货架期是影响果蔬品质和供应安全的重要因素, 快速准确预测果蔬货架期已成为消费者、 生产者和管理者共同关注的问题。 猕猴桃含有多种有机物和氨基酸, 具有丰富的营养价值, 深受广大消费者的喜爱。 但由于猕猴桃表面颜色变化不明显, 人们仅凭感官难以准确判断猕猴桃的货架期和质量等级。 采用高光谱成像结合化学计量学方法对不同储存条件下的保鲜猕猴桃进行了货架期预测。 首先采集了4 ℃和(18±2) ℃下保鲜时间为0, 2, 4天各120个猕猴桃样本在400～1 000 nm的高光谱数据, 测定其硬度值和可溶性固形物含量(SSC), 获取猕猴桃切片高光谱图像。 对猕猴桃平均光谱提取并进行Savitzky-Golay卷积平滑预处理后, 通过光谱数据主成分分析(PCA), 发现不同货架期和储存温度的猕猴桃样本在前2个主成分空间形成一定的聚类, 4 ℃下猕猴桃样本出现少量重叠。 为了减少波长变量, 提高运算速度, 使用载荷系数法(XL)与连续投影算法(SPA)选择特征波长。 其中, 4 ℃猕猴桃样本的XL和SPA特征波长分别7个(481, 501, 547, 665, 723, 839, 912 nm)和10个(406, 428, 520, 617, 665, 682, 723, 818, 878和983 nm); (18±2) ℃猕猴桃样本XL特征波长为508, 545, 665, 672, 720, 839和909 nm, SPA特征波长为575, 622, 731, 756, 779, 800, 828, 865, 920和983 nm。 基于3∶1的光谱数据集划分三个货架期虚拟等级值1, 2和3, 以全光谱数据、 特征波长为输入, 建立非线性最小二乘支持向量机(LS-SVM)预测模型。 结果表明, 对于4 ℃下3种货架期猕猴桃样本, 在全光谱和XL, SPA特征波长上的预测集准确度分别达到92.2%, 92.2%, 91.1%; (18±2) ℃时预测准确度均为100%。 猕猴桃切片图像PCA分析显示, 除PC5中有部分噪声影响外, 其他主成分图像均能完整反映猕猴桃切片信息, PC2图像可以明显呈现出猕猴桃切片在不同货架期的变化程度。 进一步分析猕猴桃硬度和可溶性固形物含量发现, 随着货架期延长, 猕猴桃可溶性固形物含量逐渐增加, (18±2) ℃时二者存在正相关性, 相关系数为0.557 6。 硬度则随货架期延长逐渐减小, 4和(18±2) ℃下硬度值和货架期之间存在负相关性, 相关系数分别为-0.335 6和-0.562 0。 结合猕猴桃光谱信息, 可以发现猕猴桃光谱反射率与其单个理化指标不成线性关系, 而是多个指标的综合反映。 因此, 采用高光谱成像技术可以全面、 准确、 快速的预测猕猴桃货架期, 为猕猴桃的生产、 销售提供技术指导。

猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标, 不仅影响果实外观, 也决定果实等级高低的划分。 传统的形状分级方法大多采用人工分级, 存在耗时长、 效率低、 重复性差且易受人为主观影响等问题。 针对传统猕猴桃形状分级存在的问题, 研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。 以成熟期的248个金魁猕猴桃（正常果107个, 畸形果141个）作为研究样本, 先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据, 再采用主成分分析法对光谱数据进行降维, 得到第一主成分图像。 随后提取第一主成分图像的3个特征波长（682, 809和858 nm）, 并对其进行融合计算, 生成新的光谱图像（融合图像）。 然后利用四叉树分解算法对融合图像进行分割处理, 并计算掩膜图像所对应的12组形状特征参数, 结合偏最小二乘线性判别分析（PLS-LDA）、 反向传播神经网络（BPNN）、 最小二乘支持向量机（LSSVM）建立判别模型, 对比分析, 最终得到猕猴桃形状特征的最佳分类模型。 结果表明, 所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好, 总体分类准确率均在95%以上; PLS-LDA的效果略差, 训练集和测试集的总体准确率分别为80.12%和76.83%。 其中BPNN模型训练集和测试集的总体分类准确率分别为98.19%和97.56%, 总体误判个数分别为3和2, 而LSSVM模型的总体准确率分别为97.59%和95.12%, 总体误判个数分别为4和4。 对猕猴桃正常果的检测, 三种模型的分类效果分别为: LSSVM最好、 BPNN其次、 PLS-LDA最差。 对猕猴桃畸形果的检测, 三种模型的分类效果分别为: BPNN最优、 LSSVM其次, PLS-LDA效果最差。 因此, 猕猴桃形状特征的最佳分类模型是BPNN模型。 试验结果说明, 可利用高光谱成像对猕猴桃形状特征进行分类判别。 为猕猴桃形状特征的快速、 准确无损检测研究提供了理论支持。

高光谱成像可将图像和光谱相结合, 同时获得目标对象的图像和光谱信息, 已在农产品定性和定量分析检测方面得到广泛利用。 利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。 采用高效液相色谱测量长枣果糖含量的化学值, 可见-近红外高光谱系统采集长枣的高光谱图像, 提取每个样本感兴趣区域的平均光谱; 建立长枣贮藏期的径向基核函数支持向量机(radial basis kernel function support vector machine, RBF-SVM)模型; 分别选用正交信号校正法(orthogonal signal correction, OSC)、 多元散射校正(multiplicative scatter correction, MSC)、 中值滤波(median-filter, MF)、 卷积平滑(savitzky-golay, SG)、 归一化(normalization, Nor)、 高斯滤波(gaussian-filter, GF)和标准正态变换(standard normalized variate, SNV)等方法对原始光谱进行预处理; 为减少数据量, 降低维度, 提高运算速度, 采用反向区间偏最小二乘法(backward interval partial least squares, BiPLS)、 间隔随机蛙跳算法(interval random frog, IRF)和竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)对光谱数据提取特征变量; 建立全波段和特征波段的偏最小二乘回归(partial least squares regression, PLSR)和主成分回归(principle component regression, PCR)长枣果糖含量预测模型。 结果表明: RBF-SVM判别模型校正集准确率为98.04%, 预测集准确率为97.14%, 能很好地预测长枣的贮藏期; 利用BiPLS, IRF及CARS进行降维处理, 提取特征波长个数为100, 63和23, 占原光谱数据的80%, 50.4%和18.4%; 为简化模型运算过程并提高模型精度, 采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选, 分别优选出18和15个特征波长, 占原光谱数据的14.4%和12%, 显著减少特征波长数; 将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型, 优选出CARS提取特征波长建立的PLSR模型效果最优, 其中校正集的相关系数Rc=0.854 4, 均方根误差RMSEC=0.005 3, 预测集的相关系数Rp=0.830 3, 均方根误差RMSEP=0.005 7, 说明CARS有效地对光谱进行降维, 简化了数据处理过程。 研究表明, 利用可见-近红外高光谱成像结合化学计量学方法及计算机编程, 可以有效的实现灵武长枣果糖含量的快速无损分析, 为灵武长枣内部品质的检测提供理论依据。

水果新鲜度是反映水果是否新鲜、 饱满的重要品质指标, 为了探讨水果不同货架期的预测和判别方法, 以酥梨为研究对象, 利用高光谱成像技术, 结合偏最小二乘判别法(PLS-DA)和偏最小二乘支持向量机(LS-SVM)算法对酥梨货架期进行判别。 由光源、 成像光谱仪、 电控位移平台和计算机等构成的高光谱成像装置采集样品光谱, 装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计, 光谱范围为1 000～2 500 nm, 分别率为10 nm。 选取优质酥梨30个, 货架期设置为1, 5和10 d, 对30个样品完成3次光谱图像的采集, 并矫正原始图像。 实验结果表明: 基于图像的酥梨货架期定性分析时, 对不同货架期样品的原始图像进行PCA压缩, 得到三种不同货架期的权重系数数据, PC1图像提取特征波长点为1 280, 1 390, 1 800, 1 880和2 300 nm, 以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型, 建模集68个, 预测集22个。 最小二乘支持向量机以RBF为核函数时, 预测集中样品的误判个数为1, 误判率为4.5%。 而当采用lin核函数时, 样品的误判个数为0, 误判率为0。 PLS-DA定性分析时RMSEC为1.24, Rc为0.93。 RMSEP为1, Rp为0.96, 预测集误判率为0。 特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好, 优于RBF核函数的建模效果, 也优于PLS-DA判别模型。 ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型, LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。 与RBF核函数相比, lin核函数所建立的模型预测酥梨货架期的效果更好。 PLS-DA方法主成分因子数为12, RMSEC和RMSEP分别为0.48和0.78, Rc和Rp分别为0.99和0.97, 建模集与预测集的误判率均为零。 LS-SVM中的lin核函数所建立的模型结果较好, 依然优于PLS所建立的检测模型。 酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。 基于图像建立酥梨的货架期预测模型与光谱相比, 都实现了酥梨货架期的判别, 而特征图像法, 选择区域较少流失部分信息, 计算量小, 建模结果相对略差。 酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。

鉴于晚疫病可对马铃薯造成毁灭性灾害, 对受晚疫病胁迫的马铃薯叶片进行了高光谱图像特征研究。 旨在探索马铃薯叶片的高光谱图象特征与晚疫病害程度的关联, 以实现准确、 快速、 无损的晚疫病诊断。 采用60片马铃薯叶片, 对其中48片采用离体方式接种晚疫病菌, 所剩12片作为对照, 染病前后连续观测7天, 得到染病和健康样本。 健康和染病样本按照染病时间和染病程度不同采用374～1　018 nm波段范围的可成像高光谱仪分别采样, 基于ENVI软件处理平台提取图像中感兴趣区的光谱信息, 并采用移动平均平滑、 导数处理、 光谱变换、 基线变换等预处理方法提高信噪比, 建立了最小二乘支持向量机（LS-SVM）的识别模型。 9个模型中, 基于原始光谱(不预处理)和光谱变换预处理后的数据所建立的模型预测效果最好, 识别率均达到了94.87%。 表明基于高光谱成像技术可以实现晚疫病胁迫下马铃薯病害程度的有效区分。

提出了独立软模式法（SIMCA）的番茄叶片灰霉病特征波段图像的提取, 并通过多元线性回归法（MLR）提取波段融合图像, 通过最小距离法获取番茄灰霉病患病信息的技术路线。 利用680～740 nm波段的方差图像和建模能力参数提取的特征波段, 并作为输入变量进行MLR分析, 在0.5准确率阈值下, 准确率均大于99%, 说明特征波段可以实现番茄叶片灰霉病的检测, 并利用MLR回归系数提取波段融合图像, 通过最小距离法获取番茄灰霉病患病信息, 结果表明所提出的方法具有很好的预测能力, 为番茄灰霉病的早期检测提供了一种新方法, 且大大降低了高光谱图像的数据处理时间。

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。 利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像, 同时采用主成分分析法(PCA)对高光谱图像进行处理。 选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值, 再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。 建立的6个模型中, 采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高, 达到100%。 结果表明, 应用高光谱成像技术检测番茄叶片早疫病是可行的。

提出利用高光谱对哈密瓜坚实度进行检测的方法，对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明，在500~820 nm波段光谱区域，采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优，其校正集相关系数为0.873，校正均方根误差为4.18N，预测集相关系数为0.646，预测均方根误差为6.40N.研究表明，应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.

利用光谱成像技术(400～720 nm)识别黄瓜白粉病、 角斑病、 霜霉病、 褐斑病和无病区域。 构建高光谱图像采集系统进行样本图像的采集, 预处理和光谱信息的提取。 由于获得的原始光谱数据量很大, 为了减少后续运算量, 提高准确率, 采用逐步判别分析和典型判别分析两种方法进行降维。 逐步判别从55个波段中选择12个波段, 典型判别从55个波段中提取2个典型变量。 利用选择的光谱特征参数建立病害识别模型。 逐步判别构建的模型对训练样本和测试样本的判别准确率分别为100%和94%, 典型判别构建的模型对训练样本和测试样本的判别准确率均为100%。 说明利用高光谱成像技术可以进行黄瓜病害的快速、 准确识别, 并为实现可见光谱范围内黄瓜病害的田间实时在线检测提供了可能。