基于光譜成像和聲學(xué)技術(shù)的水果成熟度無(wú)損檢測(cè)系統(tǒng)設(shè)計(jì)

摘要：水果成熟度的快速、無(wú)損與精確檢測(cè)有助于水果的采摘、運(yùn)輸與存儲(chǔ)，以此提高水果產(chǎn)業(yè)的經(jīng)濟(jì)效益.本文設(shè)計(jì)了一個(gè)緊湊、獨(dú)立的光譜和聲學(xué)結(jié)合的水果成熟度無(wú)損快速檢測(cè)系統(tǒng).該系統(tǒng)創(chuàng)造性地將光譜技術(shù)和聲學(xué)技術(shù)相結(jié)合，針對(duì)不同精度的檢測(cè)要求可以在同一裝置上進(jìn)行操作.該系統(tǒng)在采集數(shù)據(jù)以后借助人工智能技術(shù)，通過(guò)神經(jīng)網(wǎng)絡(luò)建立水果的成熟度檢測(cè)模型，可以實(shí)現(xiàn)隨時(shí)隨地進(jìn)行水果成熟度的快速無(wú)損檢測(cè).

關(guān)鍵詞：光譜成像；聲學(xué)技術(shù)；水果成熟度；無(wú)損檢測(cè)

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-6991（2023）01-0060-06

Abstract：Rapid， non-destructive and accurate detection of fruit ripeness is helpful for fruit picking， transportation and storage， so as to improve the economic benefits of fruit industry. In this paper， a compact， independent spectral and acoustic combination of fruit ripeness non-destructive rapid detection system is designed. The system creatively combines spectral technology and acoustic technology， and can be operated on the same device for different accuracy detection requirements. After collecting data， the system uses artificial intelligence technology to establish a fruit ripeness detection model through neural network， which can realize rapid and non-destructive detection of fruit ripeness anytime and anywhere.

Key words：spectral imaging; acoustic technology; fruit ripeness; non-destructive testing

隨著人們生活水平的不斷提高，水果產(chǎn)業(yè)已逐漸發(fā)展成為僅次于糧食、蔬菜的第三大農(nóng)業(yè)產(chǎn)業(yè).水果作為一種時(shí)令性強(qiáng)的農(nóng)產(chǎn)品，掌握其最佳采摘期非常關(guān)鍵，如果采摘過(guò)早，會(huì)降低成熟后的口感、營(yíng)養(yǎng)及風(fēng)味，采摘過(guò)晚又會(huì)導(dǎo)致果實(shí)變軟，易受損傷，難以運(yùn)輸和貯藏.因此，快速、無(wú)損與精確地檢測(cè)水果的成熟度不僅有助于科學(xué)按需采摘及采后分選，也可提高水果在運(yùn)輸、存儲(chǔ)、銷(xiāo)售過(guò)程中的經(jīng)濟(jì)效益，滿(mǎn)足水果產(chǎn)業(yè)的發(fā)展需求.目前水果成熟度的常用評(píng)價(jià)方法有主觀評(píng)價(jià)法和有損檢測(cè)法.主觀評(píng)價(jià)是根據(jù)水果的色澤、硬度、盛花期天數(shù)等指標(biāo)進(jìn)行主觀上的判斷.有損檢測(cè)法是通過(guò)有損的方法來(lái)檢測(cè)水果內(nèi)部成分含量，從而劃分閾值進(jìn)行成熟度分級(jí).主觀評(píng)價(jià)法受主觀性制約、準(zhǔn)確度不高；有損檢測(cè)法是破壞性抽樣檢測(cè)，不僅繁瑣費(fèi)時(shí)，而且檢測(cè)后的樣品因組織遭到嚴(yán)重破壞而不能銷(xiāo)售和食用.為了彌補(bǔ)上述評(píng)價(jià)方法的不足之處，無(wú)損檢測(cè)技術(shù)越來(lái)越受到重視，常見(jiàn)的無(wú)損檢測(cè)技術(shù)有核磁共振、近紅外光譜、高光譜成像、拉曼光譜及其成像技術(shù)等.

近年來(lái)隨著精準(zhǔn)農(nóng)業(yè)的興起，光譜技術(shù)在農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)方面得到廣泛關(guān)注[1-6].文獻(xiàn)[7]利用高光譜成像技術(shù)研究了沙金杏的成熟度，發(fā)現(xiàn)其可溶性固形物SSC與成熟度之間存在一定的關(guān)聯(lián)性，利用偏最小二乘回歸PLSR（Partial Least Squares Regression，PLSR）模型提取特征波長(zhǎng)，進(jìn)而利用圖像灰度共生矩陣GLCM（Gray-level Co-occurrence Matrix，GLCM）提取圖像紋理指標(biāo)，然后利用RGB模型提取圖像顏色指標(biāo)，然后對(duì)以上3類(lèi)指標(biāo)進(jìn)行優(yōu)化組合分別建立極限學(xué)習(xí)機(jī)器ELM（Extreme Learning Machine，ELM）模型對(duì)沙金杏成熟度進(jìn)行判別，最后發(fā)現(xiàn)特征波長(zhǎng)與顏色特征融合值建立的ELM模型的判別正確率最高.文獻(xiàn)[8]采用高光譜成像技術(shù)采集不同成熟階段果實(shí)的高光譜信息，同時(shí)測(cè)定與成熟度有關(guān)的可溶性固形物SSC（Soluble Solids Content，SSC）和硬度值并進(jìn)行單因素方差分析，通過(guò)連續(xù)投影算法SPA（Successive Projections Algorithm，SPA）和主成分分析PCA（Principal Component Analysis，PCA）分別提取不同成熟度樣本光譜數(shù)據(jù)的特征波長(zhǎng)和主成分值，利用RGB、HSV顏色模型對(duì)樣本圖像進(jìn)行顏色特征提取，分別建立基于光譜信息、圖像信息及兩者融合的PLSR模型，實(shí)驗(yàn)結(jié)果表明PLSR模型效果最佳.文獻(xiàn)[9]采用高光譜技術(shù)結(jié)合特征波長(zhǎng)篩選方法對(duì)哈密瓜的可溶性固形物SSC、硬度及成熟度進(jìn)行了無(wú)損檢測(cè)研究，利用多元散射校正MSC（Multiplicative Scatter Correction，MSC）對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用連續(xù)投影算法SPA、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法CARS（Competitive Adaptative Reweighted Sampling，CARS）和CARS-SPA方法篩選了哈密瓜可溶性固形物SSC和硬度的特征波長(zhǎng)，并分別建立哈密瓜可溶性固形物SSC和硬度的支持向量機(jī)SVM（Support Vector Machine，SVM）預(yù)測(cè)模型及成熟度判別模型.文獻(xiàn)[10]利用聲學(xué)技術(shù)、近紅外光譜技術(shù)結(jié)合K最近鄰法、線(xiàn)性判別分析和反向傳播人工神經(jīng)網(wǎng)絡(luò)3種化學(xué)計(jì)量學(xué)方法對(duì)不同成熟度的西瓜進(jìn)行定性判別；同時(shí)采用聯(lián)合區(qū)間偏最小二乘篩選法分別建立聲學(xué)技術(shù)、近紅外光譜技術(shù)、融合技術(shù)的西瓜可溶性固形物SSC預(yù)測(cè)模型.文獻(xiàn)[11-12]在便攜式智能手機(jī)光譜儀設(shè)計(jì)方面已經(jīng)做了一些研究工作，但是在數(shù)據(jù)的質(zhì)量和可重復(fù)性方面還需要進(jìn)行一些改進(jìn).文獻(xiàn)[13]使用光柵作為分散元件，使用手機(jī)攝像頭的傳感器作為檢測(cè)器，設(shè)計(jì)了一個(gè)便攜式光譜儀，但由于傳感器中的Bayer濾波器有大量的顏色重疊，無(wú)法進(jìn)行精確的光譜測(cè)量.

1 系統(tǒng)設(shè)計(jì)

水果的成熟度與水果的含糖或含酸量密切相關(guān)，而這兩者與水果生長(zhǎng)過(guò)程中葉綠素、類(lèi)胡蘿卜素、花青素的含量有關(guān).葉綠素自身吸收紅光和紫光反射綠光呈綠色，類(lèi)胡蘿卜素呈黃色.當(dāng)細(xì)胞液為酸性時(shí)，花青素呈現(xiàn)偏紅色；當(dāng)細(xì)胞液為堿性時(shí)則呈現(xiàn)出偏藍(lán)色.不同成熟階段的水果內(nèi)部成分和外部特征存在一定差異，因而導(dǎo)致其對(duì)光的吸收、反射和透射特性不相同，在不同波長(zhǎng)光線(xiàn)照射下會(huì)產(chǎn)生不同的光譜特征.水果不同成熟時(shí)期光譜的特征不同，根據(jù)光譜特征變化對(duì)水果成熟度進(jìn)行分析與檢測(cè)是可行的.

水果的聲音信號(hào)主要是指水果在受到外力沖擊時(shí)，內(nèi)部成分振動(dòng)產(chǎn)生的信號(hào).水果的聲學(xué)特性隨內(nèi)部組織的變化而變化，不同種類(lèi)的水果聲學(xué)特性不同，同一種類(lèi)而不同品質(zhì)的水果聲學(xué)特性往往也存在差異.用固定的力度和速度對(duì)水果施加沖擊力，引起水果內(nèi)部成分的振動(dòng)產(chǎn)生聲波，使用音頻采集器對(duì)聲波信號(hào)進(jìn)行采集，經(jīng)過(guò)放大、AD（Analog to Digital，AD）轉(zhuǎn)換等操作可以采集到水果基于時(shí)域的聲學(xué)數(shù)據(jù).對(duì)時(shí)域數(shù)據(jù)進(jìn)行傅立葉變換可得數(shù)據(jù)的頻域變換；對(duì)頻域數(shù)據(jù)進(jìn)行相應(yīng)的處理分析，即可提取到水果成熟度與其聲學(xué)特征之間的關(guān)系，進(jìn)而可以根據(jù)水果的聲學(xué)特性判斷其成熟度.

基于上述設(shè)計(jì)思路，本文設(shè)計(jì)了一個(gè)緊湊的、獨(dú)立的光譜和聲學(xué)結(jié)合的水果成熟度無(wú)損快速檢測(cè)裝置.該裝置創(chuàng)造性地將光譜技術(shù)和聲學(xué)技術(shù)相結(jié)合，針對(duì)不同精度的檢測(cè)要求可以在同一裝置上進(jìn)行選擇，采集數(shù)據(jù)后借助人工智能技術(shù)，通過(guò)神經(jīng)網(wǎng)絡(luò)建立水果的成熟度檢測(cè)模型，實(shí)現(xiàn)對(duì)水果成熟度的快速檢測(cè)，最后通過(guò)手機(jī)App可視化展示檢測(cè)結(jié)果，形成一個(gè)集數(shù)據(jù)采集、數(shù)據(jù)處理和數(shù)據(jù)展示功能于一體的水果成熟度無(wú)損檢測(cè)系統(tǒng)，整體結(jié)構(gòu)如圖1所示.

1.1 機(jī)械結(jié)構(gòu)設(shè)計(jì)

光譜及聲學(xué)數(shù)據(jù)采集裝置主要由光譜采集模塊、聲音采集模塊、主控電路及殼體等部分組成，其結(jié)構(gòu)如圖2所示.光譜采集模塊主要由遮光罩、LED光源、光學(xué)濾光片、光譜成像芯片組成.LED光源主要作用是提供多波長(zhǎng)的復(fù)合光；遮光罩的作用是屏蔽外部環(huán)境中光線(xiàn)的干擾；濾光片可以控制進(jìn)入光譜成像芯片的光線(xiàn)波長(zhǎng)范圍；光譜芯片主要實(shí)現(xiàn)反射光的光譜成像.

聲音數(shù)據(jù)采集模塊由沖擊錘、壓力彈簧、拾音器組成，沖擊錘在壓力彈簧的作用下以固定力對(duì)被檢測(cè)水果進(jìn)行沖擊，從而引發(fā)水果內(nèi)部成分的振動(dòng)產(chǎn)生聲波，拾音器將聲波的振動(dòng)信號(hào)轉(zhuǎn)變成電信號(hào).

所有零部件安裝在一個(gè)尺寸為100 mm×37 mm×22 mm的外殼中，方便攜帶，可適應(yīng)果園、市場(chǎng)等多種環(huán)境.

1.2 電路系統(tǒng)設(shè)計(jì)

光譜及聲學(xué)數(shù)據(jù)采集裝置的電路系統(tǒng)主要由電源模塊、LED光源模塊、藍(lán)牙通信模塊、聲音信號(hào)濾波與放大模塊、光譜驅(qū)動(dòng)電路及光譜成像模塊構(gòu)成，系統(tǒng)結(jié)構(gòu)如圖3所示.主處理器使用ATmega328P，它是一種基于RISC（Reduced Instruction Set Computer，PISC）結(jié)構(gòu)的高性能、低功耗的8位AVR微處理器，提供USART（Universal Asynchronous Receiver/Transmitter，USART）、SPI（Serial Peripheral Interface，SPI）串行接口和8路10位ADC轉(zhuǎn)換（Digital-Analog Conversion），從而免去了添加、配置附加外圍接口的麻煩，有效縮小了線(xiàn)路板的面積.

光譜成像芯片使用日本濱松公司的微型光譜芯片，該芯片使用MEMS（Micro Electro Mechanical System，MEMS）制造技術(shù)，具有彎曲的凹面光柵，光柵夾縫長(zhǎng)度為500 um，寬度為50 um，線(xiàn)性傳感器為288像素，對(duì)應(yīng)于340 nm～850 nm內(nèi)的波長(zhǎng)，光譜分辨率為15 nm，積分時(shí)間為毫秒級(jí)，具有非常高的靈敏度和較小的尺寸，非常適合集成在微小型設(shè)備中.光譜芯片輸出的模擬信號(hào)通過(guò)驅(qū)動(dòng)電路與主處理器的AD轉(zhuǎn)換接口相連接.驅(qū)動(dòng)電路主要對(duì)光譜芯片的信號(hào)進(jìn)行寄存、放大，并為光譜芯片提供時(shí)序脈沖信號(hào).

拾音器采集的信號(hào)先經(jīng)過(guò)濾波消除噪聲，然后經(jīng)放大電路放大后輸入到處理器的AD轉(zhuǎn)換接口進(jìn)行模擬信號(hào)采樣、量化等操作轉(zhuǎn)換為數(shù)字信號(hào).藍(lán)牙模塊通過(guò)USART串行口與處理器相連，實(shí)現(xiàn)與智能手機(jī)間的無(wú)線(xiàn)數(shù)據(jù)傳輸.

1.3 光譜與聲學(xué)數(shù)據(jù)的采集

光譜數(shù)據(jù)采集如圖4所示，首先LED光源以一定的角度安裝在遮光罩噴嘴口附近，光源發(fā)出的復(fù)合光在被檢測(cè)物體的表面形成一個(gè)5 mm～10 mm的光斑，光線(xiàn)經(jīng)物體表面反射后通過(guò)噴嘴進(jìn)入遮光罩，經(jīng)濾光片濾光后進(jìn)入光譜成像芯片.入射光首先經(jīng)過(guò)光譜芯片的入射夾縫到達(dá)底面的凹面光柵，經(jīng)光柵衍射、干涉后入射光將分散為不同波長(zhǎng)的單色光形成光譜，并以一定的角度照射在上部的CMOS線(xiàn)性成像傳感器，從而形成光譜圖像.

光譜傳感器工作需要一個(gè)時(shí)鐘脈沖CLK，本設(shè)計(jì)采用1 kHz的脈沖頻率，其數(shù)據(jù)采集時(shí)序如圖5所示.采用一個(gè)起始脈沖ST觸發(fā)像素讀出過(guò)程，兩個(gè)連續(xù)ST脈沖之間的間隔為傳感器的積分時(shí)間.在接收到來(lái)自App的采集光譜命令后，觸發(fā)ST脈沖，啟動(dòng)每個(gè)像素的電荷積分，在所需的積分時(shí)間之后，觸發(fā)第二個(gè)ST脈沖來(lái)結(jié)束電荷積分.

圖5 光譜傳感器時(shí)序

由于數(shù)據(jù)讀出是順序的，每個(gè)像素在不同時(shí)間發(fā)生電荷積分，只有在1個(gè)像素電荷積分完成后才能產(chǎn)生下一個(gè)啟動(dòng)脈沖，開(kāi)始下一個(gè)像素的電荷積分.Video信號(hào)輸出頻率是傳感器CLK頻率的四分之一（1 000 Hz/4=250 Hz），完成所有像素的積分大概需要1.152 s（4/1 000×288像素）.該傳感器還提供了一個(gè)結(jié)束掃描EOS（End of Scan）信號(hào)，該信號(hào)用于終止讀出過(guò)程.所有像素積分完成后，就執(zhí)行校準(zhǔn)步驟將像素轉(zhuǎn)換為波長(zhǎng).為了實(shí)現(xiàn)這種轉(zhuǎn)換，采用5次多項(xiàng)式擬合數(shù)據(jù)，提取波長(zhǎng)信息.多項(xiàng)式公式如下，其中x為像素?cái)?shù)，A0，Bi（i=1，2，3，4，5）為校準(zhǔn)系數(shù).

聲學(xué)數(shù)據(jù)采集在收到采集指令后，按下采集裝置上的觸發(fā)開(kāi)關(guān)，此時(shí)沖擊錘在壓力彈簧的作用下對(duì)檢測(cè)對(duì)象進(jìn)行撞擊，引起水果內(nèi)部成分的振動(dòng)產(chǎn)生聲波，使用音頻采集器將聲波信號(hào)轉(zhuǎn)換為電信號(hào)，信號(hào)經(jīng)過(guò)濾波、放大、AD轉(zhuǎn)換等操作后生成基于時(shí)域的聲學(xué)數(shù)據(jù)，通過(guò)藍(lán)牙模塊傳輸給智能手機(jī)，其采集原理如圖6所示.

1.4 App設(shè)計(jì)

為了配合光譜及聲學(xué)數(shù)據(jù)采集裝置進(jìn)行光譜和聲學(xué)數(shù)據(jù)的采集，我們還開(kāi)發(fā)了一個(gè)可以在智能手機(jī)上運(yùn)行的專(zhuān)用App.App通過(guò)藍(lán)牙連接采集裝置，獲取設(shè)備采集的光譜和聲波數(shù)據(jù)，然后根據(jù)這些數(shù)據(jù)繪制圖表，通過(guò)5G網(wǎng)絡(luò)將提取的特征數(shù)據(jù)傳送到部署在云端的成熟度識(shí)別系統(tǒng)，在獲取水果的成熟度信息反饋后，以圖形的方式向用戶(hù)展現(xiàn)結(jié)果，如圖7與圖8所示.

2 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)樣品選擇中國(guó)山東省煙臺(tái)某果園種植的紅富士蘋(píng)果和中國(guó)安徽蕪湖縣某種植園培育的名為“8424”的西瓜，在不同生長(zhǎng)期以固定的時(shí)間間隔進(jìn)行連續(xù)抽樣，獲取樣本后進(jìn)行仔細(xì)檢查清除異性樣本，進(jìn)行統(tǒng)一編號(hào)后用于后續(xù)實(shí)驗(yàn)測(cè)定.

實(shí)驗(yàn)使用美國(guó)Ocean Optics公司的便攜式可見(jiàn)/近紅外光譜儀，以漫透射的方式分別對(duì)每個(gè)蘋(píng)果樣本進(jìn)行光譜測(cè)量，每個(gè)樣本進(jìn)行3次測(cè)量，以3次測(cè)量的光譜信息平均值作為樣本的漫反射光譜數(shù)據(jù).西瓜音頻數(shù)據(jù)的采集是在一個(gè)密閉、隔音的環(huán)境中，選擇西瓜赤道上一點(diǎn)，使用撞擊錘以固定的力量和速度擊打西瓜，同時(shí)采用拾音器記錄聲波信號(hào).每個(gè)西瓜樣本在赤道上不同部位共采集3次，每次采集的聲波信號(hào)時(shí)長(zhǎng)在3秒以?xún)?nèi).在樣本進(jìn)行光譜采集和聲波數(shù)據(jù)采集后，以有損方式對(duì)樣本的可溶性固形物SSC含量進(jìn)行測(cè)定.每個(gè)樣本測(cè)量3次，用平均值作為SSC含量的參考值.

實(shí)驗(yàn)使用偏最小二乘法PLS（Partial Least Squares，PLS）進(jìn)行樣本異常值剔除，使用主成分分析法PCA、隨機(jī)蛙跳算法SFLA（Shuffled Frog Leaping Algorithm，SFLA）、競(jìng)爭(zhēng)自適應(yīng)權(quán)重采樣CARS進(jìn)行聲學(xué)信號(hào)特征頻率和光譜數(shù)據(jù)特征波長(zhǎng)的選擇，使用多元線(xiàn)性回歸MLR（Multiple line regression，MLR）建立特征頻率以及特征波長(zhǎng)與SSC間的量化預(yù)測(cè)模型，使用反向傳播人工神經(jīng)網(wǎng)絡(luò)BP-ANN（Back-Propagation Artificial Neural Network，BP-ANN）建立光譜數(shù)據(jù)與成熟度的定性判別模型.

實(shí)驗(yàn)使用校正集相關(guān)系數(shù)RC（Root Calibration，RC）、校正集均方根誤差RMSEC（Root Mean Squared Error of Calibration，RMSEC）、預(yù)測(cè)集相關(guān)系數(shù)RP（Ratio of Prediction，RP）和預(yù)測(cè)集均方根誤差RMSEP（Root Mean Squared Error of Prediction，RMSEP）以及預(yù)測(cè)集實(shí)測(cè)值標(biāo)準(zhǔn)差與均方根誤差的比值RPD（Ratio of Standard Deviation of Validation Set to Standard Error of Prediction，RPD）作為模型性能的主要評(píng)價(jià)指標(biāo).相關(guān)系數(shù)越接近1，均方根誤差越接近0，模型的預(yù)測(cè)效果越好；當(dāng)模型的RPD值大于2時(shí)表示模型有極好的預(yù)測(cè)能力；其值在1.4和2之間表示模型效果一般；當(dāng)其值小于1.4時(shí)表示模型效果差無(wú)法進(jìn)行預(yù)測(cè).

為了測(cè)試本文設(shè)計(jì)的裝置用于水果成熟度定性判定的有效性，我們選擇了不同成熟度的蘋(píng)果和西瓜樣本各120個(gè)，在實(shí)驗(yàn)室環(huán)境下進(jìn)行了識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所列.

從上述數(shù)據(jù)可以看出基于光譜成像與聲學(xué)技術(shù)的小尺寸水果成熟度無(wú)損快速檢測(cè)裝置，通過(guò)人工神經(jīng)網(wǎng)絡(luò)的成熟度定性識(shí)別模型，可以實(shí)現(xiàn)對(duì)水果的可溶性固形物SSC含量進(jìn)行預(yù)測(cè)，對(duì)水果的成熟度可進(jìn)行定性預(yù)測(cè).其中基于光譜成像技術(shù)的識(shí)別率較高，總體識(shí)別率達(dá)96.7%.由于聲波采集設(shè)備的精度不夠、采集環(huán)境干擾較多等因素存在，基于聲學(xué)技術(shù)的總識(shí)別率為79.2%.

3 結(jié)論

本文基于光譜成像與聲學(xué)技術(shù)的小尺寸水果成熟度無(wú)損快速檢測(cè)裝置，以大力發(fā)展扶持農(nóng)業(yè)科技創(chuàng)新產(chǎn)品為背景，深入挖掘當(dāng)下農(nóng)業(yè)生產(chǎn)與貿(mào)易過(guò)程中存在的短板弱項(xiàng)，通過(guò)App+5G+人工智能技術(shù)，實(shí)現(xiàn)了水果成熟度的快速無(wú)損檢測(cè).

參考文獻(xiàn)：

[1] X.WEI F.LIU，Z.QIU，et al.Ripeness classification of astringent persimmon using hyperspectral imaging technique[J].Food and Bioprocess Technology，2013，7（5）：1371-1380.

[2] KHODABAKHSHIAN R，EMADI B.Application of Vis/SNIR hyperspectral imaging in ripeness classification of pear[J].International Journal of Food Properties，2017，20（S3）：3149-3163.

[3] Munera S，Aleixos N，Besada C，et al.Discrimination of astringent and deastringed hard ‘Rojo Brillante’ persimmon fruit using a sensory threshold by means of hyperspectral imaging[J].Journal of Food Engineering，2019，263（DEC.）：173-180.

[4] AMANAH H Z，JOSHI R，MASITHOH R E，et al.Nondestructive measurement of anthocyanin in intact soybean seed using fourier transform near-infrared （FT-NIR） and fourier transform infrared （FT-IR） spectroscopy[J].Infrared Physics amp; Technology，2020，111：465-477.

[5] BENELLI A，CEVOLI C，F(xiàn)ABBRI A，et al.Ripeness evaluation of kiwifruit by hyperspectral imaging[J].Biosystems Engineering，2021（1）：318-329.

[6] AMANAH H Z，TUNNY S S，MASITHOH，et al.Nondestructive prediction of isoflavones and oligosaccharides in intact soybean seed using fourier transform near-infrared （FT-NIR） and fourier transform infrared （FT-IR） spectroscopic techniques[J].Foods，2022，11（2）：232.

[7] 薛建新，張淑娟，張晶晶.基于高光譜成像技術(shù)的沙金杏成熟度判別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2015，31（11）：300-307.

[8] 李軍宇，張淑娟，張學(xué)豪，等.李果實(shí)成熟度的高光譜成像判別研究[J].農(nóng)機(jī)化研究，2017，39（12）：141-145.

[9] 孫靜濤，馬本學(xué)，董娟，等.高光譜技術(shù)結(jié)合特征波長(zhǎng)篩選和支持向量機(jī)的哈密瓜成熟度判別研究[J].光譜學(xué)與光譜分析，2017，37（7）：2184-2191.

[10] 鄒小波，張俊俊，黃曉瑋，等.基于音頻和近紅外光譜融合技術(shù)的西瓜成熟度判別[J].農(nóng)業(yè)工程學(xué)報(bào)，2019，35（9）：301-307.

[11] GALLEGOS D，LONG KD，YU H，et al.Label-free biodetection using a smartphone[J].Lab on a Chip，2013，13（11）：2124-2132.

[12] ZHANG，C，CHENG，G，EDWARDS，et al.G-Fresnel smartphone spectrometer[J].Lab on a Chip，2016，16（2）：246-250.

[13] SCHEELINE，ALEXANDER.Teaching，learning，and using spectroscopy with commercial， off-the-shelf technology[J].Applied Spectroscopy，2010，64（9）：256-268.

［責(zé)任編輯：李 嵐］

基金項(xiàng)目：安徽省教育廳高校優(yōu)秀青年人才支持計(jì)劃課題（gxyq2018236）；安徽省教育廳教學(xué)團(tuán)隊(duì)項(xiàng)目（2020jxtd093）

作者簡(jiǎn)介：楊帆（1989-），男，安徽懷寧人，講師，博士，研究方向：人工智能、增強(qiáng)現(xiàn)實(shí)、軟件開(kāi)發(fā).E-mail：yangfan@abc.edu.cn.

通信作者：呂立新（1980-），男，安徽淮北人，副教授，博士，研究方向：傳感器網(wǎng)絡(luò)、人工智能、深度學(xué)習(xí).E-mail：Lixin_Lyu@abc.edu.cn.