01/ 9 — 高光譜 × Python × Orange
一張照片，能告訴你
食物裡有多少水、多少糖嗎？
普通照片只有 RGB 三通道；高光譜每個像素記錄數百個波段——看見肉眼看不見的化學
02/ 9 — 資料立方體
高光譜資料 = 空間 × 空間 × 光譜
一般照片 RGB 3 個波段 → 高光譜立方體 數百個波段 單一像素的光譜曲線 = 化學指紋

一般彩色影像，每個像素只有 3 個數字（紅綠藍）。

高光譜影像則是一個資料立方體：兩個空間維度 + 第三個維度的數百個連續波段。

從任何一個像素，都能取出一條完整的光譜曲線——那就是那個位置的化學指紋。

03/ 9 — 真實開源資料集
真實資料集：SpectroFood（Zenodo 開源）
🍎
蘋果 Apple
240 樣本
🥦
花椰菜 Broccoli
250 樣本
🧅
韭蔥 Leek
288 樣本
🍄
蘑菇 Mushroom
250 樣本

1028 筆 Vis-近紅外光譜 + 乾物質含量

⚠️ 真實資料的第一課

  • 不同食材是用不同相機量的
  • 波段範圍不一樣：蘋果到 773nm、
    韭蔥延伸到 1717nm
  • → 取四種食材共同的 141 個 Vis 波段（398–773nm）才能公平比較

真實資料總是有點「髒」——清理它，是分析的第一步。

04/ 9 — 光譜指紋 + 預處理
每種食材，都有自己的光譜指紋
spectral signatures

左：四食材原始反射光譜（平均±標準差），形狀各異＝指紋。　右：SNV 標準常態變量標準化後，消除表面散射、量測距離造成的平移，凸顯真正的化學差異。

05/ 9 — 降維 PCA
PCA：141 個波段 → 2 個就夠
PCA

141 個波段高度相關。主成分分析 PCA 後，前兩個主成分就抓住 94.6% 變異。把 PC1-PC2 畫成散布圖，四種食材自動分成四群——還沒分類，資料自己就攤牌了。

06/ 9 — 分類 SVM
分類：100% 準確率——但這代表什麼？
confusion matrix

SVM / 隨機森林

100%

測試集 257 筆，對角線全中、零誤分。

⚠️ 別急著高興：四種食材差異這麼大，100% 代表這題太簡單了。

真正困難、更有價值的，是下一個任務——定量預測。

07/ 9 — 迴歸 PLS（真功夫）
迴歸：從光譜預測乾物質含量
PLS regression

PLS 偏最小平方迴歸

R²=0.84

韭蔥完整光譜（含 NIR 至 1717nm），10-fold 交叉驗證，RMSE 僅 0.96%。

定性「是哪種」容易；定量「含多少」才難。

近紅外能感應水分與有機物吸收——這正是真實食品品管在用的技術。

08/ 9 — Orange Data Mining
不想寫程式？Orange 拉一拉就完成
📄File 🌊Preprocess Spectra 📉PCA 📈PLS（迴歸） SVM /Random Forest 🔵Scatter Plot Test & Score交叉驗證 ConfusionMatrix

開源 Orange Data Mining + Spectroscopy 外掛：用滑鼠把 widget 連起來——讀檔 → 預處理光譜 → PCA / PLS / 分類 → 測試評分 → 混淆矩陣。同樣的科學，零程式碼。

09/ 9 — 帶走一句話
高光譜
讓你看見肉眼看不見的化學
要完全控制與彈性 → 用 Python；要快速、視覺化、不寫程式 → 用 Orange。
同一套科學，兩條路徑，由你選擇。