Tecnologia de imagem hiperespectral para detecção não destrutiva do teor de óleo curado da fumaça do tabaco

No sistema de avaliação da qualidade foliar, o teor de óleo é um dos indicadores importantes para medir a qualidade do tabaco curado. Tradicionalmente, a avaliação do teor de óleo baseia-se principalmente no julgamento empírico de profissionais, que apresenta problemas como forte subjetividade e eficiência relativamente baixa. Nos últimos anos, a tecnologia de imagem hiperespectral, devido às suas características de combinação de gráficos e espectros, tem demonstrado potencial de aplicação na área de detecção de qualidade de produtos agrícolas. Tomando como exemplo um estudo sobre a detecção do teor de óleo de tabaco curado pela gripe, este artigo apresenta o efeito de aplicação prática da tecnologia hiperespectral do infravermelho próximo visível neste cenário.

Antecedentes da Pesquisa e Projeto Experimental
O estudo selecionou 634 amostras de folhas de tabaco curadas pela gripe de 22 províncias produtoras de tabaco (regiões autônomas) de todo o país, cobrindo as partes superior, média e inferior. A equipe de pesquisa usou o sistema de imagem hiperespectral da série FigSpec da CHNSpec (incluindo câmeras FigSpec-23 e FigSpec-25) para coletar de forma síncrona a informação espectral de folhas de tabaco nas faixas de comprimento de onda de 400-1000nm e 900-1700nm. Durante o processo de coleta, ao fixar o ângulo da fonte de luz e a distância da câmera, foi garantida a uniformidade da iluminação, e o valor médio após a coleta de dados espectrais duas vezes para cada amostra foi utilizado como entrada original.

A pontuação do teor de óleo foi avaliada de forma independente em uma escala de 10 pontos por uma equipe de avaliação da qualidade da aparência composta por 20 pessoas. As amostras foram divididas em conjunto de calibração (443 amostras) e conjunto de validação (191 amostras) na proporção de 7:3. As características de distribuição das pontuações do teor de óleo nos dois conjuntos de amostras foram consistentes com a população geral, fornecendo uma base confiável para a construção subsequente do modelo.

Pré-processamento espectral e análise de correlação
Os dados espectrais originais contêm ruído e interferência de dispersão, exigindo pré-processamento para melhorar os sinais eficazes. O estudo comparou cinco métodos únicos de pré-processamento, incluindo suavização de média móvel (MA), correção de dispersão multiplicativa (MSC), variável normal padrão (SNV), primeira derivada (D1) e padronização (SS), bem como suas estratégias de combinação.

Os resultados da análise mostraram que o pré-processamento MSC e SNV poderia efetivamente melhorar a correlação entre a refletância espectral e as pontuações de teor de óleo. Na faixa de comprimento de onda de 928,36-1177,03nm, o coeficiente de correlação aumentou de 0,076-0,124 do espectro original para 0,331-0,640. O pré-processamento D1, ao fortalecer as características de variação local das curvas espectrais, fez com que o número de bandas fortemente correlacionadas (|r|≥0,4) excedesse 100. Esses resultados indicam que estratégias razoáveis ​​de pré-processamento ajudam a melhorar a capacidade preditiva de modelos subsequentes.

Construção de Modelo e Avaliação de Desempenho
O estudo utilizou dois algoritmos, regressão de mínimos quadrados parciais (PLSR) e regressão vetorial de suporte (SVR), para construir modelos de previsão quantitativa para pontuações de teor de petróleo. O modelo PLSR baseado na banda completa do infravermelho próximo do visível teve valores de RPD do conjunto de validação entre 1,642 e 1,775 na maioria das condições de pré-processamento, entre as quais o conjunto de validação R² atingiu 0,683 e o RMSE foi 0,346 após o pré-processamento do MA. O modelo SVR teve um conjunto de validação R² de 0,653 e um RMSE de 0,362 sob o pré-processamento da combinação D1+SS.

Para fundir as vantagens de ambos os modelos, o estudo introduziu uma estratégia de fusão de média ponderada. O modelo de fusão baseado na banda completa do infravermelho próximo visível (PLSR sob pré-processamento MA e SVR sob pré-processamento D1 + SS) viu seu conjunto de validação R² aumentar para 0,721, RMSE cair para 0,324 e RPD atingir 1,894, mostrando um melhor efeito de previsão do que qualquer modelo único.

Seleção de bandas características e otimização de modelo
Os dados hiperespectrais contêm centenas de bandas, apresentando problemas de redundância de dados. O estudo adotou o algoritmo de projeções sucessivas (SPA) para seleção de bandas características. Os resultados mostraram que após o pré-processamento do MA, o modelo PLSR construído com 95 bandas características selecionadas pelo SPA teve um conjunto de validação R² de 0,685 e um RMSE de 0,345; após o pré-processamento D1+SS, o modelo SVR construído com 56 bandas características selecionadas pelo SPA apresentou R² do conjunto de validação de 0,666 e RMSE de 0,355. O número de bandas características foi significativamente reduzido de 428 na banda completa, diminuindo drasticamente a dimensionalidade dos dados.

O modelo de fusão de PLSR e SVR baseado na seleção SPA melhorou ainda mais a precisão da predição, com o conjunto de validação R² atingindo 0,724, RMSE em 0,323 e RPD em 1,904. Este resultado indica que a seleção da banda característica mantém a validade do modelo enquanto reduz a redundância de dados.

Aplicativo Outlook
Este estudo demonstra a viabilidade da tecnologia hiperespectral do infravermelho próximo visível na detecção não destrutiva do conteúdo de óleo de tabaco curado pela gripe. Em comparação com os métodos tradicionais de avaliação manual, a tecnologia hiperespectral tem vantagens potenciais de objetividade, não destrutividade e velocidade, que podem fornecer bases de referência para o desenvolvimento de equipamentos automáticos de classificação de folhas de tabaco e a construção de sistemas inteligentes de controle de qualidade. O sistema de imagem hiperespectral da série FigSpec da CHNSpec realizou a principal tarefa de coleta de dados neste estudo, verificando sua aplicabilidade em cenários de detecção de qualidade de materiais agrícolas.