Shelf life identification and Quality Analysis of Golden Delicious apples Based on Hyperspectral Imaging and Near Infrared Spectroscopy
-
摘要: 为实现金冠苹果的货架期及可溶性固形物含量（SSC）和酸度（pH）的无损分析，利用高光谱成像系统（400~1000 nm）和近红外（800~2500 nm）光谱仪分别采集了金冠苹果的六个不同货架期（采后0、7、14、21、28和35 d）的光谱信息，采用了卷积平滑（Savitzky-Golay，SGS）、一阶导数平滑（Savitzky-Golay First Derivative，1D）、标准正态变换（Standard Normal Variate，SNV）和归一化（Area Normalize，Normalize）四种预处理方法，利用竞争性自适应重加权采样算法（Competitive Adaptive Reweighted Sampling Aglorithm，CARS）和无信息变量消除法（Uninformative Variable Elimination，UVE）提取特征波长，并建立了反向传播神经网络（Back Propagation Neural Network，BP）和最小二乘支持向量机（Least Squares-Support Vector Machine，LS-SVM）货架期分类模型。在对SSC和pH的预测中，采用灰度共生矩阵（Gray Level Cooccurrence Matrix，GLCM）提取金冠苹果高光谱图像中的8种纹理特征，采用CARS对预处理后的高光谱图像的光谱数据、高光谱图像的光谱与纹理融合数据以及近红外光谱数据提取特征变量，建立偏最小二乘（Partial Least Squares Regression，PLSR）和最小二乘支持向量机（LS-SVM）两种模型。结果表明，近红外光谱和高光谱成像技术均可实现对金冠苹果货架期的判别，判别最优模型为基于高光谱图像的1D+UVE+BP模型，判别准确率为100%；对金冠苹果SSC的定量预测中，基于近红外光谱的1D+CARS+PLSR模型预测效果最好，预测集相关系数（Rp）和均方根误差（Root Mean Square Error of Prediction Set，RMSEP）值分别为0.9323和0.4036；对金冠苹果的pH定量预测中，基于近红外光谱的SNV+CARS+LS-SVM模型预测效果最好，Rp和RMSEP值分别为0.8749和0.0417，研究结果为金冠苹果的无损检测提供了技术支持和依据。Abstract: In order to achieve non-destructive analysis of shelf life, soluble solid content (SSC) and pH of Golden Delicious apples, the spectral information of six different shelf life (postharvest 0, 7, 14, 21, 28 and 35 d) of apple was collected by hyperspectral imaging system (400~1000 nm) and near-infrared spectroscopy (800~2500 nm), respectively. The spectroscopy data was pro-processed by Savitzky-Golay (SGS), Savitzky-Golay First Derivative (1D), standard normal variate, SNV) and area normalize (Normalize), competitive adaptive reweighted sampling aglorithm (CARS) and uninformative variable elimination (UVE) were used to extract characteristic wavelengths, and the shelf-life classification models were established by back propagation neural network (BP) and least squares support vector machine (LS-SVM). In order to predict SSC and pH of apple, gray level cooccurrence matrix (GLCM) was used to extract 8 texture features from the hyperspectral images of apple. Feature variables were extracted from the spectral data of pre-processed hyperspectral images, spectral and texture fusion data of hyperspectral images, and near-infrared spectral data by CARS, and predictive models were established by PLSR and LS-SVM. The results showed that both NIR and hyperspectral imaging techniques could determine the shelf life of Golden Delicious apples. The optimal model was established by 1D+UVE+BP based on hyperspectral images, and the accuracy rate was 100%. The quantitative prediction models for SSC were established using a 1D+CARS+PLSR approach based on near-infrared spectroscopy, which demonstrated the most effective predictive performance. The correlation coefficient of the prediction set (Rp) and the root mean square error of prediction set (RMSEP) values were found to be 0.9323 and 0.4036, respectively. The SNV+CARS+LS-SVM model, utilizing near-infrared spectroscopy, demonstrated the most effective predictive performance, with Rp and RMSEP values of 0.8749 and 0.0417, respectively. The findings of this research offer valuable technical support and a foundational basis for the non-destructive testing of Golden Delicious apples.
-
金冠苹果果面金黄、色泽鲜艳、外形美观，深受消费者喜爱，然而金冠苹果不耐贮藏，常温货架期较短，硬度和酸度快速下降[1]，导致果实的品质下降。苹果的质地、酸度（pH）、可溶性固形物（SSC）等是直接影响消费者购买决策的重要质量参数[2−3]。金冠苹果在货架期内表面颜色变化并不明显，肉眼难以准确判断其货架期和内在品质。因此，无损预测苹果所处的货架期十分重要。传统的水果品质检测方法效率低下、操作复杂、且具有破坏性[4]。近年来，光谱技术因其能够提供农产品质量的快速和非破坏性测量而受到欢迎[5]。高光谱成像集成了机器视觉和光谱学，能够从被检查的物体中同时获取空间和光谱信息[6]。近红外光谱技术作为一种快速、无损的检测技术广泛应用于食品的贮藏时间和质量检测研究[7]。Guan等[7]用近红外光谱法检测香榧籽粒贮藏时间，成功区分不同贮藏时间的香榧籽粒，准确率达到了97.33%。Weng等[8]用高光谱成像技术对草莓贮藏时间进行无损检测，区分不同贮藏时间的草莓，准确率为100%。Bobelyn等[9]用近红外光谱预测苹果采后品质，基于不同季节、产地、品种和贮藏条件的苹果数据集，构建了近红外预测模型，预测SSC的RMSEP值在0.6~0.8范围。Zeng等[10]利用近红外光谱预测苹果果肉的可溶性固形物含量，取得了较好的预测结果，Rp最高为0.96。Li等[11]利用高光谱成像技术研究了樱桃果实不同成熟期的SSC与pH关系，证明了通过近红外高光谱成像技术检测樱桃果实的质量是可行的。Ma等[12]利用可见光-近红外空间分辨光谱快速无损地预测猕猴桃的硬度、可溶性固形物含量和pH。Xuan等[13]利用可见光-近红外高光谱成像技术测定秋葵采收成熟度及水分含量。上述研究和现有金冠苹果光谱检测研究主要集中在单一系统下的病害、损伤识别及SSC等无损检测[14−15]，但利用近红外光谱技术和高光谱成像技术同时对金冠苹果货架期及品质进行预测鲜有报道。
高光谱成像技术将光谱信息与图像信息相结合，能够获得每个像素点的光谱数据，可避免近红外光谱技术点采集的平均化，且基于模型，可实现预测指标的空间可视化反演。800~2500 nm波长范围的近红外光谱包含更多的内部成分信息，通常比可见光波段具有更好的预测性能，故本文选取了800~2500 nm的近红外光谱。尽管1000~2500 nm范围的高光谱图像同样具有相同的波段优势，但成本远高于400~1000 nm的高光谱相机。且苹果的外观特征常常与内部指标（如SSC和pH）之间存在关联，基于高光谱图像中提取的纹理特征也有助于内部指标的预测。综合成本和技术特点，本文选取了800~2500 nm的近红外光谱技术和400~1000 nm的高光谱成像技术进行对比研究，探讨一种对于苹果品质指标更有效且更具性价比的检测方法。
已有研究证实通过高光谱成像技术和近红外光谱技术对苹果的SSC和pH的预测是可行的，并且SSC和pH是苹果质地的重要评价指标[16−17]。同时SSC和pH也是消费者购买后最直接的感官评价，所以对SSC和pH进行无损测定是非常有必要的[18]。尽管已有大量文献对多种苹果的品质指标预测进行了研究，然而大部分均基于单一技术，并没有针对单一品种的具体检测问题，同时对基于高光谱成像技术和近红外光谱技术的检测方法进行对比分析和讨论。本文针对金冠苹果的货架期分类问题，常见品质指标SSC和pH的定量预测问题，确定一种最佳的检测方法，为苹果质量的无损检测提供理论参考。
综上所述，本文以金冠苹果为研究对象，利用和高光谱成像技术（400~1000 nm）和近红外光谱（800~2500 nm）技术建立金冠苹果货架期判别模型和SSC、pH回归模型，对比选取较合适的模型，为无损检测金冠苹果的货架期及品质预测提供技术支持。
1. 材料与方法
1.1 材料与仪器
金冠苹果 保定市易县商品果园，采后的金冠苹果挑选无病虫害和机械伤的果实，在室温（18±2 ℃）和相对湿度60%下贮藏35 d，每隔7 d（0、7、14、21、28和35 d）取出79个果实，共474个样本用于金冠苹果货架期的判别；从474个样品中随机选取81个样品用于SSC的预测；从474个样品中随机选取79个样品用于pH的预测。
MPA型傅里叶变换近红外光谱仪（800~2500 nm） 德国Bruker公司；FX10高光谱相机（400~1000 nm） 芬兰SPECIM公司；PAL-1数显手持式折光计 日本 Atago公司；AZ8601酸碱度计 台湾衡欣公司。
1.2 实验方法
1.2.1 光谱数据采集及提取
1.2.1.1 高光谱数据采集及提取
使用漫反射模式下的线扫描高光谱成像系统采集样品的高光谱图像。参数如下：波段范围为397.01~1004.01 nm，曝光时间13 ms，系统包含6个光源，每个光源强度为20 W，光谱和空间分辨率分别为2.68 nm和1 mm/pixel。将每个苹果样品放置在平移台上，让苹果侧面朝上并且茎萼端水平垂直于扫描线，得到三维高光谱图像（400，400，224）。所使用的系统控制软件为LUMOScanner。
为了减少相机的电流噪声及光源分布不均匀等因素对高光谱图像的影响，在采集高光谱图像前进行黑白校正。在原始图像（R1）采集相同条件下，关闭相机镜头盖采集获得的黑色参考像（D）；在采集平台上放置一块标准白板（反射率为99%的白色聚四氟乙烯瓦）获得白色参考图像（W）。校正后高光谱图像（R）计算如式（1），所有校正后的图像用于后续的图像分析，提取光谱数据和数据处理。
R(%)=Rl−DW−D (1) 1.2.1.2 近红外光谱数据采集及提取
使用MPA近红外光谱仪采集样品的漫反射光谱，参数如下：波段范围为800~2500 nm，Pbs检测器，扫描次数64，分辨率8 cm−1，背景光谱为仪器内置的金背景[19]。在苹果样品赤道部分均等分布的三个点处各采集一次光谱，每个果实得到3条光谱，取其平均光谱作为该样品的原始光谱进行后续分析。所使用的光谱采集软件为布鲁克公司的OPUS6.0。
1.2.2 SSC和pH的测定
1.2.2.1 SSC的测定
随机选取81个苹果进行SSC测定，每个苹果从高光谱相机照射面取2.5 g左右的果肉用榨汁器挤出果汁，用PAL-1数字折光计进行测定[20]，每个样本重复2次，取平均值作为其真实值。
1.2.2.2 pH的测定
随机选取79个苹果进行pH测定，每个苹果从ROI区域取适量果肉榨汁在10 ml离心管中，用AZ8601酸度计进行pH测定，每个样本重复2次，取平均值作为其真实值。
1.2.3 光谱数据预处理
对于高光谱图像数据，首先利用ENVI 5.1软件手动选取所照苹果整个表面作为感兴趣区域（ROI），对每个样品ROI内所有像素值自动平均，作为苹果样品的平均光谱。从每个苹果样品获取波段数为224的高光谱图像光谱数据和波段数为2203的近红外光谱数据。为了提高数据信噪比，截取首尾部分波段数据，选取其400~1000 nm范围共222个波段的高光谱数据和800~2500 nm范围共1903个波段的近红外光谱数据为有效信息进行分析处理。为了消除或最小化噪声，采用卷积平滑（SG）、一阶导数（1D）、标准正态变换（SNV）和归一化（Normalize）四种方法进行预处理。
1.2.4 特征波长提取方法
1.2.4.1 竞争性自适应重加权采样算法
竞争性自适应重加权采样算法（CARS）模仿达尔文的“适者生存”原则，主要通过蒙特卡罗模进行等概率采样和指数衰减函数，经过自适应加权采样（ARS）技术自适应调整各波段的选择概率[21]，通过迭代过程不断调整和优化波段选择，从而保留对模型预测最有贡献的波段。本研究将其用于定量和定性模型的特征筛选。使用CARS算法时，将蒙特卡罗采样次数设置为100次，通过5倍交叉验证法选择RMSECV最小的特征波长作为最优特征波长。
1.2.4.2 无信息变量除算法
无信息变量除算法（UVE）核心是基于PLS回归系数分析进行变量选择[22]，利用噪声的无关变量信息统计去选择光谱自身的特征变量，能够去除对建模共效率较小的波长变量，选出特征波长变量，减少了建模所用的变量个数，降低了模型复杂性。本研究将其用于定性模型的特征筛选。使用UVE算法时，最佳主因子数设置为10。
1.2.5 图像主成分分析
主成分分析法（Principal component analysis，PCA）是一种多元统计分析方法，广泛应用于数据的降维、压缩等方面[23]。PCA是将N维高维特征通过正交变换转换到K维低维空间。其K维的变量即为主成分。本研究对基于手动选取的ROI区域构建掩膜（用来屏蔽图像上不参加处理的区域，使感兴趣区域内的图像值保持不变，而区外图像值为0）后的图像进行PCA分析，选取前7个PC结果图用于纹理特征的提取。
1.2.6 高光谱图像纹理特征提取
纹理是表征图像特征的重要参数[24]，本研究采用纹理特征用于金冠苹果的品质分析，采用灰度共生矩阵法（Gray level cooccurrence matrix，GLCM）提取图像纹理信息，其利用二阶组合条件概率密度函数来统计图像特征，能够综合反映出图像灰度关于相邻间隔、方向以及变化幅度的相关信息[25]。纹理特征参数分别为均值、方差、同质性、对比度、差异性、熵、角二阶矩、相关性。
1.3 模型建立及评价
1.3.1 判别模型和回归模型建立
反向传播神经网络（Back propagation，BP）是一种按照误差逆向传播算法训练的多层前馈神经网络[26]。利用梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差为最小。具备较强的非线性拟合能力，以及较好的泛化性与容错性[27]。本文利用BP方法构建金冠苹果货架期的判别模型。
偏最小二乘（PLSR）是一种线性预测方法，结合了多元线性回归分析、相关分析和主成分分析技术的建模方法[9]，能够高效解决因变量和自变量之间存在的多重共线性问题。本文利用PLSR方法构建金冠苹果SSC和pH的回归预测模型。
最小二乘支持向量机（LS-SVM）是一种改进的支持向量机，以RBF核函数为映射函数，LS-SVM模型的训练误差和复杂度由惩罚参数γ决定，输入空间到高维特征空间的非线性映射能力受核参数σ影响[21]，可以处理非线性分类和回归问题。本文利用LS-SVM方法构建了金冠苹果货架期的判别模型，以及SSC和pH的回归预测模型。
1.3.2 模型评价
以训练集的相关系数（Rc）及其均方根误差（RMSEC）和预测集的相关系数（Rp）及其均方根误差（RMSEP）作为判别模型性能的指标。一个理想的分析模型，其决定系数或者相关系数越大且越接近于1，回归性越好；同时还需满足RMSEC和RMSEP的值越小且RMSEC值应小于RMSEP，建模效果的实用性越理想[21]。计算公式如下：
Rc=√1−∑Nci=1[Ya(i)−Yc(i)]2∑Nci=1[Ya(i)−Ym(i)]2, (2) Rp=√1−∑Npi=1[Ya(i)−Yc(i)]2∑Npi=1[Ya(i)−Ym(i)]2, (3) RMSEC=√1Nc∑Nci=1[Ya(i)−Yc(i)]2, (4) RMSEP=√1Np∑Npi=1[Ya(i)−Yp(i)]2, (5) 式中：Nc和Np为建模集和预测集中的样品数，Ya和Ym为样品参考值及其平均值，Yc和Yp为训练集和预测集中的SSC和pH预测值。
2. 结果与分析
2.1 金冠苹果货架期判别分析
2.1.1 原始光谱特性
图1（a）和（b）为474个苹果样本的高光谱图像原始光谱图和6个货架期（0、7、14、21、28、35 d）的平均光谱图。不同样本在400~1000 nm波段范围内反射率变化较大，但变化趋势基本一致。对比不同货架期的平均光谱，第35 d的光谱513~936 nm范围的反射率值明显高于其他货架期的光谱。这可能是由于贮藏时间过长，金冠苹果的叶绿素含量会随着果皮颜色的变化而降低[26]，苹果对光吸收减少所造成的。在680 nm波长近红外范围吸收峰是叶绿素含量逐渐降低所导致，在555 nm波长近红外范围的吸收峰是花青素对光的吸收较大所导致[27]。
![]()
图 1 金冠苹果高光谱和近红外的原始光谱图和平均光谱图注：（a）高光谱图像的原始光谱图，（b）不同货架期的平均高光谱图，（c）近红外的原始光谱图，（d）不同货架期的平均近红外光谱图。Figure 1. Original and average spectra of hyperspectral and near-infrared spectra of Golden Delicious apples图1（c）和（d）为474个苹果样本的近红外原始光谱图和6个货架期（0、7、14、21、28、35 d）的平均光谱图。在833~2500 nm波长范围的样品光谱曲线变化趋势基本一致，总体呈现上升的走势。这是因为随着苹果样品贮藏时间的增加，糖度、酸度等指标均发生了变化。苹果中的可溶性固形物、可滴定酸含量含有影响光谱吸收的官能团，光谱的吸收峰与苹果中这类物质的变化有关[26]。在980 nm附近存在较强的碳水化合物吸收带，它们与970 nm处的强水带相互缠绕，形成了所观察到的宽峰[9]，在1200 nm左右的吸收峰与水中O-H键的第一个泛音有关[27]，约在1960 nm处的吸收峰与O-H的拉伸和弯曲振动有关[28]。
2.1.2 金冠苹果货架期判别模型建立 将每种货架期（0、7、14、21、28和35 d）
的样本按照大约3:1的比例随机分为训练集和预测集，得到训练集样本共355个，预测集样本共119个。
2.1.2.1 基于全波段的金冠苹果货架期判别模型
为筛选出最佳预处理方法并比较不同判别模型效果，分别采用SGS、1D、SNV、Normaliaze四种方法对高光谱图像光谱和近红外光谱数据进行预处理。构建金冠苹果货架期的基于全波段的BP和LS-SVM判别模型，模型结果如表1所示。
表 1 基于全波段的金冠苹果货架期判别模型结果Table 1. Results of the shelf-life discrimination model of Golden Delicious apples based on all bands预处理
方法建模
方法变量数 高光谱图像
光谱数据变量数 近红外光谱数据 训练集
（%）预测集
（%）训练集
（%）预测集
（%）None
BP222 100 100 1903 86.19 73.10 SGS 222 100 100 1903 90.98 62.18 1D 222 100 100 1903 74.92 38.65 SNV 222 100 100 1903 60.28 33.61 Normalize 222 100 99.15 1903 87.60 58.82 None
LS-SVM222 85.63 68.90 1903 100 67.22 SGS 222 83.38 68.06 1903 100 73.94 1D 222 100 95.79 1903 100 12.60 SNV 222 99.43 83.19 1903 100 53.78 Normalize 222 98.02 81.51 1903 100 65.56 基于高光谱图像数据的Normaliaze+BP模型预测集判别准确率为99.15%，基于高光谱图像数据经过其余预处理的BP模型的预测集判别准确率均达到100%。基于高光谱图像数据的1D+LS-SVM模型预测集判别准确率为95.79%。与近红外光谱判别模型结果相比，高光谱图像数据判别模型较好。基于近红外光谱的SGS+LS-SVM判别模型较好，准确率为73.94%。在基于高光谱的判别模型中，1D预处理为最佳预处理方式，BP模型判别性能优于LS-SVM模型。这可能是由于1D预处理能够提高光谱分辨率，且BP为非线性拟合模型，有较强的容错性。在基于近红外的判别模型中，SGS为最佳预处理方式，且LS-SVM模型判别性能优于BP模型。这可能是由于对于本实验数据SGS的去噪效果更优，LS-SVM的非线性拟合能力优于BP。高光谱图像光谱数据（400~1000 nm）模型的判别效果总体上优于近红外光谱（800~2500 nm）模型，这可能是因为不同货架期金冠苹果外观变化较内部含量变化更明显（400~1000 nm波段与颜色相关性较高，800~2500 nm波段与内部品质相关性较高[26]）。基于高光谱图像光谱数据的1D+BP模型和基于近红外光谱的SGS+LS-SVM模型预测集分类结果的混淆矩阵如图2所示。基于高光谱图像光谱数据的1D+BP模型的分类结果全部正确，基于近红外光谱的SGS+LS-SVM模型预测集分类结果中，货架期1中有3个判别错误，货架期2和货架期6中均有7个判别错误，货架期3和货架期4中均有5个判别错误，货架期5中有4个判别错误。
![]()
图 2 预测集分类结果的混淆矩阵图注：（a）基于高光谱图像光谱数据的1D+BP模型预测集分类结果的混淆矩阵，（b）基于近红外光谱的SGS+LS-SVM模型预测集分类结果的混淆矩阵。Figure 2. Confusion matrix plot of the classification results of the prediction set2.1.2.2 特征波长提取分析
由表2可知，采用CARS、UVE两种变量选择方法，对经过1D预处理的全波段高光谱图像光谱数据筛选出的特征波长个数分别为12和148个。基于高光谱特征波长的金冠苹果货架期判别模型均展现出较好的性能，且与全波长模型判别结果并无显著差异。说明两种变量方法对全波长高光谱均能够很好地筛选出用于分类的相关信息[9]，且仅通过CARS方法提取十几个波段也能产生很好的分类结果。两种变量选择方法筛选出的共有高光谱特征波长为709、669、500、487、484、481、479、473、471、468、466、426 nm，如图3（a）所示分布在全波长范围内。
表 2 基于特征波长的金冠苹果货架期判别模型结果Table 2. Results of shelf-life discrimination model of Golden Delicious apples based on characteristic wavelength预处理
方法特征选择
方法建模方法 变量数 训练集
（%）预测集
（%）
高光谱图像
数据
1DCARS BP 12 99.43 99.15 UVE 148 100 100 CARS LS-SVM 12 96.61 95.79 UVE 148 100 97.47
近红外光谱
SGSCARS BP 157 82.81 60.50 UVE 51 47.88 39.49 CARS LS-SVM 157 91.83 69.74 UVE 51 41.97 31.09 ![]()
图 3 特征波长选择图注：（a）两种算法筛选出的共有高光谱特征波长分布图，（b）基于SGS预处理的全波段近红外光谱数据的UVE算法结果分布图。Figure 3. Characteristic wavelength selection diagram采用CARS、UVE两种变量选择方法，对经过SGS预处理的近红外光谱数据筛选出的特征波长个数分别为157和51个。基于近红外光谱的SGS+UVE+BP模型和SGS+UVE+LS-SVM模型较全波长模型判别结果明显降低。表明UVE方法使得关键信息丢失，降低了模型的精确度。基于SGS预处理的全波段近红外光谱数据的UVE算法结果如图3（b）所示。
2.1.2.3 基于特征波长的金冠苹果货架期判别模型
采用CARS、UVE两种变量选择方法，对经过1D预处理的全波段高光谱图像光谱数据和经过SGS预处理的全波段近红外光谱数据进行特征提取。基于筛选的特征波长分别构建金冠苹果货架期的BP和LS-SVM判别模型，结果如表2所示。基于高光谱图像数据的1D+UVE+BP和1D+UVE+LS-SVM模型判别结果较好，预测集判别准确率分别达到了100%和97.47%。基于近红外光谱的SGS+CARS+BP和SGS+CARS+LS-SVM模型判别结果较好，预测集准确率分别达到了60.50%和69.74%。特征波长数据建模判别结果与全波长数据建模判别结果相比，总体差异不显著，建模变量显著减少，说明UVE和CARS两种变量方法可以有效简化模型。综上，金冠苹果货架期判别最优模型为基于高光谱成像技术的1D+UVE+BP模型。
2.2 金冠苹果的SSC和pH回归预测
2.2.1 SSC和pH的测定结果
用于SSC、pH指标预测样本的描述性统计分析结果如表3所示。81个金冠苹果的SSC值范围在9.35~13.35 °Birx之间，79个金冠苹果的pH范围在3.76~4.18之间。在建立回归模型时，将样品按照大约3:1的比例随机分为训练集和预测集。从表3可得，两个指标训练集的参考值范围均大于预测集的参考值范围，有利于构建准确、稳定的模型。
表 3 金冠苹果SSC和pH的描述性统计分析Table 3. Descriptive statistical analysis of SSC and pH of Golden Delicious apples样本集 样本数 最小值 最大值 平均值 SSC（°Birx） 训练集 61 9.35 13.35 11.3484 测试集 20 9.4 13.15 11.2350 pH 训练集 59 3.76 4.18 3.9483 测试集 20 3.83 4.11 3.9785 2.2.2 高光谱图像数据的纹理特征提取
为了降低数据维度，对掩膜后的苹果样本图像进行主成分分析，提取前7个主成分（累计贡献率为99%以上）。利用GLCM法对前七个主成分进行图像纹理特征提取[24]，纹理特征参数分别为均值、方差、同质性、对比度、差异性、熵、角二阶矩、相关性。PC1图像相应纹理特征结果如图4所示。基于感兴趣区域提取每个苹果样品的平均纹理特征，共生成包含56个纹理变量（7×8=56）的新数据集。将高光谱图像光谱的222个波段与纹理数据融合变成278个波段的融合光谱，为确保不同类型特征具有可比性和一致性，对融合数据进行归一化处理。
2.2.3 金冠苹果可溶性固形物含量无损检测模型
为比较不同的预处理和建模方法对金冠苹果SSC预测的影响，同时简化模型，用CARS对预处理后的高光谱特征、高光谱特征与纹理特征融合、近红外光谱特征三类数据提取特征变量，建立PLSR和LS-SVM两种回归模型对SSC进行预测。
2.2.3.1 特征波长提取分析
由以下可知，基于近红外光谱的1D+CARS+PLSR模型预测结果最好，经过CARS变量选择后，建模变量数由1903个变为222个，筛选后的特征波长分布如图5所示，其中1847 nm波长附近也被Zhang等[28]用于苹果SSC的无损测量。本研究的预测结果（Rp=0.9323，RMSEP=0.4036）优于Zhang等[28]基于高光谱（1000~2500 nm）的CARS-SPA（SPA为逐次投影算法）+PLS模型结果（Rp=0.917，RMSEP=0.453）。
![]()
图 5 基于1D预处理的近红外光谱筛选后的特征波长分布图Figure 5. Feature wavelength distribution after NIR spectrum screening based on 1D pretreatment2.2.3.2 基于高光谱图像数据的金冠苹果可溶性固形物含量无损检测模型
基于高光谱的金冠苹果可溶性固形物含量无损检测结果如表4所示。整体上LS-SVM模型的预测性能比PLSR模型好，基于高光谱无预处理（None）波段的LS-SVM模型性能最好，预测集Rp和RMSEP值分别为0.6983和0.6779，Normalize+CARS+LS-SVM模型性能较好，预测集Rp和RMSEP值分别为0.6823和0.6757。这可能是由于LS-SVM是非线性模型，能更好地拟合光谱特征与SSC之间的复杂关系。
表 4 基于高光谱的金冠苹果可溶性固形物含量无损检测结果Table 4. Results of non-destructive detection of soluble solid content in Golden Delicious apples based on hyperspectrum预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR222 0.8110 0.5554 0.5497 1.2614 None+CARS 16 0.6816 0.6869 0.5422 0.9187 SGS+CARS 16 0.7288 0.6823 0.6260 0.8245 1D+CARS 7 0.7017 0.6791 0.5879 0.8907 SNV+CARS 12 0.7308 0.6657 0.5604 0.8337 Normalize+CARS 23 0.7862 0.6195 0.5620 0.8265 None
LS-SVM222 0.7811 0.6167 0.6983 0.6779 None+CARS 16 0.6399 0.8236 0.4309 0.5522 SGS+CARS 16 0.6187 0.8187 0.5757 0.6029 1D+CARS 7 0.6715 0.7277 0.6391 0.7399 SNV+CARS 12 0.7011 0.6758 0.6762 0.7855 Normalize+CARS 23 0.6903 0.7197 0.6823 0.6757 2.2.3.3 基于高光谱图像的光谱与纹理融合数据的金冠苹果可溶性固形物含量无损检测模型
为确保不同类型特征具有可比性和一致性，对高光谱融合数据进行归一化（Normalize）处理[29]。基于融合特征的金冠苹果可溶性固形物无损预测结果如表5所示，整体上LS-SVM模型的预测性能优于PLSR模型，Normalize+SGS+CARS+LS-SVM模型预测性能最好，预测集结果如图6所示，预测集Rp和RMSEP值分别为0.7248和0.7090。融合数据集模型结果与高光谱图像数据结果相比，融合数据建模效果较优。说明在信息融合的过程中，纹理特征携带了部分有效信息，且这些信息与苹果样品中SSC含量相关性较强。
表 5 基于高光谱图像的光谱与纹理融合数据的金冠苹果可溶性固形物含量无损检测结果Table 5. Nondestructive testing results of soluble solids content of Golden Delicious apples based on spectral and texture fusion data of hyperspectral images预处理+
特征选择方法建模
方法变量数 训练集 预测集 Rc RMSEC Rp RMSEP Normalize
PLSR278 0.8132 0.5511 0.5094 1.0300 Normalize+CARS 22 0.7340 0.6491 0.5467 0.8623 Normalize+SGS+CARS 22 0.8448 0.5184 0.4527 1.0105 Normalize+1D+CARS 4 0.7313 0.6659 0.5472 0.8459 Normalize+SNV+CARS 10 0.7256 0.6416 0.5113 0.9910 Normalize
LS-SVM278 0.9930 0.1158 0.5517 0.7894 Normalize+CARS 22 0.7711 0.6284 0.5855 0.7692 Normalize+SGS+CARS 22 0.7568 0.6112 0.7248 0.7090 Normalize+1D+CARS 4 0.6831 0.7629 0.6501 0.5332 Normalize+SNV+CARS 10 0.6722 0.7007 0.6163 0.8430 ![]()
图 6 Normalize+SGS+CARS+LS-SVM模型预测集结果Figure 6. Normalize+SGS+CARS+LS-SVM model prediction set results2.2.3.4 基于近红外光谱的金冠苹果可溶性固形物含量无损检测模型
基于近红外光谱的金冠苹果可溶性固形物含量无损检测结果如表6所示。全波长与特征波长建模结果相比，特征波长数据预测集结果较优。CARS+1D+PLSR模型性能最高，预测集结果如图7所示，预测集Rp和RMSEP值分别为0.9323和0.4036。这可能是由于全波长近红外光谱数据包含了许多无关信息，降低了模型的预测精度。
表 6 基于近红外光谱的金冠苹果可溶性固形物含量无损检测结果Table 6. Non-destructive testing results of soluble solids content of Golden Delicious apples based on near-infrared预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR1903 0.9990 0.4285 0.1030 1.1032 None+CARS 73 0.9920 0.1210 0.9097 0.4262 SGS+CARS 73 0.9896 0.1425 0.8785 0.4751 1D+CARS 222 0.9975 0.0669 0.9323 0.4036 SNV+CARS 52 0.9851 0.1597 0.8511 0.5860 Normalize+CARS 84 0.9920 0.1220 0.9060 0.4291 None
LS-SVM1903 0.9903 0.1297 0.1438 1.0325 None+CARS 73 0.9314 0.3779 0.8166 0.4261 SGS+CARS 73 0.9242 0.3739 0.7775 0.6144 1D+CARS 222 0.9998 0.0176 0.8380 0.5867 SNV+CARS 52 0.9842 0.1819 0.8959 0.3571 Normalize+CARS 84 0.9639 0.2696 0.8761 0.4086 综上所述，基于高光谱的LS-SVM模型的预测性能比PLSR模型好，基于融合数据的LS-SVM模型的预测性能比PLSR模型好。这可能是由于LS-SVM是非线性模型，相较于线性建模算法PLSR，能更好地拟合数据中的复杂关系。基于近红外光谱建模预测集效果比高光谱图像数据好，这可能是因为近红外光谱范围内包含较多与SSC的相关信息。与全波长相比，特征波长建模预测集效果较优，这可是由于全波长有冗余信息导致模型精度的降低。与高光谱图像数据预测集结果相比，融合建模效果较优，说明纹理特征携带了部分有效信息，有利于模型对于SSC的预测。
2.2.4 金冠苹果pH无损检测模型
为比较不同的预处理和建模方法对金冠苹果pH预测的影响，同时简化模型，用CARS对预处理后的高光谱特征、高光谱特征与纹理特征融合、近红外光谱特征三类数据提取特征波长，建立PLSR和LS-SVM两种回归模型对pH进行预测。
2.2.4.1 特征波长提取分析
由以下可知，基于近红外光谱的SNV+CARS+LS-SVM模型预测结果最好，经过CARS变量选择后，建模变量数由1903个变为39个，筛选后的特征波长分布如图8所示，其中965 nm波长附近也被Dong等[30]用于苹果pH的无损测量。本研究的预测结果（Rp=0.8749，RMSEP=0.0417）与Dong等[30]基于高光谱（900~1700 nm）的SPA+LS-SVM模型结果（Rp=0.882，RMSEP=0.057）相当。
![]()
图 8 基于SNV预处理的近红外光谱筛选后的特征波长分布图Figure 8. Feature wavelength distribution after NIR spectrum screening based on SNV pretreatment2.2.4.2 基于高光谱图像数据的金冠苹果pH无损检测模型
基于高光谱的金冠苹果可溶性酸度无损检测结果如表7所示。SNV+CARS+LS-SVM模型性能最高，预测集Rp和RMSEP值分别为0.4027和0.0835。SNV+CARS+PLSR模型性能较好，预测集Rp和RMSEP值分别为0.3037和0.0882。各个模型对pH预测的总体效果都不太理想，说明本研究利用高光谱成像技术对pH的预测还需进一步提高。
表 7 基于高光谱的金冠苹果可溶性酸度无损检测结果Table 7. Non-destructive testing results of soluble acidity of Golden Delicious apples based on hyperspectral预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR222 0.4122 0.0819 0.1009 0.1006 None+CARS 6 0.2980 0.0865 0.0683 0.1023 SGS+CARS 6 0.2946 0.0871 −0.0672 0.0999 1D+CARS 2 0.1717 0.0864 −0.2897 0.1105 SNV+CARS 23 0.4886 0.0806 0.3037 0.0882 Normalize+CARS 4 0.2752 0.0809 0.0866 0.1120 None
LS-SVM222 0.6806 0.0653 0.2589 0.0943 None+CARS 6 0.2578 0.0862 0.0655 0.0994 SGS+CARS 6 0.2218 0.0913 0.1172 0.0864 1D+CARS 2 0.0780 0.0858 0.0648 0.1075 SNV+CARS 23 0.4768 0.0806 0.4027 0.0835 Normalize+CARS 4 0.3688 0.0841 0.2218 0.0935 2.2.4.3 基于高光谱图像的光谱与纹理融合数据的金冠苹果pH无损检测模型
基于融合数据的金冠苹果pH无损检测结果如表8所示，Normalize+1D+CARS+LS-SVM模型性能最好，预测集Rp和RMSEP值分别为0.3119和0.0918。融合数据预测结果与高光谱数据预测结果相比，融合数据建模效果略差，但总体差异不显著。这可能由于在信息融合过程中，纹理特征虽携带了部分有效信息，但这些信息与苹果样品的pH的相关性较小，增加了部分无用信息。
表 8 基于融合数据的金冠苹果pH无损检测结果Table 8. Non-destructive testing results of soluble acidity of Golden Delicious apples based on fusion data预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP Normalize
PLSR278 0.4155 0.0848 0.1150 0.0932 Normalize+CARS 3 0.3726 0.0821 0.1093 1.1027 Normalize+SGS+CARS 3 0.3931 0.0795 0.1972 0.1053 Normalize+1D+CARS 14 0.5404 0.0793 0.0732 0.0990 Normalize+SNV+CARS 27 0.5091 0.0801 0.1364 0.1025 Normalize
LS-SVM278 0.9734 0.0136 −0.4667 0.1239 Normalize+CARS 3 0.3226 0.0804 0.1029 0.1040 Normalize+SGS+CARS 3 0.3957 0.0845 0.1251 0.0901 Normalize+1D+CARS 14 0.5329 0.0764 0.3119 0.0918 Normalize+SNV+CARS 27 0.5040 0.0774 0.0466 0.0962 2.2.4.4 基于近红外光谱的金冠苹果pH无损检测模型
基于近红外的金冠苹果pH无损检测结果如表9所示。全波长与特征波长建模结果相比，特征波长数据预测集结果较优。SNV+CARS+LS-SVM模型性能最高。预测结果如图9所示，预测集Rp和RMSEP值分别为0.8749和0.0417。基于近红外光谱全波长的PLSR模型预测集Rp和RMSEP值分别为0.1327和0.1165。基于近红外光谱全波长的LS-SVM模型预测集Rp和RMSEP值分别为0.4752和0.0811。
表 9 基于近红外的金冠苹果pH无损检测结果Table 9. Non-destructive testing results of soluble acidity of Golden Delicious apples based on near-infrared预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR1903 0.8994 0.0387 0.1327 0.1165 None+CARS 64 0.9790 0.0185 0.8239 0.0603 SGS+CARS 64 0.9655 0.0248 0.8287 0.0498 1D+CARS 255 0.9521 0.0270 0.5580 0.0860 SNV+CARS 39 0.9656 0.0237 0.8132 0.0600 Normalize+CARS 56 0.9911 0.0125 0.8489 0.0493 None
LS-SVM1903 0.9450 0.0214 0.4752 0.0811 None+CARS 64 0.8170 0.0541 0.4995 0.0730 SGS+CARS 64 0.8203 0.0546 0.3870 0.0738 1D+CARS 255 0.9998 0.0015 0.4439 0.0762 SNV+CARS 39 0.9536 0.0280 0.8749 0.0417 Normalize+CARS 56 0.9171 0.0381 0.7068 0.0564 综上所述，基于近红外光谱建模预测集效果较好，与全波长相比，特征波长建模预测集效果较优。高光谱图像数据预测效果稍差，在本研究中，高光谱成像技术对pH的预测仍需进一步提升。与高光谱融合数据预测结果相比，融合建模效果并无显著差异，说明纹理特征虽携带了部分有效信息，可这些信息与苹果样品的pH的相关性较小，不利于模型对pH的预测。
3. 结论
本文基于高光谱成像技术和近红外光谱技术对金冠苹果进行货架期判别及其品质分析。在金冠苹果货架期判别模型中，基于高光谱图像数据的最优模型为1D+UVE+BP模型，判别准确率为100%。基于高光谱图像数据的最优预处理方法为1D法。UVE和CARS两种方法均适用于高光谱图像数据的特征波长筛选。基于近红外光谱的最优模型为SGS+LS-SVM模型，判别准确率为73.94%。基于近红外光谱的最优预处理方法为SGS法，CARS方法优于UVE方法，且UVE方法使得关键信息丢失，降低了模型的精确度。基于高光谱图像光谱数据（400~1000 nm）模型总体上优于近红外光谱（800~2500 nm）模型。
在金冠苹果SSC无损预测模型中，基于近红外光谱的CARS+1D+PLSR模型预测效果最好，预测集Rp和RMSEP值分别为0.9323和0.4036。基于近红外光谱建模预测集效果比高光谱图像数据好。全波长与特征波长相比，特征波长建模预测集效果较优。高光谱融合数据预测结果与高光谱数据预测结果相比，高光谱融合数据建模效果较优，表明图像纹理信息能够有效提高模型对SSC的预测性能。
在金冠苹果pH无损预测模型中，基于近红外光谱的SNV+CARS+LS-SVM模型性能最高，预测集Rp和RMSEP值分别为0.8749和0.0417。高光谱成像技术对pH的预测还有待提高。全波长与特征波长相比，特征波长建模预测集效果较优。高光谱融合数据与高光谱数据预测结果相比，融合数据建模效果略差。本研究利用高光谱相机和近红外光谱仪为金冠苹果货架期判别及SSC和pH的无损分析提供了理论依据技术支撑。
-
![]()
图 1 金冠苹果高光谱和近红外的原始光谱图和平均光谱图
注：（a）高光谱图像的原始光谱图，（b）不同货架期的平均高光谱图，（c）近红外的原始光谱图，（d）不同货架期的平均近红外光谱图。
Figure 1. Original and average spectra of hyperspectral and near-infrared spectra of Golden Delicious apples
![]()
图 2 预测集分类结果的混淆矩阵图
注：（a）基于高光谱图像光谱数据的1D+BP模型预测集分类结果的混淆矩阵，（b）基于近红外光谱的SGS+LS-SVM模型预测集分类结果的混淆矩阵。
Figure 2. Confusion matrix plot of the classification results of the prediction set
![]()
图 3 特征波长选择图
注：（a）两种算法筛选出的共有高光谱特征波长分布图，（b）基于SGS预处理的全波段近红外光谱数据的UVE算法结果分布图。
Figure 3. Characteristic wavelength selection diagram
![]()
图 5 基于1D预处理的近红外光谱筛选后的特征波长分布图
Figure 5. Feature wavelength distribution after NIR spectrum screening based on 1D pretreatment
![]()
图 6 Normalize+SGS+CARS+LS-SVM模型预测集结果
Figure 6. Normalize+SGS+CARS+LS-SVM model prediction set results
![]()
图 8 基于SNV预处理的近红外光谱筛选后的特征波长分布图
Figure 8. Feature wavelength distribution after NIR spectrum screening based on SNV pretreatment
表 1 基于全波段的金冠苹果货架期判别模型结果
Table 1 Results of the shelf-life discrimination model of Golden Delicious apples based on all bands
预处理
方法建模
方法变量数 高光谱图像
光谱数据变量数 近红外光谱数据 训练集
（%）预测集
（%）训练集
（%）预测集
（%）None
BP222 100 100 1903 86.19 73.10 SGS 222 100 100 1903 90.98 62.18 1D 222 100 100 1903 74.92 38.65 SNV 222 100 100 1903 60.28 33.61 Normalize 222 100 99.15 1903 87.60 58.82 None
LS-SVM222 85.63 68.90 1903 100 67.22 SGS 222 83.38 68.06 1903 100 73.94 1D 222 100 95.79 1903 100 12.60 SNV 222 99.43 83.19 1903 100 53.78 Normalize 222 98.02 81.51 1903 100 65.56 
下载: 导出CSV
表 2 基于特征波长的金冠苹果货架期判别模型结果
Table 2 Results of shelf-life discrimination model of Golden Delicious apples based on characteristic wavelength
预处理
方法特征选择
方法建模方法 变量数 训练集
（%）预测集
（%）
高光谱图像
数据
1DCARS BP 12 99.43 99.15 UVE 148 100 100 CARS LS-SVM 12 96.61 95.79 UVE 148 100 97.47
近红外光谱
SGSCARS BP 157 82.81 60.50 UVE 51 47.88 39.49 CARS LS-SVM 157 91.83 69.74 UVE 51 41.97 31.09
下载: 导出CSV
表 3 金冠苹果SSC和pH的描述性统计分析
Table 3 Descriptive statistical analysis of SSC and pH of Golden Delicious apples
样本集 样本数 最小值 最大值 平均值 SSC（°Birx） 训练集 61 9.35 13.35 11.3484 测试集 20 9.4 13.15 11.2350 pH 训练集 59 3.76 4.18 3.9483 测试集 20 3.83 4.11 3.9785
下载: 导出CSV
表 4 基于高光谱的金冠苹果可溶性固形物含量无损检测结果
Table 4 Results of non-destructive detection of soluble solid content in Golden Delicious apples based on hyperspectrum
预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR222 0.8110 0.5554 0.5497 1.2614 None+CARS 16 0.6816 0.6869 0.5422 0.9187 SGS+CARS 16 0.7288 0.6823 0.6260 0.8245 1D+CARS 7 0.7017 0.6791 0.5879 0.8907 SNV+CARS 12 0.7308 0.6657 0.5604 0.8337 Normalize+CARS 23 0.7862 0.6195 0.5620 0.8265 None
LS-SVM222 0.7811 0.6167 0.6983 0.6779 None+CARS 16 0.6399 0.8236 0.4309 0.5522 SGS+CARS 16 0.6187 0.8187 0.5757 0.6029 1D+CARS 7 0.6715 0.7277 0.6391 0.7399 SNV+CARS 12 0.7011 0.6758 0.6762 0.7855 Normalize+CARS 23 0.6903 0.7197 0.6823 0.6757
下载: 导出CSV
表 5 基于高光谱图像的光谱与纹理融合数据的金冠苹果可溶性固形物含量无损检测结果
Table 5 Nondestructive testing results of soluble solids content of Golden Delicious apples based on spectral and texture fusion data of hyperspectral images
预处理+
特征选择方法建模
方法变量数 训练集 预测集 Rc RMSEC Rp RMSEP Normalize
PLSR278 0.8132 0.5511 0.5094 1.0300 Normalize+CARS 22 0.7340 0.6491 0.5467 0.8623 Normalize+SGS+CARS 22 0.8448 0.5184 0.4527 1.0105 Normalize+1D+CARS 4 0.7313 0.6659 0.5472 0.8459 Normalize+SNV+CARS 10 0.7256 0.6416 0.5113 0.9910 Normalize
LS-SVM278 0.9930 0.1158 0.5517 0.7894 Normalize+CARS 22 0.7711 0.6284 0.5855 0.7692 Normalize+SGS+CARS 22 0.7568 0.6112 0.7248 0.7090 Normalize+1D+CARS 4 0.6831 0.7629 0.6501 0.5332 Normalize+SNV+CARS 10 0.6722 0.7007 0.6163 0.8430
下载: 导出CSV
表 6 基于近红外光谱的金冠苹果可溶性固形物含量无损检测结果
Table 6 Non-destructive testing results of soluble solids content of Golden Delicious apples based on near-infrared
预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR1903 0.9990 0.4285 0.1030 1.1032 None+CARS 73 0.9920 0.1210 0.9097 0.4262 SGS+CARS 73 0.9896 0.1425 0.8785 0.4751 1D+CARS 222 0.9975 0.0669 0.9323 0.4036 SNV+CARS 52 0.9851 0.1597 0.8511 0.5860 Normalize+CARS 84 0.9920 0.1220 0.9060 0.4291 None
LS-SVM1903 0.9903 0.1297 0.1438 1.0325 None+CARS 73 0.9314 0.3779 0.8166 0.4261 SGS+CARS 73 0.9242 0.3739 0.7775 0.6144 1D+CARS 222 0.9998 0.0176 0.8380 0.5867 SNV+CARS 52 0.9842 0.1819 0.8959 0.3571 Normalize+CARS 84 0.9639 0.2696 0.8761 0.4086
下载: 导出CSV
表 7 基于高光谱的金冠苹果可溶性酸度无损检测结果
Table 7 Non-destructive testing results of soluble acidity of Golden Delicious apples based on hyperspectral
预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR222 0.4122 0.0819 0.1009 0.1006 None+CARS 6 0.2980 0.0865 0.0683 0.1023 SGS+CARS 6 0.2946 0.0871 −0.0672 0.0999 1D+CARS 2 0.1717 0.0864 −0.2897 0.1105 SNV+CARS 23 0.4886 0.0806 0.3037 0.0882 Normalize+CARS 4 0.2752 0.0809 0.0866 0.1120 None
LS-SVM222 0.6806 0.0653 0.2589 0.0943 None+CARS 6 0.2578 0.0862 0.0655 0.0994 SGS+CARS 6 0.2218 0.0913 0.1172 0.0864 1D+CARS 2 0.0780 0.0858 0.0648 0.1075 SNV+CARS 23 0.4768 0.0806 0.4027 0.0835 Normalize+CARS 4 0.3688 0.0841 0.2218 0.0935
下载: 导出CSV
表 8 基于融合数据的金冠苹果pH无损检测结果
Table 8 Non-destructive testing results of soluble acidity of Golden Delicious apples based on fusion data
预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP Normalize
PLSR278 0.4155 0.0848 0.1150 0.0932 Normalize+CARS 3 0.3726 0.0821 0.1093 1.1027 Normalize+SGS+CARS 3 0.3931 0.0795 0.1972 0.1053 Normalize+1D+CARS 14 0.5404 0.0793 0.0732 0.0990 Normalize+SNV+CARS 27 0.5091 0.0801 0.1364 0.1025 Normalize
LS-SVM278 0.9734 0.0136 −0.4667 0.1239 Normalize+CARS 3 0.3226 0.0804 0.1029 0.1040 Normalize+SGS+CARS 3 0.3957 0.0845 0.1251 0.0901 Normalize+1D+CARS 14 0.5329 0.0764 0.3119 0.0918 Normalize+SNV+CARS 27 0.5040 0.0774 0.0466 0.0962
下载: 导出CSV
表 9 基于近红外的金冠苹果pH无损检测结果
Table 9 Non-destructive testing results of soluble acidity of Golden Delicious apples based on near-infrared
预处理+
特征选择方法建模方法 变量数 训练集 预测集 Rc RMSEC Rp RMSEP None
PLSR1903 0.8994 0.0387 0.1327 0.1165 None+CARS 64 0.9790 0.0185 0.8239 0.0603 SGS+CARS 64 0.9655 0.0248 0.8287 0.0498 1D+CARS 255 0.9521 0.0270 0.5580 0.0860 SNV+CARS 39 0.9656 0.0237 0.8132 0.0600 Normalize+CARS 56 0.9911 0.0125 0.8489 0.0493 None
LS-SVM1903 0.9450 0.0214 0.4752 0.0811 None+CARS 64 0.8170 0.0541 0.4995 0.0730 SGS+CARS 64 0.8203 0.0546 0.3870 0.0738 1D+CARS 255 0.9998 0.0015 0.4439 0.0762 SNV+CARS 39 0.9536 0.0280 0.8749 0.0417 Normalize+CARS 56 0.9171 0.0381 0.7068 0.0564
下载: 导出CSV
-
[1] 田建文, 叶力勤, 马文平, 等. 不同处理方式对金冠苹果贮藏品质的影响[J]. 保鲜与加工,2022,22(11):9−13. [TIAN J W, YE L Q, MA W P, et al. Effects of different treatments on storage quality of Jinguan apple[J]. Preservation and Processing,2022,22(11):9−13.] doi: 10.3969/j.issn.1009-6221.2022.11.002 TIAN J W, YE L Q, MA W P, et al. Effects of different treatments on storage quality of Jinguan apple[J]. Preservation and Processing, 2022, 22（11）: 9−13. doi: 10.3969/j.issn.1009-6221.2022.11.002
[2] 邵园园, 王永贤, 玄冠涛, 等. 高光谱成像的猕猴桃货架期快速预测[J]. 光谱学与光谱分析,2020,40(6):1940−1946. [SHAO Y Y, WANG Y X, XUAN G T, et al. Rapid prediction of shelf life of kiwifruit by hyperspectral imaging[J]. Spectroscopy and Spectral Analysis,2020,40(6):1940−1946.] SHAO Y Y, WANG Y X, XUAN G T, et al. Rapid prediction of shelf life of kiwifruit by hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2020, 40（6）: 1940−1946.
[3] 何代弟, 张晓, 张楠楠, 等. 苹果内部品质近红外光谱无损检测研究进展[J]. 安徽农学通报,2023,29(16):136−139. [HE D D, ZHANG X, ZHANG N N, et al. Research progress on NDT of internal quality of apple[J]. Anhui agriculture bulletin,2023,29(16):136−139.] doi: 10.3969/j.issn.1007-7731.2023.16.031 HE D D, ZHANG X, ZHANG N N, et al. Research progress on NDT of internal quality of apple[J]. Anhui agriculture bulletin, 2023, 29（16）: 136−139. doi: 10.3969/j.issn.1007-7731.2023.16.031
[4] GAO W, CHENG X, LIU X, et al. Apple Firmness detection method based on hyperspectral technology[J]. Food Control,2024,166:110690. doi: 10.1016/j.foodcont.2024.110690
[5] SEMYALO D, KWON O, WAKHOLI C, et al. Nondestructive online measurement of pineapple maturity and soluble solids content using visible and near-infrared spectral analysis[J]. Postharvest Biology and Technology,2024,209:112706.
[6] ZHAO Y, ZHANG C, ZHU S, et al. Shape induced reflectance correction for non-destructive determination and visualization of soluble solids content in winter jujubes using hyperspectral imaging in two different spectral ranges[J]. Postharvest Biology and Technology,2020,161:111080.
[7] GUAN S, SHANG Y, ZHAO C. Storage time detection of torreya grandis kernels using near infrared spectroscopy[J]. Sustainability,2023,15(10):7757. doi: 10.3390/su15107757
[8] WENG S, YU S, DONG R, et al. Nondestructive detection of storage time of strawberries using visible/near-infrared hyperspectral imaging[J]. International Journal of Food Properties,2020,23(1):269−281. doi: 10.1080/10942912.2020.1716793
[9] BOBELYN E, SERBAN A S, NICU M, et al. Postharvest quality of apple predicted by nir-spectroscopy:study of the effect of biological variability on spectra and model performance[J]. Postharvest Biology and Technology,2010,55(3):133−143.
[10] ZENG S, ZHANG Z, CHENG X, et al. Prediction of soluble solids content using near-infrared spectra and optical properties of intact apple and pulp applying PLSR and CNN[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2024,304:123402.
[11] LI X, WEI Y, XU J, et al. SSC and pH for sweet assessment and maturity classification of harvested cherry fruit based on NIR hyperspectral imaging technology[J]. Postharvest Biology and Technology,2018,143:112−118. doi: 10.1016/j.postharvbio.2018.05.003
[12] MA T, ZHAO J, INAGAKI T, et al. Rapid and nondestructive prediction of firmness, soluble solids content, and pH in kiwifruit using Vis–NIR spatially resolved spectroscopy[J]. Postharvest Biology and Technology,2022,186:111841.
[13] XUAN G, GAO C, SHAO Y, et al. Maturity determination at harvest and spatial assessment of moisture content in okra using Vis-NIR hyperspectral imaging[J]. Postharvest Biology and Technology,2021,180:111597. doi: 10.1016/j.postharvbio.2021.111597
[14] ZHU Q, GUAN J, HUANG M, et al. Predicting bruise susceptibility of ‘Golden Delicious’ apples using hyperspectral scattering technique[J]. Postharvest Biology and Technology,2016,114:86−94.
[15] HASANZADEH B, ABBASPOUR-GILANDEH Y, SOLTANI-NAZARLOO A, et al. Non-destructive measurement of quality parameters of apple fruit by using visible/near-infrared spectroscopy and multivariate regression analysis[J]. Sustainability,2022,14(22):14918.
[16] 王浩云, 李晓凡, 李亦白, 等. 基于高光谱图像和3D-CNN的苹果多品质参数无损检测[J]. 南京农业大学学报,2020,43(1):178−185. [WANG Haoyun, LI Xiaofan, LI Yibai, et al. Nondestructive testing of multiple quality parameters of apples based on hyperspectral images and 3D-CNN[J]. Journal of Nanjing Agricultural University,2020,43(1):178−185.] doi: 10.7685/jnau.201906067 WANG Haoyun, LI Xiaofan, LI Yibai, et al. Nondestructive testing of multiple quality parameters of apples based on hyperspectral images and 3D-CNN[J]. Journal of Nanjing Agricultural University, 2020, 43（1）: 178−185. doi: 10.7685/jnau.201906067
[17] 孙炳新, 匡立学, 徐方旭, 等. 苹果有效酸度的近红外无损检测研究[J]. 食品工业科技,2013,34(15):298−301. [SUN Bingxin, KUANG Lixue, XU Fangxu, et al. Research on near-infrared nondestructive testing of effective acidity of apple[J]. Science and Technology of Food Industry,2013,34(15):298−301.] SUN Bingxin, KUANG Lixue, XU Fangxu, et al. Research on near-infrared nondestructive testing of effective acidity of apple[J]. Science and Technology of Food Industry, 2013, 34（15）: 298−301.
[18] 姚亚楠. 红富士苹果品质测定及近红外便携式无损检测仪的研发[D]. 乌鲁木齐:新疆农业大学, 2022. [YAO Yanan. Research and development of red Fuji apple quality determination and near-infrared portable nondestructive tester[D]. Urumqi:Xinjiang Agricultural University, 2022.] YAO Yanan. Research and development of red Fuji apple quality determination and near-infrared portable nondestructive tester[D]. Urumqi: Xinjiang Agricultural University, 2022.
[19] 牛晓颖, 贡东军, 王艳伟, 等. 基于近红外光谱和化学计量学的李果实成熟度鉴别方法研究[J]. 现代食品科技,2014,30(12):230−234,125. [NIU X Y, GONG D J, WANG Y W, et al. Identification method of plum fruit maturity based on near infrared spectroscopy and chemometrics[J]. Modern Food Science and Technology,2014,30(12):230−234,125.] NIU X Y, GONG D J, WANG Y W, et al. Identification method of plum fruit maturity based on near infrared spectroscopy and chemometrics[J]. Modern Food Science and Technology, 2014, 30（12）: 230−234,125.
[20] 王加华, 韩东海. 便携式近红外水果糖度分析模型简化研究[J]. 食品安全质量检测技术,2009,1(1):32−38. [WANG J H, HAN D H. Simplification of portable near infrared fruit sugar content analysis model[J]. Food Safety and Quality Detection Technology,2009,1(1):32−38.] WANG J H, HAN D H. Simplification of portable near infrared fruit sugar content analysis model[J]. Food Safety and Quality Detection Technology, 2009, 1（1）: 32−38.
[21] 刘翠玲, 秦冬, 凌彩金, 等. 基于内在品质参数的乌龙茶等级判别模型建立[J]. 食品工业科技,2023,44(12):308−318. [LIU C L, QIN D, LING C J, et al. Establishment of a classification model for oolong tea based on intrinsic quality parameters[J]. Science and Technology of Food Industry,2023,44(12):308−318.] LIU C L, QIN D, LING C J, et al. Establishment of a classification model for oolong tea based on intrinsic quality parameters[J]. Science and Technology of Food Industry, 2023, 44（12）: 308−318.
[22] 高升, 徐建华. 高光谱成像的红提总酸与硬度的预测及其分布可视化[J]. 食品科学,2023,44(2):327−336. [GAO S, XU J H. Prediction and visualization of total acid and hardness of red grapes based on hyperspectral imaging[J]. Food Science,2023,44(2):327−336.] doi: 10.7506/spkx1002-6630-20220306-078 GAO S, XU J H. Prediction and visualization of total acid and hardness of red grapes based on hyperspectral imaging[J]. Food Science, 2023, 44（2）: 327−336. doi: 10.7506/spkx1002-6630-20220306-078
[23] 王琪, 常庆瑞, 李铠, 等. 基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算[J]. 麦类作物学报,2024,44(4):532−542. [WANG Q, CHANG Q R, LI J, et al. Estimation of canopy chlorophyll content of winter wheat based on principal component analysis and random forest regression[J]. Journal of Trimetics Crops,2024,44(4):532−542.] WANG Q, CHANG Q R, LI J, et al. Estimation of canopy chlorophyll content of winter wheat based on principal component analysis and random forest regression[J]. Journal of Trimetics Crops, 2024, 44（4）: 532−542.
[24] 黄锋华, 燕红文, 苗荣慧. 高光谱技术结合GLCM的油桃品种判别研究[J]. 农业技术与装备,2021(12):5−7,10. [HUANG F H, YAN H W, MIAO R H. Identification of nectarine varieties by hyperspectral technology combined with GLCM[J]. Agricultural Technology & Equipment,2021(12):5−7,10.] HUANG F H, YAN H W, MIAO R H. Identification of nectarine varieties by hyperspectral technology combined with GLCM[J]. Agricultural Technology & Equipment, 2021（12）: 5−7,10.
[25] 王辉, 李辉, 陈金阳, 等. 基于GLCM特征木材树种高光谱无损检测识别研究[J]. 黑龙江科学,2019,10(24):25−27,31. [WANG H, LI H, CHEN J Y, et al. Research on hyperspectral nondestructive detection and identification of wood species based on GLCM characteristics[J]. Heilongjiang Science,2019,10(24):25−27,31.] WANG H, LI H, CHEN J Y, et al. Research on hyperspectral nondestructive detection and identification of wood species based on GLCM characteristics[J]. Heilongjiang Science, 2019, 10（24）: 25−27,31.
[26] 张鹏, 陈帅帅, 李江阔, 等. 采用近红外光谱进行采后苹果品种及货架期定性判别[J]. 食品与发酵工业,2019,45(19):200−205. [ZHANG P, CHEN S S, LI J K, et al. Qualitative identification of postharvest apple varieties and shelf life by near infrared spectroscopy[J]. Food and Fermentation Industry,2019,45(19):200−205.] ZHANG P, CHEN S S, LI J K, et al. Qualitative identification of postharvest apple varieties and shelf life by near infrared spectroscopy[J]. Food and Fermentation Industry, 2019, 45（19）: 200−205.
[27] PAN L, LI H, ZHAO J. Improvement of the prediction of a visual apple ripeness index under seasonal variation by NIR spectral model correction[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2023,302:123075.
[28] ZHANG D, XU Y, HUANG W, et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm[J]. Infrared Physics & Technology,2019,98:297−304.
[29] 沈跃铖, 阮贤萍, 郎春晓, 等. 光谱特征和纹理特征融合的红茶萎凋含水率检测方法[J]. 茶叶通讯,2024,51(3):376−382. [SHEN Y H, RUAN X P, LANG C X, et al. Detection method of wilting moisture content of black tea based on fusion of spectral features and texture features[J]. Tea Communications,2024,51(3):376−382.] SHEN Y H, RUAN X P, LANG C X, et al. Detection method of wilting moisture content of black tea based on fusion of spectral features and texture features[J]. Tea Communications, 2024, 51（3）: 376−382.
[30] DONG J, GUO W. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging[J]. Food Analytical Methods,2015,8:2635−2646. doi: 10.1007/s12161-015-0169-8
-
期刊类型引用(5)
1. 陈聪，薛桥丽，胡永金，魏美娟，陈中爱. 云南木姜子醇提物抑菌活性及其稳定性研究. 食品工业科技. 2023(16): 147-154 . 
本站查看
2. 段雪娟，黄煜强，张潼，韩雅莉，吴克刚，黄庶识. 肉桂醛熏蒸对金黄色葡萄球菌胞内生物大分子的影响. 中国食品学报. 2023(10): 90-100 . 百度学术
3. 张文艳，李俊杰，艾玲松，李茂东，赵仲霞，师睿. 青花椒总生物碱对金黄色葡萄球菌抑菌活性研究. 工业微生物. 2023(06): 50-54 . 百度学术
4. 王建梅，王国盼，陆安静，秦琳，鲁艳柳，白朝钧，何芋岐，谭道鹏. 金钗石斛提取物对5种耐药菌的体外抑菌活性评价. 遵义医科大学学报. 2022(03): 334-338 . 百度学术
5. 黄藩，王迎春，叶玉龙，龚雪蛟，黄颖博，熊元元. 变温萎凋技术对贡眉白茶品质的影响. 中国农学通报. 2022(19): 159-164 . 百度学术
其他类型引用(6)
下载:
计量
- 文章访问数: 12
- HTML全文浏览量: 5
- PDF下载量: 3
- 被引次数: 11
