针对目前库尔勒香梨品质在线分级检测系统存在价格昂贵、 结构复杂等问题, 设计了库勒尔香梨内部品质在线无损检测分级系统。 基于该系统研究了不同移动速度(0.3和0.5 m·s-1)对库尔勒香梨的可溶性固形物含量(solid soluble contents, SSC)和硬度在线预测模型的影响。 不同移动速度下, 采集样品相同部位的信息, 所采集光谱存在差异。 由于采集的光谱存在差异性, 采用SG-平滑(Savitzky-Golay smooth)、 SG卷积导数、 多元散射校正(MSC)、 标准正态能量变换(SNV)、 归一化(Normalization)等多种光谱预处理方法进行处理, 基于偏最小二乘法(partial least squares, PLS), 建立移动速度为0.3 m·s-1 (S1)和0.5 m·s-1 (S2)下库尔勒香梨的SSC和硬度模型。 结果表明: 移动速度为0.5 m·s-1下, 采用SG-DER(Savitzky-Golay Derivative)处理光谱图建立SSC模型优于0.3 m·s-1, 其预测集相关系数和预测均方根误差为0.880 2和0.391 5°Bri。 而在移动速度为0.3 m·s-1下的结果, 采用SGS(Savitzky-Golay smooth)处理光谱图建立的SSC模型优于0.5 m·s-1下的结果, 其预测集相关系数和预测均方根误差分别为0.820 2和0.470 8 N。 后建立两个速度混合模型, 采用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)筛选特征变量, 后采用PLS, 建立混合速度下硬度和SSC预测模型。 从建模效果来看SPA和CARS都可以有效减少建模所用变量数、 提高库尔勒香梨在线SSC和硬度检测模型的预测能力和运算速度, 增强模型的稳健性等。 采用CARS方法, 从501个光谱中筛选出24个变量, 建立了CARS-PLS模型, 建立的SSC模型较好, 其预测集相关系数和预测均方根误差分别为0.915 0和0.371 9°Bri。 采用SPA方法, 从501个光谱中筛选出32个变量, 建立硬度模型较好, 其预测集相关系数和预测均方根误差分别为0.821 0和0.492 0 N。 混合速度建立预测品质模型比单一速度建立模型稳健一些。 研究表明: 不同移动速度对建立果品品质预测模型产生不同影响, 该研究有助于果品品质在线分选提供技术支持。

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、 粗皮、 脱萼、 宿萼、 突顶果）的硬度进行测定。 由于近红外光谱数据量大且原始光谱噪声明显、 测定水果时散射严重等导致光谱建模时关键波长变量提取困难。 以新疆库尔勒香梨为研究对象, 为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响, 首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。 为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法, 进行香梨近红外光谱的特征波长变量选择方法的比较与研究。 研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。 同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量, 将校正均方根误差（RESMC）、 预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准, 并最终确定最优波段选择方法及最佳预测模型。 基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中66%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果, 其中R2, RMSEC和RMSEP分别为091, 103和101。 进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现, BiPLS-GA不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 使得建模变量从301个减少到20个。 极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。 因此该方法能够有效地用于近红外光谱数据变量的选择。 证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量, 去除与库尔勒香梨硬度无关的近红外光谱信息, 显著地提高库尔勒香梨硬度定量模型的预测精度。 这不仅为新疆地区特色梨果库尔勒香梨的快速、 精确、 无损优选分级提供一定的技术支持, 同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。

由于高光谱数据量大、 维数高, 光谱噪声明显、 散射严重等特征导致光谱建模时关键变量提取较为困难, 同时, 高光谱图像的获取会受非单色光、 杂散光、 温度等多种因素的影响, 从而使高光谱数据与待测性质之间有一定非线性关系。 为此, 提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选, 并与全光谱和经典变量提取方法SPA, MC-UVE, GA和GA-SPA方法进行比较。 以200个库尔勒香梨为研究对象, 采用SPXY方法将样本划分为校正集和预测集, 校正集和预测集分别包含150个和50个样本。 基于不同方法筛选的变量, 分别建立线性PLS模型及非线性LS-SVM模型, r2, RMSEP和RPD用于模型性能的评估。 综合比较发现, GA, GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量, 适用于高光谱数据关键变量的提取, 其中CARS变量筛选效果最佳, 基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果, r2pre, RMSEP和RPD分别为0.851 2, 0.291 3和2.592 4。 研究表明, CARS方法是一种有效的高光谱关键变量筛选方法, 利用高光谱数据, 非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。