Technik zur nichtzerstörungsfähigen Detektion des Gehalts an Tabakrauchenöl

Im System zur Bewertung der Blattqualität ist der Ölgehalt einer der wichtigen Indikatoren zur Messung der Qualität von flue-cured-Tabak. Traditionell stützt sich die Bewertung des Ölgehalts hauptsächlich auf die empirische Beurteilung von Fachleuten, was Probleme wie starke Subjektivität und relativ geringe Effizienz mit sich bringt. In den letzten Jahren hat die hyperspektrale Bildgebungstechnologie aufgrund ihrer Eigenschaften, Diagramme und Spektren zu kombinieren, Anwendungspotenzial im Bereich der Qualitätserkennung landwirtschaftlicher Produkte gezeigt. Am Beispiel einer Studie zur Erkennung des Ölgehalts von Flue-Cured-Tabak stellt dieser Artikel den praktischen Anwendungseffekt der Hyperspektraltechnologie im sichtbaren Nahinfrarotbereich in diesem Szenario vor.

Forschungshintergrund und experimentelles Design
Für die Studie wurden 634 Flue-cured-Tabakblattproben aus 22 Tabakanbauprovinzen (autonomen Regionen) im ganzen Land ausgewählt, die den oberen, mittleren und unteren Teil abdecken. Das Forschungsteam nutzte das hyperspektrale Bildgebungssystem der FigSpec-Serie von CHNSpec (einschließlich FigSpec-23- und FigSpec-25-Kameras), um synchron die Spektralinformationen von Tabakblättern in den Wellenlängenbereichen 400–1000 nm und 900–1700 nm zu erfassen. Während des Erfassungsprozesses wurde durch Festlegen des Lichtquellenwinkels und des Kameraabstands eine gleichmäßige Beleuchtung sichergestellt, und der Durchschnittswert nach zweimaliger Erfassung der Spektraldaten für jede Probe wurde als ursprüngliche Eingabe verwendet.

Der Ölgehaltswert wurde unabhängig auf einer 10-Punkte-Skala von einem 20-köpfigen Bewertungsteam für die Qualität des Aussehens bewertet. Die Proben wurden im Verhältnis 7:3 in einen Kalibrierungssatz (443 Proben) und einen Validierungssatz (191 Proben) aufgeteilt. Die Verteilungsmerkmale der Ölgehaltswerte in den beiden Probensätzen stimmten mit der Gesamtpopulation überein und bildeten eine zuverlässige Grundlage für die anschließende Modellkonstruktion.

Spektrale Vorverarbeitung und Korrelationsanalyse
Die ursprünglichen Spektraldaten enthalten Rauschen und Streuinterferenzen und erfordern eine Vorverarbeitung, um effektive Signale zu verbessern. Die Studie verglich fünf einzelne Vorverarbeitungsmethoden, darunter Glättung des gleitenden Durchschnitts (MA), multiplikative Streukorrektur (MSC), Standardnormalvariable (SNV), erste Ableitung (D1) und Standardisierung (SS), sowie deren Kombinationsstrategien.

Die Analyseergebnisse zeigten, dass die MSC- und SNV-Vorverarbeitung die Korrelation zwischen spektralem Reflexionsvermögen und Ölgehaltswerten effektiv verbessern könnte. Im Wellenlängenbereich von 928,36–1177,03 nm stieg der Korrelationskoeffizient von 0,076–0,124 des ursprünglichen Spektrums auf 0,331–0,640. Die D1-Vorverarbeitung führte durch die Verstärkung der lokalen Variationsmerkmale der Spektralkurven dazu, dass die Anzahl der stark korrelierten Bänder (|r|≥0,4) 100 überstieg. Diese Ergebnisse zeigen, dass vernünftige Vorverarbeitungsstrategien dazu beitragen, die Vorhersagekapazität nachfolgender Modelle zu verbessern.

Modellbau und Leistungsbewertung
Die Studie verwendete zwei Algorithmen, die partielle Regression der kleinsten Quadrate (PLSR) und die Support-Vektor-Regression (SVR), um quantitative Vorhersagemodelle für Ölgehaltswerte zu erstellen. Das auf dem gesamten sichtbaren Nahinfrarotband basierende PLSR-Modell hatte unter den meisten Vorverarbeitungsbedingungen Validierungssatz-RPD-Werte zwischen 1,642 und 1,775, wobei der Validierungssatz R² 0,683 erreichte und der RMSE nach der MA-Vorverarbeitung 0,346 betrug. Das SVR-Modell hatte einen Validierungssatz R² von 0,653 und einen RMSE von 0,362 unter der D1+SS-Kombinationsvorverarbeitung.

Um die Vorteile beider Modelle zu vereinen, führte die Studie eine Fusionsstrategie mit gewichtetem Durchschnitt ein. Das Fusionsmodell, das auf dem gesamten sichtbaren Nahinfrarotband (PLSR unter MA-Vorverarbeitung und SVR unter D1+SS-Vorverarbeitung) basiert, verzeichnete einen Anstieg des Validierungssatzes R² auf 0,721, einen Rückgang des RMSE auf 0,324 und einen RPD-Wert von 1,894, was einen besseren Vorhersageeffekt als jedes einzelne Modell zeigt.

Charakteristische Bandauswahl und Modelloptimierung
Hyperspektrale Daten enthalten Hunderte von Bändern, was zu Datenredundanzproblemen führt. Die Studie verwendete den sukzessiven Projektionsalgorithmus (SPA) für die Auswahl charakteristischer Bänder. Die Ergebnisse zeigten, dass das PLSR-Modell, das mit 95 von SPA ausgewählten charakteristischen Bändern erstellt wurde, nach der MA-Vorverarbeitung einen Validierungssatz R² von 0,685 und einen RMSE von 0,345 hatte; Nach der D1+SS-Vorverarbeitung hatte das SVR-Modell, das mit 56 von SPA ausgewählten charakteristischen Bändern erstellt wurde, einen Validierungssatz R² von 0,666 und einen RMSE von 0,355. Die Anzahl der charakteristischen Bänder wurde von 428 im Gesamtband deutlich reduziert, was die Datendimensionalität drastisch verringerte.

Das auf der SPA-Auswahl basierende Fusionsmodell von PLSR und SVR verbesserte die Vorhersagegenauigkeit weiter, wobei der Validierungssatz R² 0,724, RMSE 0,323 und RPD 1,904 erreichte. Dieses Ergebnis zeigt, dass die Auswahl des Merkmalsbands die Modellgültigkeit beibehält und gleichzeitig die Datenredundanz verringert.

Anwendungsausblick
Diese Studie demonstriert die Machbarkeit der Hyperspektraltechnologie im sichtbaren Nahinfrarotbereich zur zerstörungsfreien Erkennung des Ölgehalts von Rauchtabak. Im Vergleich zu herkömmlichen manuellen Bewertungsmethoden bietet die Hyperspektraltechnologie potenzielle Vorteile in Bezug auf Objektivität, Zerstörungsfreiheit und Geschwindigkeit, die als Referenzgrundlage für die Entwicklung automatischer Geräte zur Klassifizierung von Tabakblättern und den Aufbau intelligenter Qualitätskontrollsysteme dienen können. Das hyperspektrale Bildgebungssystem der FigSpec-Serie von CHNSpec übernahm in dieser Studie die Kernaufgabe der Datenerfassung und verifizierte seine Anwendbarkeit in Szenarien zur Qualitätserkennung landwirtschaftlicher Materialien.