基于近红外光谱的苹果可溶性固形物特征波长筛选建模对比分析

作者：张金富; 汤斌; 王建旭^*; 传焱霏; 龙邹荣; 陈庆; 缪俊锋; 蔡林峰; 赵明富; 周密

来源：激光与光电子学进展, 2023, 60(17): 386-392.

• 光谱学
• 互信息
• 竞争性自适应重加权算法
• 近红外光谱
• 可溶性固形物

采用近红外光谱进行检测时，光谱波段包含了大量的噪声和散射，这些都影响了模型的稳定性。基于竞争性自适应重加权算法(CARS)和互信息算法(MI)的特征波长筛选方法来建立偏最小二乘(PLS)回归模型，探测苹果内部的可溶性固形物含量(SSC)。通过光谱仪获取800～2400 nm的120个样本的漫反射光谱数据，经过预处理之后的数据通过Kennard-Stone(KS)算法随机选取96个作为校正集，24个作为预测集，然后分别建立全波段PLS模型、CARS-PLS模型和MI-PLS模型来对比分析。结果显示：利用全波段建立PLS模型，模型的决定系数R2为0.8511，模型均方根误差(RMSEC)以及预测均方根误差(RMSEP)分别为0.9413和1.1915;CARS算法筛选的特征波长点变量从303减少到了12，下降了96.03%，建立的PLS模型决定系数R2为0.8746，上升了2.76%,RMSEC和RMSEP分别为0.864和0.9757;MI-PLS模型包含了56个特征波长点，选用的波长占全波长的18.49%,R2、RMSEC和RMSEP分别为0.9218、0.6822和0.8235,MI-PLS与CARS-PLS相比特征波长数增长了64.55%，决定系数R2提高了0.0472。因此CARS和MI算法都能很好地解决光谱数据本身的噪声、散射等问题，可以有效用于特征波段筛选，所建立的模型可以对苹果内部SSC含量进行测定。

• 单位
  重庆理工大学; 电子工程学院