《表4 基于特征光谱构建的MLR模型对猕猴桃硬度的预测结果》
分别将CARS和SPA选取的特征波长作为MLR模型的自变量,校正集和预测集中猕猴桃硬度实测值作为因变量,构建预测不同成熟期猕猴桃硬度检测模型。用特征光谱建立的MLR模型对猕猴桃硬度的预测结果如表4所示,相比于基于全光谱建立的PCR和PLSR预测模型,建立的CARS-MLR预测模型具有最高的RC2(0.91)和RP2(0.85),以及最小的RMSEC(1.27 kg/cm2)和RMSEP(1.57 kg/cm2),表明该预测模型具有相对较好的校正性能和预测性能,其中RPD=2.64>2.5,说明建立的回归预测模型具有较好的预测性能[17]。同时,回归模型的输入是采用CARS在1 024个全波长中提取出42个特征波长,明显提升了预测模型的运行效率。进一步,构建CARS-MLR模型对猕猴桃硬度的校正与预测散点图(图6),图中空心圆圈表示校正集中猕猴桃硬度预测值与实测值的关系,实心三角形表示预测集中猕猴桃硬度预测值与实测值的关系,可以看出CARS-MLR模型对猕猴桃硬度的预测取得了较好的检测效果。
图表编号 | XD00195333100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.25 |
作者 | 孟庆龙、尚静、黄人帅、张艳 |
绘制单位 | 贵阳学院食品与制药工程学院、贵阳学院农产品无损检测工程研究中心、贵阳学院食品与制药工程学院、贵阳学院农产品无损检测工程研究中心、贵阳学院食品与制药工程学院、贵阳学院农产品无损检测工程研究中心、贵阳学院农产品无损检测工程研究中心 |
更多格式 | 高清、无水印(增值服务) |