In dieser Studie wurde eine hyperspektrale Kamera 400-1000nm benutzt, um das Innere der Walnuss zu ermitteln, und FS-13, ein Produkt von Hangzhou CHNSpec Technology Co., Ltd, könnte für in Verbindung stehende Forschung verwendet werden. Um Walnussoberfläche im Spektralbereich von 800-1700nm zu ermitteln, kann hyperspektrale Kamera FS-15 im Spektralbereich von 900-1700nm mit Wellenlängenentschließung benutzt werden besser als 2.5nm und bis 1200 Spektralkanäle. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl).
Walnüsse sind eine Nussnahrung, die während alles Alters passend sind und eine wichtige waldige Ölernte. Der pflanzende Bereich und der Ertrag von Walnüssen in China-Rang erster in der Welt. Die Qualität, die von den Walnusskernen prüft und ordnet, ist eine wichtige Verbindung in der Walnussproduktion und -verarbeitung. Entsprechend relevanten nationalen Standards schließen die Auftrittqualitätsindikatoren von Walnusskernen Integrität und Hautfarbe ein, während die internen Qualitätsindikatoren Fettgehalt und Proteingehalt einschließen. In der tatsächlichen Produktion der Walnusskern, der beruht ordnet hauptsächlich, auf der manuellen Auswahl des Auftrittes und der Farbe, die hohe Produktionskosten und hohen Zufallscharakter beim Ordnen hat und macht sie schwierig, interne Qualität zu unterscheiden. Traditionelle chemische Prüfung ist zu den Proben destruktiv und nimmt eine lange Zeit zu ermitteln und macht ihn schwierig, sich modernen Produktionsanforderungen anzupassen. Zur Zeit konzentriert sich eine Forschung auf dem Gebiet eines Gebrauches von hyperspektraler Technologie für Walnussqualitätsentdeckung hauptsächlich auf die Klassifikation von Walnussschalen und von Kernen, und es hat keine relevanten Berichte über die Qualität von Walnusskernen gegeben.
Um eine Methode zu erforschen um die interne Qualitätsentdeckung und die Auftrittklassifikation des Walnusskerns gleichzeitig zu verwirklichen, setzte diese Studie hyperspektrale Bildgebungstechnologie ein um die charakteristischen Spektren des Fettgehaltes, Proteingehalt und Farbe des Walnusskerns auszusortieren, und heraus aussortiert den relevanten charakteristischen Bändern von Qualitätsindikatoren um Hinweis für die Anwendung der zerstörungsfreien Prüfung der Walnusskernqualität zur Verfügung zu stellen.
Die durchschnittlichen Spektralinformationen von Walnusskernproben in der fast-Infrarotregion (863-1704 Millimeter) und die vor verarbeiteten Spektralinformationen werden im Abbildung 3. gezeigt Die Gesamteigenschaften der ursprünglichen Spektralinformationen der Proben sind, außer den Absorptionsmaxima des Wassers im Allgemeinen konsequent, liegen die Absorptionsmaxima anderer Komponenten nicht auf der Hand, und der Spektren Weiterverarbeitung ist erforderlich. Die aufbereitende Methode, die MSE und SNV kombiniert, beseitigt den Einfluss etwas Grundrauschens und macht die Spektralinformationen vom Beispielpolierer. Gleichzeitig fördert sie erhöht die Übereinstimmung von Spektralinformationen, hervorhebt Spektralspitzen und Täler und verstärkt Spektraleigenschaften.
Die Auftrittgradklassifikation des Walnusskerns basiert auf Spektralinformations- und Bildeigenschaften. Abbildung 6 zeigt die durchschnittliche Spektralkurve von drei Farbwalnuss-Kernproben im sichtbaren Licht und in den Kurzwellefast-infrarotregionen (382~1027nm). Da die Geräusche in den vorderen und hinteren Segmenten des Spektrums eine große Auswirkung haben, werden 20 Wellenbereichpunkte in den vorderen und hinteren Segmenten entfernt. Vom Abbildung 6 kann es gesehen werden, dass im ursprünglichen Spektrum, das Spektral-Reflexionsvermögen von Walnusskernproben mit drei verschiedenen Farben einen bedeutenden Abwärtstrend in der sichtbaren hellen Strecke als die Farbänderungen vom Licht an tiefem zeigt und das Spektrum in der fast-Infrarotstrecke verhältnismäßig zerrüttet ist. Die Spektralinformationen, die durch die Kombination von MSC- und SNV-Methoden aufbereitet werden, zeigen bestimmte Gleichmässigkeit und Übereinstimmung im Spektral-Reflexionsvermögen, das für die folgende Spektralverarbeitung hilfreich ist.
Unter Verwendung der hyperspektralen Bildgebungstechnologie wurde eine Methode für die Entdeckung der internen und externen Qualität der Walnusskerne studiert. Durch die Kombination, die und die Bildinformationen Spektral sind wurden Protein und Fettgehaltvorhersage von den Walnusskernen und von AuftrittQualitätseinstufung, die auf Integrität und Farbe basierten, erzielt. Die Ergebnisse zeigen, dass die Kombination der AUTO-Algorithmus- und Korrelationskoeffizientmethode effektiv die irrelevanten und redundanten Informationen im vollen Spektralband entfernt. Verglichen mit dem vollen Spektralband, stellte die Bestätigung R des Eigenschaftsband-Vorhersagenmodells für Proteingehalt ² von 0,66 bis 0,91, RMSEP verringerte von 1,37% bis 0,78% ein; Bestätigungssatz R für Fettgehalt ² von 0,83 bis 0,93, RMSEP verringerte von 0,98% bis 0,47% und anzeigte, dass die vorgewählten Eigenschaftsbänder effektiv die Komplexität des Modells verringerten und seine vorbestimmte Fähigkeit verbesserten. Indem man Farbunterschied-Eigenschaftsspektren mit statistischen Eigenschaftsparametern des Bildes kombinierte, wurden die Gesamtfarbunterschiedeigenschafts-Bandspektren von den hyperspektralen Bildern extrahiert, die die Störung von redundanten Informationen erheblich verringern und das Modellieren von Leistungsfähigkeit verbessern können. Indem man das Gesamtfarbunterschiedeigenschafts-Bandspektrum mit statistischen Eigenschaftsparametern des Bildes kombiniert, wird der Klassifikationsgenauigkeit weiter verglichen mit dem RGB-Band verbessert. Wenn es das Farbklassifikationsmodell verwendet, das durch den Papierlösekorotron-Algorithmus hergestellt wird, hat das Modell die höchste Klassifikationsgenauigkeit (98,6%). Der Gebrauch von hyperspektralen Bildern erzielte gleichzeitig die Entdeckung von internen Qualitätsparametern (Proteingehalt, Fettgehalt) und die Klassifikation der Auftrittqualität (die Integrität, Farbe) der Walnusskerne und stellte eine neue Lösung für die Anwendung der zerstörungsfreien Prüfung der Walnusskernqualität bereit.
