利用近红外高光谱成像技术（NIR-HSI）, 将采集的光谱信息融合图像纹理信息建立分类模型, 实现灵武长枣瘀伤等级的判别。 采用瘀伤装置获得瘀伤等级为Ⅰ、 Ⅱ、 Ⅲ、 Ⅳ、 Ⅴ级的200个长枣样品, 并按3∶1的比例划分校正集和预测集。 采集不同瘀伤等级长枣的近红外高光谱图像, 使用ENVI软件提取感兴趣区域（region of interest, ROI）并计算平均光谱值。 为消除无用信息的干扰, 采用正交信号修正（OSC）、 基线校准（Baseline）、 多元散射校正（MSC）、 移动平均（MA）、 卷积平滑（S-G）和去趋势（De-trending）对原始光谱进行预处理并建立偏最小二乘判别分析（PLS-DA）模型; 基于最优预处理方法所得的全波段数据采用变量组合集群分析法（VCPA）、 无信息消除变量算法（UVE）、 竞争性自适应加权抽样算法（CARS）、 区间变量迭代空间收缩法（iVISSA）和连续投影算法（SPA）提取特征波长后建立PLS-DA模型; 将高光谱图像进行掩膜, 利用主成分分析（PCA）获取贡献率最高的主成分图像, 并在该图像上采用灰度共生矩阵（GLCM）提取纹理参数, 包括能量（ASM）、 熵（ENT）、 对比度（CON）和相关性（COR）, 建立图谱融合的PLS-DA模型。 结果表明, 原始光谱数据建立的PLS-DA模型, 校正集和验证集准确率分别为89%和86%; 原始光谱经De-trending预处理后的PLS-DA模型效果最优, 校正集和预测集准确率均为90%, 较原始光谱模型分别提高了1%和4%; 基于SPA选择特征波长后建立的PLS-DA模型的校正集和预测集准确率均为90%; De-trending-SPA-COR-PLS-DA图谱融合模型效果最优, 模型校正集和预测集准确率均为92%。 因此, 利用近红外高光谱成像技术融合纹理信息可实现不同瘀伤等级灵武长枣的快速无损判别。

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。 采用定量损伤装置得到损伤Ⅰ, Ⅱ, Ⅲ, Ⅳ和Ⅴ级的灵武长枣, 借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。 提取感兴趣区域（region of interest, ROI）并计算样本平均光谱值。 利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。 灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型, 得到校正集和预测集准确率分别为72.70%和86.67%; 灵武长枣原始光谱数据采用移动平均（MA）、 卷积平滑（SG）、 多元散射校正（MSC）、 正交信号修正（OSC）、 基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。 通过分析比较, 得到MSC-PLS-DA为最优分类判别模型, 校正集准确率为76.19%, 预测集准确率为86.67%, 其中校正集比原始光谱建模准确率提高了3.49%, 预测集准确率较原始光谱建模结果未提高; 为了提高建模效果, 对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、 无信息变量消除（UVE）、 竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长, 建立PLS-DA分类判别模型, 结果表明, MSC-CARS-PLS-DA为最优模型组合, 校正集准确率为77.14%, 预测集准确率为89.52%, 建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。 结果表明, Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。