Évaluation non destructive de la qualité et classification de la maturité des nèfles basées sur l'imagerie hyperspectrale

Aug 10, 2023

Rapports scientifiques volume 13, Numéro d'article : 13189 (2023) Citer cet article

140 accès

Détails des métriques

La méthode traditionnelle d'évaluation de la qualité et de la maturité des nèfles présente des inconvénients tels qu'un échantillonnage destructif et prend beaucoup de temps. Dans cette étude, la technologie d'imagerie hyperspectrale a été utilisée pour prédire et visualiser de manière non destructive la couleur, la fermeté et la teneur en solides solubles (SSC) des nèfles et distinguer la maturité. En comparant les performances de différentes méthodes de sélection de variables caractéristiques et des modèles d'étalonnage, les résultats ont indiqué que les modèles de régression linéaire multiple (MLR) combinés à l'algorithme de repondération adaptative compétitif (CARS) ont donné les meilleures performances de prédiction pour la qualité du nèfle. En particulier, des modèles CARS-MLR avec des performances de prédiction optimales ont été obtenus pour la couleur (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), la fermeté (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) et le SSC (R2P = 0,84). , RMSEP = 0,51, RPD = 2,54). Par la suite, des cartes de distribution de la couleur, de la fermeté et du SSC des nèfles ont été obtenues sur la base des modèles CARS-MLR optimaux combinés à la technologie de pseudo-couleur. Enfin, lors de la comparaison de différents modèles de classification pour la maturité du nèfle, le modèle d'analyse de discrimination partielle des moindres carrés a démontré les meilleures performances, avec des précisions de classification de 98,19 % et 97,99 % pour les ensembles d'étalonnage et de prédiction, respectivement. Cette étude a démontré que la technique d'imagerie hyperspectrale est prometteuse pour l'évaluation de la qualité des nèfles et la classification de la maturité.

Le nèfle du Japon (Eriobotrya japonica Lindl.) est un arbre fruitier à feuilles persistantes de la famille des Rosacées, et son fruit est utilisé comme médicament et aliment à double usage et est cultivé en Chine depuis plus de 2000 ans1. Il est utilisé pour nettoyer le pharynx, humidifier les poumons, soulager la toux et réduire les mucosités2. Le modèle de maturation des nèfles est similaire à celui des fruits climatériques. S'il est récolté très tôt, il aura une chair dure et une saveur fade. Comme les nèfles ont un métabolisme physiologique actif après la récolte, ils sont sensibles à la perte d’eau et de nutriments et à la pourriture s’ils sont récoltés tardivement3,4. La qualité du fruit a un impact direct sur sa valeur commerciale. La couleur, la fermeté et la teneur en solides solubles (SSC) sont des caractéristiques importantes des nèfles et sont des paramètres clés pour évaluer leur goût et leur maturité5. Par conséquent, la détection des nèfles après la récolte est cruciale.

Cependant, les méthodes de détermination traditionnelles présentent l’inconvénient de l’échantillonnage destructif et ne conviennent pas à la détection en ligne. Ces dernières années, les techniques d'imagerie hyperspectrale (HSI), qui combinent des informations d'image bidimensionnelles avec des informations spectrales unidimensionnelles, ont été largement utilisées pour évaluer la qualité et la maturité des fruits. HSI a été utilisé pour déterminer plusieurs indicateurs (SSC, fermeté, etc.) de fruits, notamment les prunes6, les cerises douces7, les poires8, les pêches9 et les melons10. Des études approfondies ont été menées pour prédire la qualité et la maturité des fruits. Wei et al.11 ont utilisé HSI pour classer la maturité et prédire la fermeté des kakis. Munera et al.12 ont utilisé l'indice de qualité interne et de maturité pour évaluer les attributs physico-chimiques internes et la perception sensorielle des nectarines « Big Top » et « Magique ». Le rapport entre les matières solides solubles totales (TSS) et l'acidité titrable (TA) a été utilisé comme indice de maturité de l'ananas pour analyser les effets de la spectroscopie proche infrarouge à courte longueur d'onde de transmission et de l'imagerie hyperspectrale de réflectance dans le proche infrarouge sur la prédiction de la maturité de l'ananas en utilisant le même procédure et même modèle, respectivement13. Benelli et al.14 ont étudié le potentiel de l'utilisation de l'HSI directement sur le terrain grâce à des mesures proximales dans des conditions de lumière naturelle pour prédire la période de récolte du raisin rouge « Sangiovese ». Ils ont divisé les échantillons de raisins en deux classes sur la base de la valeur de référence du SSC et ont établi des modèles pour prédire le SSC et reconnaître les stades de maturité, respectivement. Zhang et al.15 ont combiné HSI avec une machine à vecteurs de support (SVM) pour évaluer la maturité des fraises. Les résultats ont indiqué que le modèle SVM était le plus performant, avec une précision de classification supérieure à 85 %.