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。

以喷洒不同浓度杜邦万灵的香梨作为研究对象, 探讨了应用高光谱成像技术检测香梨表面农药残留的方法。运用376~1051nm高光谱成像系统采集200个香梨的高光谱图像, 其中120个香梨为建模集, 80个香梨为预测集。运用多元散射校正(MSC)对光谱数据进行预处理, 然后采用连续投影算法(SPA)提取了11个特征波长。基于处理后的光谱数据, 分别运用多元线性回归法(MLR)和主成分回归法(PCR)两种算法分别建立农药残留检测的模型, 比较两种模型的结果。通过比较, 采用MLR建立的农药残留检测模型效果较优, 其校正集相关系数(Rc)为0.973, 校正均方根误差(RMSEC)为0.260, 预测的正确率可以达到91.7%, 对较低浓度残留的预测正确率达到80%。研究表明, 应用高光谱成像技术可以成功地检测香梨表面农药残留, 并且对低浓度检测也有很好的效果。

叶面降尘指大气中的浮尘经重力沉降后,在植物叶片表面所形成的一层明显积尘,对其进行监测,可为沙尘区的环境评价及农业灾害评估提供基本依据.在量化叶面降尘的基础上,研究了叶面降尘对南疆香梨叶片高光谱特征的影响,分析了叶面降尘与反射率的相关性,并建立了叶面降尘的高光谱定量反演模型.研究结果表明,叶面降尘使可见光(400~700 nm)反射率增加,最大变幅位于666 nm,绝对变化率为-10.50%,相对变化率为62.89%;使近红外(701~1 050 nm)的反射率降低,最大变幅位于758 nm,绝对变化率为12.04%,相对变化率为-41.75%.叶面降尘量大于20 g·m-2时,叶片除尘后,绿峰、红光吸收谷、蓝光吸收谷得到凸现,500~750 nm波段的斜率明显变大.叶面降尘量低于20 g·m-2时,其对绿峰的形状和面积影响不大.叶面降尘与反射率在可见光波段呈正相关,与近红外波段呈负相关,可见光波段的相关性要优于近红外波段,最大相关系数(0.61)出现在663 nm.在构建的七种PLSR反演模型中,倒数对数一阶微分模型具有较好的稳定性及预测能力,决定系数(R2)、均方根误差(RMSE)、预测方差比(RPD)分别为0.78,3.37和2.09,对叶面降尘具有很好的预测能力,其余模型的RPD均小于2.0.研究结果为叶面降尘的高光谱遥感监测提供了一定的理论依据,同时为沙尘区环境评价及农业灾害评估提供了新的数据获取方法与思路。

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。

基于近红外(near infrared,NIR)漫反射光谱分析技术对库尔勒香梨中的脱萼果和宿萼果进行了自动化判别试验研究。用对不同波段范围、不同光谱预处理方法(MSC、SNV、微分光谱)和不同主成分因子数对香梨类别判别结果的影响进行了对比分析,建立了香梨类别的定性判别模型。研究结果表明:用判别分析(discrimant analysis,DA)方法在9091～4000cm^-1范围结合原始光谱建立的DA判别模型最优,该方法对校正集正确分类率达100%,预测集正确分类率为95%。