针对猕猴桃硬度品质无损检测分类困难的问题，提出了结合高光谱成像技术和卷积神经网络的分类模型。该模型融合Haar小波核提取的空间特征信息和三维卷积核提取的空谱联合信息，采用分解数据通道连接的方式确保所有特征能够流到模型末尾，提升了网络特征提取的能力。通过自制的猕猴桃硬度品质Kiwi_seed数据集上的实验表明，Haar小波变换模块可以显著提升网络的特征提取能力；通过消融实验表明，在增加Haar小波变换模块后模型的分类准确率提升了7.4%，最优可达97.3%，优于经典的图像分类网络，可以很好地解决猕猴桃硬度品质的无损检测分类问题。

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。

猕猴桃是我国发展势头和经济效益比较突出的水果之一, 其果肉色泽是评价猕猴桃果实品质的重要指标。 利用近红外光谱技术对贮藏期猕猴桃不同深度果肉色泽的变化进行研究。 以贮藏期“哑特”猕猴桃果皮下0, 5和10 mm处果肉色泽(L*, a*和b*)为研究对象, 用近红外光谱(830~2 500 nm)结合化学计量学方法对猕猴桃果肉色泽特征进行预测分析。 通过建立基于全波段的偏最小二乘回归(PLSR)模型, 发现猕猴挑果皮下5 mm处色泽特征(L*5, a*5, b*5)所建立的校正预测模型效果好, 说明该处的色泽数据和近红外光谱信息的相关度较高。 运用竞争性自适应重加权采样法(CARS)和无信息变量消除法(UVE)两种算法从高维近红外光谱全波段信息中选取与颜色特征相关的特征波长信息, 并与猕猴桃果皮下5 mm处的色泽(L*5, a*5, b*5)分别建立PLSR和多元线性回归(MLR)预测模型。 其中对果肉色泽L*5所建立的模型中, CARS-PLSR模型的校正和预测效果均为最好, RC达到0.942 7, RMSEC为1.699 7, RP达到0.885 0, RMSEP为1.642 4； 对猕猴桃果肉色泽a*5所建立的模型中, UVE-MLR模型的校正和预测效果最好, RC达到0.946 3, RMSEC为0.342 4, RP达到0.854 9, RMSEP为0.629 6； 对猕猴桃果肉色泽b*5所建立的模型中, CARS-MLR模型的效果最好, RC达到0.944 3, RMSEC为1.010 1, RP达到0.839 8, RMSEP为1.354 3。 研究表明近红外光谱分析技术检测猕猴桃果皮下5 mm处色泽(L*5, a*5和b*5)具有良好的准确度, 为猕猴桃品质评价提供技术支撑。

为了及时、准确地识别采摘后贮藏期间的损伤猕猴桃，降低果实腐烂及交叉感染带来的损失，采用近红外漫反射光谱技术结合极限学习机(ELM）建立了采摘后2 ℃冷藏下10天内的碰撞损伤猕猴桃、挤压损伤猕猴桃与无损猕猴桃的动态判别模型。分别比较了无信息变量消除法(UVE）与连续投影算法(SPA）结合UVE优选特征波数建模对简化模型、提高预测性能的影响。结果表明，碰撞损伤猕猴桃比挤压损伤猕猴桃更容易同无损猕猴桃区分开来，且随着贮藏时间的延长，损伤猕猴桃更容易被识别; UVE-SPA-ELM模型的判别效果最好，在采后贮藏10天内预测集中损伤猕猴桃和无损猕猴桃的总正确识别率为92.4%。该检测技术具有较高的检测精度和适用性，可用于快速、无损鉴别损伤猕猴桃。

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。