红提糖度是重要的内部品质衡量指标, 传统的检测方法均为破坏性生化检测, 本文基于高光谱成像技术, 提出了一种基于高光谱信息融合的红提糖度含量无损检测方法。采集并提取260个红提样本的光谱信息和图像信息, 对光谱信息分别利用SNV、S-G等光谱预处理方法建立PLSR模型, 确定最好的光谱预处理方法, 分别采用一次降维(GA、CARS、IRIV)算法和组合降维算法(CARS-SPA、IRIV-SPA、GA-SPA)共六种降维方法对光谱信息进行特征变量提取; 获取灰度共生矩阵的图像纹理信息, 结合图像的颜色信息(R、G、B、H、S、V、L、a、b), 组成19个图像特征参数, 采用PCA算法对图像信息进行降维, 分别建立基于降维处理后的光谱信息、图像信息以及两者融合的红提糖度线性预测模型PLSR、非线性预测模型LSSVM, 并对比分析模型的优劣。结果表明, 若只利用光谱信息建模, IRIV-SPA可有效地提取红提糖度光谱信息的特征波长, 提高模型的预测性能; 若只利用图像信息进行建模, 模型的预测性能不好, PCA降维有效地提高了模型的预测性能, 但提高的性能有限; 将IRIV-SPA特征波段提取后的光谱和经PCA降维后的图像信息进行融合, 分别建立PLSR和LSSVM模型, 红提糖度的最优PLSR模型的校正集和预测集相关系数分别为0.943, 0.941; 红提糖度的最优LSSVM模型的校正集和预测集相关系数分别为0.954, 0.952。LSSVM所建模型的效果好于PLSR所建模型, 但模型的运算时间较长。两种模型的精度均比单方面基于光谱或图像信息的模型都有较大的提高, 表明融合高光谱图像的光谱与图像信息不仅可以提高模型的运算速度、简化模型, 同时有效地提高了红提糖度预测性能, 为红提糖度的检测找到了一种新的方法。

红提的糖度和硬度是评价红提品质的重要指标,探究了基于高光谱成像技术的红提糖度和硬度的无损检测方法及最佳预测模型。在红提果粒的三种放置模式(横放、果柄侧朝下、果柄侧朝上)下,分别采集213个样本在400~1000 nm波长范围内的高光谱图像,对比分析光谱采集的最优模式;然后在最优采集模式下对光谱进行预处理;应用遗传算法(GA)、连续投影算法(SPA)、竞争性自适应重加权(CARS)算法和无信息变量消除法(UVE)针对原始光谱提取特征波长;结合化学计量学方法分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)和随机森林(RF)的红提糖度、硬度的无损预测模型。结果表明:基于RF建立的糖度和硬度模型的效果较优;预测糖度的最优模型为遗传算法优化的随机森林(GA-RF),其校正集相关系数(Rc)、预测集相关系数(Rp)分别为0.969、0.928,校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)分别为0.266、0.254;预测硬度的最优模型为基于移动窗口平滑结合连续投影算法优化的随机森林(MA-SPA-RF),其Rc、Rp分别为0.961、0.932,RMSEC、RMSEP分别2.119、1.634。研究结果表明基于高光谱成像技术预测红提的糖度和硬度是可行的。