Технология гиперспектральной визуализации для неразрушающего определения содержания масел в табаке огневой сушки

В системе оценки качества листьев содержание масел является однимиз ключевых показателей качества табака, высушенного в сушилках (flue-cured tobacco). Традиционно оценка этого параметра опираетсяпреимущественно на субъективное мнение специалистов, чтосопряжено с такими проблемами, как высокая степень субъективностии относительно низкая эффективность. В последние годы технологиягиперспектральной визуализации, сочетающая в себе возможностиполучения как изображений, так и спектральных данных, продемонстрировала значительный потенциал применения в сфереконтроля качества сельскохозяйственной продукции. В даннойстатье на примере исследования по определению содержания масел в табаке рассматриваютсярезультаты практического применения гиперспектральной технологии (в видимом и ближнем инфракрасном диапазонах) для решения этой задачи.

Обзор исследования и план эксперимента

Для исследования было отобрано 634 образцалистьев табака из 22 провинций (иавтономных районов) страны, гдевыращивается эта культура; выборка охватывала листья изверхней, средней и нижней частей растения. Исследовательская группа использовала систему гиперспектральнойвизуализации серии FigSpec производства компании CHNSpec (включающую камеры FigSpec-23 и FigSpec-25) для синхронного сбора спектральных данных листьевтабака в диапазонах длин волн 400–1000нм и 900–1700 нм. В процессе сбора данных обеспечивалась равномерность освещенияза счет фиксации угла падения света и расстояния до камеры, ав качестве исходных данных использовалось среднее значение, полученноепо результатам двух измерений для каждого образца.

Оценка содержания масла проводиласьнезависимо группой из 20 экспертов по 10-балльной шкале. Образцы были разделенына калибровочную (443 образца) и валидационную (191 образец) выборки всоотношении 7:3. Характеристики распределения оценок содержания масла в обеихвыборках соответствовали показателям всей совокупности образцов, что обеспечилонадежную основу для последующего построения модели.

Предварительная обработка спектральных данных и корреляционныйанализ

Исходные спектральные данные содержат шум и помехи, вызванные рассеянием, что требует предварительнойобработки для выделения полезного сигнала. В исследованиисравнивались пять методов предварительной обработки, применяемыхпо отдельности: сглаживание методом скользящего среднего (MA), мультипликативная коррекция рассеяния(MSC), стандартная нормальная вариация (SNV), перваяпроизводная (D1) и стандартизация(SS), а также различные стратегии их комбинирования.

Результаты анализа показали, что предварительнаяобработка методами MSC и SNV позволяетэффективно повысить корреляцию между спектральной отражательной способностью и показателямисодержания масла. В диапазоне длин волн 928,36–1177,03 нм коэффициент корреляциивозрос с 0,076–0,124 (для исходногоспектра) до 0,331–0,640. Применение метода первой производной(D1), усиливающего особенности локальных изменений спектральных кривых, привело к тому, что количество спектральныхполос с сильной корреляцией (|r| ≥0,4) превысило 100. Эти результаты свидетельствуюто том, что грамотный выбор стратегии предварительной обработкиспособствует повышению прогностической способности последующих моделей.

Построение моделей и оценка их эффективности

В исследовании для построения моделей количественного прогнозированиясодержания масла использовались два алгоритма: регрессияметодом частичных наименьших квадратов (PLSR) и регрессияметодом опорных векторов (SVR). МодельPLSR, использующая полный диапазон видимого и ближнего инфракрасного излучения, при большинстве вариантов предварительной обработки демонстрировалазначения RPD на проверочной выборке в диапазоне от 1,642 до 1,775; при этом после предварительнойобработки методом MA (скользящее среднее) коэффициент детерминации (R²) на проверочной выборке достиг 0,683, асреднеквадратическая ошибка (RMSE) составила 0,346. Модель SVR при комбинации методовпредварительной обработки D1+SS (первая производная и стандартнаянормальная вариация) показала R²на проверочной выборке, равный 0,653, и RMSE, равный 0,362.

Для объединения преимуществ обеих моделей была применена стратегиявзвешенного усреднения результатов. В объединенной модели, использующей полный диапазон видимого и ближнего инфракрасногоизлучения (PLSR с предварительной обработкой MA и SVR с предварительной обработкой D1+SS), показатель R² на проверочнойвыборке вырос до 0,721, RMSE снизился до 0,324, а RPD достиг1,894, что свидетельствует о более высокой точности прогнозирования по сравнениюс каждой из моделей по отдельности.

Выбор информативных спектральных диапазонов и оптимизация моделей

Гиперспектральные данные содержат сотни спектральных диапазонов, что создает проблему избыточности информации. Для выбора информативных (характерных) диапазонов в исследовании был использован алгоритм последовательныхпроекций (SPA). Результаты показали, чтопосле предварительной обработки методом MA модель PLSR, построенная на основе 95 информативныхдиапазонов, отобранных с помощью SPA, имела R² на проверочной выборке 0,685 и RMSE 0,345; а после обработки D1+SS модель SVR, построенная на основе 56 информативныхдиапазонов, отобранных с помощью SPA, показала R² 0,666 и RMSE0,355. Количество информативных диапазонов было существенно сокращено посравнению с исходными 428 диапазонами,что привело к значительному снижению размерности данных.

Гибридная модель, объединяющая методы PLSRи SVR и использующая отбор признаков методом SPA, позволила дополнительноповысить точность прогнозирования: коэффициент детерминации (R²) навалидационной выборке составил 0,724, RMSE — 0,323, а RPD — 1,904. Данныйрезультат свидетельствует о том, что отбор информативных спектральныхдиапазонов позволяет сохранить адекватность модели, одновременно снижаяизбыточность данных.

Перспективы применения

Данное исследование демонстрирует возможность использования гиперспектральныхтехнологий (в диапазоне видимого и ближнего инфракрасногоизлучения) для неразрушающего определения содержания маселв табаке огневой сушки. По сравнению с традиционными методамиручной оценки, гиперспектральные технологии обладают такимипреимуществами, как объективность, неразрушающийхарактер контроля и высокая скорость анализа; это создаетоснову для разработки оборудования автоматической сортировки табачного листа и созданияинтеллектуальных систем контроля качества. В ходе исследованияключевая задача по сбору данных была решена с помощью системы гиперспектральнойвизуализации серии FigSpec производства компании CHNSpec, что подтвердило ее пригодность для задач контроля качествасельскохозяйственной продукции.