原理
该装置能够采集油菜籽的近红外漫反射光谱信息，用于检测收获后达到安全储存期的油菜籽含油量、蛋白质含量、硫苷、芥酸和含水率等理化指标。为确保检测距离固定，设计了底部接触式光谱测量法，使用蓝宝石玻璃底的样品杯采集光谱，检测原理见图1。将3～7 g油菜籽放置到样品杯中，进行预试验达到采样条件，采集参考白板形成的暗室与待测样品的光强，根据嵌入式处理器内部吸光度公式，得到样品光谱数据，由内部模型分析光谱数据得到预测值，最终在嵌入式设备、手机、网页上显示预测结果。
1.2 硬件设计
油菜籽受到近红外光（400～
2500 nm）光照射后，C-H、O-H、N-H等含氢基团分子被激发，形成反映特征的近红外光谱，其中1210 nm附近是含油量与含糖量相关的亚甲基C-H键二级倍频吸收峰，1500 ～2000 nm附近存在蛋白质N-H的一级倍频与组合频率的吸收峰，1034 nm附近存在N-H键二级倍频吸收峰，1440 nm存在O-H键一级倍频吸收峰[12-13]，可基于近红外光谱预测油菜籽相关内部品质（测量区间需涵盖以上主要吸收峰）。依据检测需求与检测原理，对关键部件进行优选，常见单片机为STM32、FPGA、树莓派等，本装置涉及GUI设计、模型写入与预测、云端数据传输等操作，需较大的SRAM与丰富的扩展协议，因此，选择树莓派4B作为嵌入式处理器；常见可见/近红外微型光谱仪有日本滨松的C10082CA，美国海洋光学的NIR-M-R2，联合光科的80311等，本装置为便携式检测，对集成度有较高要求，需使用漫反射或透射原理的光谱仪、波长区间需涵盖1210 与1440 nm，符合需求的为TIDA-00554与NIR-M-R2，综合经济性，选择NIR-M-R2作为微型光谱仪。油菜籽内部品质检测装置核心组件如图2所示，由装置箱体、锂离子电池、微型光谱仪、样品杯、7英寸LCD触摸屏、箱体上板和树莓派处理器组成，其外形尺寸为246 mm×129 mm×130 mm，装置总功耗约为12 W（LCD屏幕+光谱仪+树莓派），综合使用时间为6 h，锂离子电池容量取
20000 mA；样本杯直径需覆盖光源，取2 cm，高度取4 cm；参考白板使用温湿度不敏感的PTFE材料，直径较样品孔略小，取3.6 cm，可覆盖光源孔形成暗室，用于环境校正。![]()
图 2 检测装置核心组件示意图1.装置箱体 2. 微型光谱仪 3. 箱体上板 4. 样品杯 5. LCD触摸屏 6. 树莓派处理器 7.锂离子电池Figure 2. Schematic diagram of the core components of the detector1. Device enclosure 2. Miniature spectrometer 3. Enclosure upper panel 4. Sample cup 5. LCD touch screen 6. Raspberry Pi processor 7. Lithium-ion battery装置主要参数如表1所示。该装置采用接触反射方式采集900～
1700 nm波段的近红外光谱信息，整机质量1.9 kg，持续作业时间大于6 h，可通过采集3～7 g的油菜籽预测含油量、蛋白质含量、硫苷含量、芥酸含量与含水率，一次采集流程为13 s，采用PTFE做参考板，工作温度为15～35 ℃，各理化值决定系数大于0.73。表 1 装置参数表Table 1. Device parameters项目Item 参数Parameter 尺寸 Size/mm 246×128×127 质量 Weight / kg 1.9 取样范围 Sampling range/g 3～7 决定系数 Coefficient ofdetermination R2>0.73 稳定性 Stability 15～35 ℃、40%～70%相对湿度 波段 Wavelength range/nm 900～ 1700 预测时间 Prediction time/s 13 信噪比 Signal-to-noise ratio 5000 ∶12. 油菜籽近红外数据采集及处理
2.1 试验材料及试验方法
试验材料为华中、华南、西南等油菜主产区共41个油菜种植品种与各地收获油菜籽24个品种（共65种样品），理化值参考GB/T 14488.1-2008、GB/T 14489.1-2008，由国家油菜工程技术研究中心（湖北 武汉）使用凯氏定氮仪与液相色谱法测定[5]。经测定，硫苷（8.3～270 μmol/g）、芥酸（0.7%～40%）呈现低态分布（63%的样品硫苷含量低于35 μmol/g、69%的样品芥酸含量低于3%），符合油菜籽双低品种指标需求；含油量（32.7%～54.9%）、蛋白质（12.1%～28.1%）与含水率（4.66%～9.96%）大致呈正态分布，符合常态取样规律。
为确保试验数据的可重复性、模型稳定性，对仪器进行光程筛选，每10 min执行预试验后采集参考白板的吸光度，重复20次。结果如图3所示，在900～
1633 nm波段内，吸光度基本稳定，有较高的信号稳定性。但在灰色区域(波长大于1636 nm)中，仪器吸光度曲线波幅增加，考虑试验的稳定与准确性，舍弃1636 nm以上的波段，选择900～1633 nm的光谱区间。光谱采集的物料主要由参考白板、待测样品、样品杯组成，将样品放入杯中后，由微型光谱仪先采集参考白板的光谱，根据提示采集样品杯中的待测油菜籽光谱，根据式（1）得到样品吸光度，利用嵌入式处理器内校正模型与实际光谱数据对比，得到多种理化值的预测值。
$$ A=-{\mathrm{lg}}\frac{{I}_{s}}{{I}_{a}} $$ (1) 式中A为吸光度；Ia为参考光谱；Is为样品光谱。
使用装置采集试验材料的光谱，每种油菜籽在室温（25 ℃）下采集3次（曝光时间为0.635 ms，使用无平滑的6次平均得到初始光谱，增益32倍后得到实际光谱）。共获得65组样品的195条光谱，组内光谱平均后如图4所示，图中一定数量的光谱存在较大基线偏移是表面种衣与油菜品种差异双重因素导致的。例如，表面有暗淡色泽种衣的陕油1309平均吸光度为1.413，表面有明亮色泽种衣的庆油3号平均吸光度为0.637，两者吸光度相差0.793；不含种衣的福油518与阳光50平均吸光度相差0.364。
2.2 预测模型建立
为构建高精度、低误差的优化模型，以图4所示的光谱为原始数据，以测定的含油量、蛋白质、硫苷、芥酸、含水率为标签，将划分数据集（以均方根误差、决定系数为指标）、预处理（以光谱平滑度为指标）、数据降维（以降维与回归精度为指标）、回归算法（以均方根误差、决定系数为指标）模块化组合[14-15]，如图5所示，分别确定各模块最优方案以实现油菜籽各理化值预测。
2.2.1 划分数据集
为支持机器学习模型的训练、验证和测试，以及在正式使用时能泛化到未知数据，本试验采用随机数（Random, None）、KS（Kennard-Stone, KS）与空间平衡随机（sample set partitioning based on joint X-Y distances, SPXY）[16]3种方法划分65种油菜籽的近红外光谱数据集，训练集与测试集比例为8:2，使用训练集构建回归模型，使用测试集分析模型预测效果。
构建偏最小二乘（partial least squares, PLS）模型，以测试集的均方根误差 （root mean square error，RMSE）、决定系数（coefficient of determination ，R2） 为主要评价指标，以均方误差（mean square error，MAE）为次要指标，3种划分方法的PLS结果如表2，含油量和蛋白质KS划分后的决定系数R2为0.901、0.770。因为KS方法通过考虑数据的特征值，寻找并保留主要的数据变化方向，对于常量元素具有更好的划分效果[17]；针对含水率，随机数划分后的决定系数R2为0.890；硫苷与芥酸的样品含量范围跨度大且数据分布复杂，特定的划分方法捕捉特性困难[18]。基于任意数的随机划分具有最佳的预测值，分别为R2=0.635和R2=0.637。
表 2 不同数据集划分方法下的偏最小二乘模型指标Table 2. Partial least squares (PLS) model indicators for different dividing methods of dataset划分方法
Dividing method理化值
Physicochemical
values均方根误差
RMSE决定系数
R2均方误差
MAE随机数
Random含油量 1.403 0.848 1.228 蛋白质 2.078 0.593 1.493 硫苷 23.018 0.635 17.640 含水率 0.459 0.890 0.343 芥酸 7.017 0.637 5.260 KS(Kennard-Stone) 含油量 1.374 0.901 1.153 蛋白质 1.713 0.770 1.443 硫苷 29.603 −0.316 24.530 含水率 0.633 0.656 0.472 芥酸 7.693 −0.229 5.522 空间平衡随机
(Sample set partitioning
based on joint X-Y distances)含油量 1.706 0.812 1.559 蛋白质 1.935 0.749 1.694 硫苷 18.350 0.300 16.845 含水率 0.399 0.794 0.315 芥酸 5.057 −0.102 4.140 注：表中决定系数R2为负数代表严重的过拟合，表示划分方法与对应理化值不匹配。 Note: A negative coefficient of determination R2 in the table indicates severe overfitting, meaning the dividing method does not match the corresponding physical and chemical values. 2.2.2 预处理
为去除噪点、降低环境影响、提高模型的稳健性与预测能力，采用SG平滑滤波(savitzky-golay, SG)、移动平均平滑(moving average, MA)、标准正态缩放(standardization and scaling, SS)等预处理方法[16]，以光谱曲线平滑度为评价指标计算预处理结果。
光谱曲线平滑度计算如式（2） 所示，基于平方二阶导数积分计算每条曲线光滑度，将65条曲线的光滑度累加得一次预处理的光谱平滑度，将12种预处理的光谱平滑度均一化处理，计算得SG数据平滑度最高，为1.0，SNV（均标准正态变化）次之，为0.981，D1（一阶导数）与D2（二阶导数）最小，为0.486、0.032。本研究选择SG平滑（5窗口，3阶平滑）方式。
$$S_{i}= \int\left(f_{i}^{\prime\prime}(x)\right)^{2}{\mathrm{d}}x$$ (2) $$S_{总}=\sum\nolimits_{i=1}^{N}S_i,N=65$$ (3) 式中$ {f}_{i}^{{{{'}}}{{{'}}}}\left(x\right) $为光谱的二阶导；$ {S}_{\text{总}} $为预处理的平滑度；N为样品数。
2.2.3 特征筛选
为判断原始数据是否满足单波长预测，使用皮尔逊相关系数衡量理化值与吸光度单波长相关性[19]，皮尔逊系数如式（3）所示，分子代表吸光度与理化值的协方差估计值，分母代表吸光度与理化值的标准差的乘积。
$$ r=\frac{\displaystyle\sum\nolimits_{i=1}^{N}\left({X}_{i}-\bar{X}\right)\left({Y}_{i}-\bar{Y}\right)}{\sqrt{\displaystyle\sum \nolimits_{i=1}^{N}{\left({X}_{i}-\bar{X}\right)}^{2}\displaystyle\sum\nolimits_{i=1}^{N}{\left({Y}_{i}-\bar{Y}\right)}^{2}}} $$ (4) 式中r为皮尔逊系数；Xi为吸光度；Yi为理化值。$ \bar{X}\mathrm{、}\bar{Y} $为吸光度与理化值的均值。
由图6可知，芥酸与吸光度相关性差，
1519 nm处为最大值0.041；硫苷、含水率分别与1086 、1091 nm处的吸光度存在0.556、0.513的最高相关度；含油量、蛋白质分别与974、1447 nm的吸光度存在−0.434、−0.449的最高相关度。各理化值单波长预测精度低，需进一步分析。为进一步从大量的光谱数据中筛选出具有特殊结构和功能的光谱峰、降低数据维度、提高运算速率，采用主成分分析 (principal component analysis，Pca) 、竞争性自适应重加权算法（competitive adapative reweighted sampling， Cars）、无信息变量消除（uninformative variables elimination, Uve）等算法执行特征筛选，Pca算法采用累计贡献率大于85%的特征方向代替原始光谱，实现降维；Cars算法可消除无信息变量，减少共线性数据的影响；Uve算法可有效去除噪声数据，实现数据降维[20-21]。
1）Pca分析
Pca是一种非监督的降维算法，通过正交变换将隐相关的变量转换为一组线性的主成分，标准化赋权各特征、计算协方差矩阵线性关系并特征分解协方差矩阵，筛选出新的特征空间（主成分，PC）[20]，实现数据降维。主成分分析结果如图7所示，两组主成分解释了99.6%的方差差异性，第一主成分代表了数据中最为显著的趋势，Pca算法对数据压缩和简化有效。
（2）Cars分析
Cars降维是结合蒙特卡洛采样与PLS模型回归系数的特征变量选择方法，本研究设定100次蒙特卡洛采样，五折交叉验证法[22]。设定波长迭代方向为强制迭代，固定剔除。波长迭代变化与含油量、蛋白质的均方根误差波动如图8a所示。在Cars算法的初期迭代（0～30轮）中，不重要的波长被移除，初步优化了模型，RMSE值波动中下降。后期迭代（40～50轮）更多的波长被剔除，导致模型丢失部分关键信息，RMSE值波动中上升。硫苷、芥酸与含水率误差趋势如图8b所示，Cars分析仅减少了波长，对RMSE影响较小。含油量、蛋白质、硫苷、含水率和芥酸其理化值的RMSE分别为1.58、1.35、17.913、0.525、4.227，筛选后波长数量分别为56、73、24、18、41。
3）Lars分析
最小角回归（Lars）降维是一种用于高维数据的特征变量选择方法，适合于变量个数大于观测数的情况[23]，算法回归目标向量依次分解为若干组特征向量的线性组合，最终使得与所有特征均线性无关的残差向量最小。Lars分析如图9所示，含油量与硫苷的光谱矩阵特征向量相关性强，区分残差向量快；蛋白质与芥酸为Lars不敏感矩阵，在特征波长数超过100后才趋向稳定；含水率模型最低误差为1.4，远大于原始分析的0.7与Cars分析的0.525，因为含水率中O-H键（氧-氢键）的振动模式与偶极性对近红外（NIR）光谱区域的电磁波特别敏感[24-25]，Lars分析对高敏感、多噪声变量易误判[26]，因此含水率的特征降维误差较大。经过Lars降维后，含油量、蛋白质、硫苷、含水率和芥酸其理化值的RMSE值为4.173、3.691、22.765、1.428、10.50，特征波长数量为3、2、2、32、105。
4）Uve分析：
Uve是用噪声的无关变量信息统计去选择光谱自身的特征变量，根据含噪自变量矩阵对目标矩阵的回归系数进行统计分布与变量判断的特征变量选择方法，可有效减小过拟合[27]。在添加噪声前，需确定判定核的最优主成分，以理化值的RMSE为指标，执行1～10主成分数分析，含油量、蛋白质、含水率与芥酸最佳主成分数为7、7、7、8；硫苷回归响应不积极，在主成分为2时达到最佳。
人为产生一噪声矩阵R(n×m)，将光谱矩阵 X(n×m)与噪声矩阵 R(n×m)组合形成矩阵 XR(n×2 m)，含噪组合矩阵如图10a所示，深色区域为原始光谱标准差15%强度的高斯噪声区[28]，噪声中心值为原始光谱标准差均值。图10b展示了含油量的特征矩阵及其筛选过程（其余理化值类似），图中水平线表示噪声矩阵的最大值Cmax，特征系数小于Cmax的波长舍弃，反之保留。经过无信息变量剔除后的含油量、蛋白质、硫苷、含水率和芥酸其理化值的RMSE值为8.7、13.4、77.3、0.66、6.5，特征波长数量为69、32、23、87、9。
5）GA分析：
遗传算法（GA）在降维中通过迭代过程中的选择、交叉和变异模拟自然选择过程，保留对模型性能贡献最大的特征，剔除冗余或不重要的特征[29]。将光谱矩阵随机分层、采用五折交叉验证，初始种群个数50，最大进化代数为200，交叉组合率0.7，变异率0.2。满足适应度误差小于固定值或进化代数时结束计算，特征波长数与迭代精度于160轮最低。GA分析后含油量、蛋白质、硫苷、含水率和芥酸其特征波长数为81、75、80、80、78。
6）Spa分析
连续投影算法（Spa）是一种有效消除变量共线性的降维算法[30]。经过预处理后的原始矩阵使用Spa优选出波长序列，分别建立含油量、蛋白质、硫苷、含水率、芥酸的PLS模型，模型内波长序列对预测误差的影响如图11所示，各理化值模型误差趋势均为先降低，后稳定。以图中蛋白质模型为例，RMSE随特征波长数先降低，后稳定，综合考虑波长序列与预测精度，选择特征波长数为12个，所选序列占原始信息的5.8%（含油量、硫苷、芥酸、含水率特征波长数为18、16、12、19）。
不同理化值的特征提取算法和相应的PLS模型参数如表3所示。特征降维前后，含水率与硫苷模型的决定系数R2分别损失15.8%、9.35%，对精度影响较大，不选择特征降维；含油量特征峰较为集中，利用Cars分析得到关键组分后，数据维度降低72.82%，预测的决定系数损失0.9%；蛋白质成分复杂（菜籽蛋白3类、储藏蛋白2种、酶蛋白多种），具有广泛而连续的吸收模式，基于Pca的全局特征提取效果更好，数据维度降低99.03%，决定系数提高13.2%；芥酸的C=O与N-H主吸收峰存在于
1600 ～1700 nm，该波段仪器误差较大，800～1100 nm、1150 ～1300 nm的弱吸收峰波段较长，使用Pca可组合多组原始的微弱变量，增强特征，预测模型的决定系数提高 31.49%、均方根误差RMSE降低40.78%。表 3 不同特征筛选方法下测试集的预测精度Table 3. Prediction accuracy under different feature selection methods理化值
Physicochemical values提取算法
Extraction algorithms数据维度
Data dimensionalityRMSE R2 MAE 含油量
OilPca 2 1.831 0.824 1.598 Cars 56 1.579 0.892 1.071 Lars 3 4.173 0.663 3.527 Uve 69 8.732 0.563 1.690 Spa 18 1.948 0.811 1.624 GA 81 1.995 0.754 1.680 蛋白质Protein Pca 2 1.412 0.866 1.195 Cars 73 1.351 0.787 1.617 Lars 2 3.691 0.591 3.454 Uve 32 13.414 0.488 1.725 Spa 12 1.441 0.835 1.207 GA 75 1.623 0.808 1.316 硫苷
GlucosinolatesPca 2 21.876 0.490 16.308 Cars 24 17.913 0.444 15.484 Lars 2 22.765 0.489 21.234 Uve 23 77.327 0.258 16.824 Spa 16 20.890 0.535 17.513 GA 80 21.818 0.493 18.281 含水率
MoisturePca 2 0.504 0.671 0.414 Cars 18 0.525 0.712 0.355 Lars 32 1.428 0.513 1.422 Uve 87 0.664 0.636 0.315 Spa 19 0.512 0.694 0.433 GA 80 0.399 0.807 0.314 芥酸
Erucic acidPca 2 4.155 0.838 3.626 Cars 41 4.227 0.552 5.304 Lars 105 10.50 0.280 10.679 Uve 9 6.537 0.346 9.811 Spa 12 7.040 0.534 5.190 GA 78 6.885 0.554 5.351 2.2.4 光谱模型建立与评价
为探究不同回归算法对预测能力的影响，获取最佳预测模型，使用卷积神经网络(convolutional neural network, CNN)、人工神经网络(artificial neural network, ANN)、极限学习机(extreme learning machine, ELM)、偏最小二乘(partial least squares, PLS)、支持向量(support vector regression, SVR)[28, 31]等回归算法对经过划分数据集、预处理、特征降维的油菜籽近红外光谱建立品质预测模型。
品质预测模型结果见表4，基于PLS模型整体误差与精度均较好，因为PLS模型在30个样品以上即可有效划分反应型与形成型，且结构方程模型是Bootstrap计算标准误差，可有效用于非正态分布的特殊数据；基于CNN与ANN的模型存在负数模型，效果极差，因为本研究将同种油菜籽取平均后视为一条光谱，降低了数据丰度；基于SVR的模型整体精度较低，因为支持向量机对回归问题的学习策略为间隔最大化，本质上是将分类问题向高纬投影，线性核、多项式核、高斯核等映射函数对数据仍具损失性；ELM模型将单隐层前馈神经网络（SLFN）的后向传播改为随机输入权值，使得光谱最敏感的水分（正向或逆向）较好的被区分出来，决定系数R2达0.975。
表 4 不同回归算法下的模型预测精度Table 4. Model prediction accuracy under different regression algorithms回归算法
Regression algorithm理化值
Physicochemical valuesRMSE R2 MAE 偏最小二乘
PLS含油量 1.400 0.949 1.169 蛋白质 1.456 0.862 1.240 硫苷 20.708 0.730 15.732 含水率 0.371 0.885 0.313 芥酸 3.627 0.862 3.280 人工神经网络
ANN含油量 8.056 0.591 4.979 蛋白质 5.112 -0.465 4.531 硫苷 26.066 0.276 24.460 含水率 1.678 0.463 1.463 芥酸 10.241 0.414 6.993 支持向量
SVR含油量 3.170 0.226 2.516 蛋白质 2.681 0.622 2.333 硫苷 27.147 0.215 22.236 含水率 0.800 0.668 0.584 芥酸 11.591 0.564 5.449 极限学习机
ELM含油量 2.358 0.572 1.871 蛋白质 2.497 0.412 1.511 硫苷 23.615 0.406 18.813 含水率 0.363 0.976 0.236 芥酸 9.221 0.200 5.728 卷积神经网络
CNN含油量 2.611 0.475 2.135 蛋白质 2.694 0.316 2.350 硫苷 30.986 -0.023 27.445 含水率 0.739 0.716 0.572 芥酸 10.288 0. 460 6.801 综合各流程处理结果，得各理化值最优模型参数，含油量的校正模型采用KS+SG+Cars+PLS，蛋白质使用Spxy+SG+Pca+PLS，硫苷使用Random+SG+PLS，含水率使用Random+SG+ELM，芥酸使用Random+SG+Pca+PLS。各模型指标如下：含油量的RMSE, R2, MAE分别为1.40、0.95、1.16；蛋白质为1.46、0.86、1.24；硫苷为20.70、0.73、15.73；芥酸为3.63、0.86、3.28；含水率为0.36、0.98、0.24。
3. 检测仪GUI及云端开发
装置的本地端GUI (graphical user interface)如图12所示，由光谱可视化区、预测显示区、用户交互区组成。光谱可视化区利用QGraphicsScene与QLabel结合光谱采集标志位，将光谱数据可视化；预测显示出含油量、蛋白质、硫苷、芥酸、含水率的预测结果与油菜籽分类结果；用户交互区使用QT与自定义类，实现装置预热、光谱采集进程控制与中断、检测历史调用等常用功能。
小程序与APP界面为基于 Flask 的数据展示界面，集成用户登录管理、MQTT 消息处理、以及数据可视化功能。后端使用Flask-WTF实现用户认证流程，利用MQTT协议质询服务器，实时接收和解析数据，使云端与本地端数据保持一致；前端定义组织用户登录、认证、注销过程，使用Chart以折线图和环形图展示后端数据，通过 Ajax 轮询实现数据的实时更新。
4. 装置验证
4.1 装置稳定性验证
4.1.1 含杂量与样品质量稳定性试验
依据小样杂质的掺混原则，混合质量分数1%、2%、3%、4%的杂质到未测试样品（5 g）中，吸光度差异性结果如图13a所示，吸光度差异性曲线左高右低，含杂量越高偏移越大（存在
1210 、1440 nm两处明显波谷）的趋势。因杂质通常为破碎的茎秆、叶片，土壤颗粒等，含油量与含糖量等成分与油菜籽重合度较低，在1210 nm的与含油量与含糖量相关的亚甲基C-H键二级倍频吸收峰处出现吸光度差异的局部波谷。又因杂质中多为有机物，1440 nm的O-H键一级倍频吸收峰与油菜籽接近，因此在1440 nm处出现差异性曲线的降低。以±5%为置信区间，1%、2%含杂量的全波段差异均在置信区间内，装置对含杂量不大于2%的样品具有良好预测能力。![]()
图 13 装置含杂量与样品质量稳定性验证Figure 13. Verification of device impurity content and sample weight stability使用1～7 g的同一品种油菜籽进行试验，吸光度差异如图13b所示，取1 g油菜籽时，样品杯周向（圆周方向，即杯底平面）未被完全覆盖，有大范围光源透过，光谱结果整体吸光度误差约为10%；取3～7 g油菜籽时，样品杯周向与轴向均填充满油菜籽，无光斑出现，吸光度误差约为1.5%（系统误差）。综上，装置对3～7 g的油菜籽具有良好的泛用性。
4.1.2 温湿度稳定性试验
为进一步测试装置稳定性与泛用性，执行装置预试验后，开展温湿度稳定性试验。以15～35 ℃为区间开展装置温度稳定性试验。结果如图14a所示，以±5%的吸光度差异为置信区间，温度稳定区间为15～35 ℃；基于常见相对湿度（40%～80%）开展装置环境湿度稳定性试验，由图14b可知，当相对湿度为70%、80%时，油菜籽样品的光强与平均湿度下差异较大，这是因为装置光源孔温度较高（30～35 ℃）、样品杯为常温（20～25 ℃），接触后发生热传递，样本杯底（蓝宝石结构）发生过饱和，水分凝结为小水滴，影响了油菜籽样品的漫反射检测结果，手动擦拭样品杯底的水雾或将样品杯调整至与装置同温（将样本与样本杯放置于装置内部一段时间）后，装置的相对湿度稳定区间为40%～70%（不擦拭或调整，湿度上限为60%）。
![]()
图 14 装置温湿度稳定性验证Figure 14. Verification of temperature and humidity stability of the device4.2 装置检测精度验证
检测精度验证选择为不在训练集内的收获与种植油菜籽，理化值测定同试验材料。使用所设计的便携式油菜籽内部品质检测装置进行试验，每个样品采集三次光谱取平均，将预测值与真实值结果做线性分析，试验结果如图15所示。由图15a、图15b、图15d、图15e可知，含油量为52%、蛋白质含量为30%等特殊油菜品种的理化值预测仍具有较高的预测精度。因为试验材料综合了特育品种与种植品种，提高了模型对超范围样品的拓展预测能力，降低了模型对非常规理化值的预测偏差。图15c、图15e中硫苷、芥酸预测误差较大，因硫苷含量小且极值差异大，线性模型的预测精度较低。综上，便携式油菜籽内部品质检测装置含油量、蛋白质含量、硫苷、含水率、芥酸预测集与真实集的决定系数R2分别为0.932、0.855、0.734、0.968、0.761。RMSE分别为1.35、1.67、19.6、0.34、2.96。仪器有良好的预测能力，外部泛用性较好，可适用于未知样品的预测，预测精度达到设计需求，可用于油菜籽内部品质检测。
![]()
图 15 便携式油菜籽品质检测装置预测精度验证Figure 15. Portable rapeseed quality testing device prediction accuracy verification5. 结 论
1）根据成熟期油菜籽的光学、物理特性，设计基于近红外光谱的便携式油菜籽内部品质检测装置，该仪器主要由装置箱体、锂离子电池、微型光谱仪、7英寸LCD触摸屏、箱体上板和树莓派处理器组成，其外形尺寸为246 mm×129 mm×130 mm，该装置充电后可不间断连续稳定测试6 h，不受环境光影响，符合户外作业条件。
2）采集油菜籽的900～
1633 nm近红外接触反射光谱信息，对原始光谱进行划分数据集、预处理、特征筛选、回归模型等分析，建立了油菜籽含油量、蛋白质、硫苷、含水率、芥酸的最优预测模型，决定系数R2分别为0.949、0.861、0.730、0.976、0.862。RMSE分别为1.39、1.46、20.7、0.36、3.63。3）使用Python部署预测模型，使用QT creator编写嵌入式油菜籽品质预测软件，实现一键无损检测油菜籽5种理化值。
4）验证了便携式油菜籽内部品质检测装置的检测精度与稳定性。在相对湿度40%～70%、温度15～35 ℃的环境下，装置对含杂量不大于2%、质量3～7 g的油菜籽具有良好的数据采集稳定性，油菜籽含油量、蛋白质、硫苷、含水率、芥酸的预测值与真实值的决定系数R2分别为0.932、0.855、0.734、0.968、0.761。均方根误差RMSE分别为1.35、1.67、19.6、0.34、2.96。结果表明，该装置可完成油菜籽达到安全储存期后的含油量、蛋白质、硫苷、含水率、芥酸的实时无损检测。
-
![]()
图 2 检测装置核心组件示意图
1.装置箱体 2. 微型光谱仪 3. 箱体上板 4. 样品杯 5. LCD触摸屏 6. 树莓派处理器 7.锂离子电池
Figure 2. Schematic diagram of the core components of the detector
1. Device enclosure 2. Miniature spectrometer 3. Enclosure upper panel 4. Sample cup 5. LCD touch screen 6. Raspberry Pi processor 7. Lithium-ion battery
![]()
图 13 装置含杂量与样品质量稳定性验证
Figure 13. Verification of device impurity content and sample weight stability
![]()
图 14 装置温湿度稳定性验证
Figure 14. Verification of temperature and humidity stability of the device
![]()
图 15 便携式油菜籽品质检测装置预测精度验证
Figure 15. Portable rapeseed quality testing device prediction accuracy verification
表 1 装置参数表
Table 1 Device parameters
项目Item 参数Parameter 尺寸 Size/mm 246×128×127 质量 Weight / kg 1.9 取样范围 Sampling range/g 3～7 决定系数 Coefficient ofdetermination R2>0.73 稳定性 Stability 15～35 ℃、40%～70%相对湿度 波段 Wavelength range/nm 900～ 1700 预测时间 Prediction time/s 13 信噪比 Signal-to-noise ratio 5000 ∶1
下载: 导出CSV
表 2 不同数据集划分方法下的偏最小二乘模型指标
Table 2 Partial least squares (PLS) model indicators for different dividing methods of dataset
划分方法
Dividing method理化值
Physicochemical
values均方根误差
RMSE决定系数
R2均方误差
MAE随机数
Random含油量 1.403 0.848 1.228 蛋白质 2.078 0.593 1.493 硫苷 23.018 0.635 17.640 含水率 0.459 0.890 0.343 芥酸 7.017 0.637 5.260 KS(Kennard-Stone) 含油量 1.374 0.901 1.153 蛋白质 1.713 0.770 1.443 硫苷 29.603 −0.316 24.530 含水率 0.633 0.656 0.472 芥酸 7.693 −0.229 5.522 空间平衡随机
(Sample set partitioning
based on joint X-Y distances)含油量 1.706 0.812 1.559 蛋白质 1.935 0.749 1.694 硫苷 18.350 0.300 16.845 含水率 0.399 0.794 0.315 芥酸 5.057 −0.102 4.140 注：表中决定系数R2为负数代表严重的过拟合，表示划分方法与对应理化值不匹配。 Note: A negative coefficient of determination R2 in the table indicates severe overfitting, meaning the dividing method does not match the corresponding physical and chemical values.
下载: 导出CSV
表 3 不同特征筛选方法下测试集的预测精度
Table 3 Prediction accuracy under different feature selection methods
理化值
Physicochemical values提取算法
Extraction algorithms数据维度
Data dimensionalityRMSE R2 MAE 含油量
OilPca 2 1.831 0.824 1.598 Cars 56 1.579 0.892 1.071 Lars 3 4.173 0.663 3.527 Uve 69 8.732 0.563 1.690 Spa 18 1.948 0.811 1.624 GA 81 1.995 0.754 1.680 蛋白质Protein Pca 2 1.412 0.866 1.195 Cars 73 1.351 0.787 1.617 Lars 2 3.691 0.591 3.454 Uve 32 13.414 0.488 1.725 Spa 12 1.441 0.835 1.207 GA 75 1.623 0.808 1.316 硫苷
GlucosinolatesPca 2 21.876 0.490 16.308 Cars 24 17.913 0.444 15.484 Lars 2 22.765 0.489 21.234 Uve 23 77.327 0.258 16.824 Spa 16 20.890 0.535 17.513 GA 80 21.818 0.493 18.281 含水率
MoisturePca 2 0.504 0.671 0.414 Cars 18 0.525 0.712 0.355 Lars 32 1.428 0.513 1.422 Uve 87 0.664 0.636 0.315 Spa 19 0.512 0.694 0.433 GA 80 0.399 0.807 0.314 芥酸
Erucic acidPca 2 4.155 0.838 3.626 Cars 41 4.227 0.552 5.304 Lars 105 10.50 0.280 10.679 Uve 9 6.537 0.346 9.811 Spa 12 7.040 0.534 5.190 GA 78 6.885 0.554 5.351
下载: 导出CSV
表 4 不同回归算法下的模型预测精度
Table 4 Model prediction accuracy under different regression algorithms
回归算法
Regression algorithm理化值
Physicochemical valuesRMSE R2 MAE 偏最小二乘
PLS含油量 1.400 0.949 1.169 蛋白质 1.456 0.862 1.240 硫苷 20.708 0.730 15.732 含水率 0.371 0.885 0.313 芥酸 3.627 0.862 3.280 人工神经网络
ANN含油量 8.056 0.591 4.979 蛋白质 5.112 -0.465 4.531 硫苷 26.066 0.276 24.460 含水率 1.678 0.463 1.463 芥酸 10.241 0.414 6.993 支持向量
SVR含油量 3.170 0.226 2.516 蛋白质 2.681 0.622 2.333 硫苷 27.147 0.215 22.236 含水率 0.800 0.668 0.584 芥酸 11.591 0.564 5.449 极限学习机
ELM含油量 2.358 0.572 1.871 蛋白质 2.497 0.412 1.511 硫苷 23.615 0.406 18.813 含水率 0.363 0.976 0.236 芥酸 9.221 0.200 5.728 卷积神经网络
CNN含油量 2.611 0.475 2.135 蛋白质 2.694 0.316 2.350 硫苷 30.986 -0.023 27.445 含水率 0.739 0.716 0.572 芥酸 10.288 0. 460 6.801
下载: 导出CSV
-
[1] 国家统计局. 2023年中国统计年鉴 [M]. 2023年中国统计年鉴. 北京: 中国统计出版社, 2023. [2] 湖北省粮油食品质量监测站GB/T 11762-2006 油菜籽:[S]. 北京:中国标准出版社,2006. [3] HU Q, HUA W, YIN Y, et al. Rapeseed research and production in China[J]. The Crop Journal, 2017, 5(2): 127-135. DOI: 10.1016/j.cj.2016.06.005
[4] BARTHET V J, PETRYK M W, SIEMENS B. Rapid nondestructive analysis of intact canola seeds using a handheld near‐infrared spectrometer[J]. Journal of the American Oil Chemists' Society, 2020, 97(6): 577-589. DOI: 10.1002/aocs.12335
[5] CHMIELEWSKA A, KOZŁOWSKA M, RACHWAŁ D, et al. Canola/rapeseed protein–nutritional value, functionality and food application: a review[J]. Critical Reviews in Food Science and Nutrition, 2021, 61(22): 3836-3856. DOI: 10.1080/10408398.2020.1809342
[6] LIN L, HE Y, XIAO Z, et al. Rapid-detection sensor for rice grain moisture based on NIR spectroscopy[J]. Applied Sciences, 2019, 9(8): 1654. DOI: 10.3390/app9081654
[7] LIU Y, LI D, LI H, et al. Design of a phenotypic sensor about protein and moisture in wheat grain[J]. Frontiers in Plant Science, 2022, 13: 881560. DOI: 10.3389/fpls.2022.881560
[8] CHENG X, VELLA A, STASIEWICZ M J. Classification of aflatoxin contaminated single corn kernels by ultraviolet to near infrared spectroscopy[J]. Food Control, 2019, 98: 253-261. DOI: 10.1016/j.foodcont.2018.11.037
[9] AYKAS D P, BALL C, SIA A, et al. In-situ screening of soybean quality with a novel handheld near-infrared sensor[J]. Sensors, 2020, 20(21): 6283. DOI: 10.3390/s20216283
[10] 金文玲,曹乃亮,朱明东,等. 基于近红外超连续激光光谱的水稻种子活力无损分级检测研究[J]. 中国光学,2020,13(5):1032-1043. DOI: 10.37188/CO.2020-0027 JIN Wenling, CAO Nailiang, ZHU Mingdong, et al. Nondestructive grading test of rice seed activity using near infrared super-continuum laser spectrum[J]. Chinese Optics, 2020, 13(5): 1032-1043. (in Chinese with English abstract) DOI: 10.37188/CO.2020-0027
[11] BEĆ K B, GRABSKA J, HUCK C W. Near-infrared spectroscopy in bio-applications[J]. Molecules, 2020, 25(12): 2948. DOI: 10.3390/molecules25122948
[12] BEC K B, HUCK C W. Breakthrough potential in near-infrared spectroscopy: Spectra simulation. A review of recent developments[J]. Frontiers in Chemistry, 2019, 7: 48. DOI: 10.3389/fchem.2019.00048
[13] OZAKI Y. Infrared spectroscopy—Mid-infrared, near-infrared, and far-infrared/terahertz spectroscopy[J]. Analytical Sciences, 2021, 37(9): 1193-1212. DOI: 10.2116/analsci.20R008
[14] 李永玉,吴继峰,王威,等. 便携式双档位柑橘多品质无损检测装置设计与试验[J]. 农业工程学报,2023,39(23):259-267. DOI: 10.11975/j.issn.1002-6819.202309146 LI Yongyu, WU Jifeng, WANG Wei, et al. A portable dual-gear device for non-destructive testing on multi quality of citrus[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(23): 259-267. (in Chinese with English abstract) DOI: 10.11975/j.issn.1002-6819.202309146
[15] 郭俊先,张振振,韩景,等. 基于傅里叶变换近红外光谱的籽棉含水率无损检测[J]. 农业工程学报,2023,39(21):152-160. DOI: 10.11975/j.issn.1002-6819.202308012 GUO Junxian, ZHANG Zhenzhen, HAN Jing, et al. Non-destructive detection of seed cotton moisture content based on Fourier transform near-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(21): 152-160. (in Chinese with English abstract) DOI: 10.11975/j.issn.1002-6819.202308012
[16] JIAO Y, LI Z, CHEN X, et al. Preprocessing methods for near-infrared spectrum calibration[J]. Journal of Chemometrics, 2020, 34(11): e3306. DOI: 10.1002/cem.3306
[17] FERREIRA R D A, TEIXEIRA G, PETERNELLI L A. Kennard-Stone method outperforms the Random Sampling in the selection of calibration samples in SNPs and NIR data[J]. Ciência Rural, 2021, 52(5): e20201072.
[18] CHEN W, CHEN H, FENG Q, et al. A hybrid optimization method for sample partitioning in near-infrared analysis[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 248: 119182. DOI: 10.1016/j.saa.2020.119182
[19] 张柏,凌彩金,李露青,等. 基于数据融合策略的红茶发酵程度判别[J]. 农业工程学报,2022,38(15):339-347. DOI: 10.11975/j.issn.1002-6819.2022.15.037 ZHANG Bai, LING Caijin, LI Luqing, et al. Discrimination of black tea fermentation degrees based on data fusion strategy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 339-347. (in Chinese with English abstract) DOI: 10.11975/j.issn.1002-6819.2022.15.037
[20] ANOWAR F, SADAOUI S, SELIM B. Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE)[J]. Computer Science Review, 2021, 40: 100378. DOI: 10.1016/j.cosrev.2021.100378
[21] 刘莉,陶红燕,方静,等. 基于近红外高光谱的梨叶片炭疽病与黑斑病识别[J]. 农业机械学报,2022,53(2):221-230. LIU Li, TAO Hongyan, FANG Jing, et al. Identifying anthracnose and black spot of pear leaves on near-infrared hyperspectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(2): 221-230. (in Chinese with English abstract)
[22] 彭彦昆,孙晨,赵苗. 苹果品质动态无损感知及分级机器手系统[J]. 农业工程学报,2022,38(16):293-303. DOI: 10.11975/j.issn.1002-6819.2022.16.032 PENG Yankun, SUN Chen, ZHAO Miao. Dynamic nondestructive sensing and grading manipulator system for apple quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 293-303. (in Chinese with English abstract) DOI: 10.11975/j.issn.1002-6819.2022.16.032
[23] LIU L, LI Y, HAN J, et al. A least angle regression assessment algorithm based on joint dictionary for visible and near-infrared spectrum denoising[J]. Optik, 2021, 242: 167093. DOI: 10.1016/j.ijleo.2021.167093
[24] CHEN R C, DEWI C, HUANG S W, et al. Selecting critical features for data classification based on machine learning methods[J]. Journal of Big Data, 2020, 7(1): 52. DOI: 10.1186/s40537-020-00327-4
[25] KNADEL M, CASTALDI F, BARBETTI R, et al. Mathematical techniques to remove moisture effects from visible–near-infrared–shortwave-infrared soil spectra[J]. Applied Spectroscopy Reviews, 2023, 58(9): 629-662. DOI: 10.1080/05704928.2022.2128365
[26] CAO Y, BAO N, LIU S, et al. Reducing moisture effects on soil organic carbon content prediction in visible and near-infrared spectra with an external parameter othogonalization algorithm[J]. Canadian Journal of Soil Science, 2020, 100(3): 253-262. DOI: 10.1139/cjss-2020-0009
[27] FILZMOSER P, NORDHAUSEN K. Robust linear regression for high‐dimensional data: An overview[J]. Wiley Interdisciplinary Reviews: Computational Statistics, 2021, 13(4): e1524. DOI: 10.1002/wics.1524
[28] 郭志明,王郡艺,宋烨,等. 手持式可见近红外苹果品质无损检测系统设计与试验[J]. 农业工程学报,2021,37(22):271-277. DOI: 10.11975/j.issn.1002-6819.2021.22.031 GUO Zhiming, WANG Junyi, SONG Ye, et al. Design and experiment of the handheld visible-near infrared nondestructive detecting system for apple quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 271-277. (in Chinese with English abstract) DOI: 10.11975/j.issn.1002-6819.2021.22.031
[29] JIANG W, LU C, ZHANG Y, et al. Moving-window-improved monte carlo uninformative variable elimination combining successive projections algorithm for near-infrared spectroscopy (NIRS)[J]. Journal of Spectroscopy, 2020, 2020(1): 3590301.
[30] 张楠楠,张晓,王城坤,等. 基于高光谱和连续投影算法的棉花叶面积指数估测[J]. 农业机械学报,2022,53(S1):257-262. DOI: 10.6041/j.issn.1000-1298.2022.S1.028 ZHANG Nannan, ZHANG Xiao, WANG Chengkun, et al. Cotton LAl estimation based on hyperspectral and successive projection algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(S1): 257-262. (in Chinese with English abstract) DOI: 10.6041/j.issn.1000-1298.2022.S1.028
[31] TIAN X, LI J, YI S, et al. Nondestructive determining the soluble solids content of citrus using near infrared transmittance technology combined with the variable selection algorithm[J]. Artificial Intelligence in Agriculture, 2020, 4: 48-57. DOI: 10.1016/j.aiia.2020.05.001
计量
- 文章访问数: 6
- HTML全文浏览量: 2
- PDF下载量: 0
下载:
