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。

以番茄可溶性固形物含量（SSC）的无损速测为例， 分别采用线性渐变分光（LVF）、 数字光处理（DLP）近红外光谱仪对大、 小番茄采集近红外光谱数据; 分别基于两种近红外光谱仪数据计算大、 小番茄平均光谱及差谱， 并比较两种近红外光谱仪所采集大、 小番茄近红外光谱数据的特征; 对两种近红外光谱仪的数据分别进行主成分分析（PCA）， 并比较了大、 小番茄前3主成分的得分分布; 按SSC梯度对数据进行分级， 采用偏最小二乘（PLS）回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。 结果表明: （1）大、 小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。 （2）大、 小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显， 而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。 （3）基于LVF近红外光谱数据所建各模型的相对预测性能（RPD）皆不低于2.11， 其中标准化预处理所建模型具有最佳性能， 模型维数（Nf）、 校正测定系数（R2C）、 校正均方根误差（RMSEC）、 交互验证测定系数（R2CV）、 交互验证均方根误差（RMSECV）、 RPD、 预测相关系数（RP）、 预测均方根误差（RMSEP）分别为8、 0.949 1、 0.27、 0.899 9、 0.38、 3.16、 0.882 6、 0.63; 基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60， 其中标准化预处理所建模型具有最佳性能， Nf、 R2C、 RMSEC、 R2CV、 RMSECV、 RPD、 RP、 RMSEP分别为5、 0.823 5、 0.49、 0.728 6、 0.62、 1.94、 0.788 4、 0.80。 该研究可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

由于果实内部细胞结构、 组成成分和光学传输特性的不同, 品种差异会对近红外建模分析果实内部品质时产生较大的影响, 以致原有模型无法高精度地预测果实品质参数。 探讨开发不同品种近红外通用模型用于在线检测苹果内部品质的可行性。 采用水果动态在线分选设备, 设置运行参数为: 积分时间100 ms, 运动速度5 s-1, 采集包括冰糖心, 红富士及水晶富士三个品种苹果的近红外漫透射光谱。 分析了三个品种近红外漫透射光谱的响应特征, 其光谱曲线走势基本一致, 在650, 709和810 nm附近存在突出吸收峰, 而在670, 750与830 nm附近存在波谷, 其差异主要表现为光谱吸收强度的差异。 采用多元散射校正, Savitzky-Golay卷积平滑及归一化处理方法, 减少了不同品种引起的光谱信息差异。 混合三个品种各校正集样本, 采用偏最小二乘回归算法建立了不同品种糖度的通用模型, 并利用无信息变量消除法（UVE）对建模变量进行筛选, 最终得到的有效变量个数为155。 所建立的UVE-PLS模型对验证集的决定系数, 均方根误差以及残留预测偏差分别为0.80, 0.61%与2.21。 在UVE筛选变量的基础上, 采用连续投影算法再对建模变量进行选择, 最终选出的变量个数为22。 采用多元线性回归（MLR）方法建立了简化后的通用模型, 对验证集的决定系数与均方根误差分别为0.78与0.64%。 测试集用于评估最佳的不同品种糖度通用模型的实际性能, 模型对每个品种测试集的潜变量数, 决定系数与均方根误差分别为6~10, 0.77~0.79与0.45~0.75%。 结果表明水果动态在线分选设备对不同品种苹果内部品质检测的潜力。 通过建立通用模型, 扩大了单一品种模型的预测范围, 提高了模型在不同品种间的预测稳健性。 并且采用合适的变量选择方法能够减少模型变量个数, 降低模型复杂程度, 并最终提高模型速率。 开发不同品种水果内部品质通用模型在波长有限的近红外光谱设备中具有良好的潜在应用。

为了实现库尔勒香梨依据可溶性固体含量(SSC)分级定等和按质论价, 推动采后处理向标准化、 产业化方向健康发展, 利用高光谱成像技术研究出了一种快速、 有效、 无损检测库尔勒香梨SSC的方法。 以表面无损伤的157个库尔勒香梨作为研究样本, 应用高光谱成像采集系统获取400~1 000 nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域(ROI), 获得高光谱数据。 采用Kennard-Stone(KS)样本集划分方法将全部样本按照2∶1的比例划分为校正集(105)和预测集(52)。 对比标准变量变换(SNV)、 多元散射校正(MSC)、 一阶导数(FD)和二阶导数(SD)等数据预处理方法对建模精度的影响, 最终选用SNV方法对光谱曲线进行平滑去噪。 该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法(CARS-MIV)选择特征波长。 在竞争性自适应重加权算法(CARS)方法中, 建模样本由蒙特卡罗算法随机选择生成, 变量回归系数会随之发生变化, 因而回归系数的绝对值不能全面反映变量重要性, 从而影响模型检测精度。 为降低这种影响, 应用平均影响值(MIV)算法对选出的自变量进行二次筛选, 筛选出相关性较大的变量用以建模分析, 并与CARS、 连续投影算法(SPA)、 蒙特卡罗无信息变量消除算法(MCUVE)等经典特征波长选择算法进行比较。 最后分别以全波长(FS)光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量, 应用支持向量回归(SVR)建立库尔勒香梨可溶性固体含量定量预测数学模型, 以校正集相关系数(Rc)、 校正集均方根误差(RMSEC)、 预测集相关系数(Rp)和预测集均方根误差(RMSEP)四个参数来评估模型的预测精度。 比较分析发现, CARS-MIV-SVR模型效果最佳, 校正集相关系数(Rc)为0.985 94, 预测集相关系数(Rp)达到0.946 31, 校正集和预测集均方根误差分别为0.185 85和0.403 33。 结果证明: CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性, 提高模型的预测精度。 利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求, 实现库尔勒香梨的分级定等和按质论价。

可溶性固形物含量是判断苹果内部品质的重要参考属性之一。利用高光谱技术获取苹果感兴趣区域的反射光谱, 以S-G平滑（Savitzky-Golay smoothing)和直接正交信号校正（Direct orthogonal signal correction, DOSC)算法对光谱数据进行梯度预处理后, 用后向区间偏最小二乘法（Bipls)优选出3, 5, 6, 7, 8, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 23等16个子区间, 共计177个波长。结合竞争自适应重加权采样算法（CARS)再作进一步筛选, 提取出449.6,512.9,544.8,547.2,594.3,596.8,928.2 nm等7个特征波长, 利用偏最小二乘算法(PLS)建立基于特征波长的可溶性固形物含量检测模型, 所得模型评价为Rc=0.906 2, RMSEC为0.482 2,Rp=0.871 6,RMSEP为0.614 0。该算法模型预测性能同Bipls和Bipls-SPA模型相比更为优异, 证明了Bipls结合CARS算法在提高苹果可溶性固体物含量检测精度方面的有效性。

可溶性固形物（SSC）是一种综合参数, 主要包括糖、 酸、 纤维素、 矿物质等成分, 对评价果实成熟度和品质具有重要意义, 影响果实口感、 风味及货架期。 西瓜可溶性固形物含量的无损快速检测对西瓜成熟度的确定、 贮藏及运输过程中西瓜内部品质监控具有十分重要的意义, 有助于提高西瓜生产效益和市场竞争力。 在西瓜可溶性固形物含量的快速无损近红外光谱检测中, 近红外漫透射的方式所需光源的能量大, 同时大功率透射会对水果的内部品质产生影响; 采用近红外漫反射方式的研究较少, 但漫反射采集所需的能量小, 有助于实现仪器小型便携化, 成本低, 同时避免透射引起的水果品质变化。 以小型西瓜为研究对象, 利用JDSU便携式近红外光谱仪采集西瓜样品瓜梗、 瓜脐、 赤道部位的近红外反射光谱, 在976, 1 186和1 453 nm附近有明显的吸收, 利用偏最小二乘回归定量分析方法建立西瓜可溶性固形物的近红外光谱无损预测模型。 首先, 采用光谱-理化值共生距离（SPXY）算法对西瓜不同检测部位的样品集进行划分, 以可溶性固形物含量为y变量, 光谱为x变量, 利用两种变量同时计算样品间距离, 以保证最大程度表征样本分布, 有效地覆盖多维向量空间, 增加样本间的差异性和代表性, 提高模型稳定性。 将西瓜样品划分为51个校正集和15个预测集, 校正集样本的SSC含量涵盖了预测集样本的SSC含量范围, 且变异系数均小于9%, 样品集划分合理, 有助于建立稳健可靠的预测模型。 其次, 对比分析西瓜瓜梗、 瓜脐、 赤道检测部位的近红外反射光谱与可溶性固形物含量之间的定量模型的预测精度, 结果得出西瓜赤道部位的反射光谱与可溶性固形物含量相关性较高, 预测效果较好, 预测集相关系数为0.629, 预测集均方根误差为0.49%。 对于不同检测部位获取的光谱信息所建立的近红外光谱SSC预测模型的精度问题, 一方面与光谱的采集方式有关, 另一方面与西瓜的产地、 品种、 成熟期等因素引起的其性状上的差异有关。 在模型建立过程中根据实际情况确定西瓜的检测部位。 最后, 为提高西瓜赤道部位近红外反射光谱与可溶性固形物含量之间的预测模型精度, 采用光谱预处理方法进行优化, 结果得出经标准归一化预处理后, 建立的偏最小二乘回归预测模型效果最佳, 预测集相关系数为0.864, 预测集均方根误差为0.33%, 模型相关性较好, 预测精度得到了很大提升。 研究结果表明, 近红外反射光谱检测小型西瓜赤道部位能很好预测其可溶性固形物含量, 为实际生产中近红外光谱无损快速检测西瓜可溶性固形物含量及小型便携式仪器研发提供了技术储备。

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。

利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测， 探索果皮对脐橙SSC检测精度的影响。 采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱， 并从光谱和模型性能两方面分析果皮的影响。 对未剥皮和剥皮脐橙平均光谱进行比较， 并提取前20个主成分进行多元方差分析； 应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型， 对预测模型性能进行比较， 并对预测集样本的预测残差平方进行方差分析。 结果表明， 在5%置信水平下， 果皮对脐橙SSC检测精度的影响是显著的。 未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0888， 0456%和0944， 0324%。

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物(SSC)预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象.通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性.采用最小二乘回归(PLSR),最小二乘支持向量机(LS-SVM)及主成分回归(PCR)建模方法构建甘蔗可溶性固形物的预测模型.比较了连续投影算法(SPA)、无信息变量消除算法(UVE)及区间偏最小二乘(iPLS)特征提取方法对预测结果的影响.实验结果表明:基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742.通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810.