利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、 竞争性自适应重加权（CARS）、 连续投影算法（SPA）、 无信息变量消除（UVE）特征提取方法, 运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型, 实现蓝莓糖度在线无损快速检测。 采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱, 采用手持折光仪测定其糖度; 首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常, 剔除该6个异常样本, 对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集; 其次, 对比分析卷积平滑（S-G平滑）、 中心化、 多元散射校正等预处理对蓝莓原始光谱的改善效果, 运用SiPLS对光谱降维, 筛选特征波段, 利用CARS, UVE和SPA方法对特征波段进行二次筛选, 以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。 结果表明, 蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑, SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm, UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。 建立蓝莓糖度DBN模型时, 分析了不同隐含层数对检测模型的影响, 并以交互验证均方根误差（RMSECV）作为适应度函数, 利用粒子群算法（PSO）对各隐含层神经元个数在［1, 100］之间寻优, 发现隐含层为3层且隐含层节点数为67-43-25时, DBN模型的RMSECV达到最小, 为0.397 7。 无论是以全光谱还是特征波长建模, 蓝莓糖度近红外DBN模型均优于常规PLSR方法; 尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量, 且模型精度更高, 蓝莓糖度最优的PLSR模型测试集相关系数（RP）为0.887 5, 均方根误差（RMSEP）为0.395 9, 最优DBN模型RP为0.954 2, RMSEP为0.310 5。 研究表明, 利用SiPLS-UVE进行特征提取, 结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析, 该方法有望应用于蓝莓及其他果蔬内部品质检测。

为了提高对蓝莓果渣的开发利用, 探索了近红外光谱测定三种蓝莓(北陆、 蓝美1号、 灿烂)果渣中花色苷含量的可行性。 通过DA7200采集三种蓝莓果渣的近红外光谱, 利用PCA-MD对北陆、 蓝美1号、 灿烂果渣分别剔除1, 4和8个异常样本。 运用K-S划分样本集得到校正集(686个样本)和验证集(171个样本)。 对样本集分别进行归一化、 变量标准化(SNV)、 多元散射校正(MSC)、 Norris一阶导数(NFD)、 Norris二阶导数(NSD)、 SG卷积一阶导数(SGCFD)、 SG卷积二阶导数(SGCSD)、 Savitzky-Golay(SG)卷积平滑、 正交信号校正预处理, 并建立相应全谱PLS模型。 比较并选择MSC、 SGCSD、 SG卷积平滑、 正交信号校正, 进行预处理方法顺序组合的比较, 结果显示, 全谱PLS模型中最优预处理方法为正交信号校正+SGCSD+SG卷积平滑, 其R2c为0.940 0、 R2p为0.886 7、 RMSEC为0.722 5、 RMSECV为0.246 2、 RMSEP为1.000 5、 RPD为2.970 8。 利用SPA和CARS对预处理过的光谱数据分别进行波长变量的筛选, 依次建立PLS回归模型, 并定量分析其对蓝莓果渣花色苷的预测能力。 在所有预处理方法进行波长变量筛选中, SPA与CARS算法均可以有效地筛选出波长变量, 但SPA筛选出的波长变量, 无法全部建立PLS回归模型, 而CARS算法筛选出的波长变量, 均可建立PLS回归模型。 数据表明, CARS-PLS最佳组合为正交信号校正+MSC+SG卷积平滑+SGCSD, 选择波长数为25个, 相较于原始光谱, 其R2c从0.900 8增长到0.940 3, R2p从0.881 8增长到0.885 7, RMSEC从0.929 1减少到0.720 9, RMSECV从0.317 6减少到0.245 6, RMSEP从1.021 8减少到1.004 9, RPD从2.908 8增长到2.957 5。 近红外光谱的蓝莓果渣花色苷含量测定中, 正交信号校正表现出强大的去噪效果, CARS算法具有简化模型、 适用性较好和预测精度较高等优点。 研究结果表明, 应用近红外光谱技术可以较好地实现三种不同品种蓝莓果渣中花色苷含量的测定, 可为蓝莓果渣品质分级提供一种快速、 支持大样本量的检测方法。