冬枣品质受其品种和生长环境等因素的影响, 引起采后化转红指数不同, 导致果实的颜色差异较大, 从而影响其可溶性固形物(SSC)检测模型的分析精度。 采用可见-近红外(Vis-NIR)光谱结合Norris-Williams平滑(NWS)、 连续小波导数(CWD)、 多元散射校正(MSC)、 标准正态变量变换(SNV)和NWS-MSC五种光谱预处理方法构建不同颜色(红绿相间MJ, 绿色GJ和红色RJ)冬枣SSC的偏最小二乘(PLS)定量分析模型, 分别采用MJ, GJ, RJ, MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型, 并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价; 以不同建模样品集(校正集)的校正相关系数(R_c)和交互验证均方根误差(RMSECV)作为构建最优模型的评价指标; 测试集的预测相关系数(R_p)和预测均方根误差(RMSEP)用于模型预测精度的评价。 研究结果表明: 分别采用MJ, GJ和RJ的独立样品集进行建模时, 模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测; 分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时, MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果, 其RMSECV, R_c, RMSEP, R_p分别为1.108, 0.698, 0.980, 0.724和1.108, 0.698, 0.983, 0.822, 而对RJ样品的预测误差较大, 模型的RMSECV, R_c, RMSEP, R_p为1.108, 0.698, 1.928, 0.597; 而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果: MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV, R_c, RMSEP, R_p为1.158, 0.796, 1.077, 0.668; 对GJ样品的SSC模型的RMSECV, R_c, RMSEP, R_p为1.158, 0.796, 0.881, 0.861; 对RJ样品的SSC模型的RMSECV, R_c, RMSEP, R_p为1.158, 0.796, 1.140, 0.841; 采用蒙特卡罗无信息变量消除(MCUVE)方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后, 模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922, 模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721, 模型具有较好的分析精度。 采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时, 当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时, 模型具有更好的通用性。

黑心病是鸭梨贮藏期间发生的生理病害, 其病变初期表现在内部果核处出现褐色斑块, 而在果实外观上与正常果几乎没有任何差异, 严重影响鸭梨的贮藏时间和品质, 亟需一种快速无损的检测方法为鸭梨质量保驾护航。 采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别, 结合平滑(Smoothing)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 SG一阶导数(SG 1^st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、 k近邻(kNN)、 朴素贝叶斯(NBC)、 支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。 Adaboost集成了kNN、 NBC和SVM三个独立学习器。 将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价, 采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价。 研究结果表明: 不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错, 很难直观地对黑心鸭梨进行区分。 样品光谱经小波变换(小波基为“Haar”)预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%; 经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%; 经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%; 经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。 通过测试集对模型进行验证可知: 光谱经小波变换预处理后建立的Adaboost分类模型最优, 分类的F-measure达到90.91%, 较WT-kNN, SG 1^st-Der-NBC和WT-SVM模型分别提高了11.39%, 15.23%和2.30%; Accuracy达到92.63 %, 分别提高了10.52%, 11.58%和2.10%; 模型对测试集样品预测时的计算时间约为0.12s, 满足在线分选要求。 可见-近红外光谱结合AdaBoost分类方法, 可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。