《表2 混合指标预测模型中“泰栗一号”采用不同光谱校正方法的预测性能》

  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

《基于近红外高光谱图像技术的栗果品质无损检测》

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

为消除样品颗粒均匀程度的差异造成的光谱差异和由仪器噪声或基线波动产生的误差，提高模型精度，通过TQ Analyst 9.0软件对特征光谱曲线分别进行多元散射校正（multiple scatter correction，MSC）、标准正态变量变换（standard normal variate transformation，SNV）、Savitzky-Golay（S-G）平滑处理、一阶导数、二阶导数等多种处理。以不同校正处理的特征光谱作为建模光谱数据，以板栗总糖和淀粉的实测值作为标准值，采用PLS方法分别建立混合指标预测模型（mixed index prediction model，MIPM）。将验证集中样品的近红外高光谱校正数据和实测值（表1）代入所建的定量模型中检验模型的预测精度，并以预测均方根误差（root mean squared error of prediction，RMSEP）和相关系数（correlation coefficient，r）为检验指标选择最优的光谱预处理方法。如“泰栗一号”板栗果实，以1 121.98～1 698.15nm为建模波段建模，分别对不同光谱校正方法下模型的预测性能进行交互验证（表2）。表2中，采用MSC+二阶导数+SG平滑校正后的特征光谱数据建模时，总糖和淀粉的RMSEP最小且相关系数r均超过0.9，这一结果表明采用MSC+二阶导数+SG平滑的组合校正方法对“泰栗一号”光谱处理最佳。