红提的糖度和硬度是评价红提品质的重要指标,探究了基于高光谱成像技术的红提糖度和硬度的无损检测方法及最佳预测模型。在红提果粒的三种放置模式(横放、果柄侧朝下、果柄侧朝上)下,分别采集213个样本在400~1000 nm波长范围内的高光谱图像,对比分析光谱采集的最优模式;然后在最优采集模式下对光谱进行预处理;应用遗传算法(GA)、连续投影算法(SPA)、竞争性自适应重加权(CARS)算法和无信息变量消除法(UVE)针对原始光谱提取特征波长;结合化学计量学方法分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)和随机森林(RF)的红提糖度、硬度的无损预测模型。结果表明:基于RF建立的糖度和硬度模型的效果较优;预测糖度的最优模型为遗传算法优化的随机森林(GA-RF),其校正集相关系数(Rc)、预测集相关系数(Rp)分别为0.969、0.928,校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)分别为0.266、0.254;预测硬度的最优模型为基于移动窗口平滑结合连续投影算法优化的随机森林(MA-SPA-RF),其Rc、Rp分别为0.961、0.932,RMSEC、RMSEP分别2.119、1.634。研究结果表明基于高光谱成像技术预测红提的糖度和硬度是可行的。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

番茄的可溶性固形物（SSC）、 pH值和坚实度（Firmness）是决定番茄的口感及收获后品质的主要因素。 提出一种基于波长比和近红外光谱的番茄SSC， pH和坚实度检测方法。 首先用Vis/SWNIR便携式光谱仪 (波长： 400～1 100 nm)和中波近红外便携式光谱仪 (波长： 900～1 683 nm）在相互作用模式下， 对6个不同成熟度的600个番茄样本进行光谱采集， 对所采集的光谱用波长比法和波长比+自动缩放法进行预处理后， 分别建立番茄SSC， pH和坚实度的预测模型， 比较单一自动缩放、 单一波长比、 波长比+自动缩放及不做预处理四种方法的预测结果。 结果显示， 波长比法结合自动缩放预处理可有效提高可见/短波近红外光谱对SSC， pH和坚实度的预测精度（rp=0.779， 0.796和0.917）； 波长比法+自动缩放法可提高中波近红外光谱对SSC的预测效果（rp=0.818）。 这说明波长比法在优化和处理番茄光谱信息方面具有一定的潜力。

可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标, 同时也是其成熟度的表征因子。 因此, 为满足哈密瓜自动化分级和适宜采摘, 采用高光谱技术结合特征波长筛选的方法, 同时对哈密瓜的可溶性固形物含量、 硬度及成熟度进行了无损检测研究。 对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长, 并将原始光谱、 MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。 结果显示, MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优, 其Rpre, RMSEP和RPD分别为0940 4, 0402 7, 294 1和0825 3, 3522, 1771。 同时对哈密瓜成熟度进行了判别分析, 并分别建立了基于全光谱、 单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。 结果显示, CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同, 其校正集和预测集判别正确率分别为95%和94%。 研究表明, 利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。

以拉曼光谱技术结合化学计量学方法实现两类不同成熟度的双孢菇菌盖硬度的建模预测分析。将菌盖直径平均值2~3 cm的样品划为Ⅰ类成熟度, 3~5 cm为Ⅱ类。对两类样品分别取65个进行光谱采集并测量硬度, 分别采用标准正态变量变换、基线校正、一阶导数、二阶导数4种方法预处理, 建立偏最小二乘模型(PLS)。比较模型效果得出最佳预处理方法均为一阶导, 但Ⅰ类建模的预测相关系数(Rp)和均方根误差(RMSEP)分别为0.887和0.444, Ⅱ类的Rp和RMSEP分别为0.896和0.435。结果表明Ⅱ类成熟度蘑菇的硬度预测比Ⅰ类更为准确, 在同等条件下, Ⅱ类蘑菇硬度的变化更可准确预测, 其贮藏保鲜更有规律可循。

Nondestructive evaluation of melon quality is in great need of comprehensive study. Soluble solids content (SSC) and firmness are the two indicators of melon internal quality that mostly affect consumer acceptance. To provide guidance for fruit classification, internal quality standards was preliminarily established through sensory test, as: Melon with SSC over 12° Brix, firmness 4–5.5 kgf · cm^-2 were considered as satisfactory class sample; and SSC over 10° Brix, firmness 3.5–6.5 kgf · cm^-2 as average class sample. The near infrared (NIR) nondestructive detection program was set as spectra collected from the stylar-end, Brix expressed by the average SSC of inner and outer mesocarp, each cultivar of melon was detected with its own optimum integration time, and the second derivative algorithm was used to equalize them. Using wavelength selected by genetic algorithms (GA), a robust SSC model of mix-cultivar melon was established, the root mean standard error of cross-validation (RMSECV) was 0.99 and the ratio performance deviation (RPD) nearly reached 3.0, which almost could meet the accuracy requirement of 1.5° Brix. Firmness model of mix-cultivar melon was acceptable but inferior.

为无损检测桃的内部品质, 提出了结合高光谱成像技术和人工神经网络无损检测桃硬度的方法。采集了摘后贮藏了12 d的140个桃在900~1 700 nm的高光谱图像, 以每个桃高光谱图像中40 pixel×40 pixel的感兴趣区域的平均光谱作为桃的原始反射光谱; 利用Savitzky-Golay平滑和标准正态变量变换对光谱进行预处理; 基于x-y共生距离算法划分样本, 得到校正集样本105个和预测集样本35个。利用连续投影算法、无信息变量消除法和正自适应加权算法从全光谱的216个波长中分别提取了12个、103个和22个特征波长; 分别建立了基于全光谱和提取的特征波长预测桃硬度的支持向量机模型和BP网络模型。结果表明, 基于全光谱建立的BP网络模型具有最好的预测性能, 其预测相关系数为0.856, 预测均方根误差为0.931。本研究为基于桃内部品质的工业化分级提供了基础。

This paper presents an innovative and low-cost approach for nondestructive fruit quality analysis. The specialized optical fiber sensor developed and presented in this paper used a monochromatic wavelength, rather than a broad spectrum, to measure the intact carambola (star fruit) intrinsic quality, namely pH and firmness. The main objective of this research was to investigate the two optical fiber sensors used in this work, namely, the optical fiber red system (OF-RS) that operated with the peak sensitivity at 635 nm and the optical fiber near the infrared spectroscopy system (OF-NIRS) that operated with the peak sensitivity at 880 nm. Both systems showed good accuracy in the pH and firmness measurement of the intact carambola with the correlation coefficient R over 0.75, and the measurement results were comparable with those of the commercial spectrometer. The best measurement results were obtained using OF-RS (pH: R = 0.876; the root mean square error (RMSE) = 0.211 pH; firmness: R = 0.872; RMSE = 0.909 kgf).