基于高光譜和深度學習的蘋果品質無損檢測方法

收稿日期：2023-06-21

基金項目：浙江省“尖兵”“領雁”重點科技計劃項目（2022C04039）

作者簡介：班兆軍（1980-），男，遼寧大石橋人，博士，教授，主要從事農產品采后品質及標準化研究。（E-mail）banzhaojun@zust.edu.cn

摘要： 本研究使用近紅外高光譜成像技術獲取蘋果的高光譜數據，對蘋果糖度、酸度指標進行無損檢測。針對高光譜數據量大、信息冗余多的特點，分別采用標準化（Standardization，SS）、標準正態變換（Standard normal variate，SNV）、最小二乘平滑濾波（Savitzky-Golay smoothing filtering，SG）和多元散射校正（Multiplicative scatter correction，MSC）對蘋果的光譜數據進行預處理。針對高光譜圖像波段多的特點，分別采用連續投影（Successive projections algorithm，SPA）算法、競爭性自適應加權重（Competitive adaptive reweighted sampling，CARS）算法和隨機蛙跳（Random frog，RF）算法選取蘋果的特征波長。對提取的特征波長分別用支持向量機（Support vector machine，SVM）模型、卷積神經網絡（Convolutional neural networks，CNN）模型和基于深度學習的定量光譜數據分析（DeepSpectra）模型對蘋果的糖酸比進行預測。結果表明，基于深度學習的定量光譜數據分析（DeepSpectra）模型預測的正確率達到93.70%，有較高的精確度，可以較好地對蘋果糖酸比進行預測。本研究將高光譜成像技術與基于深度學習的定量光譜數據分析模型相結合，實現了無損檢測蘋果糖酸比。

關鍵詞： 高光譜；蘋果；糖酸比；無損檢測

中圖分類號： S661.1 文獻標識碼： A 文章編號： 1000-4440（2024）08-1446-09

Non-destructive detection method of apple quality based on hyperspectral and deep learning

BAN Zhaojun1， GAO Xuanxiang1， MA Yiheng1， ZHANG Shuang1， FANG Chenyu1， WANG Junbo2，ZHU Yi2

（1.School of Biological and Chemical Engineering， Zhejiang University of Science and Technology/Zhejiang Provincial Key Laboratory of Chemical and Biological Processing Technology of Farm Products/Zhejiang Provincial Collaborative Innovation Center of Agricultural Biological Resources Biochemical Manufacturing， Hangzhou 310023， China；2.Aksu Youneng Agricultural Technology Co.， Ltd.， Aksu 843100， China）

Abstract： The hyperspectral data of apples were obtained by using near-infrared hyperspectral imaging technology， and the indexes of sugar content and acidity were detected nondestructively. For the characteristics of large amount of hyperspectral data and information redundancy， standardization （SS）， standard normal variate （SNV）， Savitzky-Golay smoothing filtering （SG） and multiplicative scatter correction （MSC） were used to preprocess the spectra of apples. According to the characteristic of hyperspectral images with many bands， successive projections algorithm （SPA）， competitive adaptive reweighted sampling （CARS） algorithm and random frog （RF） algorithm were used to select the characteristic wavelengths of apples. Support vector machine （SVM） model， convolutional neural networks （CNN） model and quantitative spectral data analysis based on deep learning （DeepSpectra） model were used to predict the sugar-acid ratio of apples. The results showed that the prediction accuracy of DeepSpectra model was 93.70%， which had high accuracy and could be used to predict the sugar-acid ratio of apples. In this study， hyperspectral imaging technology and DeepSpectra model were combined to realize the non-destructive detection of the sugar-acid ratio of apples.

Key words： hyperspectral；apple；sugar acid ratio；nondestructive testing

蘋果是人們日常生活中最常見的水果之一，它富含維生素和無機鹽，而且價格實惠，口感酸甜[1]。此外，蘋果還含有大量的鉀、鐵、鈣等營養元素，是最有營養的水果之一[2]。蘋果含糖量的高低決定了人們對蘋果口感的評價以及營養價值的評估，含糖量是衡量蘋果品質的主要指標，因此在分級環節快速無損檢測蘋果的含糖量十分關鍵[3]。蘋果品質可以分為內在品質與外在品質，其中蘋果的內在品質包括蘋果的糖度、酸度、糖酸比、硬度、含水率等，這些指標可以判定蘋果的營養成分、口感及儲存時間。但對蘋果的內在品質的檢測會對果實造成破壞，且檢測效率較低。

近紅外光譜分析方法是一種檢測蘋果內在品質的手段，可以快速、無損、便捷地檢測蘋果內在品質[4-7]。高光譜成像技術是將成像技術與光譜技術相結合，檢測二維幾何空間及一維光譜信息，從中提取出高光譜分辨率的連續、窄波段的圖像數據。高光譜成像技術可以用于杧果、梨、柿子等水果品質的快速無損分析、分級以及生產監控、質量控制等方面[8-10]。近年來，高光譜成像技術被用于蘋果內在品質的檢測。Fernando等[11]利用高光譜成像技術對Red Delicious、Golden Delicious和Jonagold 3種蘋果的可溶性固體含量和硬度進行了檢測，發現在融合了高光譜數據特征和圖像特征后，可以更有效地提高偏最小二乘回歸（PLS）模型的準確度。馮迪[7]將標準正態變換（SNV）與二階導數（SD）這2種預處理方法相結合，并用連續投影算法（SPA）提取其中的特征波段，最后采用經過優化的反向傳播神經網絡（BPNN）搭建高光譜數據與蘋果硬度之間的回歸模型。

深度學習技術不僅可以提取出更多的深層特征，還可以將一維光譜特征與二維空間特征相結合。將深度學習方法應用于光譜數據分析，可以減少對專家經驗和已有知識的依賴，讓人們能夠更精確、更有層次地從原始光譜數據的信息中提取出有效信息。Acquarelli等[12]提出了具有一個卷積層的卷積神經網絡（CNN）模型，利用10個數據集驗證該模型的精度，并在原始光譜數據和經過預處理的光譜數據上同時應用了該模型。

在上述研究中均提取了不同的特征波長，但特征波長的有效性尚未得到確認[13]。此外，大部分研究集中于預測蘋果糖度，對蘋果酸度和糖酸比預測的研究較少，缺少蘋果品質與酸度之間的關系的考慮[7，11]。本研究采用高光譜成像技術對蘋果進行高光譜成像，提取蘋果赤道面上感興趣區域（Region of interest，ROI）的光譜數據，從而獲得光譜曲線。對蘋果光譜數據進行預處理，并評估各種數據預處理方法的效果，選取合適的光譜數據預處理方法。進一步通過對比特征波長提取方法的優化情況，選取較好的特征波長提取手段，最后采用支持向量機（SVM）、卷積神經網絡（CNN）和基于深度學習的定量光譜數據分析處理（DeepSpectra）優化預測模型，選取決定系數（R2）較大、均方根誤差（RMSE）較小的模型預測蘋果糖酸比。本研究擬將高光譜分析方法與深度學習技術相結合，以期快速、準確、無損地預測蘋果糖度、酸度、糖酸比，為蘋果內在品質無損檢測的研究提供參考。

1 材料與方法

1.1 試驗材料

選取新疆阿克蘇地區紅旗坡農場中12年樹齡的蘋果樹，采摘無病蟲害、無機械損傷的阿克蘇富士蘋果220個，平均果重233.42 g，平均果徑77.41 mm，擦去蘋果表面果霜、果蠟，依次編號。利用Kennard-Stone算法[14]將蘋果以4∶1的比例分成校正集和預測集，。校正集蘋果176個，預測集蘋果44個。

1.2 儀器與設備

PAL-BX|ACID1 Master Kit便攜式糖酸一體機（日本愛拓公司產品），Resonon Pika KC2成像光譜儀（北京理加聯合科技有限公司產品），線性移動平臺，安裝塔，照明裝置，云臺，NB單相電流智能檢測儀，GST36U12-P1JW電源供感器（中國臺灣明緯公司產品），DMX-J-SA-17步進電機（美國阿卡斯公司產品），acA1920-155um面陣相機（德國巴斯勒公司產品）（圖1）。

1.3 光譜采集

采集400～1 000 nm波段的蘋果光譜信息。設置光譜分辨率為1.3 nm，幀頻率為20.0 Hz，曝光時間為20.0 ms，平臺的運行速率達到355 pps，增益（Gain）達到3 dB，且蘋果和攝像機之間的距離設置為20.0 cm。在所拍攝到的蘋果光譜圖像中，選取位于蘋果赤道面附近的150×150個像素點大小的感興趣區域（ROI），提取其中的光譜數據。為了減少光線分布不均勻，準確測量出被測物體的相對反射率，在對蘋果進行光譜信息采集前，使用黑白板校正光譜信息[15]，按照公式（1）計算蘋果的高光譜數據：

Rλ，n=Sλ，n-Dλ，nWλ，n-Dλ，n（1）

式中，R為經過黑白板校正的蘋果高光譜數據；S為未經黑白板校正的蘋果原始光譜數據；W為黑暗環境下采集的光譜數據；D為全反射環境下采集的光譜數據；λ為λ波長；n為像素。

1.4 可溶性固形物含量、可滴定酸含量測定及糖酸比計算

在蘋果樣品赤道面三處等角度切10 mm×10 mm×10 mm果肉，放入手動榨汁器中，擠壓獲取果汁，使用PAL-BX|ACID1 Master Kit便攜式糖酸一體機測量所測蘋果的可溶性固形物（SS）含量和可滴定酸（TA）含量，重復測量3次，取平均值[16]。按公式（2）計算蘋果的糖酸比（RST）：

RST=SS/TA（2）

式中，RST為糖酸比；SS為可溶性固形物含量（%）；TA為可滴定酸含量（%）。

1.5 光譜數據預處理

采用標準正態變換（SNV）、多元散射校正（MSC）、最小二乘平滑濾波（SG）和標準化（SS）對蘋果光譜數據進行預處理，可以減少背景干擾、光線干擾和噪聲干擾等，剔除冗余無效信息，增加精準率[17]。分別利用原始光譜數據（RW）以及標準正態變換（SNV）、多元散射校正（MSC）、最小二乘平滑濾波（SG）和標準化（SS）預處理后的光譜數據建立偏最小二乘回歸模型（PLS）。選取其中R2較大且均方根誤差（RMSE）較小的方案為較優方案。評價指標R2和RMSE計算方法分別如公式（3）和公式（4）所示：

R2=1-∑Nn=1（y︿n-yn）2∑Nn=1（yn-y—）2（3）

RMSE= ∑Nn=1（yn-y︿n）2N（4）

式中，R2為決定系數；RMSE為均方根誤差；yn為蘋果糖酸比的真實值；y︿n為蘋果糖酸比的預測值；y—為蘋果糖酸比的真實值的平均數；N為數據集中蘋果的個數。

1.6 特征波長的提取

在高光譜數據中蘊含著大量化學信息和物理信息，所以高光譜數據具有高維性和同線性問題。光譜數據中相關性弱的信息會延長建模所需的時間，降低整個模型的精度[18-19]，所以需要提取光譜數據的特征波長，使預測模型更加精確。選用連續投影（SPA）算法[20]、競爭性自適應加權重（CARS）算法[21]和隨機蛙跳（RF）算法[22]分別提取高光譜數據的特征波長，并使用提取出的特征波長建立PLS模型進行效果的對比。采用CARS算法，設置蒙特卡羅采樣次數為500次，交叉驗證對折次數為10。RF算法是基于后啟發式粒子群算法，結合可逆跳轉馬爾科夫鏈蒙特卡羅算法優勢而優化出的一種特征變量提取算法，其迭代過程更加簡單直觀，它以計算出的服從穩態分布的馬爾科夫鏈為基礎來計算變量的選擇概率[22] 。為了減少RF算法在建模中所產生的隨機性，設定最大迭代為3 000次，初始蛙群數量設置為6，最大主成分數為10。

1.7 預測模型的建立

深度學習是一種數據驅動的方法，采用端到端的特征提取方法，可以在數據集中提取出所需要的隱含特征[23-24]。深度學習通過使用多層神經網絡作為結構來獲取多個抽象、復雜的數據集特征[25]。選用支持向量機（SVM）[26]、卷積神經網絡（CNN）[27]和基于深度學習的定量光譜數據分析處理（DeepSpectra）[28]建立預測模型，輸入經過處理的數據集來訓練模型，不斷調整模型的超參數獲取最優模型，通過對比R2和RMSE評估不同預測模型的效果。

在SVM模型中，使用網格搜索的方法確定核函數的懲罰系數和核寬度參數，懲罰系數的優化范圍為[1，10，50，100]，核寬度參數的優化范圍為[1×10-8，1×108]。在CNN模型中，使用了2個卷積層，1個全連接層和1個輸出層，卷積層1有8個大小為7且步進為3的卷積核，卷積層2含有12個大小分別為1、3、5且步進為2的卷積核。在DeepSpectra模型中，使用了3個卷積層，1個拉伸層，1個全連接層和1個輸出層，卷積層1有8個大小為7且步進為3的卷積核，卷積層2有16個大小分別為1、3且步進為2的卷積核，卷積層3有16個大小分別為1、3、5且步進為1的卷積核，并且利用初始模塊（Inception）在第二層卷積層與第三層卷積層之間進行并行連接，使模型的深度更深、寬度更寬[29]，這樣可以在數據集中提取到更加抽象的復雜特征，進而優化所構建的光譜分析預測模型的擬合效果。

2 結果與分析

2.1 原始光譜數據

在蘋果的高光譜圖像中提取的所有蘋果原始光譜數據如圖2所示。由圖2可以看出，所有蘋果的光譜曲線整體趨勢基本一致，在蘋果光譜曲線上光譜波段為386.82～1 004.50 mm，在670 nm和960 nm波長附近有明顯的特征峰，670 nm波長附近的特征峰是葉綠素的吸收峰[30]，720 nm波長附近的特征峰與氮含量有關[31]，960 nm波長附近的特征峰來自O-H鍵的伸縮振動，與水分子的結構有關[32-34]。

2.2 蘋果糖酸比的描述統計

利用PAL-BX|ACID1 Master Kit便攜式糖酸一體機測定蘋果的可溶性固形物含量、可滴定酸含量，并計算糖酸比。從圖3和表1可以看出，蘋果的糖酸比為35.38～88.24，糖酸比的均值、中值都在52.50左右，糖酸比大致符合正態分布。

2.3 光譜預處理

如圖4所示，使用預處理后的光譜數據和原始光譜數據（RW）分別建立偏最小二乘回歸（PLS）模型，可以更好地分析光譜預處理的效果。由表2可知，SS、SNV、SG和MSC這4種光譜預處理方法可能會在對原始光譜預處理的過程中丟失一些重要信息，影響到所建模型的預測準確性。與其他預處理方法相比，MSC預處理后的光譜數據的模型預測精度較高，其校正集的決定系數（R2C）達到0.791 7，均方根誤差（RMSEC）為0.602 3；預測集的決定系數（R2p）達到了0.794 9，均方根誤差（RMESP）為0.599 7。因此可以得出MSC預處理效果最佳。

2.4 光譜特征波長的提取

2.4.1 SPA算法提取特征波長 使用SPA算法對特征波長進行提取，由圖5可知，當所選的特征波長數量為20時交叉驗證均方根誤差（RMSECV）最小，因此提取20個特征波長，分別為418.43 nm、451.41 nm、479.17 nm、495.05 nm、548.10 nm、570.70 nm、618.65 nm、644.02 nm、668.08 nm、670.76 nm、680.13 nm、681.47 nm、686.82 nm、692.18 nm、733.77 nm、825.34 nm、830.74 nm、913.33 nm、947.30 nm、993.59 nm。

2.4.2 CARS算法提取特征波長 使用CARS算法對特征波長進行提取，如圖6所示，隨著蒙特卡羅采樣次數從1增加到500，所選特征波長的數量從462個減少到1個，在第238次采樣時RMSECV最小。使用CARS算法提取出的特征波長有34個，分別為407.89 nm、414.47 nm、465.94 nm、487.11 nm、509.62 nm、521.55 nm、522.88 nm、537.48 nm、538.80 nm、588.00 nm、589.33 nm、603.98 nm、605.32 nm、622.65 nm、685.48 nm、697.54 nm、728.39 nm、745.86 nm、794.31 nm、868.61 nm、871.31 nm、878.08 nm、880.79 nm、913.33 nm、917.41 nm、929.63 nm、944.58 nm、950.02 nm、970.43 nm、971.79 nm、992.23 nm、994.96 nm、996.32 nm、999.05 nm。

2.4.3 RF算法提取特征波長 使用RF算法對特征波長進行提取，如圖7所示，選擇概率為0～0.35。大多數變量的選擇概率較低，僅有少數變量能夠顯著識別出特征波長，取RMSE最低為0.118，這一區間內包含30個特征波長，分別為389.46 nm、396.04 nm、397.35 nm、398.67 nm、399.98 nm、401.30 nm、402.62 nm、410.52 nm、413.16 nm、417.11 nm、421.06 nm、426.34 nm、428.97 nm、430.29 nm、435.57 nm、436.89 nm、456.69 nm、458.01 nm、459.34 nm、467.26 nm、469.91 nm、473.88 nm、673.43 nm、688.16 nm、688. 16 nm、689.50 nm、690.84 nm、694.86 nm、697.54 nm、1 004.50 nm。這些波長的選擇概率較高，這表明這些波長對建模的影響也較大。

2.4.4 特征波長提取效果與分析 利用多元散射校正預處理后的光譜數據，比較未經過特征波長提取的全波段PLS模型和使用3種特征波長提取法提取的特征波長PLS模型。由表3可以看出，與全波段PLS模型相比，經過SPA算法和RF算法提取的特征波長PLS模型（SPA-PLS、RF-PLS模型）校正集的R2C和預測集的R2p均較低，校正集的RMSEC和預測集的RMSEP較高，表明SPA-PLS和RF-PLS模型去除了一些具有高度相關性的有效區域，導致預測性能略差。而經過CARS算法提取的特征波長PLS模型（CARS-PLS模型）的相關波段變量數僅占全波段PLS模型的7.36%，但是經過CARS算法提取的特征波長模型校正集的R2C是0.854 4，校正集的RMSEC為0.552 3，預測集的R2p為0.835 0，預測集的RMSEP為0.574 0。表明經過CARS算法提取的特征波長PLS模型去除了相關性低的區域，大大降低了模型的冗余度，并有效地保持了有效區域，減少檢測時間，因此，選擇CARS算法作為特征波長最佳提取方法。

2.5 預測模型對比

如表4所，DeepSpectra模型的效果要優于PLS、SVM、CNN。DeepSpectra模型的R2C為0.945 2，RMSEC為0.387 4，R2p為0.937 0，RMSEP為0.427 0。DeepSpectra模型的RMSEP比其他3個模型平均低9.16%。同時，預測集的R2p比其他3個模型平均高6.17%。

3 結論

比較各預處理方法可以看出， MSC預處理效果更加優異，預測集的R2p為0.794 9，RMESP為0.599 7。比較全波段PLS模型與3種特征波長提取方法提取的特征波長PLS模型的效果可以看出，CARS算法提取的特征波長PLS模型效果優于全波段PLS模型， R2p達到0.835 0，RMESP為0.574 0，因此，選用CARS算法進行光譜數據的特征波長提取。將PLS模型與3種不同的預測模型進行對比，發現DeepSpe5927f04abe4550be35287940cbe8aacf7e7e62643842be6e9771a3137225dd60ctra模型預測集的R2p達到0.937 0，RMSEP為0.427 0，相較于其他3種預測模型，DeepSpectra模型決定系數更大，均方根誤差更小，可以更好預測蘋果的糖酸比。本研究為基于高光譜和深度學習的蘋果內在品質無損檢測提供了更多參考。

參考文獻：

[1] 彭彥昆，孫 晨，趙 苗. 蘋果品質動態無損感知及分級機器手系統[J]. 農業工程學報，2022，38（16）：293-303.

[2] 姜 宏. 煙臺蘋果化學成分分析及果實品質的初步評價[D]. 煙臺：煙臺大學，2014.

[3] 孟慶龍，尚 靜，黃人帥，等. 蘋果可溶性固形物的可見/近紅外無損檢測[J]. 食品與發酵工業，2020，46（16）：205-209.

[4] 郭志明. 基于近紅外光譜及成像的蘋果品質無損檢測方法和裝置研究[D]. 北京：中國農業大學，2015.

[5] 樊書祥. 基于可見/近紅外光譜及成像技術的蘋果可溶性固形物檢測研究[D]. 楊凌：西北農林科技大學，2016.

[6] 查啟明. 基于高光譜成像技術的蘋果硬度、水分及可溶性固形物含量的無損檢測研究[D]. 南京：南京農業大學，2017.

[7] 馮 迪. 基于高光譜成像蘋果外觀與內部多指標檢測研究[D]. 沈陽：沈陽農業大學，2017.

[8] SIVAKUMAR S， QIAO J， WANG N， et al. Detecting maturity parameters of mango using hyperspectral imaging technique[C]//ASABE. Annual international meeting of the american society of agricultural and biological engineers. Michigan，USA：ASABE， 2009.

[9] 韓如冰. 水果碰傷、糖度和貨架期的高光譜成像技術檢測[D]. 南昌：華東交通大學，2018.

[10]SANDRA M， CRISTINA B， JOS B， et al. Astringency assessment of persimmon by hyperspectral imaging[J]. Postharvest Biology and Technology，2017，125：35-41.

[11]FERNANDO M， RENFU L， DIWAN A， et al. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content[J]. Postharvest Biology and Technology，2011，62（2）：149-160.

[12]ACQUARELLI J， VAN LAARHOVEN T， GERRETZEN J， et al. Convolutional neural networks for vibrational spectroscopic data analysis[J]. Analytica Chimica Acta，2017，954：22-31.

[13]張保華，黃文倩，李江波，等. 基于高光譜成像技術和MNF檢測蘋果的輕微損傷[J]. 光譜學與光譜分析，2014，34（5）：1367-1372.

[14]KANDPAL L M， LOHUMI S， KIM M S， et al. Near-in-frared hyperspectral imaging system coupled with multivariate methods to predict viabiliy and vigor in muskmelon seeds[J]. Sensors & Actuators B：Chemical，2016，229：534-544.

[15]袁旭林. 基于高光譜成像技術的蘋果糖度無損檢測系統研究[D]. 濟南：山東大學，2021.

[16]劉燕德，吳明明，孫旭東，等. 黃桃表面缺陷和可溶性固形物光譜同時在線檢測[J]. 農業工程學報，2016，32（6）：289-295.

[17]張金龍. 基于高光譜成像技術檢測柿果貨架期的研究[D]. 晉中：山西農業大學，2015.

[18]YANG Q， SUN D W， CHENG W W. Development of simplified models for nondestructive hyperspectral imaging monitoring of TVB-N contents in cured meat during drying process[J]. Journal of Food Engineering，2017，192：53-60.

[19]HE H J， SUN D W. Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J]. LWT-Food Science and Technology，2015，62（1）：11-18.

[20]ARAUJO M C U， SALDANHA T C B， GALVAO R K H， et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J]. Chemometrics and Intelligent Laboratory Systems，2001，57（2）：65-73.

[21]LI H， LIANG Y， XU Q， et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta，2009，648 （1）：77-84.

[22]CHEN J Y， LI G H. Prediction of moisture content of wood using Modified Random Frog and VIS-NIR hyperspectral imaging[J]. Infrared Physics & Technology，2020，105：103225.

[23]LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Nature，2015，521（7553）：436-444.

[24]REICHSTEIN M， CAMPSVALLS G， STEVENS B， et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature，2019，566（7743）：195-204.

[25]BI Y， YUAN K， XIAO W， et al. A local pre-processing method for near-infrared spectra， combined with spectral segmentation and standard normal variate transformation[J]. Analytica Chimica Acta，2016，909：30-40.

[26]王立國，趙 亮，劉丹鳳. SVM在高光譜圖像處理中的應用綜述[J]. 哈爾濱工程大學學報，2018，39（6）：973-983.

[27]周飛燕，金林鵬，董 軍. 卷積神經網絡研究綜述[J]. 計算機學報，2017，40（6）：1229-1251.

[28]ZHANG X L， LIN T， XU J F， et al. DeepSpectra：an end-to-end deep learning approach for quantitative spectral analysis[J]. Analytica Chimica Acta，2019，1058：48-57.

[29]SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions[C]//IEEE. 2015 IEEE conference on computer vision and pattern recognition （CVPR）. Boston，USA：IEEE，2015.

[30]WANG J， WANG J， CHEN Z， et al. Development of multi-cultivar models for predicting the soluble solid content and firmness of European pear （Pyrus communis L.） using portable VIS-NIR spectroscopy[J]. Sensors （Switzerland），2017，129：143-151.

[31]YU X， LU Q. Deep-learning-based regression mode and hyperspectral imaging for rapid detection of nitrogen concentration in oilseed rape （Brassica napuss L.） leaf[J]. Chemometrics and Intelligent Laboratory Systems，2018，172：188-193.

[32]YU K Q， ZHAO Y R，LIU Z Y， et al. Application of visible and near-infrared hyperspectral imaging for detection of defective features in loquat[J]. Food and Bioprocess Technology，2014，7（11）：3077-3087.

[33]孫世鵬，彭 俊，李 瑞，等. 基于近紅外高光譜圖像的冬棗損傷早期檢測[J]. 食品科學，2017，38（2）：301-305.

[34]廉孟茹，張淑娟，任 銳，等. 基于高光譜技術的鮮食水果玉米含水率無損檢測[J]. 食品與機械，2021，37（9）：127-132.

（責任編輯：成紓寒）