Étude de la maturité des fruits de la tomate par imagerie hyperspectrale Série FS20

Étude de la maturité des fruits de la tomate par imagerie hyperspectrale Série FS20

Dans cette étude, une plate-forme non destructive et rapide d'acquisition à haut débit du phénotype du fruit de la tomate a été mise au point sur la base de l'approche de l'analyse de l'ADN de la tomate. Série FS20 de Caméra hyperspectrale d'imageries pour détecter respectivement les caractères morphologiques et structurels, les caractères de contenu des composants et les caractères phénotypiques globaux des fruits de la tomate. A système d'imagerie hyperspectrale a été utilisé pour obtenir des images spectrales des fruits de tomate. Les photos spectrales ont ensuite été analysées pour obtenir les caractéristiques morphologiques et structurelles (diamètre longitudinal, diamètre transversal, indice de forme du fruit et poids), suivies des mesures des caractéristiques de couleur des fruits de tomate (L*, a*, b*, c*, b* et a*/b*) et des caractéristiques phénotypiques du contenu en composants (dureté, SsC, lycopène, acide titrable, sucre soluble et valeurs VC). Tout d'abord, des images de fruits de tomates ont été prises par un système d'imagerie hyperspectrale, et les caractéristiques morphologiques et structurelles ont été obtenues en extrayant les informations sur le diamètre transversal et longitudinal des images spectrales à l'aide de méthodes de traitement d'images. Ensuite, nous proposons des indices et des seuils pour la classification de la maturité, qui sont essentiels pour déterminer la période optimale de récolte des fruits de la tomate et pour le transport, le stockage et la conservation des fruits. Enfin, un modèle de prédiction phénotypique par régression des moindres carrés partiels (PLSR) pour la couleur des fruits de la tomate et les phénotypes des traits de contenu en composants a été construit en utilisant un algorithme de projection continue (SPA) pour sélectionner les longueurs d'onde caractéristiques.

Figure.1-4 Différentes classes de couleur des fruits de la tomate (Huang Yuping et al., 2019)

Fig.1-5 Différents stades de maturation des fruits de la tomate (Jiang et al, 2021)

1. Classification de la maturité des fruits de tomate

a. Méthodes traditionnelles

i. Algorithme
Confirmation de la maturité du fruit de la tomate : variable de définition a/b de la couleur du fruit de la tomate (Ariasetal, 2000). Calculer a*/b*, sur la base de la classification des valeurs a*/b* des fruits de tomate de différentes maturités.

ii. Valeurs seuils.

Tableau 1-1 Description de la tomate a*/b* à maturité

iii. Effet

Fig.3-5 Diagramme de dispersion de l'aberration chromatique à maturité

b. Méthodes hyperspectrales

i. Acquisition et analyse des données hyperspectrales de la tomate (processus comme suit)

Figure 3-1 Organigramme de l'expérience

ii. Sélection des longueurs d'onde (ACP)

1. Effet de regroupement après l'ACP (3 variétés différentes).

Figure.3-6 Analyse des composantes principales (a) tomate 'Saint Laurent' (b) tomate 'Alexis T147' (c) tomate 'Cadyali 1832' (d) trois variétés mélangées

2. Précision de l'ajustement du modèle et localisation des longueurs d'onde caractéristiques après l'ACP.

Figure.3-7 Le processus de sélection SPA des longueurs d'onde caractéristiques (a) est utilisé pour déterminer le RMSE minimum de 11 longueurs d'onde caractéristiques (b) et la distribution des longueurs d'onde caractéristiques I1 marquées par chaque carré.

c. Problèmes liés à cette partie

L'étalon-or est-il choisi de manière appropriée ? Dans cette section, les auteurs ont utilisé a/b comme étalon-or pour la mesure de la maturité, et a/b a été calculé à partir des spectres. Est-il approprié d'utiliser cet étalon pour juger de la maturité des fruits ?
La caméra hyperspectrale d'imagerie de la série FigSpec® adopte un module spectral à réseau de transmission à haute efficacité de diffraction et une caméra à réseau de surface à haute sensibilité, combinés à une technologie intégrée d'imagerie par balayage et de caméra auxiliaire ; elle résout les problèmes de fonctionnement difficiles de la caméra hyperspectrale traditionnelle, qui nécessite un mécanisme d'imagerie externe de poussée et de balayage, ainsi qu'une mise au point complexe et d'autres problèmes difficiles. Elle peut être directement intégrée à un objectif d'imagerie à interface C standard ou à un microscope pour acquérir rapidement des images spectrales.

Domaines d'application des caméras hyperspectrales de la série FigSpec®.

Analyse spectrale, criblage des minéraux, tri des matériaux, analyse des fruits et légumes, exploration géologique, télédétection agricole, inspection industrielle, analyse hyperspectrale aérienne sans pilote, analyse d'imagerie, analyse d'imagerie hyperspectrale portable, analyse d'imagerie hyperspectrale visible, analyse d'imagerie hyperspectrale infrarouge, analyse d'imagerie hyperspectrale infrarouge thermique, tri des plastiques noirs, fabrication de métaux, tri des couleurs, détection des gaz, analyse des flammes, identification du type de végétation agricole, recyclage des déchets analyse de la qualité des fruits, analyse hyperspectrale microscopique, hyperspectrale agricole, hyperspectrale de télédétection, analyse d'imagerie spectrale, hyperspectrale de la végétation, hyperspectrale de l'aviation, détection d'anomalies hyperspectrales, analyse de fluorescence hyperspectrale, imagerie hyperspectrale microscopique, analyse hyperspectrale de caractéristiques, analyse hyperspectrale intérieure, analyse hyperspectrale d'enquête criminelle, analyse hyperspectrale du sol, surveillance de l'environnement.