Evaluación de calidad no destructiva y clasificación de madurez de nísperos basada en imágenes hiperespectrales.

Aug 10, 2023

Scientific Reports volumen 13, número de artículo: 13189 (2023) Citar este artículo

140 Accesos

Detalles de métricas

El método tradicional para evaluar la calidad y madurez de los nísperos tiene desventajas como el muestreo destructivo y el consumo de tiempo. En este estudio, se utilizó tecnología de imágenes hiperespectrales para predecir y visualizar de forma no destructiva el color, la firmeza y el contenido de sólidos solubles (SSC) de los nísperos y discriminar la madurez. Al comparar el rendimiento de diferentes métodos de selección de variables características y los modelos de calibración, los resultados indicaron que los modelos de regresión lineal múltiple (MLR) combinados con el algoritmo competitivo de reponderación adaptativa (CARS) produjeron el mejor rendimiento de predicción para la calidad del níspero. En particular, se obtuvieron modelos CARS-MLR con rendimiento de predicción óptimo para el color (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), firmeza (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) y SSC (R2P = 0,84). , RMSEP = 0,51, RPD = 2,54). Posteriormente, se obtuvieron mapas de distribución del color, firmeza y SSC de nísperos basados ​​en los modelos CARS-MLR óptimos combinados con tecnología de pseudocolor. Finalmente, al comparar diferentes modelos de clasificación para la madurez del níspero, el modelo de análisis de discriminación de mínimos cuadrados parcial demostró el mejor rendimiento, con precisiones de clasificación del 98,19 % y 97,99 % para los conjuntos de calibración y predicción, respectivamente. Este estudio demostró que la técnica de imágenes hiperespectrales es prometedora para la evaluación de la calidad y la clasificación de la madurez del níspero.

El níspero (Eriobotrya japonica Lindl.) es un árbol frutal de hoja perenne de la familia de las Rosáceas, y su fruto se utiliza como medicina y alimento de doble propósito y se cultiva en China desde hace más de 2000 años1. Se utiliza para limpiar la faringe, humedecer los pulmones, aliviar la tos y reducir la flema2. El patrón de maduración de los nísperos es similar al de las frutas climatéricas. Si se cosecha muy temprano, tendrá una pulpa dura y un sabor suave. Como los nísperos tienen un metabolismo fisiológico poscosecha activo, son susceptibles a la pérdida de agua y nutrientes y se pudren si se cosechan tarde3,4. La calidad de la fruta tiene un impacto directo en su valor comercial. El color, la firmeza y el contenido de sólidos solubles (SSC) son características importantes de los nísperos y son parámetros clave para evaluar su sabor y madurez5. Por tanto, la detección de nísperos poscosecha es crucial.

Sin embargo, los métodos de determinación tradicionales tienen la desventaja de un muestreo destructivo y no son adecuados para la detección en línea. En los últimos años, las técnicas de imágenes hiperespectrales (HSI), que combinan información de imágenes bidimensionales con información espectral unidimensional, se han utilizado ampliamente para evaluar la calidad y madurez de la fruta. HSI se ha utilizado para determinar múltiples indicadores (SSC, firmeza, etc.) de frutas, incluidas ciruelas6, cerezas7, peras8, melocotones9 y melones10. Se han realizado extensos estudios para predecir la calidad y madurez de las frutas. Wei et al.11 utilizaron HSI para clasificar la madurez y predecir la firmeza de los caquis. Munera et al.12 utilizaron el índice de calidad interna y madurez para evaluar los atributos fisicoquímicos internos y la percepción sensorial de nectarinas 'Big Top' y 'Magique'. La relación entre sólidos solubles totales (SST) y acidez titulable (AT) se utilizó como índice de madurez de la piña para analizar los efectos de la espectroscopia de transmitancia de longitud de onda corta del infrarrojo cercano y de la reflectancia de imágenes hiperespectrales del infrarrojo cercano en la predicción de la madurez de la piña utilizando el mismo procedimiento y modelo, respectivamente13. Benelli et al.14 investigaron el potencial del uso de HSI directamente en el campo a través de mediciones proximales en condiciones de luz natural para predecir el momento de la cosecha de la uva tinta 'Sangiovese'. Dividieron las muestras de uva en dos clases según el valor de referencia de SSC y establecieron modelos para predecir SSC y reconocer las etapas de madurez, respectivamente. Zhang et al.15 combinaron HSI con una máquina de vectores de soporte (SVM) para evaluar la madurez de las fresas. Los resultados indicaron que el modelo SVM tuvo el mejor rendimiento, con una precisión de clasificación superior al 85 %.

Además, se ha prestado considerable atención a visualizar la calidad de las frutas. Teerachaichayut et al.16 aplicaron HSI para realizar detección no destructiva y análisis visual de TSS y TA y calcularon TSS/TA como una medida del índice de madurez en limas intactas. Los mapas de distribución predictiva de TSS, TA y TSS/TA se generaron ingresando las bandas de características de cada píxel en modelos óptimos. Li et al.17 realizaron la visualización de SSC y pH basándose en una escala de color en frutos de cereza. Chu et al.18 crearon mapas de visualización de los parámetros de calidad del banano utilizando un algoritmo de aprendizaje automático. Los resultados indicaron que las imágenes hiperespectrales son una herramienta útil para evaluar la calidad de los plátanos. Además, debido a las complejidades involucradas en el procesamiento de datos hiperespectrales y las limitaciones inherentes de las capacidades del hardware de la computadora, es esencial seleccionar longitudes de onda características en lugar de usar longitudes de onda completas para lograr una precisión similar en la operación. Zhang et al.19 establecieron un modelo de regresión de mínimos cuadrados parciales (PLSR) para predecir el contenido de cafeína de los granos de café basándose en longitudes de onda completas y longitudes de onda características utilizando HSI, respectivamente. Los resultados generales indicaron que, al igual que los modelos PLSR creados en longitudes de onda completas, todos los modelos PLSR basados ​​en longitudes de onda características demostraron un rendimiento sólido. Li et al.20 desarrollaron modelos rápidos y no destructivos para detectar el contenido de antocianinas en frutos de morera utilizando HSI, basados ​​tanto en bandas completas como en variables de características, respectivamente. Los resultados indicaron que los modelos basados ​​en variables de características demostraron un rendimiento superior en comparación con aquellos que usaban bandas completas. Sharma et al.21 aplicaron HSI para clasificar las etapas de maduración y predecir el contenido de materia seca de la pulpa de durian. Se realizó una comparación entre los modelos que utilizan longitudes de onda completas y longitudes de onda características. Los resultados indicaron que el modelo basado en longitudes de onda completas mostró un rendimiento comparable al modelo basado en longitudes de onda características en la clasificación de madurez, mientras que el modelo basado en longitudes de onda características logró mejores resultados en la predicción de la materia seca. La mayoría de los estudios anteriores han confirmado la viabilidad de la predicción de la calidad de la fruta y la clasificación de la madurez mediante imágenes hiperespectrales, y es crucial elegir variables características para el modelado durante el procesamiento de datos. Sin embargo, pocas investigaciones han informado sobre la utilidad de la tecnología HSI para predecir y visualizar el color, la firmeza y el SSC de los nísperos y discriminar la madurez.

Este estudio tuvo como objetivo explorar la viabilidad de determinar y visualizar el color, la firmeza y el SSC de los nísperos y discriminar la madurez según el HSI. Los objetivos específicos de este estudio fueron (1) comparar el rendimiento de diferentes métodos de selección de variables características, incluido el algoritmo de reponderación adaptativa competitiva (CARS), los algoritmos genéticos (GA) y el algoritmo de proyecciones sucesivas (SPA); (2) establecer y comparar modelos de calibración para predecir la calidad, incluidos PLSR, regresión de componentes principales (PCR), regresión lineal múltiple (MLR), máquina de aprendizaje extremo (ELM) y red neuronal de retropropagación (BP); (3) visualizar la distribución espacial de estos parámetros de calidad en nísperos; y (4) desarrollar modelos de reconocimiento para discriminar la madurez, incluido el análisis de discriminación de mínimos cuadrados parciales (PLS-DA), el K-vecino más cercano simplificado (SKNN) y los modelos SVM.

Se cosecharon un total de 649 nísperos (diámetro transversal: 35–55 mm) sin magulladuras en huertos comerciales (Jardín de demostración de plantación verde de nísperos del condado de Kaiyang) ubicado en la provincia de Guizhou, China, el 7 de junio de 2022. Los recolectores solicitaron el permiso. lo cual era requerido en ese momento, y obtuvo el permiso del propietario. La selección de nísperos fue guiada por productores locales experimentados basándose en la observación visual del color externo, que va del verde oscuro al naranja oscuro. Las muestras fueron transportadas al laboratorio el mismo día del muestreo, a una temperatura de 23 ± 2 °C. Antes del experimento, las superficies de los nísperos fueron limpiadas y numeradas. Todos los métodos se realizaron de acuerdo con las directrices y la legislación pertinentes.

Deng et al.22 encontraron una correlación significativa o muy significativa entre el valor del color a* y la calidad del níspero. Sobre esta base, las 649 muestras se dividieron en tres estados de madurez (etapa I: 177, etapa II: 331 y etapa III: 141) según el valor de color a*. La etapa I representó valores de color a* inferiores a 8,33, la etapa II cubrió valores de color a* entre 8,33 y 15,41, y la etapa III abarcó valores de color a* superiores a 15,41. Las imágenes de los tres estados de madurez se muestran en la Fig. 1.

Imágenes de níspero etapa de madurez I (a), etapa de madurez II (b) y etapa de madurez III (c).

Para generar una variabilidad adecuada y ampliar el rango predictivo de color, firmeza y CSS, las muestras se dividieron en cuatro grupos para la experimentación. Entre estas muestras, se utilizaron 140 para predecir el color del níspero (etapa I: 47, etapa II: 63 y etapa III: 30), otro conjunto de 140 para predecir la firmeza del níspero (etapa I: 45, etapa II: 53 y etapa III: 42), y 120 para predecir el contacto piel a piel de níspero (estadio I: 25, estadio II: 65 y estadio III: 30). Las 249 muestras restantes se utilizaron para clasificar la madurez del níspero (etapa I: 60, etapa II: 150 y etapa III: 39).

Se capturaron imágenes hiperespectrales de muestras de níspero utilizando un sistema de imágenes hiperespectrales (GaiaFieldF-V10, Jiangsu Dualix Spectral Imaging Technology Co., Ltd). En la Fig. 2 se muestra un esquema del sistema. Incluía principalmente un espectrógrafo de imágenes hiperespectrales (Imspector V10, Spectral Imaging Ltd., Oulu, Finlandia), una cámara CCD (Imperx IPX-2 M30, píxeles: 696 × 1313), zoom lente (HSIA-OL23, distancia focal: 23 mm), cuatro fuentes de luz halógena de 200 W (HSIA-LS-T-200 W), placa de transporte, cuarto oscuro (HSIA-T400-IMS) y computadora con software de adquisición de imágenes. La distancia desde la muestra a la lente fue de 400 mm y el tiempo de exposición de la cámara espectral fue de 12,6 ms. La resolución espectral fue de 3,5 nm y la resolución espacial fue de 0,2 mm/píxel. El espectrógrafo obtuvo imágenes espectrales que cubren un rango de longitud de onda de 390 a 1030 nm con 256 bandas espectrales.

Diagrama esquemático del sistema de adquisición de imágenes hiperespectrales.

Al adquirir imágenes hiperespectrales cada vez, se colocaron cuatro nísperos regularmente en el escenario de muestra encima de la plataforma de desplazamiento según su número23. Para eliminar los efectos del ruido y la corriente oscura en la cámara CCD, se utilizaron las imágenes originales adquiridas para corregir las imágenes en blanco y negro. La corrección se realizó con base en la Ec. (1). Después de corregir las imágenes hiperespectrales, los datos espectrales de toda el área de muestra de níspero se extrajeron utilizando ENVI 5.4 (ITT Visual Information Solutions, Boulder, CO).

donde I es la imagen calibrada, I0 es la imagen original, B es la imagen de referencia oscura y W es la imagen de referencia blanca.

Después de la adquisición de imágenes hiperespectrales, se utilizaron métodos destructivos convencionales para medir los valores de referencia para el color, la firmeza y el SSC de los nísperos. Para la determinación del color, se utilizó un espectrofotómetro (Ci7800) para medir los parámetros de color (valores L*, a* y b*), que se evaluaron utilizando el valor e del color calculado con base en la ecuación. (2)24. La fórmula enfatiza el contraste de color en las direcciones a* y b*, lo que permite una comparación más efectiva de las características del color entre diferentes nísperos.

La firmeza se midió utilizando un analizador de textura (TA.XT.plus) con una sonda de punción cilíndrica de 2 mm a una velocidad de prueba de 3 mm/s. La medición requirió pelar el níspero alrededor del ecuador.

Las mediciones del SSC se realizaron utilizando un refractómetro digital (PAL-α) en el rango 0-85%.

Para mejorar la precisión y estabilidad del modelo, el preprocesamiento espectral tiene como objetivo eliminar el ruido de los instrumentos, la dispersión y los cambios de línea de base. Se utilizó la variación normal estándar (SNV) para preprocesar los espectros originales; puede reducir los efectos de la dispersión de la superficie y las alteraciones del camino de la luz sobre la reflexión difusa25.

Además, los datos hiperespectrales se caracterizaron por redundancia y multicolinealidad. Para reducir la cantidad de cálculos de modelado y mejorar la eficiencia operativa del modelo, se aplicaron CARS, GA y SPA para seleccionar las variables de características. Los puntos variables con valores absolutos grandes de los coeficientes de regresión en el modelo PLSR establecido por CARS se seleccionan como el nuevo conjunto de corrección, y el subconjunto con el error cuadrático medio más pequeño se obtuvo después de varios ciclos26. El AG simula los mecanismos de selección natural y genética y realiza operaciones de forma iterativa para generar un subconjunto de variables27. A diferencia de GA, SPA es un método de selección directa de variables de características que minimiza la colinealidad entre vectores de características28.

Se desarrollaron dos herramientas comúnmente utilizadas para el análisis de datos multivariados, los modelos PLSR y PCR, combinando concentración química y datos preprocesados, respectivamente29. Posteriormente, se establecieron tres modelos de variables características, a saber, modelos MLR, BP y ELM, en función de las variables características seleccionadas. MLR se utiliza para caracterizar la relación entre datos espectrales y parámetros de masa utilizando una ecuación de ajuste lineal30. BP, que es una de las redes directas multicapa más típicas, es un método de optimización local basado en el descenso de gradiente31. ELM es una red neuronal de alimentación directa de una sola capa oculta de alta eficiencia que puede mapear relaciones no lineales entre los valores de entrada y salida32.

Para evaluar el rendimiento de los modelos de predicción, se utilizan el coeficiente de determinación del conjunto de calibración (R2C), el error cuadrático medio del conjunto de calibración (RMSEC), el coeficiente de determinación del conjunto de predicción (R2P), el error cuadrático medio de la predicción Se calcularon el conjunto (RMSEP) y la desviación predictiva residual (RPD). Generalmente, un modelo que funciona bien tiene valores más altos de R2C, R2P y RPD y valores más bajos de RMSEC y RMSEP. El modelo funciona mal cuando el RPD es inferior a 1,5, mientras que un RPD entre 1,5 y 1,99 indica que el modelo funciona moderadamente bien. Un RPD entre 2 y 2,5 indica que el modelo funciona bien y el modelo funciona excelentemente cuando el RPD es superior a 2,533.

donde nc y np denotan el número de muestras en los conjuntos de calibración y predicción; yact e ymean denotan los valores medidos y medios; ycal e ypre denotan los valores predichos en los conjuntos de calibración y predicción, respectivamente; y SD denota la desviación estándar de los valores medidos en el conjunto de predicción.

Las curvas espectrales originales y preprocesadas (SNV) se muestran en la Fig. 3. Los espectros de las muestras de níspero mostraron la misma tendencia pero con diferentes intensidades de reflexión. Las curvas preprocesadas (Fig. 3b) fueron generalmente más suaves que las curvas espectrales originales (Fig. 3a), lo que indica un efecto de pretratamiento significativo. Se produjo un claro pico de absorción cerca de 675 nm, que se correlacionó con la absorción de clorofila34. El pico de absorción más obvio a aproximadamente 980 nm puede atribuirse al enlace químico O-H, que está relacionado con el agua35.

(a) Curvas de reflectancia de espectros brutos; (b) espectros pretratados de muestras de níspero.

La Figura 4 muestra el valor e del color, la firmeza y el SSC de muestras de níspero en tres etapas de madurez; los datos se muestran como media ± DE. Hay una tendencia creciente para el valor del color e y el SSC de los nísperos y una tendencia a la baja para la firmeza con las etapas de madurez.

(a) Color e valor de muestras de níspero en diferentes etapas de madurez; (b) firmeza de muestras de níspero en diferentes etapas de madurez; (c) SSC de muestras de níspero en diferentes etapas de madurez.

Se utilizó el algoritmo SPXY36 para dividir todas las muestras en conjuntos de calibración y predicción. La relación entre el conjunto de calibración y el conjunto de predicción fue de 3:1. La Tabla 1 presenta las estadísticas de los conjuntos de calibración y predicción para el valor e del color, la firmeza y el SSC. El rango de valores del conjunto de calibración fue más amplio que el del conjunto de predicción, lo que indicó que los resultados de los conjuntos de calibración y predicción fueron razonables y que las muestras de modelado seleccionadas fueron altamente representativas.

Se construyeron modelos PLSR y PCR para evaluar los parámetros de calidad del níspero utilizando espectros preprocesados ​​con SNV. Los resultados de predicción para los modelos PLSR y PCR se enumeran en la Tabla 2.

Los rendimientos de predicción de los modelos PLSR para el valor e del color (R2P = 0,96, RMSEP = 0,49, RPD = 4,97), firmeza (R2P = 0,82, RMSEP = 0,27, RPD = 2,39) y SSC (R2P = 0,72, RMSEP = 0,67 , RPD = 1,92) fueron mejores que los de los modelos de PCR. Esto puede deberse a que el método PLSR tiene la ventaja de considerar ambas matrices, x (matriz espectral) e y (matriz de concentración).

Al extraer las variables características utilizando CARS, el número de ejecuciones de muestreo de Monte Carlo se estableció en 50 y la validación cruzada de la cantidad del grupo se estableció en cinco. Las variables de características óptimas se seleccionaron en función del RMSECV mínimo, que correspondió a las ejecuciones de muestreo a los 27, 23 y 28 para el valor e del color, la firmeza y el SSC, respectivamente. Las variables seleccionadas fueron 20, 29 y 18 para el valor e del color, la firmeza y el SSC de los nísperos, respectivamente. La Tabla 3 presenta las variables detalladas seleccionadas por CARS.

El GA tiene una fuerte capacidad de optimización global. Al extraer las variables características utilizando el GA, el tamaño de la población, la probabilidad de cruce, la probabilidad de mutación y el número de iteraciones se establecieron en 30, 0,5, 0,01 y 100, respectivamente. La combinación óptima de variables con el RMSECV mínimo se consideró la variable clave para determinar los parámetros del níspero. El número de variables características correspondientes establecidas con el RMSECV mínimo fue 29, 22 y 23 para el valor e del color, la firmeza y el SSC en nísperos, respectivamente. La Tabla 3 enumera las variables seleccionadas por la AG.

Para SPA, el número de variables se seleccionó en función del error cuadrático medio mínimo (RMSE). En primer lugar, el RMSE disminuye rápidamente debido a la eliminación de variables redundantes sin importancia. Cuando el conjunto de variables de información redundante de información espectral era mínimo, el número de conjuntos de variables de características correspondientes fue 3, 27 y 16 para el valor e del color, la firmeza y el SSC en el níspero, respectivamente. La Tabla 3 presenta las variables detalladas seleccionadas por la SPA.

Los modelos MLR, ELM y BP para predecir la calidad del níspero se establecieron en base a estas variables características. Las prestaciones de los modelos se enumeran en la Tabla 4.

Como se presenta en la Tabla 4, para el valor e del color, CARS fue superior al GA al establecer los parámetros adecuados. Los modelos construidos en base a las variables de características extraídas por SPA mostraron el peor rendimiento, con R2C menor que R2P, lo que podría deberse a un ajuste insuficiente. El número de variables de características seleccionadas mediante CARS fue 20, lo que representó el 7,81% del espectro completo. En comparación con otros modelos construidos en base a variables de características seleccionadas por CARS, el modelo MLR construido en base a las variables de características extraídas por CARS obtuvo un RPD más alto y un RMSEC y RMSEP más bajos. En comparación con los modelos basados ​​en longitudes de onda completas que se muestran en la Tabla 2, se mejoró la precisión de la predicción de los modelos MLR, ELM y BP basados ​​en variables de características seleccionadas por CARS y GA. Especialmente, el modelo CARS-MLR logró el mejor rendimiento (R2C = 0,97, RMSEC = 0,39, R2P = 0,96, RMSEP = 0,45 y RPD = 5,38) en la predicción del valor e del color.

En cuanto a firmeza, el CARS pareció ser superior al SPA y GA en cuanto al establecimiento de parámetros apropiados. El número de variables de características seleccionadas por CARS fue 29, lo que representó el 11,33% del espectro completo. En comparación con otros modelos construidos en base a las variables de características seleccionadas por CARS, el modelo MLR construido en base a las variables de características extraídas por CARS obtuvo R2C, R2P y RPD más altos y RMSEC y RMSEP más bajos. En comparación con los modelos basados ​​en longitudes de onda completas que se muestran en la Tabla 2, se mejoró la precisión de la predicción de los modelos MLR, ELM y BP basados ​​en las variables de características seleccionadas por CARS y SPA. Especialmente, el modelo CARS-MLR logró el mejor rendimiento (R2C = 0,90, RMSEC = 0,26, R2P = 0,87, RMSEP = 0,23 y RPD = 2,81) en la predicción de la firmeza.

Para SSC, CARS parecía ser superior a GA gracias al conjunto de parámetros adecuados. Las precisiones de los modelos SPA-ELM y SPA-BP fueron inferiores a las de los modelos CARS-ELM y CARS-BP. El modelo SPA-MLR indicó el peor rendimiento de R2C por debajo de R2P, lo que podría deberse a un ajuste insuficiente. El número de variables de características seleccionadas por CARS fue 18, lo que representó el 7,03% del espectro completo. En comparación con otros modelos construidos en base a las variables de características seleccionadas por CARS, el modelo MLR establecido en base a las variables de características extraídas por CARS obtuvo R2C, R2P y RPD más altos y RMSEC y RMSEP más bajos. En comparación con los modelos basados ​​en longitudes de onda completas que se muestran en la Tabla 2, se mejoró la precisión de la predicción de los modelos MLR, ELM y BP basados ​​en variables de características seleccionadas por CARS. Especialmente, el modelo CARS-MLR logró el mejor rendimiento (R2C = 0,88, RMSEC = 0,41, R2P = 0,84, RMSEP = 0,51 y RPD = 2,54) en la predicción del SSC.

Se establecieron modelos MLR que utilizan variables de características óptimas seleccionadas por CARS para predecir la calidad de los nísperos con respecto al valor del color e, la firmeza y el SSC. Los diagramas de dispersión de los valores reales medidos y previstos se muestran en la Fig. 5.

Gráficos de dispersión de los resultados del modelado del modelo CARS-MLR: (a) resultados de predicción del valor e del color; (b) resultados de predicción de firmeza; (c) resultados de predicción de SSC.

La Figura 5 muestra que los errores de predicción de los tres parámetros de calidad fueron todos pequeños y la mayoría de los puntos de datos se distribuyeron cerca de la línea de ajuste, lo que indica que el modelo CARS-MLR puede predecir la calidad del níspero (color e valor, firmeza y SSC). ) muy bien.

Las fórmulas óptimas del modelo de predicción CARS-MLR para el valor del color e, la firmeza y el SSC de los nísperos son las siguientes:

donde Ycolor e value, YFirmness y YSSC representan los valores previstos para el color e value, firmeza y SSC, respectivamente. λi denota la reflectancia en la longitud de onda característica, donde el subíndice i indica la longitud de onda (nm).

Una característica de la técnica HSI es que se puede recopilar información de cada píxel de la muestra de prueba37. La información extraída de las imágenes hiperespectrales se utilizó para generar mapas de distribución de visualización de los valores de referencia (valor e de color, firmeza y SSC), que permitieron visualizar las diferencias en los valores de referencia entre las muestras38. Debido a la forma aproximadamente esférica del fruto del níspero, los espectros de diferentes píxeles dentro de la misma región del fruto pueden presentar diferencias significativas, lo que podría conducir a resultados deficientes en las imágenes. Una aplicación específica de la detección de frutos de níspero es evaluar la calidad general de los frutos, con énfasis secundario en la expresión de las características locales. Partiendo de este hecho, se comprime la desviación entre los valores de los píxeles y el espectro medio, y la suma de la desviación comprimida y el espectro medio se emplea como variable de entrada17. En este estudio, se utilizaron los modelos CARS-MLR óptimos para predecir el contenido de los parámetros de calidad de cada píxel en níspero39. La Figura 6 muestra la distribución intuitiva del valor e del color, la firmeza y el SSC para las muestras 1, 2 y 3, respectivamente. Las muestras 1, 2 y 3 corresponden a los estados de madurez I, II y III, respectivamente.

Mapas de predicción de color e valor, firmeza y SSC en diferentes muestras de níspero.

Como se muestra en la Fig. 6, el valor del color e y el SSC aumentaron gradualmente con las diferentes etapas de madurez, mientras que la firmeza disminuyó gradualmente con las diferentes etapas de madurez. Y hubo diferencias visuales significativas entre las diferentes muestras. Por tanto, el mapa de distribución es útil para el seguimiento en línea de la calidad del níspero.

Se utilizó un total de 249 muestras para clasificar la madurez del níspero, con 60 muestras en la etapa I, 150 en la etapa II y 39 en la etapa III. Se aplicó el algoritmo Kennard-Stone para dividir las muestras de cada etapa en conjuntos de calibración y predicción en una proporción de 2:1, lo que resultó en 166 y 83 muestras en los conjuntos de calibración y predicción, respectivamente. Se aplicaron los modelos PLS-DA, K simplificado vecino más cercano (SKNN) y SVM para discriminar las etapas de madurez de los nísperos. Los resultados de la discriminación se enumeran en la Tabla 5.

Como se presenta en la Tabla 5, el modelo PLS-DA tuvo una mayor precisión de discriminación en el conjunto de calibración que los modelos SKNN y SVM. Los tres modelos tuvieron la misma precisión de discriminación (97,59%) para el conjunto de predicción. La Figura 7 muestra la matriz de confusión del conjunto de predicción, en la que dos muestras de la Etapa I se identificaron incorrectamente como Etapa II en cada uno de los modelos PLS-DA, SKNN y SVM. Los resultados ilustraron que el modelo PLS-DA tuvo el mejor desempeño para discriminar la madurez del níspero.

Matriz de confusión del conjunto de predicción.

En este estudio, se utilizó tecnología de imágenes hiperespectrales para detectar y visualizar la calidad del níspero y discriminar la madurez. Los principales hallazgos de este estudio son los siguientes.

Las imágenes hiperespectrales junto con algoritmos quimiométricos son un método factible para evaluar la calidad del níspero. Al comparar modelos de espectro completo (PLSR y PCR) con modelos simplificados (MLR, ELM y red BP) basados ​​en variables características seleccionadas mediante tres algoritmos de selección de variables efectivas (CARS, GA y SPA), se obtienen los modelos CARS-MLR con la predicción óptima. Se obtuvieron rendimientos para el valor e del color (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), firmeza (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) y SSC (R2P = 0,84, RMSEP = 0,51, RPD = 2,54). ), respectivamente.

El modelo de predicción óptimo combinado con la tecnología de pseudocolor podría visualizar la distribución de los parámetros de calidad de los nísperos. Los mapas muestran que la distribución de los parámetros de calidad correspondía esencialmente a la situación real, y el contenido de los mismos parámetros de calidad era significativamente diferente entre las muestras de níspero.

Se pueden utilizar imágenes hiperespectrales combinadas con reconocimiento de patrones para evaluar la madurez del níspero. En la comparación de los tres modelos de clasificación de madurez (modelos PLS-DA, SKNN y SVM), el modelo PLS-DA mostró el mejor rendimiento, con precisiones de clasificación del 98,19 % y 97,99 % para los conjuntos de calibración y predicción, respectivamente.

Este estudio indica que la tecnología de imágenes hiperespectrales se puede utilizar para determinar de forma rápida y no destructiva la calidad y madurez del níspero, proporcionando una base teórica para el desarrollo de instrumentos en el futuro.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente previa solicitud razonable.

Fu, X. y col. Determinación del contenido de sólidos solubles y acidez de nísperos basada en espectroscopía FT-NIR. Universidad J. Zhejiang. Ciencia. B. 10(2), 120-125 (2009).

Artículo CAS PubMed PubMed Central Google Scholar

Huang, X. y col. Predicción del contenido de sólidos solubles y ácido titulable de níspero utilizando elementos minerales de fruta mediante red neuronal artificial y regresión lineal múltiple. Ciencia. Hortico. 278, 109873 (2021).

Artículo CAS Google Scholar

Pinillos, V., Hueso, JJ, Marcon Filho, JL & Cuevas, J. Cambios en los índices de madurez del fruto a lo largo de la temporada de cosecha en níspero 'Algerie'. Ciencia. Hortico. 129(4), 769–776 (2011).

Artículo de Google Scholar

Besada, C. et al. Caracterización fisiológica de la madurez del níspero 'algeri': color externo como índice de madurez en cosecha. III Int. Síntoma. Níspero. 887, 351–356 (2010).

Google Académico

Cañete, ML, Hueso, JJ, Pinillos, V. & Cuevas, J. El grado de maduración en la cosecha afecta la susceptibilidad a magulladuras y los rasgos sensoriales del fruto del níspero (Eriobotrya japonica Lindl.). Ciencia. Hortico. Rev. 187, 102–107 (2015).

Artículo de Google Scholar

Li, B. y col. Aplicación de imágenes hiperespectrales para la medición no destructiva de los atributos de calidad de la ciruela. Biol poscosecha. Tecnología. 141, 8-15 (2018).

Artículo de Google Scholar

Pullanagari, RR & Li, M. Evaluación de la incertidumbre sobre la firmeza y los sólidos solubles totales de cerezas dulces mediante imágenes hiperespectrales y estadísticas multivariadas. J. Ing. de Alimentos. 289, 110177 (2021).

Artículo CAS Google Scholar

Fan, S., Huang, W., Guo, Z., Zhang, B. y Zhao, C. Predicción del contenido de sólidos solubles y la firmeza de las peras mediante imágenes de reflectancia hiperespectral. Anal de comida. Métodos. 8(8), 1936-1946 (2015).

Artículo de Google Scholar

Jang, K. y col. Aplicación de campo de un sistema de imágenes hiperespectrales Vis/NIR para la evaluación no destructiva de propiedades fisicoquímicas en melocotones 'Madoka'. Plantas 11(17), 2327 (2022).

Artículo PubMed PubMed Central Google Scholar

Sun, M., Zhang, D., Liu, L. y Wang, Z. Cómo predecir el contenido de azúcar y la dureza de los melones: un método de imágenes hiperespectrales en el infrarrojo cercano. Química de los alimentos. 218, 413–421 (2017).

Artículo CAS PubMed Google Scholar

Wei, X., Liu, F., Qiu, Z., Shao, Y. y He, Y. Clasificación de madurez del caqui astringente mediante técnica de imágenes hiperespectrales. Bioprocesamiento alimentario. Tecnología. 7(5), 1371–1380 (2014).

Artículo de Google Scholar

Munera, S. y col. Monitoreo de madurez de dos cultivares de nectarina mediante imágenes de reflectancia hiperespectral VIS-NIR. J. Ing. de Alimentos. 214, 29–39 (2017).

Artículo de Google Scholar

Tantinantrakun, A., Sukwanit, S., Thompson, AK y Teerachaichayut, S. Evaluación no destructiva de SW-NIRS y NIR-HSI para predecir el índice de madurez de piñas intactas. Biol poscosecha. Tecnología. 195, 112141 (2023).

Artículo CAS Google Scholar

Benelli, A., Cevoli, C., Ragni, L. & Fabbri, A. Monitoreo no destructivo y en el campo de la madurez de las uvas mediante imágenes hiperespectrales. Biosistema. Ing. 207, 59–67 (2021).

Artículo CAS Google Scholar

Zhang, C. y col. Análisis de imágenes hiperespectrales para evaluación de madurez de fresa con máquina de vectores de soporte. J. Ing. de Alimentos. 179, 11-18 (2016).

ADS del artículo Google Scholar

Teerachaichayut, S. & Ho, HT Predicción no destructiva de sólidos solubles totales, acidez titulable e índice de madurez de limas mediante imágenes hiperespectrales del infrarrojo cercano. Biol poscosecha. Tecnología. 133, 20-25 (2017).

Artículo CAS Google Scholar

Li, X. y col. SSC y pH para la evaluación del dulce y la clasificación de la madurez de las cerezas cosechadas según la tecnología de imágenes hiperespectrales NIR. Biol poscosecha. Tecnología. 143, 112-118 (2018).

Artículo CAS Google Scholar

Chu, X. y col. Clasificación de madurez del plátano verde y evaluación de la calidad mediante imágenes hiperespectrales. Agricultura 12(4), 530 (2022).

Artículo CAS Google Scholar

Zhang, C., Jiang, H., Liu, F. & He, Y. Aplicación de imágenes hiperespectrales del infrarrojo cercano con métodos de selección variable para determinar y visualizar el contenido de cafeína de los granos de café. Bioprocesamiento alimentario. Tecnología. 10, 213–221 (2017).

Artículo CAS Google Scholar

Li, X., Wei, Z., Peng, F., Liu, J. y Han, G. Predicción no destructiva y visualización del contenido de antocianinas en frutos de morera mediante imágenes hiperespectrales. Frente. Ciencia vegetal. 14, 1137198 (2023).

Artículo PubMed PubMed Central Google Scholar

Sharma, S., Sumesh, KC y Sirisomboon, P. Clasificación de etapas de maduración rápida y predicción de la materia seca de la pulpa de durián utilizando un sistema de imágenes hiperespectrales del infrarrojo cercano. Medida 189, 110464 (2022).

Artículo de Google Scholar

Deng, CJ y cols. Relación entre el color y los contenidos de azúcar y ácido en diferentes madurez del cultivar guifei de níspero. Mentón. J. Trop. Cultivos. 37(09), 1747–1751 (2016).

Google Académico

Xie, C., Shao, Y., Li, X. & He, Y. Detección de tizón temprano y tizón tardío en hojas de tomate mediante imágenes hiperespectrales. Ciencia. Rep. 5(1), 1-11 (2015).

Artículo de Google Scholar

Olmo, M., Nadas, A. & García, JM Métodos no destructivos para evaluar el nivel de madurez de naranjas. J. Ciencia de los alimentos. 65(2), 365–369 (2000).

Artículo CAS Google Scholar

Dong, J. & Guo, W. Determinación no destructiva de las cualidades internas de la manzana mediante imágenes de reflectancia hiperespectral del infrarrojo cercano. Anal de comida. Métodos 8(10), 2635–2646 (2015).

Artículo de Google Scholar

Zhou, Y. et al. Alerta temprana y visualización diagnóstica de tomate infectado con Sclerotinia basada en imágenes hiperespectrales. Ciencia. Rep. 12(1), 1-13 (2022).

Artículo MathSciNet Google Scholar

Su, WH y Sun, DW Evaluación comparativa de la elegibilidad de longitud de onda característica para medir la capacidad de unión de agua y la gravedad específica del tubérculo utilizando diversos índices espectrales derivados de imágenes hiperespectrales. Computadora. Electrón. Agrícola. 130, 69–82 (2016).

Artículo de Google Scholar

Li, XL, Sun, CJ, Luo, LB & He, Y. Detección no destructiva de plomo verde cromo en té mediante espectroscopía Raman. Ciencia. Rep. 5(1), 1–9 (2015).

Google Académico

Asante, EA, Du, Z., Lu, Y. & Hu, Y. Detección y evaluación del efecto del nitrógeno sobre la tolerancia al frío del té mediante reflectancia hiperespectral con modelos PLSR, PCR y LM. inf. Proceso. Agrícola. 8(1), 96-104 (2021).

Google Académico

Wu, D. & Sun, DW Aplicaciones avanzadas de la tecnología de imágenes hiperespectrales para el análisis y evaluación de la calidad y seguridad de los alimentos: una revisión. Parte I: Fundamentos. Innovación. Ciencia de los alimentos. Emergente. Tecnología. 19, 1-14 (2013).

Artículo de Google Scholar

Yang, YC, Sun, DW y Wang, NN Detección rápida de los niveles de pardeamiento del pericarpio de lichi afectados por el contenido de humedad mediante imágenes hiperespectrales. Computadora. Electrón. Agrícola. 113, 203–212 (2015).

Artículo de Google Scholar

Ding, S., Zhao, H., Zhang, Y., Xu, X. y Nie, R. Máquina de aprendizaje extremo: algoritmo, teoría y aplicaciones. Artif. Intel. Rev. 44(1), 103–115 (2015).

Artículo de Google Scholar

Askari, MS, Cui, J., O'Rourke, SM y Holden, NM Evaluación de la calidad estructural del suelo mediante espectros VIS-NIR. Labranza del suelo Res. 146, 108-117 (2015).

Artículo de Google Scholar

Munera, S. y col. Discriminación de defectos comunes en frutos de níspero cv'Algerie' mediante imágenes hiperespectrales y técnicas de aprendizaje automático. Biol poscosecha. Tecnología. 171, 111356 (2021).

Artículo de Google Scholar

Camps, C. y Christen, D. Evaluación no destructiva de la calidad de la fruta de albaricoque mediante espectroscopia portátil de infrarrojo visible cercano. LWT. 42(6), 1125-1131 (2009).

Artículo CAS Google Scholar

Zhao, YR, Li, X., Yu, KQ, Cheng, F. & He, Y. Imágenes hiperespectrales para determinar el contenido de pigmento en hojas de pepino en respuesta a la enfermedad de la mancha angular de la hoja. Ciencia. Rep. 6(1), 1-9 (2016).

Google Académico

Kong, W., Liu, F., Zhang, C., Zhang, J. y Feng, H. Determinación no destructiva de la distribución de malondialdehído (MDA) en hojas de colza mediante imágenes hiperespectrales NIR a escala de laboratorio. Ciencia. Rep. 6(1), 1–8 (2016).

Artículo de Google Scholar

Wang, B., He, J., Zhang, S. & Li, L. Predicción no destructiva y visualización del contenido total de flavonoides en la fruta de Cerasus Humilis durante los períodos de almacenamiento basada en una técnica de imágenes hiperespectrales. J. Ing. de Procesos de Alimentos. 44(10), e13807 (2021).

Artículo CAS Google Scholar

Wang, F., Wang, C., Song, S., Xie, S. y Kang, F. Estudio sobre la detección y visualización del contenido de almidón de la papa basado en imágenes hiperespectrales. Ciencia de los alimentos. Nutrición. 9(8), 4420–4430 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Este estudio fue apoyado por el Proyecto de Fondo del Departamento de Ciencia y Tecnología Local de la Guía del Gobierno Central (QKZYD[2022]4050), el Proyecto de Fondo de la Oficina de Ciencia y Tecnología de Guiyang (ZKHT[2021]43-15) y el Fondo Especial de Guiyang Oficina de Ciencia y Tecnología y Universidad de Guiyang (GYU-KY-[2023]).

Instituto de Ingeniería Farmacéutica y Alimentaria, Universidad de Guiyang, Guiyang, 550005, China

Shunan Feng, Jing Shang, Tao Tan, Qingchun Wen y Qinglong Meng

Centro de Investigación de Ensayos No Destructivos para Productos Agrícolas de la Provincia de Guizhou, Guiyang, 550005, China

Jing Shang y Qinglong Meng

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

SF recopiló datos y escribió el texto principal del manuscrito. JS guió los experimentos, verificó los resultados y aprobó la versión final. TT y QW investigaron los antecedentes y procesaron los datos. QM diseñó los experimentos y brindó orientación para la redacción del manuscrito. Todos los autores revisaron el manuscrito.

Correspondencia a Jing Shang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Feng, S., Shang, J., Tan, T. et al. Evaluación de calidad no destructiva y clasificación de madurez de nísperos basada en imágenes hiperespectrales. Representante científico 13, 13189 (2023). https://doi.org/10.1038/s41598-023-40553-3

Descargar cita

Recibido: 18 de junio de 2023

Aceptado: 12 de agosto de 2023

Publicado: 14 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40553-3

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.