北京理加联合科技有限公司

LICA United Technology Limited

服务热线: 13910499761 010-51292601
企业邮箱
应用支持 Application Support
News 应用支持

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

日期: 2023-02-13
浏览次数: 275

车厘子,相信大家都不陌生,毕竟“车厘子自由”曾经也是风靡一时的网络热词。但是车厘茄是什么呢?车厘子的变种?车厘子和茄子的结合?空想不如实干,看看度娘怎么说......

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

嚯,原来车厘茄就是常见的小番茄!另外,小加还了解到车厘茄含有丰富的维他命和十分高的铁质含量,不仅有美容功效,还可以预防出现贫血,可谓是值得多次购买的营养好物。但是购买时,我们只能通过朴素的双眼判断其好坏,如果从专业性的角度出发,该如何评估车厘茄的质量呢?答案就在下面这篇论文里,快一起来看看吧!

基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

车厘茄(Solanum lycopersicum)因其特殊的香味深受世界各地消费者喜爱。可溶性固形物(SSC)和硬度是评估产品质量的两个主要指标。现存的测量技术主要依赖于化学方法。然而,这种破坏性的方法不适用于大面积的测量。高光谱成像技术可以同时获取光谱信息和空间信息,已广泛应用于各个领域,如植物病害胁迫检测、工业食品包装、医学图像分类及水果质量分析。

基于此,来自浙江工业大学和浙江省农业科学院的研究人员选择当地主流的车厘茄(Zheyingfen-1)为研究对象,测量其硬度和SSC,并基于高光谱图像(PIKA XC 高光谱相机,Resonon Inc.,Bozeman,MT,USA)和相应的深度学习回归模型开发了无损式测量技术。

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

高光谱成像系统

【结果】

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

(A)校正的光谱反射率图。(B)MSC预处理。(C)二阶差分预处理。

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

每个模型的SSC估算结果。(A)小样本数据的SVR估算结果。(B)大样本数据的SVR估算结果。(C)小样本数据的KNNR估算结果。(D)大样本数据的KNNR估算结果。(E)小样本数据的AdaBoostR估算结果。(F)大样本数据的AdaBoostR估算结果。(G)小样本数据的PLSR估算结果。(H)大样本数据的PLSR估算结果。(I)小样本数据的Con1dResNet估算结果。(J)大样本数据的Con1dResNet估算结果。

Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度

大样本数据集每个模型的硬度估算结果。

【结论】

本研究中,作者利用高光谱图像提出了Con1dResNet深度学习模型来估算车厘茄的SSC和硬度。相比传统的机器学习方法,充足的样本数量可以实现更好的结果。就SSC估算而言,其R2值为0.901,比PLSR高26.4%,其MSE为0.018,比PLSR低0.046。就硬度估算而言,其R2值为0.532,优于PLSR33.7%。结果表明高光谱成像结合深度学习可以显著提高车厘茄SSC和硬度估算准确性。

请点击下方链接,阅读原文:

https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650316779&idx=1&sn=494788e5fb0f3fd3ce8e1da359dc4296&chksm=bee1b31489963a026537c26067d95119930434a19a99d03d2a6db7bd879bdd4d4aa4454371e7&token=341765797&lang=zh_CN#rd

News / 相关新闻 More
2026 - 11 - 16
研究背景土壤盐碱化是影响农业生产和土地资源利用的重要因素。山西省大同盆地分布着较大面积的苏打型盐碱土,土壤中较高的CO₃²⁻和HCO₃⁻含量对作物生长造成了一定限制。如何改善盐碱土壤环境、提高土地利用效率,是当地农业生产面临的重要问题。沙土掺混能够改变土壤质地和孔隙结构,进而影响水分入渗及盐分迁移。但掺沙比例不同,对土壤水分保持和氮、磷、钾等养分分布的影响也存在差异。尤其是在促进盐分淋洗的同时,是否会加剧养分向深层迁移,仍需要进一步研究。针对这一问题,山西农业大学崔清亮老师团队以大同盆地中度盐碱土为研究对象,通过室内土柱试验和田间试验,探究沙土掺混与养分管理对土壤水盐、养分迁移及谷子生长的影响,为晋北苏打型盐碱土改良和谷子栽培提供依据。图1.土柱实验的设置。研究方法研究土壤采自山西省怀仁市中度盐碱农田,属于大同盆地苏打型盐碱土。研究分为室内土柱入渗试验和田间种植试验:室内土柱试验...
2026 - 11 - 09
研究背景土壤有机碳(SOC)是反映土壤质量、土壤肥力及生态系统碳循环的重要指标。传统湿化学测定方法虽然准确性较高,但存在耗时长、成本高、操作复杂等问题。相比之下,可见光—近红外(Vis-NIR)光谱技术具有快速、无损、低成本等优势,为SOC快速估算提供了新的技术途径。然而,光谱预测模型高度依赖大量代表性样本。在实际调查中,受采样成本及实验条件限制,往往难以获得充足的校准数据,小样本条件下模型容易出现过拟合,影响预测精度与泛化能力。针对这一问题,外部光谱数据库迁移学习和深度生成模型数据增强成为两种潜在解决途径。但不同生成模型的增强效果如何?外部光谱库能否有效改善本地模型预测性能?数据增强倍数又将如何影响模型表现?为此,山西农业大学徐占军老师团队通过构建统一实验框架,系统比较四种深度生成模型与外部土壤光谱数据库的应用效果,探索小样本条件下SOC光谱估算的有效数据增强策略。图1.研究区域概况。研...
2026 - 11 - 09
研究背景地下水是高寒地区水循环的重要组成部分,其补给过程受到冻融循环的显著调控。随着气候变暖,青藏高原冻土退化、活动层加深,土壤水分的储存与迁移条件发生变化,进而影响降水、融雪水、土壤水与地下水之间的水文联系。然而,不同冻融阶段地下水补给来源的变化及其迁移路径仍缺乏系统认识。针对这一问题,北京师范大学李小雁老师团队以青海湖流域为研究区,结合氢氧稳定同位素示踪与MixSIAR贝叶斯混合模型,定量解析不同冻融阶段地下水的补给来源,揭示冻融过程对土壤水文连通性及地下水补给路径的影响。图1.(a) QLB在青藏高原(QTP)上的位置。(b) QLB内多年冻土的时空分布;其中灰色代表季节性冻土,橙色代表多年冻土。(c) QLB的位置及采样点分布。(d) 地下水采样。(e) 降水采样。(f) 在相邻地点每月采集土壤样品。研究方法研究设计:研究区位于青藏高原东北部青海湖流域。2025年5—10月,研究团...
2026 - 11 - 02
研究背景河流和溪流是大气甲烷(CH₄)的重要来源。已有研究发现,源头河流通常具有较高的CH₄排放强度,是河流CH₄排放的重要热点。但在高海拔冰冻圈地区,这一规律是否依然适用?受低温和有机碳底物匮乏等因素影响,该区域的CH₄过程可能受到限制。与此同时,冰川融水的持续输入也可能进一步改变河流的CH₄排放特征。那么,冰川融水究竟如何影响河流CH₄排放?其背后的作用机制又是什么?针对这一问题,兰州大学高坛光老师团队以青藏高原北部黑河上游为研究区域,通过2020—2023年连续观测,系统分析了冰川补给河流与非冰川补给河流的CH₄排放特征,并进一步探讨冰川融水对河流CH₄排放的调控机制。图1. (a) 研究区域概况。(b) 在三次不同的野外考察期间,使用浮动气室法进行气体采样的现场照片。研究方法实验设计:研究以青藏高原北缘黑河上游为研究区域。2020—202年,在该研究区域上游设置25个采样点(冰川补...
【关闭窗口】【打印】
Copyright ©2018-2023 北京理加联合科技有限公司
犀牛云提供企业云服务

北京理加联合科技有限公司

地址:北京市海淀区安宁庄东路18号光华创业园5号楼(生产研发)
          光华创业园科研楼四层
电话:13910499761 13910124070  010-51292601
传真:010-82899770-8014
邮箱:info@li-ca.com
邮编:100085

 



 


 


  • 您的姓名:
  • *
  • 公司名称:
  • *
  • 地址:
  • *
  • 电话:
  • *
  • 传真:
  • *
  • 电子邮箱:
  • *
  • 邮政编码:
  • *
  • 留言主题:
  • *
  • 详细说明:
  • *
在线留言
关注我们
  • 官方微信
  • 官方手机端
友情链接:
X
1

QQ设置

3

SKYPE 设置

4

阿里旺旺设置

等待加载动态数据...

等待加载动态数据...

5

电话号码管理

  • 010-51292601
6

二维码管理

等待加载动态数据...

等待加载动态数据...

展开