基于深度学习的高光谱图像特征提取方法无损预测太平洋白对虾TVB-N含量

发表年份
2019
摘要
采用光谱范围为900-1700nm的高光谱成像技术预测太平洋白虾中挥发性盐基氮的含量。连续投影算法和基于深度学习的堆叠自动编码器算法被比较用于光谱特征提取。采用最小二乘支持向量机(LS-SVM)、偏最小二乘回归(PLSR)和多元线性回归(MLR)进行预测。结果表明，基于SAEs的预测模型(SAEs-LS-SVM、SAEs-MLR和SAEs-PLSR)比基于全波长或基于集对分析的预测模型表现更好。

研究目标

太平洋白对虾

问题陈述

1. 评估高光谱成像技术预测太平洋白虾TVB氮含量的潜力
2. 比较全光谱、SPA选择的特征波长以及SAEs提取的特征变量三个光谱参数，探讨深度学习特征提取方法作为虾品质检测高光谱图像多元分析新工具的可能性。

光谱类型
900-1700nm
主要模型
SAEs(堆叠式自动编码器）-LS-SVM

评价指标
确定系数和均方根误差、残差预测偏差、RMSEC、RMSEP

结论
高光谱成像和深度学习方法被成功地用于测定冷藏期间太平洋白虾的TVBN含量。SAEs(s)eLS-SVM(l)模型得到的结果是Rp^2值为0.921，RMSEP值为6.22 mg N/100g，RPD值为3.58，HSI中的深度高光谱特征可以作为无损预测虾中TVBN含量的光谱指标。