为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

水果内部品质影响着消费者的感官偏好, 直接决定消费者的购买倾向。 为此, 可见-近红外光谱技术检测巨峰葡萄内部品质以及感官偏好等级。 试验比较了漫反射、 透射两种光谱采集方式对葡萄内部品质的检测准确性, 结果表明透射光谱更能表征巨峰葡萄的内部品质信息, 偏最小二乘(PLS)模型对鲜食葡萄可溶性固形物、 总酸度的预测均方根误差分别为0.598%brix, 0.048 g·L-1。 将鲜食葡萄的透射光谱主成分信息与消费者的感官偏好等级之间建立非线性分类模型, 得到主成分法结合极限学习机(PCA-ELM)模型分类准确率最好, 为78.7%。 结果认为反映水果内部信息的光谱可用于消费者感官偏好的初步分类, 但其间关系还有待进一步研究。

为评判近红外光谱技术对柑橘糖度的无损检测结果能否满足消费者感官需求并在此基础上利用变量筛选方法简化近红外光谱柑橘糖度模型。 设计了近红外光谱采集与感官品尝试验。 单因素方差分析感官品尝结果表明, 消费者对柑橘糖度的适应度存在个体差异, 但不受性别影响; 剔除异常样本组并计算柑橘糖度最低感官品尝的均方根偏差(RMSED)为0.633。 为使近红外光谱检测结果满足消费者需求, 要求光谱模型的预测均方根误差(RMSEP)小于RMSED, 并结合光谱预处理与变量筛选方法, 得到SPA-MLR模型性能最佳, 预测相关系数(Rp)为0.86、 RMSEP为0.567, 耗时仅6.8 ms, 其结果既可满足消费者的感官需求, 也使模型得到简化, 为今后在线检测提供依据。

提出了基于高光谱成像技术的猪肉嫩度检测方法。利用高光谱成像系统获取78个猪肉样本在400~1100 nm范围的高光谱图像数据；通过主成分分析高光谱数据进行降维，从中优选出3幅特征图像，并从每幅特征图像中分别提取对比度、相关性、角二阶矩和一致性等4个基于灰度共生矩阵的纹理特征变量，这样每个样本共有12个特征变量，再通过主成分分析提取6个主成分变量，并参照剪切力方法测得的样本嫩度等级结果，利用神经网络方法构建猪肉嫩度等级判别模型。模型对校正集样本的回判率为96.15%，预测集样本的判别率为80.77%。研究表明高光谱图像技术可以用于猪肉嫩度等级水平的检测。

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度, 在识别模型建立过程中, 引入一类支持向量机(OC-SVM)算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。 首先获取鸡蛋在10 000～4 000 cm-1范围内的近红外漫反射光谱, 通过主成分分析方法提取光谱数据中的特征信息, 优选了3个主成分作为模型的输入向量, 然后采用OC-SVM区分新鲜蛋和非新鲜蛋。 在模型建立过程中, 对相关参数进行了优化, 试验结果显示在相同条件下, OC-SVM模型识别结果较传统的支持向量机模型好。 最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80%, 传统的支持向量机对新鲜度的识别率为100%, 对非新鲜度的识别率却为0%。 研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的; OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。

为简化猕猴桃硬度的预测模型， 利用标准正态变量变换对猕猴桃1　000～2　500　nm近红外光谱进行预处理， 在优选建模波段和采用净分析物预处理（NAP）降低建模主因子数两个方面简化猕猴桃硬度偏最小二乘（PLS）模型。 结果表明， 优选5　189～5　370　cm-1， 4　549～4　620　cm-1， 6　049～6　230　cm-1， 6　999～7　730　cm-1， 6　249～6　614　cm-1等5个波段进行建模， NAP/PLS模型性能最佳， 主因子数为5， 校正集相关系数R2和均方根误差RMSECV分别为0.819　41和0.701　77， 预测集相关系数R2和均方根误差RMSEP为0.780　67和0.882　71。 与简化前的PLS模型相比， 模型不仅更加简洁， 而且预测能力和精度均有所提高。

为了实现采摘机器人在复杂的自然场景下正确识别树上果实，来完成果实采摘，研究了不同环境下柑橘的识别方法.针对复杂的自然环境的影响及传统方法的局限性，在可见光和近红外区域择选5个特征波长滤波片，采集得到5幅滤波后的图像，并利用光谱角分类算法完成柑橘识别.试验结果表明，在光照角度、光照强度等不同条件下，柑橘的识别准确度达到96%.研究表明，滤波片光谱图像技术结合光谱角分类算法可以有效地识别自然场景下的成熟柑橘.

针对果实在未完全成熟前就需采摘以满足市场销售需求的实际情况，以及采摘机器人作业环境的复杂性，研究了自然场景下不同成熟度柑橘的识别方法。通过R与G分量间比值变换得到具有独特信息的比值图像，并在Munsell HSV颜色空间上，利用共轭激励法融合H和S分量图像，针对其与上述比值图像的弱相关性与强正交性，用其构建掩膜，来去除比值图像的背景，实现柑橘识别。实验结果表明此方法对柑橘识别精度达到92%，可以自适应地识别自然场景下不同成熟度的柑橘，且识别精度高，鲁棒性强。

为了实现快速无损地检测猪肉新鲜度的目的,应用近红外光谱法测定猪肉新鲜度重要指标—挥发性盐基氮(TVB-N)的含量。猪肉原始光谱经标准偏差归一化方法(SNV)预处理后,用联合区间偏最小二乘法(siPLS)建立猪肉预处理后光谱和TVB-N含量的校正模型并与经典偏最小二乘法(PLS)模型、间隔偏最小二乘法(iPLS)模型作比较。试验结果表明,利用联合区间偏最小二乘法所建的预测模型最佳,其校正集相关系数(Rc)和交互验证均方根误差(fRV)分别为0.8332和3.75,预测集的相关系数(Rp)和预测均方根误差(fRP)分别为0.8238和4.17。研究结果表明利用近红外光谱和联合区间偏最小二乘法可以快速地测定猪肉中挥发性盐基氮的含量。

高光谱图像技术作为农产品无损检测的新技术，探讨了其在柑橘外部品质检测的可行性。以检测柑橘果锈为目的，首先对经预处理的高光谱图像数据进行主成分分析，优选出571 nm、652 nm 和741 nm 三个特征波长组成新的图像块；再进行第二步主成分分析，得到的第三主成分图像为最适宜检测柑橘果锈的图像；最后对该图像进行中值滤波、平方根变换、阈值分割和数字形态学运算完成特征提取。试验结果表明，此算法对柑橘果锈检测的正确率可达到90%。研究表明，利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的。