Technologie d'imagerie hyperspectrale pour la détection non destructive de la teneur en huile de tabac séché à l'air chaud

Dans le système d'évaluation de la qualité des feuilles, la teneur en huile est l'un des indicateurs importants pour mesurer la qualité du tabac séché à l'air chaud. Traditionnellement, l’évaluation de la teneur en huile repose principalement sur le jugement empirique des professionnels, ce qui pose des problèmes tels qu’une forte subjectivité et une efficacité relativement faible. Ces dernières années, la technologie d’imagerie hyperspectrale, en raison de ses caractéristiques de combinaison de graphiques et de spectres, a démontré un potentiel d’application dans le domaine de la détection de la qualité des produits agricoles. Prenant comme exemple une étude sur la détection de la teneur en huile de tabac séché à l'air chaud, cet article présente l'effet d'application pratique de la technologie hyperspectrale visible-proche infrarouge dans ce scénario.

Contexte de recherche et conception expérimentale
L'étude a sélectionné 634 échantillons de feuilles de tabac séchées à l'air chaud provenant de 22 provinces productrices de tabac (régions autonomes) à travers le pays, couvrant les parties supérieure, moyenne et inférieure. L'équipe de recherche a utilisé le système d'imagerie hyperspectrale de la série FigSpec de CHNSpec (comprenant les caméras FigSpec-23 et FigSpec-25) pour collecter de manière synchrone les informations spectrales des feuilles de tabac dans les plages de longueurs d'onde de 400 à 1 000 nm et de 900 à 1 700 nm. Au cours du processus de collecte, en fixant l'angle de la source lumineuse et la distance de la caméra, l'uniformité de l'éclairage a été assurée et la valeur moyenne après la collecte des données spectrales deux fois pour chaque échantillon a été utilisée comme entrée d'origine.

Le score de teneur en huile a été évalué de manière indépendante sur une échelle de 10 points par une équipe d'évaluation de la qualité de l'apparence composée de 20 personnes. Les échantillons ont été divisés en un ensemble d'étalonnage (443 échantillons) et un ensemble de validation (191 échantillons) selon un rapport de 7:3. Les caractéristiques de distribution des scores de teneur en huile dans les deux ensembles d’échantillons étaient cohérentes avec celles de la population globale, fournissant ainsi une base fiable pour la construction ultérieure du modèle.

Prétraitement spectral et analyse de corrélation
Les données spectrales originales contiennent du bruit et des interférences de diffusion, nécessitant un prétraitement pour améliorer les signaux efficaces. L'étude a comparé cinq méthodes de prétraitement uniques, notamment le lissage par moyenne mobile (MA), la correction de diffusion multiplicative (MSC), la variable normale standard (SNV), la dérivée première (D1) et la standardisation (SS), ainsi que leurs stratégies de combinaison.

Les résultats de l'analyse ont montré que le prétraitement MSC et SNV pourrait améliorer efficacement la corrélation entre les scores de réflectance spectrale et de teneur en huile. Dans la plage de longueurs d'onde de 928,36 à 1 177,03 nm, le coefficient de corrélation est passé de 0,076 à 0,124 du spectre d'origine à 0,331 à 0,640. Le prétraitement D1, en renforçant les caractéristiques de variation locale des courbes spectrales, a permis au nombre de bandes fortement corrélées (| r | ≥ 0, 4) de dépasser 100. Ces résultats indiquent que des stratégies de prétraitement raisonnables contribuent à améliorer la capacité prédictive des modèles ultérieurs.

Construction du modèle et évaluation des performances
L’étude a utilisé deux algorithmes, la régression des moindres carrés partiels (PLSR) et la régression vectorielle de support (SVR), pour construire des modèles de prédiction quantitatifs des scores de teneur en huile. Le modèle PLSR basé sur la bande complète visible-proche infrarouge avait des valeurs RPD définies entre 1,642 et 1,775 dans la plupart des conditions de prétraitement, parmi lesquelles l'ensemble de validation R² atteignait 0,683 et le RMSE était de 0,346 après le prétraitement MA. Le modèle SVR avait un ensemble de validation R² de 0,653 et un RMSE de 0,362 sous le prétraitement de la combinaison D1+SS.

Pour fusionner les avantages des deux modèles, l’étude a introduit une stratégie de fusion moyenne pondérée. Le modèle de fusion basé sur la bande visible-proche infrarouge complète (PLSR sous prétraitement MA et SVR sous prétraitement D1+SS) a vu son ensemble de validation R² augmenter à 0,721, RMSE chuter à 0,324 et RPD atteindre 1,894, montrant un meilleur effet de prédiction que n'importe quel modèle unique.

Sélection de bandes caractéristiques et optimisation du modèle
Les données hyperspectrales contiennent des centaines de bandes, ce qui pose des problèmes de redondance des données. L'étude a adopté l'algorithme de projections successives (SPA) pour la sélection des bandes caractéristiques. Les résultats ont montré qu'après le prétraitement MA, le modèle PLSR construit avec 95 bandes caractéristiques sélectionnées par SPA avait un ensemble de validation R² de 0,685 et un RMSE de 0,345 ; après prétraitement D1+SS, le modèle SVR construit avec 56 bandes caractéristiques sélectionnées par SPA avait un ensemble de validation R² de 0,666 et un RMSE de 0,355. Le nombre de bandes caractéristiques a été considérablement réduit, passant de 428 dans la bande complète, réduisant considérablement la dimensionnalité des données.

Le modèle de fusion de PLSR et SVR basé sur la sélection SPA a encore amélioré la précision de la prédiction, l'ensemble de validation R² atteignant 0,724, RMSE à 0,323 et RPD à 1,904. Ce résultat indique que la sélection de bandes caractéristiques maintient la validité du modèle tout en réduisant la redondance des données.

Perspectives des applications
Cette étude démontre la faisabilité de la technologie hyperspectrale visible-proche infrarouge dans la détection non destructive de la teneur en huile de tabac séchée à l'air chaud. Par rapport aux méthodes d'évaluation manuelle traditionnelles, la technologie hyperspectrale présente des avantages potentiels en termes d'objectivité, de non-destructivité et de rapidité, qui peuvent fournir des bases de référence pour le développement d'équipements de classement automatique des feuilles de tabac et la construction de systèmes intelligents de contrôle de qualité. Le système d'imagerie hyperspectrale de la série FigSpec de CHNSpec a entrepris la tâche principale de collecte de données dans cette étude, vérifiant son applicabilité dans des scénarios de détection de la qualité des matériaux agricoles.