In this study, a hyperspectral imag

In this study, a hyperspectral imaging technique was developed to achieve fast, accurate, and objective determination of pork quality grades. Hyperspectral images were acquired in the near-infrared (NIR) range from 900 to 1700 nm for 75 pork cuts of longissimus dorsi muscle from three quality grades (PSE, RFN and DFD). Spectral information was extracted from each sample and six significant wavelengths that explain most of the variation among pork classes were identified from 2nd derivative spectra. There were obvious reflectance differences among the three quality grades mainly at wavelengths 960, 1074, 1124, 1147, 1207 and 1341 nm. Principal component analysis (PCA) was carried out using these particular wavelengths and the results indicated that pork classes could be precisely discriminated with overall accuracy of 96%. Algorithm was developed to produce classification maps of the tested samples based on score images resulting from PCA and the results were compared with the ordinary classification method. Investigation of the misclassified samples was performed and showed that hyperspectral based classification can aid in class determination by showing spatial location of classes within the samples.

ผลลัพธ์ (ไทย) 1:

ในการศึกษานี้ hyperspectral ภาพเทคนิคถูกพัฒนาเพื่อให้บรรลุความมุ่งมั่นอย่างรวดเร็ว แม่นยำ และวัตถุประสงค์ของหมูคุณภาพเกรด ภาพ Hyperspectral ได้รับมาในช่วงใกล้อินฟราเรด (NIR) จาก 900 ไป 1700 nm สำหรับ 75 หมูตัดของ longissimus dorsi กล้ามเนื้อจากเกรดคุณภาพสาม (PSE, RFN และ DFD) ข้อมูลสเปกตรัมถูกแยกจากแต่ละตัวอย่าง และระบุความยาวคลื่นที่สำคัญหกที่อธิบายส่วนใหญ่เปลี่ยนแปลงระหว่างชั้นหมูจากแรมสเป็คตราอนุพันธ์ 2 มีแบบสะท้อนแสงชัดเจนแตกต่างระหว่างเกรดคุณภาพสามส่วนใหญ่ที่ความยาวคลื่นที่ 960, 1074, 1124, 1147, 1207 และ 1341 nm ทำการวิเคราะห์ส่วนประกอบหลัก (PCA) ออกใช้ความยาวคลื่นเฉพาะเหล่านี้ และผลลัพธ์บ่งชี้ว่า เรียนหมูอาจจะแม่นยำ discriminated ความแม่นยำโดยรวม 96% อัลกอริทึมได้รับการพัฒนาเพื่อจัดทำแผนที่การจัดประเภทของตัวอย่างทดสอบตามภาพคะแนนที่เกิดจากสมาคม และผลลัพธ์ได้เมื่อเทียบกับวิธีการจัดประเภทสามัญ ตรวจสอบตัวอย่างงานที่ทำ และแสดงให้เห็นว่า hyperspectral ตามประเภทสามารถการช่วยเหลือในการกำหนดคลา โดยแสดงตำแหน่งพื้นที่ของชั้นภายในตัวอย่าง

ผลลัพธ์ (ไทย) 2:

ในการศึกษานี้เป็นเทคนิคการถ่ายภาพ hyperspectral ได้รับการพัฒนาเพื่อให้เกิดความรวดเร็วถูกต้องแม่นยำและความมุ่งมั่นวัตถุประสงค์ของเกรดที่มีคุณภาพเนื้อหมู ภาพ Hyperspectral ได้มาในใกล้อินฟราเรด (NIR) ช่วง 900-1,700 นาโนเมตรสำหรับ 75 ตัดเนื้อหมูของกล้ามเนื้อ longissimus Dorsi จากสามเกรดที่มีคุณภาพ (PSE, RFN และ DFD) ข้อมูลสเปกตรัมถูกสกัดจากแต่ละตัวอย่างและหกความยาวคลื่นอย่างมีนัยสำคัญที่อธิบายถึงมากที่สุดของการเปลี่ยนแปลงในหมู่เรียนหมูถูกระบุจากสเปกตรัมอนุพันธ์ 2 มีความแตกต่างที่เห็นได้ชัดสะท้อนในสามเกรดที่มีคุณภาพส่วนใหญ่ในช่วงความยาวคลื่น 960, 1074, 1124, 1147, 1207 และ 1341 นาโนเมตร การวิเคราะห์องค์ประกอบหลัก (PCA) ได้ดำเนินการโดยใช้ความยาวคลื่นเหล่านี้โดยเฉพาะและผลที่ชี้ให้เห็นว่าการเรียนหมูอาจจะมีการเลือกปฏิบัติอย่างแม่นยำด้วยความถูกต้องโดยรวมของ 96% ได้รับการพัฒนาอัลกอริทึมในการผลิตแผนที่การจำแนกประเภทของตัวอย่างทดสอบขึ้นอยู่กับคะแนนภาพที่เกิดจากการ PCA และผลที่ได้รับเมื่อเทียบกับวิธีการจำแนกประเภทสามัญ การสืบสวนของกลุ่มตัวอย่างแบ่งได้รับการดำเนินการและแสดงให้เห็นว่าการจัดหมวดหมู่ตาม hyperspectral สามารถช่วยในการกำหนดชั้นด้วยการแสดงตำแหน่งพื้นที่ของชั้นเรียนภายในตัวอย่าง

ผลลัพธ์ (ไทย) 3:

ในการศึกษานี้ เป็นเทคนิคการถ่ายภาพ hyperspectral ได้รับการพัฒนาเพื่อให้บรรลุเร็ว ถูกต้อง และมีการกำหนดเกรดคุณภาพหมู hyperspectral ภาพที่ได้มาในช่วงอินฟราเรดใกล้ ( NIR ) จาก 900 1 , 700 nm สำหรับ 75 หมูหั่นสุกรเมารถกล้ามเนื้อจากสามเกรดคุณภาพ ( PSE และ rfn DFD )ข้อมูลสเปกตรัมถูกสกัดจากแต่ละตัวอย่างและหกความยาวคลื่นที่สําคัญ อธิบายส่วนใหญ่ของรูปแบบของชั้นเรียน หมูถูกระบุจาก 2 อนุพันธ์สเปกตรัม . มีความแตกต่างที่ชัดเจนระหว่างสามสะท้อนคุณภาพเกรดส่วนใหญ่ที่ความยาวคลื่นที่ 960 1074 โดย 1147 , , , ตอนนี้ และต่อย nm .การวิเคราะห์องค์ประกอบหลัก ( PCA ) คือ โดยใช้ความยาวคลื่นเฉพาะเหล่านี้และพบว่าชั้นเรียนหมูอาจจะแม่นยำ discriminated กับความถูกต้องโดยรวมของ 96 % วิธีการพัฒนาเพื่อผลิตแผนที่การจำแนกประเภทของการทดสอบตัวอย่างตามคะแนนภาพที่เกิดจาก PCA และเปรียบเทียบกับวิธีการจำแนกระดับธรรมดาการสืบสวนของ misclassified ตัวอย่าง พบว่ามีการแบ่งตามระดับ hyperspectral สามารถช่วยในการหาสถานที่เรียนโดยแสดงพื้นที่ภายในตัวอย่าง