通过高光谱图像处理和偏最小二乘法（PLSR）来预测苹果甜度-程序员充电站

通过高光谱图像处理和偏最小二乘法（PLSR）来预测苹果甜度

苹果甜度高光谱检测：从图像到模型

流程概括了从高光谱图像处理到建立甜度预测模型的核心步骤：

核心步骤与代码实现

1. 高光谱图像采集与预处理

高光谱图像包含大量窄波段信息。预处理可减少噪声和仪器误差：

% 假设已读取高光谱图像数据立方体 hyperimg (height x width x bands)% 黑白校正可减少光照和传感器噪声% 黑参考图像 dark_ref 和 白参考图像 white_ref 需在相同条件下采集corrected_hyperspectral=(hyperimg-dark_ref)./(white_ref-dark_ref);

2. 选取感兴趣区域 (ROI)

选取苹果有效区域，排除背景、果梗和果萼干扰：

% 选取700nm波长图像，该波段常有助于区分果肉与干扰区域band_700nm=100;% 假设第100波段对应700nm，需根据实际数据调整I_700nm=corrected_hyperspectral(:,:,band_700nm);% 通过强度阈值初步选取ROIhist_counts=histcounts(I_700nm,'Normalization','probability');cum_hist=cumsum(hist_counts);intensity_thresh_40=find(cum_hist>=0.4,1,'first');% 找到累积分布前40%的强度阈值binary_mask_40=I_700nm>=intensity_thresh_40;% 形态学腐蚀去除小噪点和高亮区se=strel('disk',5);% 创建半径为5的圆盘结构元素eroded_mask=imerode(binary_mask_40,se);% 进一步去除过度曝光像素overexposure_thresh=3900;% 假设700nm处过度曝光阈值为3900final_mask=eroded_mask&(I_700nm<overexposure_thresh);% 可选：选取原始ROI中光谱强度前70%的区域intensity_vals=I_700nm(final_mask);sorted_intensity=sort(intensity_vals,'descend');top_70_thresh=sorted_intensity(round(0.7*length(sorted_intensity)));% 找到前70%的阈值roi_mask_final=final_mask&(I_700nm>=top_70_thresh);

3. 提取平均光谱

从ROI内提取平均光谱用于建模：

[rows,cols,bands]=size(corrected_hyperspectral);roi_spectra=zeros(sum(roi_mask_final(:)),bands);forb=1:bands band_image=corrected_hyperspectral(:,:,b);roi_spectra(:,b)=band_image(roi_mask_final);endmean_spectrum=mean(roi_spectra,1);% 平均光谱

4. 光谱数据预处理

预处理可提升模型性能：

% 标准正态变量变换，消除散射影响mean_spectrum_snv=(mean_spectrum-mean(mean_spectrum))/std(mean_spectrum);% S-G平滑滤波去噪mean_spectrum_sg=sgolayfilt(mean_spectrum_snv,2,15);% 2次多项式，15点窗口processed_spectrum=mean_spectrum_sg;

5. 偏最小二乘回归 (PLSR) 建模与预测

PLSR适用于高维光谱数据预测苹果糖度（甜度主要指标）：

% 假设已有训练集样本的 processed_spectra (n_samples x n_bands) 和 sugar_content (n_samples x 1)% 划分训练集和测试集cv=cvpartition(size(processed_spectra,1),'HoldOut',0.2);X_train=processed_spectra(cv.training,:);y_train=sugar_content(cv.training);X_test=processed_spectra(cv.test,:);y_test=sugar_content(cv.test);% 使用竞争性自适应重加权算法进行变量选择% 注：需实现或获取CARS函数，以下为PLSR建模示例n_components=10;% 潜变量数，可通过交叉验证选择[Xloadings,Yloadings,Xscores,Yscores,beta,pctVar,mse,stats]=plsregress(X_train,y_train,n_components);% 预测测试集y_pred=[ones(size(X_test,1),1)X_test]*beta;

6. 模型验证

评估模型预测性能：

% 计算性能指标R2=1-sum((y_test-y_pred).^2)/sum((y_test-mean(y_test)).^2);RMSE=sqrt(mean((y_test-y_pred).^2));fprintf('测试集决定系数 R^2: %.4f\n',R2);fprintf('测试集均方根误差 RMSE: %.4f °Brix\n',RMSE);% 可视化预测值与实测值figure;plot(y_test,y_pred,'o');xlabel('实测糖度 (°Brix)');ylabel('预测糖度 (°Brix)');title('PLSR模型预测结果');hold on;plot([min(y_test),max(y_test)],[min(y_test),max(y_test)],'r--');legend('预测值','1:1参考线','Location','best');grid on;

关键提示

数据准备：模型需要足够的有代表性的样本（通常上百个）及其实测糖度值（使用折光仪测定）进行训练。
ROI选取重要性：准确的ROI选取对模型性能至关重要。
算法优化：
- 变量选择：采用竞争性自适应重加权算法 (CARS)或后向区间偏最小二乘法 (biPLS)筛选有效波长，可简化模型并提升稳健性。
- 模型更新：当遇到新批次苹果时，将部分新样本加入旧模型重新校准，可提升模型适用性。
模型比较：也可尝试其他方法，如3D-CNN、BP神经网络或函数型线性回归，比较后选择最佳模型。