Dans cette étude, une caméra 400-1000nm hyperspectral a été utilisée pour détecter l'intérieur de la noix, et FS-13, un produit de Hangzhou CHNSpec Technology Co., Ltd, pourrait être employé pour la recherche relative. Pour détecter la surface de noix dans le domaine spectral de 800-1700nm, la caméra FS-15 hyperspectral dans le domaine spectral de 900-1700nm peut être utilisée avec la résolution de longueur d'onde mieux que 2.5nm et jusqu'à 1200 canaux spectraux. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien).
Les noix sont un aliment d'écrou approprié à tous les âges et une culture d'huile boisée importante. Le secteur et le rendement de plantation de noix dans le rang premier de la Chine dans le monde. La qualité examinant et évaluant des noyaux de noix est un lien important dans la production et le traitement de noix. Selon des normes nationales appropriées, les indicateurs de qualité d'aspect des noyaux de noix incluent l'intégrité et la couleur de la peau, alors que les indicateurs internes de qualité incluent la teneur en graisse et la teneur en protéines. Dans la production réelle, le noyau de noix évaluant se fonde principalement sur la sélection manuelle de l'aspect et de la couleur, qui a des coûts de production élevés et le caractère aléatoire élevé dans l'évaluation, la rendant difficile de distinguer la qualité interne. L'essai chimique traditionnel est néfaste pour des échantillons et prend un bon moment de détecter, le rendant difficile à s'adapter aux conditions de production modernes. Actuellement, la recherche sur l'utilisation de la technologie hyperspectral pour la détection de qualité de noix se concentre principalement sur la classification des coquilles et des noyaux de noix, et il n'y a eu aucun rapport approprié sur la qualité des noyaux de noix.
Afin d'explorer une méthode pour réaliser simultanément la détection de qualité et la classification internes d'aspect du noyau de noix, cette étude a employé la technologie de l'image hyperspectral pour examiner les spectres caractéristiques de la teneur en graisse, la teneur en protéines et la couleur du noyau de noix, et examiné les bandes caractéristiques appropriées des indicateurs de qualité afin de fournir la référence pour l'application de l'essai non destructif de la qualité de noyau de noix.
L'information spectrale moyenne des échantillons de noyau de noix dans la région proche-infrarouge (863-1704 millimètres) et l'information spectrale pré traitée sont montrées sur le schéma 3. Les caractéristiques globales d'information spectrale originale des échantillons sont fondamentalement cohérentes, excepté les limites d'absorption de l'eau, les limites d'absorption d'autres composants ne sont pas évidentes, et plus ultérieure la transformation des spectres est nécessaire. La méthode de prétraitement combinant MSE et SNV élimine l'influence d'un certain bruit de fond, faisant l'information spectrale du lissoir témoin. En même temps, elle promeuvent augmente la cohérence d'information spectrale, accentue les crêtes et les vallées spectrales, et renforce les caractéristiques spectrales.
La classification de catégorie d'aspect du noyau de noix basée sur les caractéristiques spectrales de l'information et d'image. Le schéma 6 montre la courbe spectrale moyenne de trois échantillons de noyau de noix de couleur dans la lumière visible et les régions proche-infrarouges d'ondes courtes (382~1027nm). Puisque le bruit dans les segments avant et arrières du spectre a un grand impact, 20 points de bande de fréquences dans les segments avant et arrières sont enlevés. Du schéma 6, il peut voir que dans le spectre original, la réflectivité spectrale d'échantillons de noyau de noix avec trois couleurs différentes montre une évolution à la baisse significative dans la gamme légère évidente comme changements de couleur de lumière à profond, et le spectre est relativement désordonné dans la gamme proche-infrarouge. L'information spectrale prétraitée par la combinaison des méthodes de MSC et de SNV montre la certaines régularité et cohérence dans la réflectivité spectrale, qui est utile pour le traitement spectral suivant.
Utilisant la technologie de l'image hyperspectral, une méthode pour détecter la qualité interne et externe des noyaux de noix a été étudiée. Par la combinaison spectrale et l'information d'image, la protéine et la prévision de teneur en graisse des noyaux de noix et de l'évaluation de qualité d'aspect basés sur l'intégrité et la couleur ont été réalisées. Les résultats prouvent que la combinaison des VOITURES algorithme et de la méthode de coefficient de corrélation enlève effectivement l'information inutile et superflue dans la pleine bande spectrale. Comparé à la pleine bande spectrale, la validation a placé R du modèle de prévision de bande de caractéristique pour le ² de teneur en protéines de 0,66 à 0,91, RMSEP a diminué de 1,37% à 0,78% ; L'ensemble R de validation pour le ² de teneur en graisse de 0,83 à 0,93, RMSEP a diminué de 0,98% à 0,47%, indiquant que les bandes choisies de caractéristique ont effectivement réduit la complexité du modèle et ont amélioré sa capacité prévisionnelle. En combinant des spectres de caractéristique de différence de couleur avec des paramètres de caractéristique statistiques d'image, tous les spectres de bande de caractéristique de différence de couleur ont été extraits à partir des images hyperspectral, qui peuvent de manière significative réduire l'interférence d'information superflue et améliorer modeler l'efficacité. En combinant tout le spectre de bande de caractéristique de différence de couleur avec des paramètres de caractéristique statistiques d'image, l'exactitude de classification est encore améliorée comparée à la bande de RVB. En employant le modèle de classification de couleur établi par l'algorithme de décollement, le modèle a l'exactitude de classification la plus élevée (98,6%). L'utilisation des images hyperspectral a simultanément réalisé la détection des paramètres internes de qualité (teneur en protéines, teneur en graisse) et la classification de la qualité d'aspect (intégrité, couleur) des noyaux de noix, fournissant une nouvelle solution pour l'application de l'essai non destructif de la qualité de noyau de noix.
