鮮棗內部綜合品質光譜評價指標建立與分析

孫海霞 張淑娟 薛建新 劉蔣龍 趙旭婷

(山西農業(yè)大學工學院， 太谷 030801)

鮮棗內部綜合品質光譜評價指標建立與分析

孫海霞 張淑娟 薛建新 劉蔣龍 趙旭婷

(山西農業(yè)大學工學院， 太谷 030801)

為實現鮮棗內部綜合品質的在線無損快速檢測，利用可見/近紅外光譜漫反射技術，針對完熟期壺瓶棗的內部品質，包括含水率、可溶性固形物含量、硬度、可溶性蛋白質含量、維生素C含量5項指標，分別采用競爭性自適應重加權算法(CARS)提取特征波長并建立最小二乘-支持向量機(LS-SVM)預測模型，硬度預測模型的相關系數和均方根誤差分別為0.945 2和41.684 9，其余品質預測模型的相關系數均在0.923 0及以上、均方根誤差均在3.779 2及以下。在此基礎上，對5項品質指標進行了相關性分析，表明在0.01或0.05水平上兩兩指標間存在極顯著或顯著的相關性，故采用因子分析法構建了內部綜合品質評價指標，建立了CARS-LS-SVM預測模型，結果表明該模型的相關系數和均方根誤差分別為0.924 1和6.063 5，預測精度較高。研究表明，所建立的CARS-LS-SVM模型可有效實現鮮棗內部綜合品質的評價。

鮮棗； 內部綜合品質； 特征提取； 可見/近紅外光譜

引言

在果品品質[1-2]評價中，含水率、可溶性固形物含量影響果實的內部口感，硬度影響果肉質地，蛋白質含量、維生素含量影響果實的營養(yǎng)成分，上述指標直接影響水果的定級和定價。

近年來，近紅外光譜技術已成功應用于水果內部品質檢測中，國內外許多學者做了相關研究。JNIOR等[3]建立了新鮮巴西莓的干物質含量與傅里葉變換近紅外漫反射光譜數據的偏最小二乘回歸(Partial least squares regression，PLSR)模型，從側面驗證了水果中含水率與近紅外光譜數據之間的對應關系。在此基礎上，研究者還對巴西莓的花青素含量和可溶性固形物含量進行了相應的檢測研究[4]。MANIWARA等[5]利用可見光和短波近紅外光譜建立多變量PLSR預測模型，同時實現對百香果的可溶性固形物含量、可滴定酸含量、抗壞血酸含量、乙醇濃度、果皮硬度等指標的建模分析，可溶性固形物含量預測效果最好且相關系數達到0.923；抗壞血酸含量不適合采用該模型預測，其余指標預測效果良好。張淑娟等[6]利用近紅外光譜技術針對鮮棗的可溶性固形物含量建立了全波段偏最小二乘模型進行預測分析，相關系數和預測均方根誤差分別為0.887 4和1.088 9。上述研究主要在靜態(tài)條件下進行。為在生產實際中推廣使用，SALGUERO-CHAPARRO等[7-8]、MENDOZA等[9]、XU等[10]、JIE等[11]已分別實現了對橄欖、蘋果、梨、西瓜的在線檢測。以上研究中多采用近紅外光譜技術，通過建立單一品質模型進行檢測，少有針對多項內部品質建立綜合品質評價指標，對水果進行多指標同步檢測的研究。

本文以壺瓶棗為研究對象，利用Field Spec3型光譜儀采集漫反射光譜數據，分別針對含水率、可溶性固形物含量、硬度、可溶性蛋白質含量、維生素C含量提取特征波長并建立最小二乘-支持向量機預測模型；分析以上5項指標的相關性并運用因子分析法構建內部綜合品質評價指標，然后提取特征波長，建立最小二乘-支持向量機預測模型，并分析其預測精度，旨在建立反映鮮棗內部綜合品質信息的快速無損檢測模型，為實現鮮棗品質多指標同步在線檢測奠定理論基礎。

1 材料與方法

1.1 樣本采集

以從山西省太谷縣小白村果園采集的160個顏色均勻的完熟期壺瓶棗為實驗樣本，采后當天運達實驗室并篩選成熟度、大小、形狀相對一致的果實，剔除異形果、損傷果和軟果，以保證果實的物性初始狀態(tài)相對一致，降低果實之間個體差異對實驗結果的影響。最終選擇實驗樣本153個，按照3∶1的比例隨機分成校正集(117個)和預測集(36個)。

1.2 內部品質指標測定

對所有鮮棗樣本進行5項內部品質指標的測定。含水率的測定按GB/T 5009.3—2010中的直接干燥法進行；可溶性固形物含量的測定按GB/T 12295—90進行；維生素C含量的測定按GB/T 6195—86進行；可溶性蛋白質含量的測定采用考馬斯亮藍法(染料法)[12]；硬度真實值的測定采用美國FTC公司生產的TMS-PRO型食品物性分析儀(質構儀)進行，探頭插入點與光譜采集位點相對應[13]，測試探頭為直徑2 mm的圓平頭，測前速率和測后速率均為3 mm/s，測中速率為2 mm/s，觸發(fā)力為5 g。

測定5項理化指標的基本統計值見表1。

表1 壺瓶棗樣本不同理化指標的基本統計值Tab.1 Statistics of different indicators for Huping jujube samples

1.3 可見/近紅外光譜數據采集

圖1 樣本光譜曲線Fig.1 Spectrum curves of samples

利用美國ASD(Analytical Spectral Device)公司生產的Field Spec3型光譜儀(采樣范圍為350～2 500 nm)采集153個壺瓶棗樣本的漫反射光譜數據，如圖1所示。整個光譜曲線有較高反射率，各光譜曲線的反射率雖有顯著差異但有相似變化趨勢。960 nm、1 400 nm波長處，光譜線下凹，形成2個明顯的水分吸收峰； 680 nm、1 148 nm等多處波長處也有較弱的吸收峰。1 500～2 500 nm間光譜曲線譜帶復雜、重疊多、反射率較低，與350～1 100 nm相比，總體走勢較平緩，沒有明顯吸收峰，波峰和波谷沒有劇烈的起伏。350～450 nm、2 400～2 500 nm波段的各條光譜曲線反射率有較小差異，交錯在一起很難區(qū)分，為邊緣波段，有較低信噪比，在后續(xù)的研究中應剔除。

1.4 光譜數據分析

在光譜數據的處理和分析中，利用Matlab R2012b軟件(美國The MathWorks公司)實現競爭性自適應重加權算法(Competitive adaptive reweighted sampling，CARS)提取特征波長和最小二乘-支持向量機(Least squares-support vector machines，LS-SVM)建模。

1.4.1特征波長提取方法

競爭性自適應重加權算法[14-15]是一種變量選擇方法，以自適應重加權采樣技術和指數衰減函數為核心，在偏最小二乘模型優(yōu)選出的極值回歸系數基礎上，利用十字交叉法優(yōu)選出多個模型子集中的交叉驗證均方根誤差最小的模型為最優(yōu)變量。

1.4.2預測模型

最小二乘-支持向量機[16-18]克服了神經網絡結構復雜且容易出錯等方面的不足；與原支持向量機相比，將求解二次規(guī)劃問題轉化為直接求解線性方程組，降低了計算復雜度。

1.5 內部品質指標值統計分析

利用SPSS19.0軟件對所測定的各內部品質指標的相關數據加以分析。

1.5.1顯著性檢驗

皮爾遜相關系數(Pearson correlation coefficient)的顯著性雙側檢驗主要應用于正態(tài)分布情形下的相關性檢驗、非正態(tài)分布情形下的大樣本相關性檢驗等分析中，較斯皮爾曼(Spearman)等方法的檢驗效能高。

1.5.2因子分析

因子分析法的前提是經KMO檢驗和Bartlett球形度檢驗是否適合做因子分析，核心為對若干綜合指標進行因子分析并提取公因子，再以每個因子的方差貢獻率作為權數，該權數與對應因子的得分相乘，再將所得乘數相加，以此來構造得分函數。其中，公因子反映了各變量中所含原始信息能被綜合品質指標表示的程度。

KMO檢驗用于比較變量間的簡單相關系數和偏相關系數，當所有變量間的簡單相關系數平方和遠大于偏相關系數平方和時，KMO值越接近于1，所有變量越適合做因子分析，當KMO值小于0.5時表示不適合做因子分析。Bartlett球形度檢驗近似于χ2檢驗，用于檢驗相關系數矩陣是否為單位矩陣，即各變量的獨立性，當顯著性值P小于0.05時，表明各變量不獨立，適合做因子分析。

1.5.3主成分分析

主成分分析法是一種數據降維技術，將原來的多個相關變量重新組合成較少的幾個不相關的新變量，使新變量盡可能地反映原來變量的信息。

2 結果與討論

2.1 單一品質指標預測

2.1.1特征波長提取

針對鮮棗樣本450～2 400 nm間的原始光譜數據，采用CARS法分別提取鮮棗5項品質指標的特征波長。含水率的特征波長提取過程中，首先設定采樣次數為50次，對模型貢獻率大的變量，在采樣次數的增加過程中，回歸系數會被放大和保留，反之會逐漸消失和淘汰；在變量篩選過程中，隨采樣次數的不斷增加，變量數由1 951個逐漸減少到14個；在采樣次數變化過程中，當采樣次數為36時，模型的交叉驗證均方根誤差最小，為1.913，此時保留下來的變量即為所提取的特征波長，共14個。同理，在可溶性固形物質量分數的特征波長選擇模型中，當采樣次數為38次時，交叉驗證均方根誤差最小為2.176，提取到的特征波長數為11個；在維生素C含量的特征波段選擇模型中，當采樣次數為34次時，交叉驗證均方根誤差為0.517，提取到的特征波長數為18個；在蛋白質含量的特征波長選擇模型中，當采樣次數為41次時，交叉驗證均方根誤差為6.692，提取到的特征波長數為7個；在硬度的特征波長選擇模型中，當采樣次數為34次時，交叉驗證均方根誤差為68.874，提取到的特征波長數為19個。各品質指標運用CARS算法提取到的特征波長見表2。

表2 鮮棗品質指標的CARS優(yōu)選特征波長Tab.2 Characteristic wavelengths selected by CARS models of fresh jujube quality indexes

2.1.2特征波長建模分析

分別以CARS提取到的各品質指標的特征波長作為模型輸入量，各品質指標值為輸出量，建立LS-SVM模型。各項品質指標的預測結果見表3，含水率、可溶性固形物質量分數、維生素C含量、蛋白質含量、硬度特征波長預測模型的相關系數分別為0.923 0、0.936 3、0.974 9、0.934 2、0.945 2，預測集均方根誤差分別為1.173 9、1.191 6、0.267 4、3.779 2、41.684 9。

表3 鮮棗品質指標的CARS-LS-SVM模型預測結果Tab.3 Prediction results of quality indexes of fresh jujube by CARS-LS-SVM models

2.2 內部綜合品質指標預測

2.2.1內部綜合品質指標建立

劉嘉芬等[19]測定完熟期鮮棗的可溶性固形物含量和含水率之和為不受品種影響的相對恒定數值，說明各品質指標間可能存在一定的相關性，故對鮮棗進行了5項品質指標間的相關性分析。采用皮爾遜相關系數的顯著性雙側檢驗進行顯著性分析，分析結果見表4。由表4可知，5項品質指標兩兩之間在0.01或0.05水平上存在極顯著或顯著的相關性，說明根據某一品質指標所建立的模型必然會受到其他多項品質指標的影響。其中，在0.01水平上的含水率與維生素C含量之間的相關性最好。由于各項指標之間兩兩相關，為更好地表征鮮棗內部綜合品質信息，擬建立一個綜合評價指標，更全面地表征光譜與鮮棗內部品質間的對應關系。

所有樣本的各項指標原始變量經Bartlett球形度檢驗的P值為0.02，小于0.05，說明各變量間不獨立；經KMO檢驗的系數為0.684，大于0.5，表明各變量間有較強的偏相關性，適合進行因子分析。用主成分分析法提取特征值，各變量公因子方差見表5。

表4 鮮棗品質指標間的顯著性分析Tab.4 Significant analysis between quality indexes of fresh jujube

注：**表示在0.01水平上具有極顯著的相關性；*表示在0.05水平上具有顯著的相關性。

表5 各指標公因子方差Tab.5 Statistics of factors variance extracted by quality indexes

由表5可知，5項指標的公因子方差均在0.8以上，表明所提取的公因子對各指標變量均有較好的解釋能力。對因子分析中主成分特征值和累計貢獻率進行分析，見表6。前2個因子的累計貢獻率已達到82.738%，已能較好地反映原始變量的主要信息。

為了考察多項品質指標間的相互作用并進行綜合評價，利用回歸方法計算成分的得分系數矩陣，結果見表7。

表6 鮮棗因子分析中主成分特征值及貢獻率Tab.6 Factor analysis of principal component characteristic value and contribution in fresh jujube

表7 成分得分系數矩陣Tab.7 Coefficient matrix of basic information of common factors

由表7可知，其成分矩陣的2個主因子得分(I1、I2)表達式為

I1=0.941X1+0.809X2+0.844X3+0.668X4-
0.087X5

(1)

I2=0.380X1-0.186X2+0.346X3+0.044X4+
0.893X5

(2)

由表6可知，所建立鮮棗內部綜合品質指標I的表達式為

I=0.503 15I1+0.324 23I2=0.596 7X1+
0.346 8X2+0.536 9X3+0.350 4X4+0.245 7X5

(3)

其中，X1、X2、X3、X4、X5分別為含水率、可溶性固形物質量分數、維生素C含量、蛋白質含量、硬度經標準化處理后的值。

2.2.2內部綜合品質指標預測模型建立

2.2.2.1特征波長提取

針對鮮棗樣本450～2 400 nm間的原始光譜數據，CARS提取內部綜合品質指標特征波長的過程見圖2，當采樣次數為29次時，其特征波長選擇模型的交叉驗證均方根誤差最小，為9.532。提取到的特征波長為660、721、784、832、999、1 102、1 712、1 950、2 275、2 287、2 300、2 386 nm，共12個。

圖2 CARS提取特征波長過程圖Fig.2 Key variables screening by CARS

各品質指標的特征吸收峰會根據果品的溫度、壓力、內部存在化學物質的不同而發(fā)生一定的位置偏移[20-21]。因此，所提取的綜合品質指標特征波長可能發(fā)生了一定量的位置偏移。結合表2可知，660 nm和721 nm可能分別是維生素C含量的特征波長656 nm和728 nm位置發(fā)生偏移所致；784 nm可能與可溶性固形物質量分數的特征波長789 nm或779 nm的位置偏移有關；999 nm與蛋白質含量的特征波長相重合；1 102、1 950、2 287 nm可能分別與含水率的特征波長1 104、1 940、2 277 nm的位置偏移有關；2 275 nm可能與硬度的特征波長2 272 nm的位置偏移有關，2 300 nm與硬度的特征波長相重合。因此，根據內部綜合品質指標所提取到的12個特征波長中，含有根據各項單一品質所提取到的特征波長，可以全面表征出5項品質的信息。

2.2.2.2內部綜合品質指標特征波長建模分析

將CARS提取到的內部綜合品質指標特征波長作為模型輸入量，將基于因子分析法所構建的內部綜合品質指標值作為輸出量，建立LS-SVM預測模型，判別結果見圖3，預測集的相關系數和均方根誤差分別為0.924 1和6.063 5，說明該模型的預測精度較高。

圖3 鮮棗綜合品質的CARS-LS-SVM模型預測結果Fig.3 Prediction results of comprehensive index of fresh jujube by CARS-LS-SVM models

GB/T 22345—2008《鮮棗質量等級》中對鮮棗內部品質僅在可溶性固形物指標上做了規(guī)定，在口感檢驗中通過品嘗確定果實是否脆甜適口，沒有針對其他質量如果實質地、營養(yǎng)成分等確定明確的綜合定量評價標準。而綜合評價指標的建立，不僅揭示了各品質指標間的相互作用，更全面地表征了鮮棗的內部綜合品質信息，而且解決了鮮棗內部品質綜合評價不能定量分析的問題，并為鮮棗內部綜合評價標準體系的構建提供了基礎。內部綜合品質檢測模型的建立，解決了各單一品質檢測模型同步實現有較大難度的問題，實現了多項品質的同步綜合檢測，并且簡化了檢測模型，提高了預測能力和運算速度。

3 結論

(1)含水率、可溶性固形物質量分數、可溶性蛋白質含量、維生素C含量、硬度的CARS-LS-SVM模型的預測集相關系數分別為0.923 0、0.936 3、0.934 2、0.974 9、0.945 2，均方根誤差分別為1.173 9、1.191 6、3.779 2、0.267 4、41.684 9。

(2)鮮棗的5項品質指標間兩兩相關，利用因子分析法構建了鮮棗內部綜合品質的評價指標，實現了內在品質的綜合定量評價；并建立了 CARS-LS-SVM模型，實現了對內部綜合品質的預測，且預測集相關系數和均方根誤差分別達到了0.924 1和6.063 5，為實現鮮棗內部綜合品質的實時快速準確分級奠定了基礎。

1 NICOLAI B M, BEULLENS K, BOBELYN E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy:a review[J]. Postharvest Biology and Technology,2007,46(2):99-118.

2 公麗艷,孟憲軍,劉乃僑,等.基于主成分與聚類分析的蘋果加工品質評價[J].農業(yè)工程學報,2014,30(13):276-285. GONG Liyan, MENG Xianjun, LIU Naiqiao, et al. Evaluation of apple quality based on principal component and hierarchical cluster analysis[J]. Transactions of the CSAE, 2014,30(13):276-285．(in Chinese)

5 MANIWARA P, NAKANO K, BOONYAKIAT D, et al. The use of visible and near infrared spectroscopy for evaluating passion fruit postharvest quality[J]. Journal of Food Engineering,2014,143(2): 33-43.

6 張淑娟,張海紅,趙艷茹,等.鮮棗可溶性固形物可見/近紅外光譜檢測建模方法比較[J/OL].農業(yè)機械學報,2012, 43(3):108-112.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120321&journal_id=jcsam. DOI: 10.6041 /j.issn.1000-1298.2012.03.021. ZHANG Shujuan, ZHANG Haihong, ZHAO Yanru, et al. Comparison of modeling methods of fresh jujube soluble solids measurement by NIR spectroscopy[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012,43(3):108-112.(in Chinese)

7 SALGUERO-CHAPARRO L, BAETEN V, ABBAS O, et al. On-line analysis of intact olive fruits by vis-NIR spectroscopy: optimisation of the acquisition parameters[J]. Journal of Food Engineering,2012, 112(3):152-157.

8 SALGUERO-CHAPARRO L, PENA-RODRIGUEZ F. On-line versus off-line NIRS analysis of intact olives[J]. LWT—Food Science and Technology,2014,56(2):363-369.

9 MENDOZA F, LU R F, CEN H Y. Grading of applies based on firmness and soluble solids content using Vis/SWNIR spectroscopy and spectral scattering techniques[J]. Journal of Food Engineering,2014,125:59-68.

10 XU H R, QI B, SUN T, et al. Variable selection in visible and near-infrared spectra: application to on-line determination of sugar content in pears[J]. Journal of Food Engineering,2012,109(1):142-147.

11 JIE D F, XIE L J, RAO X Q, et al. Using visible and near infrared diffuse transmittance technique to predict soluble solids content of watermelon in an on-line detection system[J]. Postharvest Biology and Technology,2014, 90(3):1-6.

12 BRADFORD. A rapid and sensitive method for the quantitation of microg ram quantities of protein utilizing the principle of protein-dye binding [J]. Analytical Biochemistry,1976,72:248-254.

13 薛建新,張淑娟,孫海霞,等.可見/近紅外光譜結合軟化指標快速判定沙果貨架期[J/OL].農業(yè)機械學報,2013, 44(8):169-173.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130828&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2013.08.028. XUE Jianxin, ZHANG Shujuan, SUN Haixia, et al. Detection of shelf life ofMalusasiaticausing near-infrared spectroscopy and softening index[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44 (8): 169-173. (in Chinese)

14 梁琨,杜瑩瑩,盧偉,等.基于高光譜成像技術的小麥籽粒赤霉病識別[J/OL].農業(yè)機械學報,2016,47(2):309-315. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160241&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.02.041. LIANG Kun, DU Yingying, LU Wei, et al. Identification of fusarium head blight wheat based on hyperspectral imaging technology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(2):309-315.(in Chinese)

15 李江波,郭志明,黃文倩,等.應用CARS和SPA算法對草莓SSC含量NIR光譜預測模型中變量及樣本篩選[J].光譜學與光譜分析,2015,35(2):372-378. LI Jiangbo, GUO Zhiming, HUANG Wenqian, et al. Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry [J]. Spectroscopy and Spectra Analysis, 2015, 35(2): 372-378. (in Chinese)

16 石吉勇,胡雪桃,朱瑤迪,等.基于近紅外光譜技術的醋醅中常見桿菌快速識別[J/OL].農業(yè)機械學報,2016,47(2):245-250.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160232&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.02.032. SHI Jiyong, HU Xuetao, ZHU Yaodi, et al. Rapid identification of common bacilli in vinegar culture based on near-infrared spectroscopy[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(2):245-250. (in Chinese)

17 ROBLES G, PARRADO-HERNNDEZ E, ARDILA-REY J, et al. Multiple partial discharge source discrimination with multiclass support vector machines[J]. Expert Systems with Applications,2016,55:417-428.

18 KISI O, PARMAR K S. Application of least square support vector machine and multivariate adaptive regression spline models in long term prediction of river water pollution[J]. Journal of Hydrology, 2016,534:104-112.

19 劉嘉芬,高麗,單公華.棗果發(fā)育過程中可溶性總糖和水分含量的變化[J].落葉果樹,2007, 39(5):11-12. LIU Jiafen, GAO Li, SHAN Gonghua. Changes of total soluble sugar and water content during development of Chinese jujube fruit [J]. Decid Fruits, 2007, 39(5): 11-12.(in Chinese)

20 VANDERMEULEN D L, RESSLER N. A near-infrared method for studying hydration changes in aqueous solution: illustration with protease reactions and protein denaturation[J]. Arch of Biochemistry and Biophysics, 1980,205(1): 180-190.

21 DELWICHE S R, PITT R E, NORRIS K H. Sensitivity of near-infrared absorption to moisture content versus water activity in starch and cellulose[J]. Cereal Chemistry,1992,69(1):107-109.

EstablishmentandAnalysisofInternalComprehensiveQualitySpectralEvaluationIndexforFreshJujube

SUN Haixia ZHANG Shujuan XUE Jianxin LIU Jianglong ZHAO Xuting

(CollegeofEngineering,ShanxiAgriculturalUniversity,Taigu030801,China)

A non-destructive method for on-line determining the internal comprehensive quality of Huping jujube fruit was investigated based on visible/near-infrared reflection spectrum. Moisture content, soluble solid content, firmness, soluble protein content and vitamin C content were respectively used as internal indexes to assess the quality of Huping jujube at full ripe stage. Competitive adaptive reweighted sampling (CARS) was applied to select sensitive wavelengths. Models of the least squares-support vector machines (LS-SVM) were built based on the sensitive wavelengths respectively. The model of firmness showed that the correlation coefficient of prediction was 0.945 2 and root mean square error of prediction was 41.684 9. The other four models obtained the better results with the correlation coefficient of each prediction over 0.923 0 and root mean square error of each prediction from 0.267 4 to 3.779 2. Then, the correlation was analyzed between the quality indexes. The results indicated that an extremely significant or a significant correlation was revealed between any two indexes in theP<0.01 orP<0.05 levels. Therefore, factor analysis was carried out on five internal quality index of fresh jujube to develop the internal comprehensive quality index, and the CARS-LS-SVM model of this index was established. The results indicated that the correlation coefficient of prediction was 0.924 1 and root mean square error of prediction was 6.063 5. This research showed that the established CARS-LS-SVM model was effective to realize evaluation of the internal comprehensive quality on fresh jujube. This research provided theoretical basis for on-line, rapid and non-destructive detection on internal comprehensive quality of fresh jujube.

fresh jujube; internal comprehensive quality; feature extraction; visible/near-infrared spectrum

S123; S665

A

1000-1298(2017)09-0324-06

10.6041/j.issn.1000-1298.2017.09.041

2017-01-02

2017-02-24

國家自然科學基金項目(31271973)

孫海霞(1985—)，女，博士生，主要從事農產品無損檢測研究，E-mail: sunhaixia1121@126.com

張淑娟(1963—)，女，教授，博士生導師，主要從事農產品無損檢測研究，E-mail: zsujuan@263.net