Распознавание сладкого и несладкого вкуса нектаринов с помощью спектроскопии в видимой и ближней инфракрасной областях

Аннотация

Была изучена возможность использования видимой и ближней инфракрасной спектроскопии в сочетании с многомерным анализом для распознавания сортов нектаринов «Big Top» и «Diamond Ray». Эти сорта очень трудно визуально различить на производственной линии, но они имеют важные различия во вкусе, которые влияют на выбор потребителями. Установлена ​​взаимосвязь между спектрами диффузного отражения и двумя разновидностями нектарина. Для исследования было использовано пятьсот образцов нектарина (по 250 каждого сорта). Тесты проводились с использованием спектрометра, способного выполнять измерения в двух различных спектральных диапазонах (600-1100 нм и 900-1700 нм). Эти спектральные диапазоны были использованы для разработки двух точных моделей классификации, основанных на линейном дискриминантном анализе и частичном дискриминантном анализе наименьших квадратов. Позже были применены методы для выбора наиболее эффективных длин волн. Результаты показали, что модель на частично дискриминантном анализе наименьших квадратов обеспечивает лучшую точность и использование меньшего количества косвенных переменных, чем модель частичного дискриминантного анализа наименьших квадратов, и, в частности, хорошие результаты со 100% точностью классификации были получены при использовании только спектрального диапазона 600–1100 нм для двух моделей и восьми выбранных длин волн. Эти результаты представляют видимую и ближнюю инфракрасную спектроскопию как точный инструмент классификации разновидностей нектарина с очень похожим внешним видом, но разными вкусами, который потенциально может использоваться в автоматизированной системе контроля.

Введение

Нектарин и плоды персика – вторая по значимости фруктовая культура в Европейском союзе (ЕС) после яблока. В последнее время в плодоводство были интегрированы значительные инновации, направленные на улучшение цвета и размера, консистенции, текстуры, вкуса и аромата. Полученные новые сорта демонстрируют привлекательный диапазон цветов, вкусов и форм, а также имеют расширенный период созревания, что вызвало признание потребителей как на национальном, так и на международном рынках. Среди потребителей фруктов наиболее ценными качествами были названы вкус, безопасность пищевых продуктов (отсутствие пестицидов) и стоимость. Что касается вкусовых качеств, потребители обычно предпочитают сладкие и сбалансированные вкусы, за исключением некоторых стран, таких как Германия или Англия, где предпочтение отдается несладким вкусам. Фактически, появление сорта нектарина «Big Top» стало инновацией на рынке благодаря его сладкому вкусу (<6 г/л яблочной кислоты) и отличной консистенции, и он был общепринят на национальном и международном рынках. Недавно на рынок были выведены новые сорта нектарина, относящиеся к завершающемуся периоду сбора – с конца мая до конца сентября. Этот ассортимент дополняется новыми или существующими сортами, имеющими похожий внешний вид, но со сбалансированным или несладким вкусом (>6 г/л яблочной кислоты), как с сортом «Diamond Ray». В случае с таким фруктом как нектарин, очень важно различать их разновидности на производственной линии, что позволит потребителю выбрать те, которые лучше всего соответствуют его предпочтениям. Применение видимой и ближней инфракрасной спектроскопии для анализа фруктов позволило спрогнозировать их химический состав, содержание сахара, что особенно важно, и текстурные параметры, а также определение разновидностей и параметров, связанных с качеством. Этот метод относительно быстрый, простой, экономичный, неразрушающий и экологически чистый. Его применение в сочетании с хемометрией успешно использовалось для распознавания различных видов сельскохозяйственных продуктов, таких как персик, лавровый лист, апельсин и помело.

Данное исследование было направлено на оценку возможности видимой и ближней инфракрасной спектроскопии различать две разновидности нектарина (сорта «Big Top» и «Diamond Ray»), которые очень трудно различить визуально на производственной линии в силу схожести по цвету и внешнему виду, но они имеют важные различия во вкусе, тем самым влияя на спрос потребителей. Для этой цели использовались два контролируемых метода, такие как линейный дискриминантный анализ (ЛДА) и частичный дискриминантный анализ методом наименьших квадратов (МНК).

Материалы и методы

Метод проведения эксперимента

В общей сложности было собрано 500 нектаринов товарной зрелости и одинакового размера без каких-либо внешних повреждений в саду в Лериде (Испания). Их хранили при 0,1°C и относительной влажности 87%, чтобы предотвратить созревание во время эксперимента и продлить срок их хранения. Половина образцов была сорта «Big Top», а другая половина – сорт «Diamond Ray». Эти сорта были выбраны потому, что они выращиваются в один и тот же период и имеют схожую эволюцию и внешний вид, хотя они существенно различаются по некоторым органолептическим свойствам. По прибытии в лабораторию фрукты были очищены, индивидуально пронумерованы и каждый сорт был случайным образом разделен на пять наборов по 50 фруктов. Зарегистрированные спектры плодов каждого набора в видимой и ближней инфракрасной областях и их физико-химические свойства (растворимость твердых веществ, твердость и мякоть, а также внешний цвет) были проанализированы стандартными разрушающими методами.

Регистрация спектров в видимом и БИК диапазонах

Спектры диффузного видимого и ближнего инфракрасного отражения двух сортов нектаринов были получены с использованием многоканального спектрометра и его платформы (AvaSpecAS-5216 USB2-DT, Avantes BV, Нидерланды), оснащенной двумя детекторами. Первый спектрометр (AvaSpec-ULS2048 StarLine, Avantes BV, Нидерланды) включал в себя ПЗС-детектор) (SONY ILX554, SONY Corp., Япония) с разрешением 2048 пикселей, входной щелью размером 50 мкм и дифракционной решеткой с 600 штрих/мм^-1, покрывающей видимый и ближний инфракрасный диапазоны от 600 до 1100 нм со спектральным разрешением FWHM (ширина на полувысоте) 1,15 нм и спектральным интервалом дискретизации 0,255 нм. Второй детектор (AvaSpec-NIR256-1.7 NIRLine, Avantes BV, Нидерланды) был оснащен 256-пиксельным неохлаждаемым детектором на основе InGaAs (арсенид индия-галлия) (Hamamatsu 92xx, Hamamatsu Photonics KK, Япония) с разрешением 100 пикселей, входной щелью 122 мкм и дифракционной решеткой 200 штрих/мм^-1, покрывающей ближний инфракрасный диапазон от 900 нм до 1700 нм (БИК) со спектральным разрешением FWHM = 12 нм и спектральным интервалом дискретизации 3,535 нм. Измерения проводились с использованием двунаправленного оптоволоконного датчика (FCR-7IR200-2-45 ME, Avantes BV, Нидерланды). Зонд был сконфигурирован с осветительной ножкой, которая подключается к стабилизированному вольфрамовому галогенному источнику света мощностью 10 Вт (AvaLight-HAL-S, Avantes B0V, Нидерланды), а другая ножка оптоволоконного датчика была подключена к обоим детекторам для одновременного измерения. Персональный компьютер, оснащенный программным обеспечением (AvaSoft version 7.2, Avantes, Inc.), использовался для управления двумя детекторами и регистрации спектров. Время интегрирования было скорректировано для каждого спектрофотометра с использованием белой эталонной плитки с коэффициентом отражения 99% (WS-2, Avantes BV, Нидерланды), поэтому максимальное значение отражения в каждом диапазоне длин волн составляло около 90% от насыщения. Белая эталонная плитка для измерения коэффициента отражения представляла собой блок белого политетрафторэтилена (ПТФЭ) диаметром 136 мм и толщиной 32 мм. Она была помещена на расстоянии 5 мм от зонда для проведения эталонного измерения. Темный спектр был получен путем выключения источника света и полного закрытия кончика зонда отражения. Время интегрирования было установлено на 120 мс для первого детектора и 550 мс для второго БИК детектора исходя из их различных характеристик. Для детекторов каждый спектр был получен как среднее значение пяти сканирований для уменьшения теплового шума детектора. Затем средние измерения отражательной способности каждого образца (S) были преобразованы в значения относительной отражательной способности (R) по отношению к эталонному с использованием значений темнового отражения (D) и значений отражательной способности эталонного белого (W), согласно формуле (1):

Перед спектральными измерениями температура нектаринов была стабилизирована на уровне комнатной температуры 22 ± 1°C. Все измерения проводились с каждой стороны плода в симметрично расположенных двух точках, и для анализа использовались их средние значения.

Показатели качества

Цвета измеряли с помощью спектроколориметра (CM-700d, Minolta Co., Токио, Япония) в диапазоне 400 и 700 нм с шагом 10 нм. Цвет оценивался с использованием компонент L*, a* и b*, предложенных Международной комиссией по освещению. Они были определены из спектров отражения с учетом стандартного источника света D65 и стандартного наблюдателя при 10 ̊.

Компонент L* относится к яркости, a* (интенсивность красного (+) и зеленого (-)) и b* (интенсивность желтого (+) и синего (-)) являются координатами цветности. Общее цветовое различие (ΔE) между образцами «Big Top» и «Diamond Ray» было рассчитано по формуле (2):

где нижний индекс «BT» относится к показаниям цвета образцов «Big Top», а «DR» относится к показаниям цвета образцов «Diamond Ray».

Плотность нектарина измеряли с помощью универсальной машины (TextureAnalyser-XT2, Stable MicroSystems, Хаслемер, Англия), предназначенной для проведения тестов на прокол с использованием цилиндрического зонда диаметром 6 мм (P/15ANAME) с относительной деформацией равной 30% при скорости 1 мм/с. Для каждого плода на противоположных сторонах фрукта было выполнено по 8 175 измерений. Прочность (F_max) была проанализирована для всех образцов как максимальная сила, приложенная для разрушения образца, выраженная в ньютонах. Сразу после измерения твердости образца был извлечен их них сок для определения общего содержания растворимых твердых веществ (РТВ) и титруемой кислотности (ТК). РТВ был определен методом рефрактометрии (%) (комплект RFM330 +, VWR International Eurolab S.L, Барселона, Испания) при температуре 20°C с чувствительностью ± 0,1%. Все образцы были проанализированы в трех экземплярах и были рассчитаны их средние значения. Анализ кислотности был выполнен с помощью автоматического титратора (CRISON, pH-бюретка 24, Барселона, Испания) с 0,5N NaOH и pH 8,1 с использованием 15 г измельченного нектарина, который предварительно был разведен в 60 мл дистиллированной воды. ТК была определена на основании процентного содержания лимонной кислоты, которое рассчитывается по формуле (3):

где
A – объем NaOH, израсходованный на титрование (в л),
B – нормальность NaOH (0,5),
C – молекулярная масса лимонной кислоты (192,1 г*моль^-1),
D – масса 193 г на образец (15 г),
E – валентность лимонной кислоты (E = 3).

Спектральная предварительная обработка

Спектральные данные были сведены в матрицу, где строки представляют собой количество образцов (N = 500 образцов), а столбцы – значения X и Y. X-переменные, или предикторы, были спектральными сигналами от двух детекторов. Y-переменные, или ответы, были искусственными (фиктивными) переменными, созданными путем присвоения разных значений или букв различным классам, которые должны быть различимы. В случае метода наименьших квадратов в качестве Y-переменной использовалось дискретное числовое значение (0 для сорта «Diamond Ray» или 1 для «Big Top»). Однако для метода линейного дискриминантного анализа переменная Y была категориальным значением, созданным путем присвоения другой буквы сортам (A для сорта «Diamond Ray» и B для «Big Top»). Кроме того, количество выборок в обучающем наборе должно быть больше, чем количество переменных, включенных в модель. Это было выполнено с использованием показателей анализа главных компонентов (ГК) в качестве входных данных, поскольку линейная комбинация исходных переменных, называемых главными компонентами, некоррелирована.

Необработанные спектры были преобразованы в значения мнимой оптической плотности (log (1/R)), чтобы можно было линеаризовать корреляцию с концентрацией компонентов с использованием программного пакета The Unscrambler X (Норвегия). Затем необработанные спектры, принадлежащие двум детекторам, были получены путем деления каждой переменной на ее стандартное отклонение.

Таким образом, спектральные интенсивности масштабируются до общего диапазона, что позволило сравнивать спектры, полученные с двух детекторов с различным разрешением. Кроме того, были применены различные методы предварительной обработки. Сглаживание Савицки-Голея было применено для улучшения отношения сигнал/шум, чтобы уменьшить эффекты, вызванные физической изменчивостью образцов. Из-за эффекта рассеяния в образцах свет не всегда проходит одно и то же расстояние в нем, прежде чем он будет обнаружен. Более длинный путь распространения света соответствует более низкому значению относительной отражательной способности, поскольку больше коэффициент поглощения, что вызывает параллельный перенос спектров. Этот эффект присутствует в калибровочных моделях и должен быть устранен с помощью метода коррекции расширенного мультипликативного рассеяния.

Многофакторный анализ спектральных данных

В данной работе использовались методы анализа главных компонент (МГК), линейный дискриминантный анализ и частичный дискриминантный анализ МНК с помощью программного пакета The Unscrambler X. Последний был выбран в качестве метода обнаружения выбросов (посредством анализа квадратичной остаточной статистики) и для исследования структуры данных и взаимосвязи между объектами, чтобы определить наиболее подходящие сортовые группы и их спектральные особенности. Так, использование подходящей проекции, например, МГК или частичной регрессии методом наименьших квадратов, может помочь минимизировать большое количество спектральных переменных в наборах данных и определить переменные, которые дают полезную информацию (эффективные длины волн, ЭДЛ). В этом исследовании длины волн с большими значениями были выбраны как наиболее важные для распознавания сорта. В качестве ЭДЛ были выбраны только те, которые расположены на пиках или впадинах графиков влияния нагрузки, и с абсолютными нагрузочными значениями выше 0,1. Оба метода были использованы для классификации нектаринов по разнообразию. При анализе стремились сопоставить спектральные вариации (X) с определенными классами (Y), пытаясь максимизировать ковариацию между двумя типами переменных. Использовалась обучающая выборка, которая заключалась в случайном выборе 80% выборок, из которых часть была изучена для разработки калибровочной модели. Каждая калибровочная модель прошла внутреннюю экспертизу с использованием метода перекрестной проверки с исключением по одному. Чтобы скорректировать относительное влияние различных инструментальных откликов на модель, использовалась методика стандартизации, где вес каждой переменной X представлял собой стандартное отклонение переменной. Независимый тестовый набор, состоящий из оставшихся 20% выборок, был использован для оценки и сравнения моделей классификации.

Оценка производительности модели

Пороговое значение для частичного дискриминантного анализа МНК для распознавания образцов нектарина было зафиксировано на уровне 0,5. Если прогнозируемое значение выборки было меньше 0,5, то образец относился к группе образцов «Diamond Ray», а если прогнозируемое значение было больше 0,5, то к группе образцов «Big Top». Коэффициент детерминации (R²), среднеквадратичная ошибка и количество косвенных переменных были использованы для оценки точности калибровочной модели для прогнозирования новых образцов. В случае метода линейного дискриминантного анализа критерием выбора косвенных переменных является максимальная дифференциация между категориями и минимальная дисперсия внутри категорий. Метод производит ортогональные линейные дискриминантные функции, равные количеству категорий минус одна, что позволяет отнести образцы к той или иной категории.

Результаты и обсуждение

Анализ показателей качества

В таблице 1 показаны минимальное, максимальное, среднее и стандартное отклонения физико-химических характеристик (прочность, общее количество растворимых твердых веществ, титрируемая кислотность, мякоть и внешний цвет), проанализированных в образцах обеих разновидностей нектаринов (N = 250 образцов для каждого сорта).

Таблица 1. Наглядная статистика физико-химических характеристик нектаринов в период хранения

Между двумя разновидностями и между разными наборами не наблюдалось отличий с точки зрения растворимых твердых веществ, твердости, мякоти и внешнего цвета. Величина TSS – общее содержание растворимых твердых веществ, варьируется от 8 до 17% при среднем значении 12 ± 2% для сорта «Diamond Ray» и от 7 до 22% при среднем значении 13 ± 2% для сорта «Big Top». Во всех случаях значения TSS превышали 8%, что является минимумом, установленным Европейским Союзом для сбыта персиков и нектаринов (R-CE № 1861/2004). Несколько авторов сообщили о линейной зависимости между TSS и выбором потребителя, при этом TSS ниже 10% обычно неприемлемо для них. Плотность образцов «Diamond Ray» варьировалась от 5 до 57 N при среднем значении 33 ± 10 N, а для «Big Top» - от 6 до 53 N со средним значением 35 ± 7 N, эти значения находятся в коммерческом диапазоне, который считается «готовым к покупке».

Для мякоти значения L*, a*, b*, C* и h* варьировались от 52 до 76, от -6 до 23, от 23 до 35, от 28 до 36 и от 46 до 100 для сорта «Diamond Ray» и от 60 до 75, от -8 до 4, от 30 до 36, от 30 до 36 и от 83 до 105 для «Big Top», со средними значениями 67 ± 4, 2 ± 4, 31 ± 2, 32 ± 1, 86 ± 8 и 68 ± 3, -2 ± 2, 33 ± 1, 33 ± 1, 93 ± 3 соответственно. Эти значения указывают на то, что мякоть обоих сортов имеет высокую яркость, низкую насыщенность и желтый оттенок. Никаких различий в яркости и цветности между наборами и между сортами не наблюдалось, тогда как между сортами наблюдались небольшие различия в оттенках.

Несмотря на эти различия, общее восприятие цвета мякоти очень затрудняет различение обоих сортов, особенно во время любого промышленного процесса, когда фрукты необходимо быстро проверять (рис. 1). Согласно ISO 12647-2, цветовые различия (ΔE) ниже ± 5 единиц не позволяют человеческому глазу различать два образца. В этом случае ΔE между обеими разновидностями, измеренная колориметром, составила ± 4,5. Кроме того, дифференцировать разновидности нектарина по цвету мякоти требует разрушения пробы, и поэтому этот деструктивный анализ приводит к высоким затратам и не позволяет анализировать всю продукцию.

Рисунок 1. Пример внутреннего вида обоих сортов, регистрируемый вовремя анализа

Что касается внешнего цвета нектаринов, не было обнаружено значительных различий в значениях яркости, цветности и оттенка для наборов и изученных сортов. Значения величин L *, a*, b*, C* и h* варьировались от 25 до 59, от 15 до 38, от 4 до 28, от 18 до 42 и от 10 до 60 для «Diamond Ray» и от 26 до 63, от 8 до 34, от 4 до 31, от 21 до 39 и от 12 до 75 для «Big Top» со средними значениями яркости 37, цветности 31,3 и оттенка 25,9º для обоих вариантов. Эти значения показали, что внешне обе разновидности имели низкую яркость, низкую цветность и красно-оранжевый оттенок. Величина ΔE внешней окраски между разновидностями составляла 1,5 и поэтому едва различима. Следовательно, этот неразрушающий анализ не был достоверен для различения сортов.

Основное различие между двумя разновидностями нектарина заключалось в том, что сорт «Diamond Ray» был более кислый, чем «Big Top», или, по определению, они считаются несладким и сладким сортами соответственно. Все наборы сорта «Diamond Ray» имели среднее значение 0,65 ± 0,1 г на 100 г^-1, в отличие от среднего значения для наборов «Big Top» – 0,37 ± 0,1 г на 100 г^-1. Эти наборы A, B, C, D и E «Diamond Ray» и «Big Top», соответствуют сенсорному профилю. В исследовании авторы пришли к выводу, что единственная разница между этими двумя разновидностями заключается в восприятии кислотности.  Другие исследователи аналогичным образом сравнили сладкие сорта («Big Top», «Gardeta» и «Luciana») с несладкими сортами («Diamond Ray», «Amiga» и «Rose Diamond») и определили, что они различаются в основном по их значению титрируемой кислотности и ее восприятию, остальные их физико-химические характеристики аналогичны для разных сортов.

​​​​​​​Спектральный анализ в видимом и БИК диапазонах двух разновидностей нектарина

На рисунке 2 представлены средние необработанные спектры видимого и БИК диапазонов для образцов «Diamond Ray» и «Big Top» при различных условиях анализа. Полосы поглощения спектральных кривых были подобны. Предыдущие исследования документально подтвердили аналогичные значения.

Анализируемые разновидности показали одинаковые полосы поглощения около длин волн 670 нм, 970 нм, 1160 нм и 1450 нм. Авторы подтвердили, что поглощение при 670 нм позволяет оценить зрелость нектарина, поскольку оно указывает на присутствие хлорофилла с его характерным зеленым цветом. Пик на длине волны 970 нм присутствует в сигнале, регистрируемом двумя детекторами. Этот пик и пик на длине волны 1450 нм относятся к чистой воде. Характерная полоса поглощения для второго обертона C-H соответствует длине волны примерно 1160 нм.

Рисунок 2. Усредненные необработанные спектры для двух разновидностей нектаринов в видимом и БИК диапазонах при различных наборах для анализа

​​​​​​​Сортовая классификация

Модели классификации были построены на основе контролируемых методов линейного дискриминантного анализа и частичного дискриминантного анализа наименьших квадратов с полным спектральным диапазоном, разделенные только спектральными диапазонами для видимого и БИК диапазонов и с эффективными длинами волн, выбранными из исходных диапазонов. В таблице 2 приведен прогноз принадлежности каждого набора к сорту при проверке двенадцати разработанных моделей. Аналогичный результат был получен для моделей МНК для каждого спектрального диапазона и с наиболее важными эффективными длинами волн. Однако модели линейного дискриминантного анализа были менее точными, чем модели частичного дискриминантного МНК. Оптимальное количество косвенных переменных было выбрано в соответствии с самой низкой перекрестной проверкой путем внутренней проверки в комбинированном анализе с кумулятивной дисперсией для X и Y. Влияние нагрузки, полученное для различных спектральных диапазонов с выбранными эффективными длинами волн, показаны на рисунке 3.

Таблица 2. Результаты классификации сортов для каждого метода, представленные как в процентах, так и в абсолютном количестве правильно классифицированных образцов.

Используя 2189 всевозможных длин волн спектра, применяемые методы достигли 100% точности проверки. Выбрав 12 длин волн, точность классификации двух методов составила 90% для четырех и десяти косвенных переменных соответственно. Первый метод смог верно классифицировать все образцы в наборе для проверки, используя 213 длин волн детектора БИК диапазона, с 7 эффективными длинами волн, 4 косвенными переменными достигла 95%, хотя косвенных достигла лучших результатов только с 7 эффективными длинами волн и 6 косвенными переменными (97% точности), чем на всех длинах волн детектора БИК (80% точности). Однако, выбрав только восемь длин волн из 1838 доступных для спектрометра, оба метода достигли 100% точности проверки для пяти и семи эффективных  длин волн соответственно, но выбраны 8 (648, 883, 949, 1006, 1025, 1026, 1037 и 1054 нм).

Таким образом, только с этими восемью эффективными длинами, полученными детектором видимого и БИК диапазонов, удалось получить более точные результаты классификации (100%), чем с другими моделями, разработанными для других спектральных диапазонов. Объяснение этого результата состоит в том, что видимая спектроскопия больше подходит для характеристики цветов нектарина, которые очень схожи, в то время как ближний инфракрасный спектр предоставляет дополнительную информацию, относящуюся к макроэлементам.

Рисунок 3. Влияние x-нагрузки для эффективной длины волны, выбранной в различных спектральных диапазонах.

На рисунке 4 показано, что все обучающие и проверочные выборки были правильно классифицированы наилучшей моделью МНК, полученной с помощью восьми эффективных длин волн. В этой ситуации все образцы сорта «Big Top» имеют прогнозные значения близкие к 1, тогда, можно классифицировать их как принадлежащие к классу «1», а образцы «Diamond Ray» имеют прогнозируемые значения близкие к 0, тем самым классифицируемые как принадлежащие к классу «0». Значения средней квадратичной ошибки составили 0,179 и 0,183 для калибровки и валидации соответственно, что демонстрируют хорошее соответствие и указывает на то, что ошибка калибровки является хорошей оценкой стандартной ошибки предсказания, наблюдаемой в образцах тестового набора. Кроме того, испытательный набор дал результаты, аналогичные результатам калибровочного набора, со значениями R² равными 0,872 и 0,866 соответственно, что указывает на хорошие характеристики модели, применимой для классификации сортов.

Рисунок 4. Расчетные значения определяющих классов для обучающих и проверочных наборов сортов по модели МНК для их различия

На рисунке 5 показаны результаты внешней проверки с помощью тестового набора (20%) каждого сорта. Образцы «Big Top» отображаются синим цветом, а «Diamond Ray» - красным. По результатам неправильно классифицированных образцов не обнаружено, поэтому точность классификации составила 100% с использованием только восьми длин волн в спектральной области видимого и БИК диапазонах.

Несколько авторов (Балабин, 2010; Лью, 2006; Синелли, 2007) сообщили, что метод МНК более эффективен, чем линейный дискриминантный анализ. Действительно, последний имеет несколько ограничений, например, количество переменных не может превышать количество выборок, и он не может справляться с сильно коллинеарными данными, которые довольно часто встречаются. Чтобы снять некоторые ограничения, с годами были разработаны другие методы, в частности МНК. Аналогично данной работе были объединены спектроскопия в ближнем инфракрасном диапазоне с МНК для распознавания риса, и они достигли уровня классификации 100% в проверочном тесте. Кроме того, в работе были предприняты значительные усилия по разработке моделей, которые объективно идентифицируют переменные, несущие полезную информацию, и исключают те, которые содержат ненужные данные.

Рисунок 5. График различия сортов по наилучшей модели линейного дискриминантного ананлиза для (а) обучающих выборок и (б) проверочных выборок

Заключение

Модели классификации были разработаны для того, чтобы различать две разновидности нектарина (сорта «Big Top» и «Diamond Ray») в различных спектральных диапазонах (видимом и БИК). Два метода классификации, включая дискриминантный анализ методом наименьших квадратов и линейный дискриминантный анализ, были оценены на основе всех длин волн, выбранных для рассматриваемых спектральных областей. Лучшие модели были получены с использованием только восьми длин волн из 1838 доступных для спектрометра. Обе модели достигли точности 100% для проверочных наборов с пятью и семью косвенными переменными соответственно. Таким образом, оба метода показали себя надежными моделями для распознавания разновидностей нектарина с удовлетворительным уровнем точности. Сравнение различных анализов показало, что оба детектора смогли достичь хорошей сортовой классификации, будучи чувствительными в диапазонах видимой и БИК, и достигли прекрасных результатов, идентифицируя изученные разновидности нектаринов, различных по вкусу, органолептическим свойствам и почти идентичных на вид внешне и внутренне.

© Avantes

Компания INSCIENCE помогает своим заказчикам решать любые вопросы и потребности по продукции Avantes на территории РФ

​​​​​​​