Laboratory Evaluation of Multispectral Grape Quality Grade Prediction with Compensation for Controlled Illumination Variation

摘要 准确的水果品质评估对于农业机器人中的选择性采收至关重要，其中多光谱传感提供了一种非破坏性方法，但仍对光照条件的变化较为敏感。本研究提出了一种在暗箱中、卤素灯照明下、传感器与样品几何构型固定的受控实验室评估方法，通过调节灯强度来模拟光照变化。首先在固定光照条件下，使用AS7265x多光谱传感器（具有410至940 nm范围内的18个通道，覆盖可见光及部分近红外波段）建立了视觉 assigned 葡萄品质等级的预测模型。光谱数据采用标准正态变量变换、标准化、投影变量重要性特征选择以及mixup插值进行预处理。采用嵌套交叉验证、折外预测和2000次迭代自助重采样，对偏最小二乘回归、支持向量回归和随机森林三种机器学习方法进行了评估。支持向量回归取得了最佳性能，R² = 0.9084 [95% CI: 0.851–0.945]，RMSE = 0.3352，MAE = 0.2374。为解决光照变化问题，实施了直接标准化、扩展多元散射校正和逐波段多项式拟合三种补偿方法，并在额定功率20%至100%的五个灯强度水平下进行了比较。三种方法及未补偿条件在五个水平下达到了相似的平均准确率，但扩展多元散射校正除外，其在每个水平下均较低。与未补偿相比，直接标准化使同一浆果五次预测结果的离散度降低了约31%，并在四种条件中给出了最高的等级准确率。这些结果为直接标准化能够提高受控光照水平下等级预测的一致性提供了实验室可行性证据，并为未来机器人采收应用中在自然田间光照下进一步验证奠定了基础。