基于反射-荧光图像颜色与纹理特征及机器学习模型的苹果(Malus sylvestris 'Manalagi')成熟度预测

《Applied Fruit Science》:Ripeness Prediction of Apple (Malus sylvestris ‘Manalagi’) Using Color and Texture Features of Reflectance-Fluorescence Images and Machine Learning Models

【字体: 大 中 小 】 时间:2026年09月22日 来源:Applied Fruit Science 1.9

编辑推荐:

   ## 摘要 传统的苹果成熟度评估依赖于主观的目视检查,这可能导致工业应用中的一致性问题。本研究提出了一种无损数字成像方法,利用反射和荧光图像中的颜色与纹理特征来预测'Manalagi'苹果的成熟度。研究利用图像衍生特征建立了分类和预测模型,用于划分成熟度等级并预测理化参数,

  ## 摘要传统的苹果成熟度评估依赖于主观的目视检查,这可能导致工业应用中的一致性问题。本研究提出了一种无损数字成像方法,利用反射和荧光图像中的颜色与纹理特征来预测'Manalagi'苹果的成熟度。研究利用图像衍生特征建立了分类和预测模型,用于划分成熟度等级并预测理化参数,包括可溶性固形物含量(SSC)和硬度。破坏性分析表明,可溶性固形物含量在成熟过程中逐步增加,在成熟度等级3时达到16.895 °Brix;而硬度则因细胞壁中果胶降解和酶活性作用,从等级1的3.37 kgf下降至等级3的2.84 kgf。数字图像采集结果显示,反射成像可检测到苹果表皮颜色从黄绿色向金黄色的变化,而荧光成像则通过光谱偏移识别出叶绿素的降解过程。采用线性判别分析(LDA)和支持向量机(SVM)建立的成熟度等级分类模型表现出较高的性能。其中,基于反射图像的LDA模型训练准确率为0.9861,验证准确率为1.0000;基于荧光图像的SVM模型训练准确率为0.9722,验证准确率为1.0000。偏最小二乘回归(PLSR)模型被用于预测SSC和硬度。堆叠的反射-荧光数据集提供了最佳的预测性能,SSC的训练集和测试集R2值分别为0.7977和0.8336,硬度的训练集和测试集R2值分别为0.7489和0.8342。这些研究表明,结合反射成像与荧光成像可提供互补信息,在苹果成熟度评估、分选和分级方面具有作为成本效益高、无损方法的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号