為了快速篩選不同品質(zhì)的櫻桃番茄，對(duì)櫻桃番茄進(jìn)行快速無(wú)損檢測(cè)。本文選取櫻桃番茄為研究對(duì)象，利用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行光譜采集和化學(xué)定標(biāo)，建立櫻桃番茄內(nèi)部品質(zhì)快速無(wú)損檢測(cè)模型、外部品質(zhì)損傷判別模型。

?

主要內(nèi)容和結(jié)論如下：

（1）利用高光譜技術(shù)，對(duì)櫻桃番茄可溶性固形物含量和硬度進(jìn)行無(wú)損檢測(cè)，選取了120個(gè)櫻桃番茄為研究對(duì)象，采集了在900 nm~1700 nm范圍內(nèi)的高光譜圖像數(shù)據(jù)，經(jīng)過黑白校正后對(duì)采集的高光譜圖像選取合適大小為5*5像素的區(qū)域作為感興趣區(qū)域，提取該區(qū)域的平均光譜作為櫻桃番茄的原始數(shù)據(jù)。

針對(duì)櫻桃番茄可溶性固形物含量的研究采用了一階導(dǎo)數(shù)和SG平滑的方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，使用K-S算法把櫻桃番茄樣本劃分為80的校正集和40的預(yù)測(cè)集。首先使用原始光譜和預(yù)處理后的光譜分別進(jìn)行全波段建模，然后選擇了CARS、SPA兩種特征波長(zhǎng)選擇方法，對(duì)原始光譜和預(yù)處理后的光譜分別篩選特征波段，而后建立PLSR模型。對(duì)比發(fā)現(xiàn)使用光譜預(yù)處理后數(shù)據(jù)進(jìn)行 CARS 特征波長(zhǎng)選擇所建立的 PLSR 模型效果最好，校正模型Rc為0.9363，預(yù)測(cè)模型Rp為0.8894。使用原始光譜進(jìn)行 CARS 特征波長(zhǎng)選擇所建立的PLSR模型效果次之，校正模型Rc為0.8354，預(yù)測(cè)模型Rp為0.8132。針對(duì)櫻桃番茄硬度的研究采用一階導(dǎo)數(shù)和SG平滑的方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，使用K-S 算法把櫻桃番茄樣本劃分為90的校正集和30的預(yù)測(cè)集。使用原始光譜和預(yù)處理后的光譜分別進(jìn)行全波段建模，然后選取 CARS、SPA兩種特征波長(zhǎng)選擇方法，對(duì)原始光譜和預(yù)處理后的光譜分別篩選特征波段，建立PLSR 模型。對(duì)比發(fā)現(xiàn)使用全波段建模比特征波長(zhǎng)選擇后的波段建模效果要好，而在全波段建模中通過對(duì)比發(fā)現(xiàn)使用光譜預(yù)處理后建立的模型比原始光譜數(shù)據(jù)要好，校正模型Rc為0.9076，預(yù)測(cè)模型Rp為0.8564。

（2）利用高光譜技術(shù)，實(shí)現(xiàn)對(duì)櫻桃番茄的損傷進(jìn)行了無(wú)損分類判別，首先選取60個(gè)完好櫻桃番茄樣品和60個(gè)損傷櫻桃番茄樣品的同一部位作為感興趣區(qū)域，提取平均光譜數(shù)據(jù)，使用K-S算法進(jìn)行樣本劃分，分別采用SG、SNV、MSC以及它們的組合多種方法對(duì)光譜數(shù)據(jù)分別進(jìn)行預(yù)處理，然后分別建立PLS-DA分類判別模型進(jìn)行比較，通過比較得出使用SG與 MSC 結(jié)合的預(yù)處理方法建立的模型更為穩(wěn)定。利用 CARS、SPA算法選出經(jīng)過預(yù)處理后的光譜數(shù)據(jù)的特征波段，基于特征波段建立分類判別模型與基于全波段光譜建立的分類判別模型，對(duì)比得出使用 SPA算法提取出的特征波長(zhǎng)所建立的分類判別模型是最為準(zhǔn)確的，預(yù)測(cè)集模型識(shí)別率達(dá)到100%。使用SPSS軟件中的最近鄰元素和SPSS判別分析兩種方法均可對(duì)完好的櫻桃番茄和損傷的櫻桃番茄進(jìn)行判別，正確率都達(dá)90%以上。

?