Tecnologia di imaging iperspettrale per la rilevazione non distruttiva del contenuto di olio flue cured del tabacco

Nel sistema di valutazione della qualità delle foglie, il contenuto di olio è uno degli indicatori importanti per misurare la qualità del tabacco flue cured. Tradizionalmente, la valutazione del contenuto di olio si basa principalmente sul giudizio empirico dei professionisti, che presenta problemi quali una forte soggettività e un’efficienza relativamente bassa. Negli ultimi anni, la tecnologia di imaging iperspettrale, grazie alle sue caratteristiche di combinazione di grafici e spettri, ha dimostrato potenziale applicativo nel campo del rilevamento della qualità dei prodotti agricoli. Prendendo come esempio uno studio sul rilevamento del contenuto di olio di tabacco flue cured, questo documento introduce l'effetto pratico dell'applicazione della tecnologia iperspettrale del visibile nel vicino infrarosso in questo scenario.

Background della ricerca e progettazione sperimentale
Lo studio ha selezionato 634 campioni di foglie di tabacco flue cured provenienti da 22 province di coltivazione del tabacco (regioni autonome) in tutto il paese, coprendo le parti superiore, media e inferiore. Il gruppo di ricerca ha utilizzato il sistema di imaging iperspettrale della serie FigSpec di CHNSpec (comprese le fotocamere FigSpec-23 e FigSpec-25) per raccogliere in modo sincrono le informazioni spettrali delle foglie di tabacco negli intervalli di lunghezze d'onda di 400-1000 nm e 900-1700 nm. Durante il processo di raccolta, fissando l'angolo della sorgente luminosa e la distanza della telecamera, è stata garantita l'uniformità dell'illuminazione e il valore medio dopo aver raccolto i dati spettrali due volte per ciascun campione è stato utilizzato come input originale.

Il punteggio del contenuto di olio è stato valutato in modo indipendente su una scala di 10 punti da un team di valutazione della qualità dell'aspetto composto da 20 persone. I campioni sono stati divisi in un set di calibrazione (443 campioni) e un set di validazione (191 campioni) con un rapporto di 7:3. Le caratteristiche di distribuzione dei punteggi del contenuto di olio nei due gruppi di campioni erano coerenti con la popolazione complessiva, fornendo una base affidabile per la successiva costruzione del modello.

Preelaborazione spettrale e analisi di correlazione
I dati spettrali originali contengono rumore e interferenze di diffusione, che richiedono la preelaborazione per migliorare i segnali efficaci. Lo studio ha confrontato cinque singoli metodi di preelaborazione, tra cui il livellamento della media mobile (MA), la correzione della dispersione moltiplicativa (MSC), la variabile normale standard (SNV), la derivata prima (D1) e la standardizzazione (SS), nonché le loro strategie di combinazione.

I risultati dell'analisi hanno mostrato che la preelaborazione MSC e SNV potrebbe effettivamente migliorare la correlazione tra la riflettanza spettrale e i punteggi del contenuto di olio. Nell'intervallo di lunghezze d'onda 928,36-1177,03 nm, il coefficiente di correlazione è aumentato da 0,076-0,124 dello spettro originale a 0,331-0,640. La preelaborazione D1, rafforzando le caratteristiche di variazione locale delle curve spettrali, ha fatto sì che il numero di bande fortemente correlate (|r|≥0,4) superasse 100. Questi risultati indicano che ragionevoli strategie di preelaborazione aiutano a migliorare la capacità predittiva dei modelli successivi.

Costruzione del modello e valutazione delle prestazioni
Lo studio ha utilizzato due algoritmi, la regressione parziale dei minimi quadrati (PLSR) e la regressione vettoriale di supporto (SVR), per costruire modelli di previsione quantitativa per i punteggi del contenuto di petrolio. Il modello PLSR basato sulla banda completa del visibile-vicino infrarosso aveva valori RPD del set di validazione compresi tra 1,642 e 1,775 nella maggior parte delle condizioni di preelaborazione, tra cui il set di validazione R² ha raggiunto 0,683 e l'RMSE era 0,346 dopo la preelaborazione MA. Il modello SVR aveva un set di validazione R² di 0,653 e un RMSE di 0,362 con la preelaborazione della combinazione D1+SS.

Per unire i vantaggi di entrambi i modelli, lo studio ha introdotto una strategia di fusione media ponderata. Il modello di fusione basato sulla banda completa del visibile-vicino infrarosso (PLSR con preelaborazione MA e SVR con preelaborazione D1+SS) ha visto il suo set di validazione R² aumentare a 0,721, RMSE scendere a 0,324 e RPD raggiungere 1,894, mostrando un migliore effetto di previsione rispetto a qualsiasi singolo modello.

Selezione della banda caratteristica e ottimizzazione del modello
I dati iperspettrali contengono centinaia di bande, presentando problemi di ridondanza dei dati. Lo studio ha adottato l'algoritmo delle proiezioni successive (SPA) per la selezione delle bande caratteristiche. I risultati hanno mostrato che dopo la preelaborazione MA, il modello PLSR costruito con 95 bande caratteristiche selezionate da SPA aveva un set di validazione R² di 0,685 e un RMSE di 0,345; dopo la preelaborazione D1+SS, il modello SVR costruito con 56 bande caratteristiche selezionate da SPA aveva un set di validazione R² di 0,666 e un RMSE di 0,355. Il numero di bande caratteristiche è stato significativamente ridotto da 428 nella banda completa, abbassando drasticamente la dimensionalità dei dati.

Il modello di fusione di PLSR e SVR basato sulla selezione SPA ha ulteriormente migliorato l'accuratezza della previsione, con il set di validazione R² che ha raggiunto 0,724, RMSE a 0,323 e RPD a 1,904. Questo risultato indica che la selezione della banda caratteristica mantiene la validità del modello riducendo la ridondanza dei dati.

Applicazione Outlook
Questo studio dimostra la fattibilità della tecnologia iperspettrale del visibile nel vicino infrarosso nel rilevamento non distruttivo del contenuto di olio di tabacco flue-cured. Rispetto ai tradizionali metodi di valutazione manuale, la tecnologia iperspettrale presenta potenziali vantaggi di obiettività, non distruttività e velocità, che possono fornire basi di riferimento per lo sviluppo di apparecchiature automatiche per la classificazione delle foglie di tabacco e la costruzione di sistemi intelligenti di controllo della qualità. Il sistema di imaging iperspettrale della serie FigSpec di CHNSpec ha intrapreso il compito principale di raccolta dei dati in questo studio, verificandone l'applicabilità negli scenari di rilevamento della qualità dei materiali agricoli.