为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

咪鲜胺和抑霉唑是柑橘类水果常用的保鲜剂, 二者混用可有效降低致病细菌抗药性, 达到更好的保鲜效果, 但农残过量会影响食用者健康。 基于表面增强拉曼光谱技术, 以丑橘为基质, 咪鲜胺和抑霉唑混合农药为研究对象, 结合化学计量学方法, 建立一种快速准确检测柑橘表皮农药残留的方法。 为了对比金、 银溶胶的增强效果, 分别将金、 银溶胶用于浓度为10 mg·L-1的咪鲜胺、 抑霉唑标准溶液及橘皮萃取液中的混合农药, 采集其拉曼光谱。 结果表明, 咪鲜胺和抑霉唑的单独标准溶液中金溶胶较优, 在橘皮萃取液中的混合农药溶液中银溶胶效果更佳。 为了获得最佳增强效果, 通过不同比例试验对比, 最终确定溶胶增强基底与两种农药标准溶液体积比为1∶1, 团聚剂NaCl浓度为1 mol·L-1。 按照浓度从高到低的方向, 分别采集咪鲜胺标准溶液及抑霉唑标准溶液在不同浓度情况下的光谱, 检出限分别低于1和0.5 mg·L-1, 达到国标规定的最大残留限5 mg·L-1。 在咪鲜胺和抑霉唑混合农药的定量分析实验中, 以橘皮萃取液为基质, 用增强效果较好的银溶胶作为增强基底, 采集含有梯度浓度的咪鲜胺和抑霉唑混合农药(5~42 mg·L-1)的表面增强拉曼光谱, 采用多种预处理方法优化光谱数据, 对比支持向量回归(SVR)、 灰狼算法优化的支持向量回归(GWO-SVR)、 粒子群算法优化的支持向量回归(PSO-SVR)、 遗传算法优化的支持向量回归(GA-SVR)四种回归模型的建模效果选择最佳算法建立定量模型。 结果表明: 通过一阶微分预处理方法, 选取829和1 168 cm-1处的特征峰强度建立灰狼算法优化的支持向量机回归(GWO-SVR)模型得到的预测效果最佳, 其校正相关系数(RC)为0.978, 校正集均方根误差(RMSEC)为1.655 mg·L-1, 预测相关系数(RP)为0.967, 预测集均方根误差(RMSEP)为2.227 mg·L-1。 研究结果表明, 该方法可对柑橘表皮咪鲜胺和抑霉唑混合农药进行定性与定量检测, 可为柑橘农残检测提供新思路。

柑橘是我国第一大类水果, 氮素对于柑橘的生长发育至关重要, 实时、 无损地监测柑橘氮素营养状况, 对于氮素养分精准管理具有重要意义。 植株体内的氮素可以分为营养性氮素、 结构性氮素和功能性氮素, 不同形态氮素各组分在柑橘叶片中的含量对叶片生理生化反应有一定的指示作用, 其中, 功能性氮含量是指示柑橘氮营养状况的重要指标。 以“春见”橘橙为试验材料, 分别于果实膨大期和转色期, 利用可见-近红外光谱仪测定不同施氮处理的柑橘叶片反射光谱, 并用化学分析方法测定其叶片功能性氮含量。 分析了柑橘果实膨大期和转色期叶片原始光谱和一阶微分光谱与叶片功能性氮含量的相关关系, 筛选出敏感波段, 利用全波段和敏感波段, 结合光谱植被指数法、 光谱化学计量法和机器学习方法, 构建了柑橘果实膨大期和转色期叶片功能性氮含量的无损监测模型, 并对比分析多种光谱变换和光谱预处理方法对于模型精度的影响。 结果表明, 在柑橘果实膨大期, 对全波段原始光谱进行标准正态化变换预处理, 结合反向传播神经网络构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其建模集决定系数R2c和验证集决定系数R2v均为0.78, 建模集均方根误差RMSEC和验证集均方根误差RMSEV均为0.82 g·kg-1; 基于敏感波段原始光谱结合随机森林构建的模型精度也较高, 其R2c和RMSEC分别为0.84和0.67 g·kg-1, R2v和RMSEV分别为0.74和0.83 g·kg-1。 在柑橘果实转色期, 对全波段原始光谱进行标准正态化变换预处理, 结合BPNN构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其R2c和RMSEC分别为0.77和1.04 g·kg-1, R2v和RMSEV分别为0.76和1.13 g·kg-1。 研究表明, 可以利用可见-近红外光谱技术, 实现对柑橘叶片功能性氮含量的无损监测。

柑橘是我国总种植面积最大的水果，改进其品质筛选方法能够降低劳动成本并有效提升产业经济收益。本文利用蒙特卡罗法对柑橘的近红外光检测进行模拟仿真，根据柑橘三层结构建立了具有不同吸收系数、散射系数、折射率和各向异性因子的三层球形光学模型。同时，综合考虑光子入射轨迹、曲面边界对光子运动轨迹的影响以及收集的反馈信息，搭建了柑橘品质近红外检测的仿真系统，并设计了一种收发一体的多功能光纤探测器。结果表明，所设计的光纤探测器可以实现对果肉层光子的选择性探测，有效提高了柑橘内部品质信息的检测灵敏度。

针对自然环境下绿色柑橘与背景具有相似的颜色特征导致柑橘难以识别的问题，提出一种改进流形排序算法的显著性检测方法。首先，为了避免绿色柑橘图像亮度不均匀导致识别难度增加，利用基于模糊集理论的亮度增强方法对柑橘图像进行预处理。其次，为了解决传统的基于图的流形排序显著性检测算法依赖边界背景先验获取前景种子，导致显著图效果不理想的问题，使用相对总变差和局部复杂度结合的方法提取更准确的前景种子。最后，将提取到的前景种子与去除前景种子的边界背景先验显著图相结合进行流形排序，得到最后的显著图。实验结果表明，所提算法能更有效地识别出绿色柑橘区域，分割准确率、假阳性率和假阴性率达94%、3.19%和1.64%。

小型化便携式光谱成像越来越多应用于日常生活中，给人们的生活提供了更多的便利。柑橘属水果是人们日常生活中经常食用和储存的水果之一，在智能冰箱中,柑橘由于品种相似等原因不利于识别和分类，光谱成像技术利用其物质不同的特征波长实现其识别。采用新型的单芯片式光谱成像芯片搭建小型化便携式的光谱成像系统，利用光谱成像技术实现对柑橘属水果的分类识别，并通过分批次样本进行交叉验证，同时建立光谱分辨率与准确度关系，通过约束光谱分辨率，有效提高了柑橘属水果分类识别的准确度，光谱分辨率小于20 nm，识别准确度可达到95%以上。

柑橘叶片叶绿素含量的准确检测对柑橘营养状况和生长态势具有极其重要的意义。 研究了快速无损诊断柑橘叶片中叶绿素含量的方法, 以期为拉曼光谱检测技术用于柑橘叶片叶绿素含量检测提供参考。 采集不同冠层高度和不同地理分布的柑橘叶片120片, 拭去叶片表面的灰尘, 用去离子水对其清洗、 晾干装入密封袋中并用标签分类标注。 然后对柑橘叶片进行拉曼光谱采集, 参数设置如下: 分辨率为3 cm-1, 积分时间为15 s; 激光功率为50 mW。 分别采用BaselineWavelet、 迭代限制最小二乘（IRLS）和不对称最小二乘(ALS)三种算法对柑橘叶片的拉曼光谱背景进行扣除, 使用偏最小二乘（PLS）方法建立定量模型; 四种光谱预处理方法归一化(Normalization), Savitzky-Golay卷积平滑(SG smoothing, SG平滑)、 多元散射校正(MSC)和Savitzky-Golay一阶导数(SG 1st Der)对扣除背景后的光谱进行进一步的优化处理。 结果表明: 采用原始光谱、 BaselineWavelet、 IRLS、 ALS背景扣除处理后的光谱建立PLS模型, 模型的相关系数r分别为0.858, 0.828, 0.885和0.862, 交互验证均方根误差(RMSECV)分别为5.392, 5.870, 4.934和5.336, 最佳因子数分别为8, 3, 8和8; IRLS背景扣除处理后的PLS模型的RMSECV最小, 相关系数最高, 建模效果最好。 分别采用SG平滑、 归一化、 MSC和SG 1st Der预处理方法对IRLS背景扣除后光谱进行预处理并建立PLS模型, 结果表明: IRLS光谱及其结合SG平滑、 归一化、 MSC和SG 1st Der四种预处理方法的PLS模型的R分别为0.885, 0.897, 0.852, 0.863和0.888, RMSECV分别为4.934, 4.715, 5.595, 5.182和4.962; 最佳因子数分别为8, 8, 8, 8和5; IRLS-SG平滑后PLS模型的RMSECV最小, 模型效果最优。 对IRLS-SG平滑预处理后的PLS模型展开验证, 预测相关系数r为0.844, 预测均方根误差(RMSEP)为5.29, 预测精确度较高。 采用拉曼光谱结合三种光谱背景扣除方法和四种预处理方法对柑橘叶片叶绿素含量进行定量分析表明: 采用IRLS背景扣除结合SG平滑预处理后的PLS模型最优, 建模集r为0.897, RMSECV为4.715; 预测集r为0.844, RMSEP为5.29, 预测精度较高。 拉曼光谱结合背景扣除方法可以为柑橘叶片叶绿素含量的定量分析提供一种快速简便的分析方法。

针对目前所建立的柑橘溃疡病高光谱模型普适性差、 预测精度低的问题, 提出了基于不同仪器间高光谱模型传递来提高模型稳健性的方法。 以脐橙52和卡拉卡拉红肉脐橙为研究对象, 利用实验室高光谱成像平台(System 1, S1)和便携式高光谱成像仪(System 2, S2)采集了健康和染病柑橘的高光谱图像, 建立了独立的柑橘溃疡病判别模型, 并分析了不同预处理方法和判别模型对模型预测性能的影响。 将S1和S2分别作为源机和目标机, 利用直接校正算法对目标机获取的高光谱图像进行校正, 分析模型传递前后的模型判别能力。 结果表明, 采用二阶导数预处理, 极限学习机预测性能最佳, 基于S1和S2检测的预测集识别率分别为97.5%和98.3%; 以S1数据建立主模型, 对经直接校正算法校正后的S2高光谱图像进行识别, 预测集的识别率从校正前的38.1%提高到了86.2%。 说明该方法可用于不同型号高光谱成像仪之间的定标模型传递, 对于建立稳健可靠的柑橘溃疡病判别模型具有重要意义。

黄龙病危害柑橘果树日益严重, 对柑橘黄龙病进行快速检测研究具有重大意义。 采用拉曼光谱技术, 结合偏最小二乘判别分析(PLS-DA)方法探讨快速诊断柑橘黄龙病及病情类别的可行性。 获取柑橘叶片拉曼光谱并进行普通PCR鉴别分为轻度、 中度、 重度、 缺素和正常5类。 在715～1 639.5 cm-1范围内采用一阶导, 基线校正(Baseline)和多项式拟合三种方法扣除光谱背景, 突显叶片拉曼光谱特征峰。 多项式拟合方法分别进行了2次, 3次和4次拟合, 与一阶导和基线校正两种扣除背景方法进行比较, 结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)建立判别模型。 经比较发现, 多项式拟合方法扣除光谱背景效果均好于另外两种方法, 其中用2次多项式拟合的PLS-DA模型的效果最好, 预测相关系数(RP)为0.98, 预测均方根误差(RMSEP)为0.67, 总误判率最小为0。 基线校正扣除光谱背景的LS-SVM模型效果最差, 总误判率最大为40%。 研究结果表明, 利用拉曼光谱技术对柑橘黄龙病进行快速识别研究具有一定的可行性, 为柑橘黄龙病无损检测研究提供一种新途径。