水果采收期的成熟度决定了其最终食用品质, 选择果实最佳的采收期是提高水果品质的关键措施之一。 可见-近红外光谱技术以其快速、 无损的检测特点, 适合用于水果的成熟度、 采收期检测。 由于采收期果实品质差异大, 传统化学计量学方法需进行复杂的光谱预处理, 模型难以满足不同的季节、 果园等需求。 提出了一种基于全卷积神经网络（CNNs）的黄花梨采收期可见-近红外光谱（Vis-NIR）检测方法, 利用卷积神经网络进行光谱特征信息提取, 采用误差反向传播算法结合随机梯度下降法进行层与层之间的连接权重调节, 输出多采收期的Logistic回归结果, 实现了黄花梨采收期的端到端检测。 设计了包含1个输入层、 2个卷积层、 1个池化层和1个Softmax输出层等5层的一维全卷积神经网络, 采用交叉熵为损失函数, 增加L2正则项以防止模型的过拟合, 无光谱预处理, 对比分析了此方法与PLSDA方法的建模结果。 试验采集了两个年度黄花梨样品共450个, 其中, 第一年度的300个组成训练集, 90个样本组成测试集1, 第二年度的60个样本组成测试集2。 实验结果表明, 当测试集样品与训练集来自相同年份时, PLSDA和CNNs模型对测试样品集采收期正确识别率均为100%, 当测试集样品来自不同年份时, 测试集样品采收期的正确识别率分别降为41.67%和88.33%, 相关系数、 互信息计算模型的回归系数表明, CNNs模型充分利用了样品全波段信息。 可见, CNNs方法通过迭代对卷积核进行优化, 实现了更灵活的光谱预处理, 可降低模型训练难度, 所建模型有较好的可解释性和泛化能力, 该方法对建立稳健的水果采收期可见-近红外光谱检测模型有一定的参考价值, 有利于实现水果精细化的分期、 分批采收。

提出了一种可克服背景光对田间光谱测量影响的方法。 采集田间水果光谱时, 环境背景光的干扰强, 难以获取样品有效光谱信息。 在田间采用套袋方式遮挡现场光线能得到较理想的结果, 但检测效率低, 仪器暗场校正和参考光谱校正等方法有利于减小模型误差, 但不能有效消除环境光照的干扰。 通过在测量探头前加装快门, 打开快门时测得样品在仪器光源和背景光共同作用下的现场光谱, 关闭快门时测得样品仅在现场环境光线作用下的背景光谱, 将背景光谱从现场光谱中扣除进行背景光校正。 利用偏最二乘法建立田间(背景光校正前、 后)以及室内样品光谱建立黄花梨糖度预测模型, 预测值与真实值的相关系数分别为0.1, 0.69, 0.92, 均方根误差分别为0.89°Brix, 0.42°Brix, 0.27°Brix, 预测集的RPD分别为0.79, 1.69, 2.58, 结果表明实验所采用的背景光校正方法可有效减小田间环境光照对黄花梨可见/近红外光谱采集的影响, 可用于田间水果的近红外光谱采集, 有利于充分发挥可见/近红外光谱技术在果实采收前的田间管理、 采收成熟度检测等方面的潜力。

为建立预测能力高、 稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型, 对比各种预处理方法、 变量优选方法、 快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响, 得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。 采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、 连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量, 再结合FICA提取光谱主成分, 最后采用LS-SVM建立黄花梨的SSC预测模型。 结果显示, 采用CARS筛选的21个变量, 经FICA挑选出12个主成分数, 联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳, 建模集和预测集的决定系数及均方根误差分别为0.974, 0.116%和0.918, 0.158%, 同直接采用PLS方法建模相比, 变量数从401个下降到21, 主成分数由14下降到12, 建模集和预测集决定系数分别上升了0.023, 0.019, 而建模和预测均方根误差分别下降了0.042%和0.010%。 CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。