枇杷糖度無損檢測及可視化研究

馮樹南 譚濤 尚靜 溫青純 孟慶龍

摘要：糖度是評價枇杷內部品質的重要指標。采集枇杷高光譜圖像并提取不同感興趣區域的平均光譜，分析光譜提取區域對枇杷糖度預測精度的影響規律。使用標準正態變換對原始光譜作預處理，分別利用競爭性自適應重加權算法和連續投影算法（Successive Projection Algorithm，SPA）篩選特征光譜，為枇杷糖度建立多元線性回歸（Multi Linear Regression，MLR）預測模型。最后采用偽彩色技術實現枇杷糖度含量分布的可視化。結果表明：以整個樣本為感興趣區域，經連續投影算法篩選特征光譜建立的多元線性回歸模型具有最好的預測性能（決定系數Rp2=0.822，均方根誤差RMSEp=0.435，剩余預測偏差RPD=2.407），基于SPAMLR模型計算枇杷每個像素點的糖度，生成可視化分布圖。表明采用高光譜成像技術可實現枇杷糖度的快速無損檢測及可視化研究。

關鍵詞：枇杷；高光譜成像；糖度；可視化；無損檢測

中圖分類號：O657.3： S663.9

文獻標識碼：A

文章編號：20955553 （2024） 02015707

收稿日期：2022年5月19日 ?修回日期：2022年7月3日

基金項目：貴陽市科技計劃項目（筑科合同［2021］43-15號）；國家級大學生創新創業訓練計劃項目（202210976043）；貴陽學院碩士研究生科研基金項目（GYU-YJS［2021］-45）

第一作者：馮樹南，男，1997年生，河北張家口人，碩士研究生；研究方向為農產品品質無損檢測。Email： gyufsn@163.com

通訊作者：孟慶龍，男，1989年生，河北張家口人，博士，副教授；研究方向為基于圖像技術的農產品品質無損檢測。Email： scumql@163.com

Nondestructive detection and visualization of sugar content in loquat

Feng Shunan1， 2， Tan Tao1， 2， Shang Jing1， 2， Wen Qingchun1， Meng Qinglong1， 2

（1. School of Food Science and Engineering， Guiyang University， Guiyang， 550005， China； 2. Research Center of

Nondestructive Testing Engineering for Agricultural Products of Guizhou Province， Guiyang， 550005， China）

Abstract：

The sugar content is an important index to evaluate the internal quality of loquat. The hyperspectral images and the average spectra in different regions of interest of loquat were collected. And the effect of the spectral extraction regions on the prediction accuracy of sugar content of loquat was analyzed. The original spectra was preprocessed by standard normal variation.The competitive adaptive reweighting algorithm and the successive projection algorithm （SPA） were used to select characteristic spectra?to establish multi linear regression （MLR） prediction model for predicting the sugar content of loquat. The visualization of the sugar content of loquat was realized by pseudocolor technology. The results indicated that SPAMLR model based on the spectra in entire sample regions had the best prediction performance （Rp2=0.822， RMSEp=0.435， RPD=2.407）. Visualization maps for sugar content were generated by calculating the spectral response of each pixel on loquat samples by SPAMLR. It is indicated that hyperspectral imaging technology can realize rapid nondestructive detection and visualization of loquat sugar content.

Keywords：

loquat; hyperspectral imaging; sugar content; visualization; nondestructive detection

0 引言

貴州開陽枇杷果面金黃，斑點少，具有果大、肉多、仁小、味甜、含有微量元素硒等特點，很受消費者的青睞［1］。水果的外表能夠引導消費者最初的購買欲望，但其內部品質才是消費者最終購買力的決定因素。甜味就是一種由糖濃度控制的重要感官屬性，糖含量影響著消費者對水果的選擇［2］。探究水果糖度適合的檢測方法有助于對其品質進行分級，提升水果在市場中的競爭力，從而增加水果的經濟價值。

近年來，隨著信息技術的發展，對水果質量主觀性的評估趨勢在逐漸降低，而客觀、定量和非破壞性的質量評估技術越來越受到重視。我國水果品質檢測主要采用傳統化學方法，存在破壞樣本、檢測速度慢、成本高、有污染等缺陷［3］，相比傳統破壞性檢測技術，當前基于無損檢測原理的技術在許多領域中受到了廣泛應用［4］。高光譜成像技術將光譜數據和圖像信息融合，能夠同時獲取研究對象的內部成分信息和外部品質信息［56］，已廣泛應用于水果品質檢測中［710］。其中，應用高光譜成像技術開展的水果糖度無損檢測研究已有較多報道。Zhang等［9］利用近紅外高光譜成像技術結合波長選擇算法對蘋果可溶性固形物含量進行無損檢測，從全光譜中提取出10個特征波長，顯著提升了模型的運行效率，模型的預測性能（Rp2=0.907，RMSEp=0.479）也很穩定。Zhang等［11］利用近紅外全透射高光譜成像技術結合競爭性自適應重加權算法—連續投影算法構建了柑橘可溶性固形物含量的最小二乘支持向量機模型，模型的剩余預測偏差（RPD）為3.180，可以看出基于全透射原理的高光譜成像技術很好地實現了柑橘可溶性固形物含量的預測。Gao等［12］為高光譜成像系統采集的紅地葡萄的圖像信息與光譜信息分別建立了可溶性固形物含量預測模型，發現基于光譜信息構建的模型性能優于基于圖像信息構建的模型性能，而后又將圖像信息與光譜信息融合建立新的預測模型，預測效果進一步提升，該研究說明圖像信息與光譜信息融合的技術更具有優勢。基于高光譜成像技術結合化學計量學在水果糖度的檢測中開展了大量的無損檢測研究工作，但是，對于枇杷糖度的預測鮮有報道，并且實現水果糖度的可視化能夠直觀地呈現水果糖度的差異。

本文旨在探究不同感興趣區域（10×10、30×30、整個樣本）對枇杷糖度預測模型性能的影響，且利用高光譜成像技術深度挖掘光譜數據與糖度值之間的相關性，實現枇杷糖度快速無損檢測和可視化研究。

1 材料與方法

1.1 試驗材料

枇杷采摘自貴州省開陽縣枇杷種植基地，挑選表面無瘀傷、無疤痕、無病蟲害且形狀相對均勻的樣本共120個，放置于保鮮箱，立即帶回實驗室，整齊擺放于室溫（23 ℃±2 ℃）下。試驗前，輕輕將樣本表面擦拭干凈并對樣本編號。2 h后開始試驗。

1.2 試驗儀器

高光譜圖像采集系統（Gaia FieldFV10）主要包括1臺高性能電子倍頻CCD相機、1臺成像光譜儀、4個200 W鹵素燈、1套電動傳送裝置，以上組件放置于暗室中如圖1所示。暗室外部連接了1臺包含圖像采集軟件的高性能計算機。折射儀（ATAGO PALα），檢測范圍：0～85°Brix，檢測精度：±0.2°Brix。

1.電腦 2.待測樣品 3.鏡頭 4.成像光譜儀 5.CCD相機

6.溴鎢燈光源 7.載物臺 8.暗室 9.移動平臺

1.3 高光譜圖像的采集與校正

在采集枇杷樣本圖像前，設置相機的曝光時間為15 ms，樣本距離鏡頭約20 cm，并預熱30 min。將樣本放置于移動平臺上，通過線掃描方式獲取樣本圖像。所有樣本信息采集結束后，對原始高光譜圖像進行黑白校正，以消除部分在圖像采集時因光照強度分布不均勻及設備中暗電流噪聲帶來的影響。黑白校正公式如式（1）所示。

I=I0-BW-B

（1）

式中：

I0——原始光譜圖像；

I——校正后的圖像。

通過掃描標準白色板得到白板參考圖像W，蓋上鏡頭蓋進行掃描得到黑色板參考圖像B。

1.4 感興趣區域的選取

在樣本赤道附近選取同一中心不同半徑的3個圓形感興趣區域（Region of Interest，ROI），這3個感興趣區域的大小分別為10×10、30×30、整個樣本（像素×像素），得到它們的平均光譜，上述步驟在ENVI5.4軟件中完成。選取的區域如圖2所示。

1.5 糖度的測定

利用折射儀按照NT/T 2637—2014規定的方法對枇杷的糖度進行測定。將枇杷經榨汁機榨汁后，進行離心，得到清澈的枇杷汁液，用一次性滴管滴到折射儀鏡面上，重復測量3次，讀數并記錄結果，取3次結果的平均值作為樣本的糖度測量值。

1.6 光譜數據的處理

1.6.1 光譜預處理

原始光譜中存在背景干擾和噪聲影響，需對原始光譜進行預處理，以消除無用信息和不確定變量的影響［1315］。預處理方法較多，本文采用標準正態變換（Standard Normal Variable Correction，SNV）對原始光譜進行預處理［16］，SNV能夠消除因固體表面顆粒大小不一、表面散射以及光程變化給漫反射光譜造成的影響。

1.6.2 特征光譜的提取

本文采用競爭性自適應重加權算法（Competitive Adaptive Reweighted Sampling，CARS）和連續投影算法兩種方法從全光譜中提取特征光譜［17］。CARS通過自適應重加權采樣技術在每次采樣時將校正集中一部分樣本作為建模集，剩余樣本作為預測集建立偏最小二乘回歸模型，在所建立的偏最小二乘回歸模型中選擇回歸系數絕對值大的波長點作為新的校正集，經過多次循環，得到均方根誤差最小的子集，也是最優的特征變量組合［18］。SPA是一種前向特征變量選擇方法，把波長投影到其他波長上比較投影向量的大小，將投影向量最大的波長為待選波長進行再一次循環操作，直到剩余的波長子集均方根誤差最小為止，得到了光譜信息中含有最少冗余信息的變量組，使得變量之間的共線性達到最小［1920］。

1.7 回歸模型的建立與評價

本文分別基于CARS和SPA選擇的特征光譜構建預測枇杷糖度的多元線性回歸模型。回歸分析法是一種應用較為普遍的數理統計分析方法，通過多元線性回歸分析法可評估自變量與因變量之間的關系。回歸方程中的每個系數對應一個特征，通過系數的大小可以了解每個特征對因變量的貢獻程度。

在建立枇杷糖度回歸模型時，當光譜數據中含有n個自變量，即X1，X2，X3，…，Xn，則自變量X和因變量Y（糖度實測值）之間的多元線性回歸方程如式（2）所示。

Y=β0+β1X1+…+βnXn+ε

（2）

設觀察值為{（Yi，Xi1，Xi2，…，Xin），i=1，2，…，m}，則MLR模型可以表示為

Y1=β0+β1X11+β2X12+…+βnX1n+ε1

Y2=β0+β1X21+β2X22+…+βnX2n+ε2

…

Ym=β0+β1Xm1+β2Xm2+…+βnXmn+εm

（3）

基于SPA和CARS提取的特征光譜建立MLR回歸模型，通過校正集決定系數Rc2和均方根誤差（Root Mean Square Error of Calibration，RMSEc）、預測集決定系數Rp2和均方根誤差（Root Mean Square Error of Prediction，RMSEp）、剩余預測偏差（Residual Predictive Deviation，RPD）來評價模型的效果［21］，旨在尋找枇杷糖度與枇杷光譜之間的關系，從而有效的預測枇杷糖度，其中

Rc2=∑nci=1［yact（i）－ycal（i）］2

∑nci=1［yact（i）－ymean（i）］2

（4）

Rp2=∑npi=1［yact（i）－ypre（i）］2

∑npi=1［yact（i）－ymean（i）］2

（5）

RMSEc=1nc∑nci=1［yact（i）－ycal（i）］2

（6）

RMSEp=1np∑npi=1［yact（i）－ypre（i）］2

（7）

式中：

nc、np——

校正集和預測集中的枇杷樣本數量；

yact、ymean——枇杷樣本糖度的實測值和平均值；

ycal、ypre——

校正集和預測集中樣本糖度預測值。

2 結果與分析

2.1 光譜特征分析及光譜預處理

在原始光譜采集過程中，由于儀器設備誤差和樣本形狀不規則等內外因素的作用，不可避免地會攜帶一些與樣本化學性質不相關的成分，導致所采集的光譜中存在光譜平移、重疊等噪聲，特別是首尾兩端的光譜曲線波動較大，因此，本文選取400～1 030 nm范圍內的光譜作為有效光譜。為了消除無用信息帶來的干擾，提高光譜數據的信噪比，本文采用SNV對原始光譜數據進行預處理。

圖3為不同枇杷感興趣區域的原始平均反射光譜和經SNV預處理后的平均反射光譜。經過SNV預處理后，可以明顯地看到相對于原始的光譜曲線，曲線總體都變得更加平滑，這說明SNV預處理效果是顯著的。400～1 030 nm范圍內，感興趣區域10×10和30×30的平均反射光譜與整個樣本感興趣區域的平均反射光譜雖然具有不同的反射率，但光譜曲線走勢相近，而且產生的波峰和波谷的波段基本一致。光譜曲線在675 nm附近中有一個明顯的吸收峰，可能是由葉綠素的吸收引起的；在980 nm附近也有一個較為明顯的吸收峰，這個吸收峰與水的光譜吸收峰幾乎一致，這主要取決于水中的O-H化學鍵［12］。

（a） 10×10 ROI的原始光譜

（b） 10×10 ROI SNV處理后的光譜

（c） 30×30 ROI的原始光譜

（d） 30×30 ROI SNV處理后的光譜

（e） 整個樣本ROI的原始光譜

（f） 整個樣本的SNV處理后光譜

2.2 糖度統計結果

本文采用光譜理化值—共生距離法（SPXY）對120個枇杷樣本按照3∶1的比例進行劃分。因此，校正集有90個樣本，預測集有30個樣本。校正集樣本和預測集樣本枇杷糖度統計結果如表1所示。基于不同的光譜提取區域劃分的校正集中糖度的范圍均為8.600～13.800°Brix，而對于10×10的光譜提取區域，其預測集中糖度的范圍為9.300～13.500°Brix，對于30×30的光譜提取區域，其預測集中糖度的范圍為8.700～13.600°Brix。

對于整個樣本的光譜提取區域，其預測集中糖度的范圍為9.000°Brix～13.100°Brix。從以上分析可以得出校正集中糖度的范圍大于預測集中糖度的范圍，這說明通過SPXY對樣本集的劃分是科學的。

2.3 光譜數據的降維

高維光譜數據量大，且存在一些冗余信息，因此本文分別采用CARS和SPA從全光譜中提取特征光譜，實現光譜數據的降維，達到提高模型運算效率的目的。

2.3.1 CARS提取特征光譜

根據CARS算法的特點，從3個不同的感興趣區域提取特征波長時均將蒙特卡洛采樣次數設置為50次，并采用5折交叉驗證方法構建偏最小二乘模型交叉驗證均方根誤差（RMSECV）來獲得所需的最優特征波長子集。

圖4給出了3個感興趣區域在不同采樣次數下的RMSECV變化規律，其中，當采樣次數分別為第19、22、27次時，感興趣區域10×10、30×30、整個樣本（像素×像素）的RMSECV值最小，此時3個感興趣區域對應的特征波長數量分別為43（占比全光譜的16.8%）、32（占比全光譜的12.5%）、20（占比全光譜的7.8%）。

2.3.2 SPA提取特征光譜

SPA選擇特征波長的依據是預測模型的均方根誤差，當均方根誤差值最小時，即得到最優特征變量數。

對于3個不同感興趣區域，圖5是利用SPA從全光譜中篩選特征波長的結果。這3個感興趣區域的均方根誤差最小時，選取的特征變量個數分別為3（占比全光譜的1.2%）、22（占比全光譜的8.6%）、40（占比全光譜的15.6%）。

（a） 10×10 ROI特征波長提取結果

（b） 30×30 ROI特征波長提取結果

（c） 整個樣本ROI特征波長提取結果

（a） 10×10 ROI模型中包含的變量個數

（b） 30×30 ROI模型中包含的變量個數

（c） 整個樣本ROI模型中包含的變量個數

經CARS和SPA從全光譜中篩選特征變量后，光譜數據在很大程度上得到了降維，減輕了計算機的負擔，極大地提高了運算效率。

2.4 糖度預測模型的建立

本文采用MLR為枇杷樣本3個不同感興趣區域的特征光譜構建糖度預測模型，建模結果如表2所示。

從表2可以看出，比較基于不同光譜提取區域分別構建的CARSMLR和SPAMLR模型，利用整個樣本提取的光譜構建的預測模型具有最大的預測決定系數、最小的預測均方根誤差和最大的剩余預測偏差，這說明相比基于10×10、30×30感興趣區域構建的模型，對整個樣本建模具有更好的預測效果。基于整個樣本建模，比較采用CARS和SPA兩種特征波長提取方法對建模效果的影響，前者的模型性能為Rp2=0.806，RMSEp=0.453，RPD=2.310；后者的模型性能為Rp2=0.822，RMSEp=0.435，RPD=2.407。從數據中能夠發現SPA提取特征波長的建模效果優于CARS的建模效果，基于整個樣本構建的SPAMLR模型具有良好的預測性能。

圖6給出了基于整個樣本構建的枇杷糖度SPAMLR預測模型的結果，糖度實測值與預測值之間具有良好的線性關系，二者能夠較好地吻合。

2.5 枇杷糖度含量的可視化

高光譜成像技術的特點是獲取測試樣本中每個像素點的信息［2223］，并且利用這些信息生成理化參考值的可視化圖，這使得不同樣本間理化參考值的差異更加直觀。

本文將ROI每個像素點信息輸入SPAMLR模型中來預測枇杷果實各像素的糖度，利用偽彩色技術實現不同枇杷糖度含量的可視化。不同枇杷樣本的糖度分布如圖7所示。

顏色由淺到深表示糖度由低到高的變化，從圖7可以看出，枇杷樣本1～樣本3的糖度含量是逐漸增加的，不同枇杷樣本的糖度差異很明顯。

（a） 樣本1

（b） 樣本2

（c） 樣本3

3 結論

本文研究了基于不同大小感興趣區域采用不同特征變量提取方法對枇杷糖度預測模型精度的影響，并采用偽彩色技術實現枇杷糖度含量的可視化。

1） 采用高光譜成像系統獲取枇杷樣本的圖像，并提取不同感興趣區域（10像素×10像素、30像素×30像素以及整個樣本區域）的平均反射光譜，通過對比3個感興趣區域的最終建模效果，發現基于整個樣本建立的模型預測性能更好。

2） 采用SPA和CARS提取特征波長，實現高光譜數據的降維，通過對比基于SPA和CARS提取的特征光譜建模效果，得出基于整個樣本構建的SPAMLR模型具有最好的預測性能，其Rp2為0.822，RMSEp為0.435，RPD為2.407。

3） 將枇杷樣本每個像素點的光譜信息輸入SPAMLR最優模型中，得到枇杷樣本糖度的可視化圖，可視化圖展示了不同枇杷樣本間糖度的差異。表明利用高光譜成像技術結合化學計量學方法可實現枇杷糖度的無損檢測以及對不同枇杷樣本糖度含量的可視化。

參 考 文 獻

［1］森姚. 開陽枇杷： 銅鈴之中有黃金［J］. 消費指南， 2015（9）： 26-27.

［2］Zhao Yiying， Zhang Chu， Zhu Susu， et al. Shape induced reflectance correction for nondestructive 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.

［3］劉燕德， 周延睿. 便攜式近紅外水果內部品質檢測儀原理及應用進展［J］. 中國農機化學報， 2013， 34（4）： 204-209.

Liu Yande， Zhou Yanrui. Principle and application of nondestructive evaluation for fruit internal quality using portable nearinfrared spectrometry ［J］. Journal of Chinese Agricultural Mechanization， 2013， 34（4）： 204-209.

［4］Magwaza L S， Opara U L， Nieuwoudt H， et al. NIR spectroscopy applications for internal and external quality analysis of citrus fruit： A review ［J］. Food and Bioprocess Technology， 2012， 5（2）： 425-444.

［5］張伏， 張朝臣， 陳自均， 等. 光譜檢測技術在種子質量檢測中的應用［J］. 中國農機化學報， 2021， 42（2）： 109-114.

Zhang Fu， Zhang Chaochen， Chen Zijun， et al. Application of spectral testing technology in seed quality testing ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 109-114.

［6］劉燕德， 姜小剛， 周衍華， 等. 基于高光譜成像技術對臍橙葉片的葉綠素、水分和氮素定量分析［J］. 中國農機化學報， 2016， 37（3）： 218-224.

Liu Yande， Jiang Xiaogang， Zhou Yanhua， et al. Quantitative analysis of chlorophyll， water and nitrogen for navel orange leaf based on hyperspectral imaging technology ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（3）： 218-224.

［7］馬本學， 肖文東， 祁想想， 等. 基于漫反射高光譜成像技術的哈密瓜糖度無損檢測研究［J］. 光譜學與光譜分析， 2012， 32（11）： 3093-3097.

Ma Benxue， Xiao Wendong， Qi Xiangxiang， et al. Nondestructive measurement of sugar content of Hami melon based on diffuse reflectance hyperspectral imaging technique ［J］. Spectroscopy and Spectral Analysis， 2012， 32（11）： 3093-3097.

［8］連雅茹. 基于高光譜成像技術的番茄內部品質檢測研究［D］. 楊凌： 西北農林科技大學， 2020.

Lian Yaru. Detecting tomato internal quality based on hyperspectral imaging technology ［D］. Yangling： Northwest A & F University， 2020.

［9］Zhang Dongyan， Xu Yunfei， Huang Wenqian， et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectra imaging coupled with wavelength selection algorithm ［J］. Infrared Physics & Technology， 2019， 98： 297-304.

［10］許麗佳， 陳銘， 王玉超， 等. 高光譜成像的獼猴桃糖度無損檢測方法［J］. 光譜學與光譜分析， 2021， 41（7）： 2188-2195.

Xu Lijia， Chen Ming， Wang Yuchao， et al. Study on nondestructive detection method of kiwifruit sugar content based on hyperspectral imaging technology ［J］. Spectroscopy and Spectral Analysis， 2021， 41（7）： 2188-2195.

［11］Zhang Hailiang， Zhan Baishao， Pan Fan， et al. Determination of soluble solids content in oranges using visible and near infrared full transmittance hyperspectral imaging with comparative analysis of models ［J］. Postharvest Biology and Technology， 2020， 163： 111148.

［12］Gao Sheng， Xu Jianhua. Hyperspectral image information fusionbased detection of soluble solids content in red globe grapes ［J］. Computers and Electronics in Agriculture， 2022， 196： 106822.

［13］霍迎秋， 張晨， 李宇豪， 等. 高光譜圖像結合機器學習方法無損檢測獼猴桃［J］. 中國農機化學報， 2019， 40（4）： 71-77.

Huo Yingqiu， Zhang Chen， Li Yuhao， et al. Nondestructive detection for kiwifruit based on the hyperspectral technology and machine learning ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（4）： 71-77.

［14］尚靜， 黃人帥， 張艷， 等. 高光譜成像結合模式識別無損檢測獼猴桃成熟度［J］. 中國農機化學報， 2022， 43（8）： 90-95.

Shang Jing， Huang Renshuai， Zhang Yan， et al. Nondestructive detection for maturity of kiwifruit based on hyperspectral imaging and pattern recognition ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（8）： 90-95.

［15］董朋欣， 董安國， 李楚婷， 等. 基于全卷積網絡和自編碼的高光譜圖像分類［J］. 計算機工程與應用， 2022， 58（5）： 256-263.

Dong Pengxin， Dong Anguo， Li Chuting， et al. Hyperspectral image classification based on fully convolutional network and autoencoder ［J］. Computer Engineering and Applications， 2022， 58（5）： 256-263.

［16］周揚， 戴曙光， 呂進， 等. 光譜預處理對近紅外光譜快速檢測黃酒酒精度的影響［J］. 光電工程， 2011， 38（4）： 54-58.

Zhou Yang， Dai Shuguang， Lü Jin， et al. Effect of spectral pretreatment on near infrared spectroscopy for rapid detection of wine alcohol ［J］. OptoElectronic Engineering， 2011， 38（4）： 54-58.

［17］Sun Jun， Zhou Xin， Hu Yongguang， et al. Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging ［J］. Computers and Electronics in Agriculture， 2019， 160： 153-159.

［18］王曉明， 章海亮， 羅微， 等. 近紅外光譜檢測梨果硬度研究［J］. 中國農機化學報， 2015， 36（6）： 120-123， 142.

Wang Xiaoming， Zhang Hailiang， Luo Wei， et al. Study on pear firmness detection by using near infrared reflectance spectroscopy based on CARS ［J］. Journal of Chinese Agricultural Mechanization， 2015， 36（6）： 120-123， 142.

［19］蔣柏春， 李德侖， 韋克蘇， 等. 基于高光譜的烤煙葉綠素含量估算模型研究［J］. 中國農機化學報， 2022， 43（3）： 104-110.

Jiang Baichun， Li Delun， Wei Kesu， et al. Estimation model of chlorophyll content of fluecured tobacco based on hyperspectral ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 104-110.

［20］高文強， 肖志云. 基于AtrousCDAE1DCNN的紫丁香高光譜數據的葉綠素含量反演［J］. 中國農機化學報， 2022， 43（7）： 158-166.

Gao Wenqiang， Xiao Zhiyun. Inversion of chlorophyll content of lilac hyperspectral data based on AtrousCDAE1DCNN ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 158-166.

［21］Jie Dengfei， Xie Lijuan， Fu Xiaping， et al. Variable selection for partial least squares analysis of soluble solids content in watermelon using nearinfrared diffuse transmission technique ［J］. Journal of Food Engineering， 2013， 118（4）： 387-392.

［22］Wang Bin， He Junlin， Zhang Shujuan， et al. Nondestructive prediction and visualization of total flavonoids content in Cerasus Humilis fruit during storage periods based on hyperspectral imaging technique ［J］. Journal of Food Process Engineering， 2021，?44（10）： e13807.

［23］邵園園， 王永賢， 玄冠濤， 等. 基于高光譜成像的肥城桃品質可視化分析與成熟度檢測［J］. 農業機械學報， 2020， 51（8）： 344-350.

Shao Yuanyuan， Wang Yongxian， Xuan Guantao， et al. Visual detection of SSC and firmness and maturity prediction for Feicheng peach by using hyperspectral imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（8）： 344-350.