米良1號獼猴桃貯藏過程中糖酸含量估測模型的構建

摘 " "要：【目的】針對傳統化學方法測定獼猴桃品質存在工序復雜、費時費力、需破壞性檢測等問題，提出一種基于高光譜技術的高效無損檢測方法。【方法】以110個米良1號獼猴桃（Actinidia chinensis var. deliciosa ‘Miliang-1’）樣本為研究對象，利用高光譜儀采集不同貯藏時間果實的高光譜反射光譜。利用光譜-理化值共生距離法（sample set partitioning based on joint X-Y distance sampling，SPXY）將獼猴桃樣本按照8∶3的數量比例劃分為訓練集和測試集，統一采用支持向量機（SVM）對比分析標準正態變換（SNV）、多元散射校正（MSC）、一階導數（1st-D）、二階導數（2nd-D）、平滑算法（SG）對原始光譜進行預處理。使用遺傳算法（genetic algorithm，GA）和隨機蛙跳（random frog，RF）對獼猴桃高光譜特征波長進行篩選，結合支持向量回歸（SVR）、反向傳播神經網絡（BP）算法，組合構建獼猴桃品質的回歸預測模型。【結果】在組合模型中，可溶性固形物含量的最優模型為1st-D+GA-BP，R2為0.903，RMSE為1.731；可滴定酸含量的最優模型為1st-D+GA-BP，R2為0.857，RMSE為0.225。【結論】應用高光譜技術對米良1號獼猴桃可溶性固形物含量、可滴定酸含量進行無損檢測具有可行性。為進一步研究不同品種獼猴桃可溶性固形物含量、可滴定酸含量的無損檢測模型奠定了基礎。

關鍵詞：獼猴桃；高光譜；硬度；可溶性固形物含量；可滴定酸含量

中圖分類號：S663.4 文獻標志碼：A 文章編號：1009-9980（2025）01-0216-11

Construction of a sugar and acid content estimation model for Miliang-1 kiwifruit during storage

LIU Li1， 2， YANG Tianyi1#， DONG Congying1， SHI Caiyun1， SI Peng1， WEI Zhifeng1， GAO Dengtao1， 3*

（1Zhengzhou Fruit Research Institute， Chinese Academy of Agricultural Sciences， Zhengzhou 450009， Henan， China; 2Zhongyuan Research Center， Chinese Academy of Agricultural Sciences， Xinxiang 453500， Henan， China; 3Western Agricultural Research Center， Chinese Academy of Agricultural Sciences， Changji 831100， Xinjiang， China）

Abstract： 【Objective】 Traditional chemical methods for assessing the storage quality of kiwifruit typically involve complex procedures and high costs， which may hinder their widespread use. These conventional approaches often require significant labor， time and expensive reagents， making them less feasible for large-scale or routine quality control applications. Additionally， these methods usually result in the destruction of the fruit samples， which is not ideal for continuous monitoring. The complexity and cost associated with traditional chemical methods create barriers for smaller producers and can lead to inconsistencies in quality control across the industry. To address these issues， we propose a non-destructive testing method based on hyperspectral technology. This study aims to develop a reliable and efficient method for evaluating the quality of kiwifruit during storage without damaging the samples， thereby providing a more practical and economical solution for the kiwifruit industry. 【Methods】 In this study， 110 Miliang-1 kiwifruit samples were used as experimental subjects. These samples were selected to represent a broad range of storage conditions and potential quality variations， ensuring that the findings of the study would be widely applicable. During the research， a hyperspectral imaging system was used to collect hyperspectral reflectance data of these kiwifruits at different storage times. This data collection included indicators such as titratable acidity， firmness and soluble solid content， which are critical factors in determining the fruit’s overall quality. Hyperspectral imaging technology can capture detailed spectral information across a wide range of wavelengths， providing rich spectral data that offers insights into the internal and external properties of the fruit. This non-invasive method enables the assessment of quality attributes without compromising the integrity of the samples， allowing for repeated measurements over time. However， to ensure the accuracy and reliability of the data， multiple preprocessing methods were employed to process the collected data. These preprocessing methods not only enhance signal quality but also effectively remove noise from the data， ensuring the precision and effectiveness of subsequent analyses. The preprocessing methods used in the study included Standard Normal Variate transformation （SNV）， Multiplicative Scatter Correction （MSC）， first-order derivative （1st-D）， second-order derivative （2nd-D） and Savitzky-Golay smoothing （SG）. These methods help correct baseline variations， scatter effects and noise， improving the quality of the spectral data. Each preprocessing technique addresses specific issues within the spectral data， such as correcting for light scattering， baseline shifts and other interferences， thereby optimizing the data for further analysis. To select the optimal hyperspectral wavelengths for predicting kiwifruit quality， Genetic Algorithm （GA） and Random Frog （RF） methods were employed. These algorithms are powerful tools for feature selection， and capable of identifying the most informative wavelengths from the hyperspectral data. By pinpointing the most relevant wavelengths， these methods reduce the dimensionality of the data and enhance the efficiency of the predictive models. The selected wavelengths were then used to construct regression prediction models for kiwifruit quality indicators， including soluble solid content （SSC）， firmness and titratable acidity. The regression models utilized a combination of Support Vector Regression （SVR） and Backpropagation Neural Network （BP） algorithms to determine the optimal predictive performance for each quality indicator. These models are particularly suitable for handling the complexity and non-linearity of hyperspectral data， as they can effectively learn from the intricate relationships within the data. 【Results】 The study found that the combination of preprocessing and wavelength selection significantly impacted the accuracy of the prediction models. For soluble solid content， the best model was 1st-D + GA-BP， with a coefficient of determination （R2） of 0.903 and a root mean square error （RMSE） of 1.731， indicating high accuracy in predicting kiwifruit SSC， and reflecting the potential relationship between spectral data and SSC. For firmness， the best prediction model was 1st-D + RF-BP， with an R2 of 0.900 and an RMSE of 0.879， demonstrating reliable predictive capability and highlighting the robustness of the model. For titratable acidity， the best model was 1st-D + GA-BP， with an R2 of 0.857 and an RMSE of 0.225， showing good performance in predicting acidity levels and demonstrating the model’s effective generalization to new data. These results underscore the effectiveness of the developed models and the significant role of preprocessing and feature selection in enhancing model performance. 【Conclusion】 The successful application of hyperspectral technology in this study highlights its potential for non-destructive quality assessment of kiwifruit. By accurately predicting key quality attributes such as SSC， firmness and acidity， hyperspectral imaging provides a powerful alternative to traditional chemical methods. This technology not only simplifies the assessment process but also reduces costs and preserves the integrity of the fruit samples. Additionally， it allows for continuous monitoring of fruit quality during storage， enabling timely interventions to maintain optimal conditions and prevent spoilage. This advancement could revolutionize quality control in the kiwifruit industry， providing a more efficient， cost-effective and sustainable approach to maintaining high standards of fruit quality. The ability to monitor quality in a non-destructive manner also opens up new possibilities for research and development in the field of agricultural sciences， potentially leading to further innovations and improvements in fruit quality assessment and management.

Key words： Kiwifruit; Hyperspectral technology; Firmness; Soluble solid content; Titratable acidity

獼猴桃原產于中國，屬于獼猴桃科獼猴桃屬。因其果實獨特的甜酸口感和豐富的維生素C含量而在全球范圍內備受歡迎，是一種具有重要經濟價值的水果[1]。在獼猴桃貯藏過程中，通過檢測硬度、可溶性固形物含量（SSC）和可滴定酸含量這幾個關鍵指標，可以有效地管理獼猴桃的存儲條件和時長，以維持其最佳食用品質，延長貨架期，同時減少因過度成熟或腐爛導致的損失[2]。目前，獼猴桃的品質檢測過程主要依賴于耗時而復雜的傳統化學方法，這些方法不僅操作繁瑣，而且具有破壞性，往往會對果實本身造成損害。因此，建立一套高效且無損的獼猴桃果實品質檢測方法，不僅可以節省大量人力物力，也能有效減少獼猴桃貯藏過程中的損耗。

高光譜技術在水果非破壞性檢測方面具有明顯優勢，國內外科研人員已廣泛應用高光譜技術進行水果內部品質的深入分析和研究。例如，盧娜等[3]利用高光譜成像系統預測草莓硬度，通過標準正態變換（SNV）、多元散射校正（MSC）和Savitzky-Golay平滑等方法預處理光譜數據，采用偏最小二乘（PLS）方法結合化學計量學建模，比較各預處理方法對模型效果的影響。結果顯示，經SNV處理的PLS模型表現最佳，相關系數高達0.989，均方根誤差為0.021，也間接證明了高光譜成像技術檢測果實硬度的可行性。林嬌嬌等[4]通過近紅外高光譜成像技術分析杧果的可溶性固形物含量，以探究不同品種之間在400～1000 nm波段的光譜差異。通過采集光譜數據并運用CARS-PLS模型進行分析，結果顯示該模型具有高擬合度和預測精度，相關系數高達0.880 6，均方根誤差為0.636 6，也間接證明了高光譜技術快速和無損檢測果實可溶性固形物含量的可行性。趙明蕊等[5]使用近紅外高光譜成像技術來檢測加工番茄的品質，并通過Savitzky-Golay方法優化原始光譜數據，建立了循環神經網絡（RNN）、支持向量機（SVM）、K最近鄰（KNN）、隨機森林（RF）和偏最小二乘法（PLS）的模型，以預測番茄的可滴定酸含量，結果顯示該模型具有高擬合度和預測精度，相關系數高達0.869，均方根誤差為0.03，也間接證明了高光譜技術在快速和無損檢測果實可滴定酸含量上的可行性。這些研究強調了高光譜成像技術在水果無損檢測中的潛力，以及通過不同方法和模型的應用，可以實現對水果內部質量的準確和高效檢測。盡管針對各類水果內部品質的研究使用高光譜技術已相當成熟[6-11]，但關于運用高光譜技術和化學計量學來分析和研究獼猴桃在貯藏時期無損檢測的定量模型相對較少。

筆者在本研究中以米良1號為對象，使用高光譜成像技術獲取其光譜數據，使用化學計量分析獲取其硬度、可溶性固形物含量、可滴定酸含量數據，并對光譜數據特征波段進行篩選，提取其品質指標的相關特征波段，并進一步建立米良1號貯藏過程中內部品質的預測模型，以期為米良1號及其他獼猴桃品質無損檢測提供參考。

1 材料和方法

1.1 試驗材料

試驗所用樣本果實采摘于中國農業科學院鄭州果樹研究所獼猴桃試驗園，品種為米良1號，共計采摘了110個大小均勻、表面無損傷和疤痕的樣本，編號后放入冷庫中儲存，儲藏溫度為4 ℃。每次采集圖像前，需提前12 h將獼猴桃從冷庫中取出，使其與周圍溫度保持一致。在試驗的第0、10、20、30、40 d，每次分別測量22個樣本的高光譜數據、可溶性固形物含量、硬度和可滴定酸含量。

1.2 儀器和設備

FigSpec? FS1X系列-高光譜相機（線掃描），彩譜科技（浙江）有限公司生產；GY-4-J型水果硬度計，浙江托普云農科技股份有限公司生產；PAL-BX/ACID 8便攜式數顯糖酸一體機（獼猴桃），日本ATAGO愛拓公司生產。

1.3 數據獲取

高光譜數據采集：高光譜成像系統由FigSpec? FS1X系列-高光譜相機（線掃描）、位移控制平臺、2個150 W的光纖鹵素燈、1臺戴爾數據處理機組成。硬件包括高光譜相機（線掃描）、平移臺、光源、計算機和軟件處理控制系統，該成像系統通過PC機進行控制，并利用HSI Analyzer高光譜圖像采集軟件來采集信息。成像光譜儀光譜范圍為400～1000 nm，光譜分辨率為2.5 nm。為了減少誤差，在采集過程中確保環境溫度和光源強度的穩定性，在正常室溫20～26 ℃和光線陰暗條件下，采用鹵素燈提供光源進行高光譜圖像的拍攝。此外，將標準白板的高度調整到與獼猴桃樣本在同一焦面上，設置光譜相機的曝光時間為13.5 ms，樣本平臺與鏡頭的距離為170 mm。電控移動平臺的前進距離為11 cm，前進速度為0.46 cm·s-1，回退速度為5 cm·s-1。

硬度測定：在進行測量前，將測試狀態設為峰值保持狀態，并將每個樣品固定在工作臺上，確保果實表面與儀器保持垂直。然后，在果實的赤道部位選擇3個測量點（相隔120°）。以勻速轉動GY-4型硬度計升降手柄的方式，使探頭下壓，并讀取數據。當探頭達到刻線（壓入10 mm）后停止施加力，讀出硬度值，單位為N。并求取3個測量點的平均值作為該樣品的硬度參考值。

可溶性固形物含量（SSC）、可滴定酸含量測定：在完成硬度值測定后，立即切取所需測量部位的獼猴桃。使用手動榨汁機進行榨汁，在榨汁后立刻倒入一次性杯中。搖晃混勻，然后倒入測定窗口，馬上點擊Start，測定可溶性固形物含量和可滴定酸含量。每一個獼猴桃取3次測量結果平均值作為最終值，每次測量完畢后，需要用蒸餾水清洗測定窗口，并擦拭干凈，以免影響試驗結果。

1.4 光譜數據預處理與特征波段篩選

采集的獼猴桃樣本高光譜數據導入ViewSpecPro軟件中，計算各組樣本的平均光譜作為該組樣本的高光譜數據并導出文件，然后在MatLab軟件中進行預處理。由于外界及光譜儀自身擾動的影響，獲得的獼猴桃光譜在兩端波段噪聲較大，信息冗余，為減少計算量，故選取400～1000 nm波段作為建模的全波段。

獼猴桃樣品通過聯合X/Y的異常樣本識別方法剔除異常樣本數據后，用聯合X-Y距離樣本集算法劃分驗證集和校正集，然后對光譜進行標準正態變換（SNV）、多元散射校正（MSC）、卷積平滑濾波處理（SG）、一階導數（1st-D）、二階導數（2nd-D）等預處理以消除噪聲和雜散光對模型性能的影響。

為解決光譜模型建立過程中的問題，如波長數目不足、低效率及模型復雜性，提出采用特征波長的建模方法。此方法通過選擇合適的算法，如隨機蛙跳（RF）和遺傳算法（GA），來提升模型的穩定性并減少誤差。隨機蛙跳算法通過隨機搜索最優解，而遺傳算法則模擬自然選擇的過程，通過迭代選擇最優個體；遺傳算法則通過模擬自然選擇過程，迭代地優化特征選擇，有效減少模型復雜度。通過合適的算法選擇，可以有效地進行特征波長的提取和建模，使得模型在實際應用中更為精確和高效。

1.5 定量建模方法

定量建模是將檢測樣本中得到的信息進行量化并建立數學模型的過程，該建模方法可分為線性方法（SVR）和非線性方法（BP神經網絡模型）。

支持向量回歸（Support Vector Regression， SVR）是一種用于預測連續值的機器學習方法，通過尋找一個最佳的線來使得大多數數據點的預測值與實際值的誤差在一個容許范圍內。SVR 有幾個顯著的優點：首先，它在高維數據中表現良好，適合處理有很多特征的數據；其次，通過使用核函數，SVR可以處理復雜的非線性問題；再次，SVR對異常值有一定的魯棒性對小誤差不敏感。然而，SVR也有一些缺點。它的計算復雜度較高，尤其是在處理大規模數據時，訓練過程可能會非常耗時。此外，SVR需要選擇合適的參數（如核函數類型、c值和g值），這通常需要通過交叉驗證等方法來進行調優。

BP神經網絡（反向傳播神經網絡）是一種用于回歸任務的人工神經網絡模型，通過調整網絡權重和偏置以最小化預測誤差。它包含輸入層、隱藏層和輸出層，利用前向傳播計算輸出，通過誤差反向傳播調整權重。模型訓練通過多次迭代優化誤差函數，并使用早停法防止過擬合。最終，經過評估和驗證的模型可應用于實際數據，實現對新數據的預測。

2 結果與分析

2.1 貯藏品質的分析

從實際測得的數據可以看出，隨著貯藏時間的增加，米良1號獼猴桃硬度逐漸降低。從圖1可以看出，在貯藏初期會出現硬度快速降低的現象[12]。SSC和TA含量是評價獼猴桃風味和食用品質的關鍵指標，二者作為呼吸基質，也是合成ATP的主要來源[13]。從圖1可以看出，隨著獼猴桃的存放時間增加，伴隨著呼吸作用，淀粉的轉化使得SSC逐漸增加，TA含量逐漸下降。

2.2 樣本劃分

待測樣本在進行光譜掃描和理化實驗的過程中，由于儀器異常、操作錯誤和環境的影響，存在個別樣本測量結果異常，筆者在本研究中采用基于XY變量聯合的ODXY異常樣本剔除算法進行異常樣本剔除以提高模型精確度[14]。通過SPXY算法計算樣本之間的歐氏距離和標簽差異，構建距離矩陣D和標簽差異矩陣Dy。對距離矩陣進行歸一化處理。選擇距離最遠的兩個樣本作為初始訓練樣本。迭代選擇距離已選訓練樣本最遠的樣本作為新的訓練樣本，直到達到指定的訓練樣本數量。將未被選為訓練樣本的樣本作為測試樣本。

對待測樣本剔除異常值后，利用SPXY算法以8∶3的比例劃分訓練集和預測集，具體的劃分數據的統計結果見表1。由表1可知，訓練集中包含了測試集中硬度、可滴定酸含量、可溶性固形物含量的最大值和最小值，并且其分布范圍較大，也表明了SPXY劃分的數據集是可靠的，這種合理的數據集劃分能夠確保模型的預測性能和準確性[15]。

2.3 貯藏時期光譜分析

110個米良1號獼猴桃所獲得的最初原始光譜數據在400～1000 nm范圍的平均光譜反射率曲線如圖2所示，結果表明，所有樣品均表現出相似的光譜曲線趨勢，110個米良1號獼猴桃所獲取的最初原始光譜數據在400～1000 nm范圍的平均光譜反射率曲線如圖2所示，結果表明，所有樣品均表現出相似的光譜曲線趨勢。圖3曲線是5個不同貯藏時間（0，10，20，30和40 d）下，每個時期22個樣本的平均光譜曲線，從曲線可以看出，400～640 nm之間反射率處于上升狀態，這主要是由于獼猴桃果肉和表皮中的葉綠素和其他色素吸收引起的[16]，在640～660 nm范圍內，趨于平穩但不同時期反射率而差值較大，是因為隨著貯藏時間的增加，葉綠素的含量逐漸被分解，其反射率的值相對更高。670～750 nm呈急劇上升趨勢，由于紅邊效應，可見光區轉變到反射率較高的近紅外區的邊緣[17]。在830～900 nm呈緩慢趨勢且不同時期的反射率差值較大。在810～830 nm和900～910 nm之間存在微弱波峰主要是果實中的碳水化合物和水分引起的，即體現了O-H的三級和二級倍頻信息[18]。

2.4 光譜預處理

利用SNV、MSC、SG、1st-D、2nd-D五種不同預處理方式得到米良一號獼猴桃光譜數據分別與硬度、可滴定酸含量、可溶性固形物含量進行SVR建模，得到的數據如表2。c和g是通過網格尋優的方式得到的模型最佳參數。模型評價采用RMSEP和R2指標，RMSE表示模型預測值與實際值之間差異的標準差，R2衡量模型解釋能力。由表2可知，獼猴桃硬度經SNV處理得到的模型最好，R2為0.732，RMSE為1.360；可溶性固形物含量最優預處理是1st-D，R2和RMSE分別為0.805、1.523；獼猴桃可滴定酸含量最優預處理是1st-D，R2和RMSE分別為0.811、0.185。

2.5 提取特征波長

預處理后的光譜數據中含有大量的冗余信息，嚴重影響模型的魯棒性和準確性，為了簡化模型結果和提高預測精度，筆者使用隨機蛙跳（RF）和遺傳算法（GA）對獼猴桃高光譜特征波長進行篩選。由于算法具有隨機性，筆者多次重復，選擇選取最佳波段。將隨機蛙跳算法的參數設置迭代次數N為1000次，主成分個數10個，蛙跳初始種群數目Q為2個，以每個光譜被選擇的可能性為篩選依據，運行結果為降序排列的被選擇可能性，設定一階導數預處理后數據、SNV處理后數據被選擇可能性閾值分別為0.116、0.27，如圖4所示隨機蛙跳算法下波長選擇的概率分布圖，每組數據共篩選出10個特征波長，如圖5所示紅色邊框方塊為選定的變量。

遺傳算法（Genetic Algorithm，GA）是一種基于自然選擇和遺傳機制的搜索和優化算法，用于解決復雜的優化問題。在GA運算過程中，設定初始群體為40，交叉率為0.5，變異率為0.01，迭代次數為200。以最小的RMSECV值為標準，RMSECV變化圖如圖6-A所示。篩選出波長點在迭代過程中出現頻次較多的波長點為最優波長點，最終選定特征波長點為81個，如圖6-B所示。

2.6 獼猴桃無損檢測模型建立與分析

SVR支持向量機回歸模型建立：以可溶性固形物含量、硬度和可滴定酸含量的校正集樣本經RF和GA算法篩選出的特征波段作為輸入，對應的含量值作為輸出結合SVR算法建立回歸預測模型。對可溶性固形物含量、硬度和可滴定酸含量的全譜作為輸入，對應的含量值作為輸出結合SVR算法建立回歸預測模型。采用網格尋優的方式尋找最佳參數c、g，建模結果如表2所示。

BP神經網絡模型建立：設置BP神經網絡模型參數，激活函數使用ReLU，輸入層節點，學習率0.01，迭代次數1000次，以可溶性固形物含量、硬度和可滴定酸含量的校正集樣本經RF和GA算法篩選出的特征波段作為輸入，對應的含量值作為輸出結合BP算法建立回歸預測模型。對可溶性固形物含量、硬度和可滴定酸含量的全譜作為輸入，對應的含量值作為輸出結合BP算法建立回歸預測模型，建模結果如表3所示。

結合表2和表3可得：可溶性固形物含量的最優模型為1st-D+GA-BP，R2為0.903，RMSE為1.731；硬度的最優預測模型為1st-D+RF-BP，R2為0.9，RMSE為0.879；可滴定酸含量的最優模型為1st-D+GA-BP，R2為0.857，RMSE為0.225。可溶性固形物含量、硬度和可滴定酸含量的高光譜回歸預測模型預測值與真實值分析如圖7、8、9所示，訓練集和預測集的相關系數均在0.85以上，其均方根誤差也最小，預測值也擬合在曲線周圍，模型預測準確。

3 討 論

筆者在本研究中利用成像高光譜對米良1號獼猴桃可溶性固形物含量、硬度、可滴定酸含量進行無損檢測，獲取覆蓋400～1000 nm光譜范圍內300個波段的詳細光譜數據。樣品中可溶性固形物含量、可滴定酸含量的參考值是通過便攜式數字折光儀（ATAGO，日本）經過3次單獨測量獲得的，以平均值作為可溶性固形物含量的參考值。硬度的參考值是通過GY-4型硬度計（浙江托普），果實的赤道部位選擇3個測量點（相隔120°），以相同的速度進行按壓，最后取三點的平均值作為硬度的參考值。使用ViewSpecPro軟件，進行圈取獼猴桃輪廓并提取其平均光譜數據。隨后采用MATLABR2023b軟件進行分析，采用1st-D、2nd-D、MSC、SNV和SG等5種預處理方法來進行數據的處理與分析，采用隨機蛙跳（RF）、遺傳算法（GA）提取特征光譜信息，同時降低數據的復雜度。

基于特征變量構建的1st-D+RF-BP模型，擁有較高的R2=0.900以及較小的RMSE=0.879，說明1st-D+RF-BP模型可以很好地預測米良1號獼猴桃的硬度。相較于基于全變量構建的獼猴桃硬度無損檢測模型，該模型從全部變量中篩選出較少的變量，很大程度上提升了模型的運行速率，運算時間從5.84 s降至0.84 s。可溶性固形物含量的最優模型為1st-D+GA-BP，R2為0.903，RMSE為1.731。相比孟慶龍等[7]基于主成分回歸的獼猴桃可溶性固形物含量無損檢測和吳彥紅等[19]建立的獼猴桃多線性回歸模型精度有所提升，但對比姜鳳麗等[8]研究的軟棗獼猴桃SSC檢測精度有所不足，可能是由于獼猴桃品種不同所致。可滴定酸含量的最優模型為1st-D+GA-BP，擁有較高的R2=0.857和較小的RMSE=0.225，說明該模型對預測米良一號獼猴桃可滴定酸含量的可行性，但精度相較于孟慶龍等[20]預測結果存在一定的不足，可能是由于貯藏時間的問題。可滴定酸含量在貯藏前期變化程度較大，貯藏后期趨于平穩，調整數據采集區間可以提高模型精度。

筆者在本研究中通過提取特征波長并結合線性和非線性模型，成功預測了米良1號獼猴桃的可溶性固形物含量、硬度和可滴定酸含量，為該獼猴桃在貯藏過程中的內部生理變化提供了參考依據。未來研究重點將為選擇和組合其他有效的特征波長提取方法，以解決波長變量自相關性的問題，并考慮不同品種和貯藏方式等因素的影響，從而達到提升米良1號獼猴桃預測模型準確率的目的。

4 結 論

以米良1號獼猴桃為研究對象，采集不同貯藏時間的獼猴桃高光譜信息和理化指標，通過分析1st-D、2nd-D、MSC、SNV和SG等5種預處理方法，兩種特征篩選方法隨機蛙跳（RF）、遺傳算法（GA）再結合BP神經網絡、SVR支持向量機兩種算法，建立米良1號獼猴桃貯藏品質無損檢測模型，最終得出如下結論：

1）通過比較5種光譜預處理方法，發現可溶性固形物含量、硬度、可滴定酸含量的最優預處理均為1st-D。

2）采用遺傳算法、隨機蛙跳對預處理光譜進行處理，能夠有效對特征波長進行篩選，簡化了模型復雜度，提高了預測精度。

3）可溶性固形物含量的最優模型為1st-D+GA-BP，R2為0.903，RMSE為1.731；硬度的最優預測模型為1st-D+RF-BP，R2為0.900，RMSE為0.879；可滴定酸含量的最優模型為1st-D+GA-BP，R2為0.857，RMSE為0.225。

參考文獻 References：

[1] 鐘曼茜，翟舒嘉，劉偉，睢國祥，段玉權，林瓊，陶鑫涼. 我國即食獼猴桃產業發展現狀、問題與對策[J]. 中國果樹，2023（2）：122-127.

ZHONG Manxi，ZHAI Shujia，LIU Wei，SUI Guoxiang，DUAN Yuquan，LIN Qiong，TAO Xinliang. Current situation，problems and countermeasures of the development of ready-to-eat kiwifruit industry in China[J]. China Fruits，2023（2）：122-127.

[2] 郭琳琳，龐榮麗，王瑞萍，喬成奎，田發軍，王彩霞，李君，龐濤，成昕，謝漢忠. 獼猴桃營養品質綜合評價[J]. 果樹學報，2022，39（10）：1864-1872.

GUO Linlin，PANG Rongli，WANG Ruiping，QIAO Chengkui，TIAN Fajun，WANG Caixia，LI Jun，PANG Tao，CHENG Xin，XIE Hanzhong. Comprehensive trait evaluation for kiwifruit nutritional quality[J]. Journal of Fruit Science，2022，39（10）：1864-1872.

[3] 盧娜，韓平，王紀華. 基于高光譜成像技術的草莓硬度預測[J]. 軟件導刊，2018，17（3）：180-182.

LU Na，HAN Ping，WANG Jihua. Prediction on firmness of strawberry based on hyperspectral imaging[J]. Software Guide，2018，17（3）：180-182.

[4] 林嬌嬌，蒙慶華，吳哲鋒，常洪娟，倪淳宇，邱鄒全，李華榮，黃玉清. 基于近紅外高光譜技術的杧果可溶性固形物含量無損檢測[J]. 果樹學報，2024，41（1）：122-132.

LIN Jiaojiao，MENG Qinghua，WU Zhefeng，CHANG Hongjuan，NI Chunyu，QIU Zouquan，LI Huarong，HUANG Yuqing. Fruit soluble solids content non-destructive detection based on visible/near infrared hyperspectral imaging in mango[J]. Journal of Fruit Science，2024，41（1）：122-132.

[5] 趙明蕊. 基于高光譜成像技術的加工番茄果實品質無損檢測研究[D]. 石河子：石河子大學，2023.

ZHAO Mingrui. Nondestructive testing of processing tomato fruit quality based on hyperspectral imaging[D]. Shihezi：Shihezi University，2023.

[6] 尚靜，馮樹南，譚濤，吳美芝，陳海江，孟慶龍. 基于高光譜成像的貴長獼猴桃硬度快速預測[J]. 食品工業科技，2023，44（6）：345-350.

SHANG Jing，FENG Shunan，TAN Tao，WU Meizhi，CHEN Haijiang，MENG Qinglong. Rapid prediction for the firmness of Guichang kiwifruit by hyperspectral imaging[J]. Science and Technology of Food Industry，2023，44（6）：345-350.

[7] 孟慶龍，黃人帥，張艷，尚靜. 貯藏期內獼猴桃酸度的快速無損檢測[J]. 農產品加工，2022（11）：66-68.

MENG Qinglong，HUANG Renshuai，ZHANG Yan，SHANG Jing. Rapidly nondestructive detection for the pH of kiwifruits during storage[J]. Farm Products Processing，2022（11）：66-68.

[8] 姜鳳利，楊磊，田有文，孫炳新，羅子旋. 基于高光譜成像的軟棗獼猴桃SSC檢測研究[J]. 沈陽農業大學學報，2023，54（3）：318-326.

JIANG Fengli，YANG Lei，TIAN Youwen，SUN Bingxin，LUO Zixuan. Detection of soluble solids content in Actinidia argute based on hyperspectral imaging[J]. Journal of Shenyang Agricultural University，2023，54（3）：318-326.

[9] GALV?O R K H，ARAUJO M C U，JOSé G E，PONTES M J C，SILVA E C，SALDANHA T C B. A method for calibration and validation subset partitioning[J]. Talanta，2005，67（4）：736-740.

[10] RICCIOLI C，PéREZ-MARíN D，GARRIDO-VARO A. Optimizing spatial data reduction in hyperspectral imaging for the prediction of quality parameters in intact oranges[J]. Postharvest Biology and Technology，2021，176：111504.

[11] AREDO V，VELáSQUEZ L，CARRANZA-CABRERA J，SICHE R. Predicting of the quality attributes of orange fruit using hyperspec-tral images[J]. Journal of Food Quality and Hazards Control，2019，6：82-92.

[12] 陸玲鴻，馬媛媛，古咸彬，肖金平，宋根華，張慧琴. 獼猴桃果實貯藏期間細胞壁多糖物質降解特性及組織結構差異分析[J]. 核農學報，2023，37（3）：550-558.

LU Linghong，MA Yuanyuan，GU Xianbin，XIAO Jinping，SONG Genhua，ZHANG Huiqin. Degradation characteristics of cell wall polysaccharides and differences in tissue structure of kiwifruit fruits during storage[J]. Journal of Nuclear Agricultural Sciences，2023，37（3）：550-558.

[13] 李艷杰，孫先鵬，郭康權，王英. 臭氧、保鮮劑對獼猴桃貯藏保鮮效果的比較[J]. 食品科技，2009，34（2）：45-48.

LI Yanjie，SUN Xianpeng，GUO Kangquan，WANG Ying. Comparison of the storage effect on kiwi fruit between ozone and preservative[J]. Food Science and Technology，2009，34（2）：45-48.

[14] 尹寶全，史銀雪，孫瑞志. 近紅外光譜分析中的一種基于XY變量聯合的異常樣本剔除算法[J]. 中國科學技術大學學報，2016，46（3）：208-214.

YIN Baoquan，SHI Yinxue，SUN Ruizhi. An outlier sample eliminating algorithm based on joint XY distances for near infrared spectroscopy analysis[J]. Journal of University of Science and Technology of China，2016，46（3）：208-214.

[15] 張芳，鄧照龍，田有文，高鑫，王開田，徐正玉. 基于高光譜成像技術的南果梨酸度無損檢測方法[J]. 沈陽農業大學學報，2024，55（2）：231-239.

ZHANG Fang，DENG Zhaolong，TIAN Youwen，GAO Xin，WANG Kaitian，XU Zhengyu. Non-destructive testing method for acidity of Nanguo pear based on hyperspectral imaging technology[J]. Journal of Shenyang Agricultural University，2024，55（2）：231-239.

[16] 高宏盛，郭志強，曾云流，丁港，王逍遙，李黎. 基于高光譜圖像波段融合的獼猴桃軟腐病早期分類檢測[J]. 光譜學與光譜分析，2024，44（1）：241-249.

GAO Hongsheng，GUO Zhiqiang，ZENG Yunliu，DING Gang，WANG Xiaoyao，LI Li. Early classification and detection of kiwifruit soft rot based on hyperspectral image band fusion[J]. Spectroscopy and Spectral Analysis，2024，44（1）：241-249.

[17] GITELSON A A，KEYDAN G P，MERZLYAK M N. Three-band model for noninvasive estimation of chlorophyll，carotenoids，and anthocyanin contents in higher plant leaves[J]. Geophysical Research Letters，2006，33（11）：L11402.

[18] SPIER M R，WOICIECHOWSKI A L，DE SOUZA V L P，SOCCOL C R. Production and characterization of amylases by Aspergillus niger under solid state fermentation using agro industrials products[J]. International Journal of Food Engineering，2006，2（3）：1556-3758.

[19] 吳彥紅，嚴霖元，吳瑞梅，楊勇. 利用熒光高光譜圖像技術無損檢測獼猴桃糖度[J]. 江西農業大學學報，2010，32（6）：1297-1300.

WU Yanhong，YAN Linyuan，WU Ruimei，YANG Yong. Nondestructive determination of sugar content in kiwifruit using hyperspectral fluorescence imaging technology[J]. Acta Agriculturae Universitatis Jiangxiensis，2010，32（6）：1297-1300.

[20] 孟慶龍，黃人帥，張艷，尚靜. 貯藏期內獼猴桃酸度的快速無損檢測[J]. 農產品加工，2022（11）：66-68.

MENG Qinglong，HUANG Renshuai，ZHANG Yan，SHANG Jing. Rapidly nondestructive detection for the pH of kiwifruits during storage[J]. Farm Products Processing，2022（11）：66-68.