《表4 3种模型结果的比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合图谱特征信息的明虾挥发性盐基氮含量无损检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

虾在冷藏过程中的新鲜度的变化通常伴随着内部属性（化学成分、组织结构等）和外部属性（颜色、质地、气味等）的变化。基于不同传感器数据的融合可以从虾样本中获取比单个传感器数据更多的信息，进而可以全面评估虾的新鲜度，从而获得更好的TVB-N含量预测结果[31]。因此本实验将提取的图像特征信息与光谱特征信息进行融合建立SVM模型，模型评价结果见表4，通过3种模型结果的对比可知，采用光谱特征信息所构建的模型效果较好，Rc为0.977 4，SEC为8.21 mg/100 g，Rp为0.968 7，SEP为10.56 mg/100 g，RPD为3.38；利用图像特征信息建立的模型效果较差，Rc为0.955 8，SEC为16.39 mg/100 g，Rp为0.933 5，SEP为19.79 mg/100 g，RPD为1.74；利用融合图谱特征信息建立的模型最有效，Rc为0.986 2，SEC为5.27 mg/100 g，Rp为0.988 4，SEP为7.51 mg/100 g，RPD为6.29，预测集相关系数有所提高，误差显著降低且RPD大于2.5，表明模型的预测能力有了明显提高，与单一检测方法相比，它具有信息量大和容错性好等优点，较单独采用光谱信息或图像信息建立的模型效果要好。与陈全胜等[32]利用图谱融合方式基于BP神经网络方法建立的茶叶综合品质评判模型的结果类似，结果表明，该融合模型可行，评判结果的准确性和稳定性都较单个信息模型有所提高。