基于高光譜圖譜融合的藍莓可溶性固形物含量檢測

關鍵詞：可溶性固形物含量；無損檢測；信息融合；特征提取；機器學習 中圖分類號：TS255.7；O439；TP183 文獻標識碼：A DOI： 10.7525/j.issn.1006-8023.2025.03.017

Abstract： Soluble solids content （SSC）is akey indicatorfor assessing the internal qualityoffruits.This study proposes anon-destructive detection method based on hyperspectral image fusion to predict the SSCof blueberries.Three widely used wavelength dimensionalityreduction algorithms areemployed：Monte Carlo uninformative variable elimination（MCUVE），Competitive Adaptive Reweighted Sampling（CARS），and Successive Projections Algorithm（SPA），，to identify optimal wavelengths.Additionally，astrategy integrating Local Binary Paterns（LBP）and GrayLevel Co-occurrence Matrix（GLCM） is proposed for feature extraction.Using spectral features，image features，and fused features，Partial Least Squares （PLS），Backpropagation Neural Network （BPNN），and Support Vector Machine（SVM） models are developed for SSC prediction.Theresults demonstrate that the BPNN model，utilizing spectral features extractedvia the CARS algorithm and image featuresderived from the LBP+GLCM algorithm，yields the highest prediction accuracy.The model'scoefficient of determination（ ）isO.9261，while the Root Mean Square Error ofPrediction（RMSEP）is 0.3641.Thisstudyindicates that hyperspectral image fusion technology holds significant potential forthenon-destructiveprediction of blueberry SSC.

Keywords：Soluble solidcontent；non-destructive assessment； information fusion；feature extraction;machine learning

0 引言

藍莓作為重要的林下經濟作物，因其獨特的風味和豐富的營養，深受消費者喜歡[1-2]。可溶性固形物含量（solublesolidscontent，SSC）是評估藍莓新鮮度的一項重要指標[3]。傳統的藍莓SSC檢測方法是通過折射儀測量水果汗液的折射率。然而，該方法費時費力，并且檢測后的藍莓受到不可逆轉的損壞，無法投入市場中進行銷售。因此，有必要采用一種快捷可靠且無破壞性的方法對藍莓SSC進行測定。

無破壞性的藍莓SSC測定方法主要包括超聲波法、拉曼光譜法、核磁共振成像和高光譜成像（hyper-spectralimaging，HSI）。其中，超聲波法通過檢測水果內部結構的變化來推測SSC，但測量精度較差。拉曼光譜法采用拉曼光譜技術來分析水果SSC，但對設備要求較高，難以用于生產線上。核磁共振技術通過分析水果內部的水分和其他化學成分來推測SSC，但設備昂貴，也不適用于生產線上。

HSI技術可以同時提供待測樣本的空間和光譜信息，在不接觸水果的情況下檢測成分含量，具有較高的精度和深度信息，適用于大規模檢測，常用于評估新鮮果蔬的內部質量特性。張立秀等4利用HSI技術結合離散二進制粒子群（discretebinaryparticle swarmoptimization，DBPSO）算法對久保桃SSC進行預測，采用DBPSO算法、競爭性自適應重加權采樣（competi-tiveadaptivereweighted sampling，CARS）、連續投影算法（successive projections algorithm，SPA）和無信息變量消除（uninformativevariableelimination，UVE）對特征波長進行提取。為提高單一算法建模中的魯棒性，提出組合模式的特征波長提取方法，最后分別建立最小二乘支持向量機和遺傳算法優化的支持向量機模型。研究結果表明，二次組合（DBPSO SPA）-SPA算法建立的最小二乘支持向量機模型對久保桃SSC預測性能最好，測試集決定系數 （decision coefficientofpredictionset）為0.955，測試集均方根誤差（rootmeansquare errorof prediction，RMSEP）為O.139。常洪娟等[5利用HSI技術結合反向傳播神經網絡（Back-propagationneuralnetwork，BPNN）模型與偏最小二乘回歸模型對芒果SSC進行預測。采用多元散射校正對光譜進行預處理，利用遺傳算法、區間變量迭代空間收縮算法（interval variable iterative spaceshrinkagealgorithms，IVISSA）和變量組合群體分析算法對光譜進行特征提取。結果表明，IVISSA+BPNN模型預測能力最佳， RMSEP和殘差預測偏差（residualpredic-tionbias，RPB）分別為 和2.7127。該模型為開發在線芒果SSC無損檢測系統奠定基礎。Qiao等[利用HSI技術，提出多階段逐次投影算法同時檢測藍莓的SSC和硬度。Gao等[7]將光譜與圖像信息融合，建立了檢測紅提葡萄SSC的偏最小二乘回歸模型。結果表明，光譜與圖像融合時，偏最小二乘回歸模型的訓練集和測試集的相關系數分別為0.9775和0.9762，均顯著優于光譜或圖像信息的模型。盡管HSI技術在水果SSC無損檢測方面已有諸多應用，但關于高光譜圖譜融合技術檢測藍莓SSC的研究尚未報道。

本研究以藍莓（品種：‘美登’）為研究對象，利用高光譜成像儀獲取樣本的光譜和圖像信息，建立高光譜圖譜融合信息和單一信息（光譜或圖像）的藍莓SSC檢測模型，并對比模型性能。

1 材料與方法

1.1 材料

試驗研究的藍莓品種為‘美登’，2021年8月采摘自遼寧省丹東市振安區藍莓培育基地，采摘后放入保鮮箱內，并快速運往生物信息試驗室。樣本到達后，人工篩選直徑為 1 0～1 4 m m ，重量為 0 . 9 ～ 2 . 1g 的藍莓樣本，共計188個。所有樣本依次編號，用于后續的圖像分析和數據對照。藍莓在室溫條件下存放 6 n ，隨即進行高光譜圖像采集。

1. 2 高光譜圖像的采集與校正

試驗采用的高光譜成像系統如圖1所示，該系統主要包括高光譜成像光譜儀（SpecimFX10）、CCD相機（IGV-B1410M） ， 3 4 m m 定焦透鏡、2個150W的光線鹵素燈（3900Illuminator）、計算機（DELLVostro 5460-D1448）和移動平臺。為獲取清晰且無失真的圖像，CCD相機的曝光周期設置為 2 2 m s ，移動平臺以 1 . 6 m m / s 的速度移動，使樣本在穩定的速度下接受光照，確保成像清晰。將每個藍莓樣本逐一放置于移動平臺上，20個藍莓為一組，在 4 0 0～1 0 0 0 n m 波段下進行高光譜圖像采集。圖像存儲至計算機進行后續處理。

為消除光照不均勻和暗電流噪聲等因素對圖像的影響，需要對采集到的藍莓高光譜圖像進行黑白板校正。使用反射效率為 9 9 % 的白色漫反射板獲得典型的白色校正圖像，然后將鏡頭蓋遮蓋獲得典型的黑色校正圖像，通過以下公式計算得到校正后的高光譜圖像

式中： 為校正前藍莓高光譜圖像； 為白色校正圖像； 為黑色校正圖像。

1.3 圖像預處理與感興趣區域提取

本研究將藍莓個體圖像作為感興趣區域（Regionsofinterest，ROI）。由于 4 0 0～4 5 0 n m 波長范圍內存在較大噪聲干擾，因此，選擇 4 5 0～1 0 0 0 n m 波長范圍（431個波段）進行分析，背景和藍莓的光譜曲線如圖2所示。由圖2可知，背景和樣本相對反射率值在8 8 2 n m 處差異最為顯著，因此選取 8 8 2 n m 的灰度圖像作為特征圖像，如圖3所示。為獲得藍莓二值化圖像，在圖3（b）灰度直方圖上建立閾值分割算法，將藍莓圖像從背景中分離出來（圖3（c））。最后，利用二值化圖像對高光譜圖像（圖3（a））做掩膜處理，從而去除背景和噪聲干擾，得到掩膜圖像（圖3（d））。計算藍莓個體掩膜圖像ROI的平均光譜值作為該樣本的相對反射率值。

1.4 藍莓SSC測定方法

樣本高光譜圖像采集完成后，對樣本進行研磨，經過3層紗布過濾，用吸管吸取 0 . 4 m L 的樣本汁液滴于數字折光儀（BR0035型，德國Wiggens，測量指標范圍為 ，測量精度為 ），每個樣本重復測定3次，取平均值作為樣本SSC真實值，并記錄。

1.5 特征提取方法

1.5.1 光譜特征提取方法

對原始高光譜數據進行光譜特征提取可以減少數據的維度，提高分析效率，同時保留關鍵信息，從而有利于提高模型的準確性和泛化能力。本研究采用3種典型的數據降維算法確定有效波長，分別是蒙特卡羅無信息變量消除（MonteCarlouninformativevariableelimination，MC-UVE）CARS和SPA。

MC-UVE是通過隨機抽樣和模擬來評估模型輸出的不確定性，從而提高后續分析的效率和準確性[9]。CARS通過競爭機制來選擇最重要的特征，并逐步調整權重，從而提高特征選擇的準確性[10]。SPA通過對數據進行譜投影，幫助識別和保留最具信息量的特征，從而減少數據的維度[1]。

1.5.2 圖像特征提取方法

為描述圖像紋理特征，本研究采用局部二值模式（localbinarypatterns，LBP，式中記為 ）和灰度共生矩陣（gray level co-occurrence matrix，GLCM）提取高光譜圖像特征。

LBP通過比較每個像素與其鄰域像素的灰度值，生成一個二進制模式，從而編碼局部紋理信息[12]。本研究采用基于圓形鄰域的LBP算法，以較小的半徑和8個采樣點實現細致的紋理編碼。具體而言，采用LBP算法將圖像劃分為中心域和鄰域。將中心域得到的像素值與相鄰8個域得到的像素值進行比較。如果鄰域像素值大于或等于中心域像素值，編碼為1，否則編碼為0。以此類推，從標記區域的左上角順時針讀取8個二進制數，形成二值化序列，對應的十進制數就是鄰域中心點的響應。計算公式為

式中： s （ x ） 為符號函數； 為閾值，即中心域的像素值； 為鄰域的像素值； r 為圓的鄰域半徑， r = 1 ; n 為鄰域像素的位置； p 為半徑圓上的采樣點個數， p = 8 0

GLCM通過計算圖像中不同灰度級像素的共生關系，根據圖像紋理的對比度（式中記為 ）能量（式中記為 、熵（式中記為 和均勻性（式中記為 ），對圖像進行紋理分析[13]。其中，對比度強調灰度級差異較大的區域；能量反映紋理的規則性；熵描述圖像的隨機性，能夠反映不均勻區域；均勻性則更關注局部區域的灰度級相似性。相比于LBP的局部性，GLCM分析的是相對較大尺度的灰度級關聯性。因此，一個矩陣由表示特定方向 和特定距離 （ D ） 分離的具有相同灰度級的像素對出現的相對頻率構成。為了表示紋理，使用MATLAB程序確定了以下GLCM參數，計算為

式中： 為灰度共生矩陣； i 和j為灰度級； L 為灰度級的數量。

1. 6 建模方法與評價指標

將光譜特征、圖像特征和圖譜融合特征作為輸人，實測樣本SSC作為輸出，建立偏最小二乘（partial leastsquares，PLS）、BPNN和支持向量機（support vector ma-chine，SVM）3種定量預測模型。

PLS是一種線性回歸方法，常用于處理多個因變量與多個自變量之間的關系[14]。BPNN是一種非線性回歸方法，其網絡的權重和閾值通過反向傳播不斷調整，以最小化網絡的平方誤差和[15]。本研究使用的BPNN結構采用了3層神經網絡，通過試錯法和經驗法相結合，確定隱藏層節點數為12。輸人層節點為特征變量的數量，輸出層為實測樣本SSC。不同層之間的激活函數為Sigmoid函數，目標誤差設定為0.0001，最大迭代次數設定為1000，學習率設定為0.01。SVM是一種基于核的方法，通過核函數將輸入變量映射到高維特征空間，并從特征空間中提取線性超平面作為決策函數以解決預測問題[16]。本研究使用高斯徑向基函數建立預測模型，主要調整的參數為懲罰系數和正則化參數，且用網格搜索法確定最佳參數的組合。

預測模型建立后，通過4個指標對模型的預測性能進行評價。具體的評價指標分別為訓練集的決定系數 （decision coefficient of calibration set）、訓練集均方根誤差RMSEC（root mean square error of calibration，式中記為 和RMSEP（式中記為 ）。計算公式為

式中： 為真實值； 為預測值； 為真實值的平均值； n 為樣本數量; 和 越接近 和 越小，表明模型的預測性能越強。

2 結果與分析

2.1藍莓SSC測定結果

將樣本按照3：1的比例隨機分為訓練集和測試集，即隨機選擇141個樣本劃分為訓練集，其余的47個樣本劃分為測試集。訓練集和測試集樣本SSC的統計結果見表1。其中，SSC分布范圍為 6 . 5 % ～ 1 3 . 8 % ，訓練集和測試集均值分別為 1 0 . 1 % 和 9 . 7 % ，標準差分別為1.99和1.65。

2. 2 光譜數據分析

Savitzky-Golay算法是一種常用的平滑濾波方法，用于消除信號中的噪聲，同時盡可能保留信號的特征信息。該算法通過在一個移動窗口內對信號點進行多項式擬合，然后用擬合的結果替代原始點值，從而實現平滑處理。本研究利用該算法對樣本校正光譜進行預處理，樣本相對反射率光譜曲線如圖4所示。由圖4可知，所有樣本的光譜曲線趨勢相似，在 4 5 0～6 8 4 n m ，相對反射率緩慢下降，并在 6 8 4 n m 處出現吸收帶，可能是由該波段樣本少量葉綠素引起的[17]。在 6 8 4～8 9 3 n m ，相對反射率急劇上升，并在 8 9 3 n m 處出現明顯的反射峰，可能與樣本的碳水化合物，水分子中的C一H鍵、O—H鍵和N—H鍵密切相關[18]。在 8 9 3 ～9 6 2 n m ，相對反射率急劇下降，并在 9 6 2 n m 處出現明顯的吸收帶，可能是由樣本的水分子中0一H二級倍頻振動引起的[19]。

2.3 特征波段分析

全光譜數據通常包含數千個變量，為了獲得簡單、快速、可靠的預測模型，需要通過選擇變量進行模型優化。全光譜數據主要存在2個缺點。其一，需要大量的時間來校準和執行模型，從而影響模型在線分析的速度[20]。此外，全光譜數據存在冗余和非相關，這會降低模型的預測能力[2I]。本研究使用MC-UVE、CARS和SPA這3種特征提取算法對全光譜數據進行降維，并且這3種算法已被證明在水果SSC變量評估中是有效的[22-23]。

利用MC-UVE算法的樣本SSC特征波段選擇結果如圖5所示。其中，黑色曲線表示光譜變量的穩定值，紅色曲線表示噪聲變量的穩定值，綠色虛線表示截止線。對于預測模型的建立，只有穩定性在虛線之上的變量才被認為是有效變量，即通過MC-UVE算法提取了103個特征波段。

利用CARS算法的樣本SSC特征波段選擇結果如圖6所示。在該過程中，使用50次蒙特卡羅采樣迭代，并采用5倍交叉驗證選擇最終變量。交叉驗證均方根誤差（root mean squared error of cross-validation，RM-SECV）值越小，與樣本相關的特征波段子集越好。由圖6可知，隨時間采樣的變量數量，5倍RMSECV值以及每個變量的回歸系數路徑與運行一次CARS時進行的蒙特卡羅采樣運行次數有關。圖6（a）顯示了CARS算法是如何結合快速選擇和精細選擇的，表明了選擇的變量數在變得相對穩定時如何急劇下降。由于在圖6（b）中，隨著采樣運行次數的增加，無信息變量逐漸被消除，因此模型的RMSECV值從采樣運行1＼～34次開始緩慢下降，然后，由于一些重要變量被刪除，RMSECV值開始上升。最小5倍RMSECV值用于建立樣本SSC預測的最佳變量子集。圖6（c）中的每一行顯示每個變量在不同采樣運行時的回歸系數。回歸系數較高的變量更有可能被選擇。因此，回歸系數的分析可用于確定每次樣本運行的一組變量。最小5倍RMSECV值用帶有星號的垂直線表示。通過CARS算法，提取了12個特征波段進行樣本SSC的分析。

利用SPA算法的樣本SSC特征波段選擇結果如圖7所示。圖7（a）顯示通過SPA獲取的樣本SSC預測RMSE圖。空心的正方形顯示所選擇的變量數。由圖7（a）可知，當所選變量的數量從1＼～14時，RMSE曲線急劇下降。隨著所選變量數的增加，下降趨勢變得緩慢。當選擇的變量數達到25時，RMSE達到了最佳值。此后，RMSE曲線趨于穩定。所選變量（空心方塊）對應于光譜的分布如圖7（b）所示。

2.4 模型分析

2.4.1 光譜模型分析

本研究利用3種降維方法提取到的特征波段對應的相對反射率構建PLS、BPNN和SVM樣本SSC預測模型。基于光譜特征建立的模型預測結果見表2。由表2可以看出，當利用CARS算法提取特征波段建立的BPNN模型在樣本SSC預測性能方面最佳。測試集中 最大，為0.9226，RMSEP最小，為0.3879。

CARS算法的預測結果優于MC-UVE和SPA算法，這可能是由于CARS算法選擇的波段與樣本SSC相關性更強。利用CARS算法選取450、462、467、488、6 7 5 . 7 0 1 . 7 1 5 . 8 0 9 . 8 5 5 . 8 9 6 . 9 7 6 . 9 8 5n m 作為特征波段。其中， 4 5 0 ， 4 6 2 ， 4 6 7n m 波段與果實顏色信息有關[24]， 4 8 8 n m 波段與果實花青素有關[25]， 6 7 5 、 7 0 1n m 波段與果實中少量的葉綠素有關[17]， 7 1 5 n m 波段與碳水化合物中的C—H基團和O—H基團有關[18]，855、8 9 6 n m 與C—H基團的伸縮振動有關[26]， 9 7 6 、 9 8 5 n m 與水的吸收有關[19]。

2.4.2 圖像模型分析

利用LBP對樣本灰度圖像進行計算，得到與樣本灰度圖像大小相同的LBP圖像。同時，計算并繪制LBP的直方圖，用于描述圖像紋理特征。根據式（4）一式（7）計算LBP圖像，得到GLCM的特征值。本研究采用4個方向 生成GLCM，每個方向使用4個統計量（對比度、能量、熵和均勻性），生成16個特征值。然后，計算4個統計量的均值、標準差和方差，得到12個特征值，即描述樣本圖像的28個特征值。

利用LBP圖像特征、樣本圖像GLCM特征和LBP圖像GLCM特征，分別構建PLS、BPNN和SVM樣本SSC預測模型。基于圖像特征建立的模型預測結果見表3。由表3可以看出，使用LBP GLCM提取圖像特征時，BPNN模型對樣本SSC預測性能最佳。測試集中 最大，為0.6702，RMSE最小，為0.9353。值得注意的是，GLCM對圖像特征提取的預測效果優于LBP。可能的原因是GLCM獲得了全局紋理特征，而LBP獲得了局部紋理特征。利用 方法，結合了LBP的效率和GLCM的魯棒性優點，利用GLCM方法獲得的樣本圖像的全局特征紋理，彌補了LBP方法在中心像素點灰度計算方面的不足。

2.4.3 圖譜融合模型分析

光譜信息能夠反映樣本的內部化學成分，圖像信息能夠反映樣本的外部特征。將光譜與圖像信息融合能夠更有效地預測樣本SSC。本研究將光譜特征與圖像特征進行融合（歸一化處理），然后構建PLS、BPNN和SVM樣本SSC預測模型。基于圖譜融合特征建立的模型預測結果見表4（黑體數字表示模型預測的最優結果）。由表4可以看出，利用CARSamp;（ L B P +

GLCM）的圖譜融合特征建立的BPNN模型對樣本SSC預測性能最佳。測試集中 最大，為0.9261，RMSEP最小，為0.3641。

表2＼～4的結果表明，利用光譜特征構建的模型預測效果優于圖像特征構建的模型，圖譜融合特征模型的預測效果優于單一（光譜或圖像）特征模型。此外，BPNN模型的預測性能優于PLS和SVM模型，這可能是光譜數據與圖像數據之間存在非線性相關的原因。

3結論

本研究提出一種基于高光譜圖譜信息融合的藍莓SSC無損檢測方法，并評估了不同特征提取算法和回歸模型的預測性能。通過對比光譜特征（MC-UVE、CARS和SPA）與圖像特征（LBP、GLCM和LBP+GLCM）的提取方法發現，光譜與圖像特征融合的模型相比單一特征模型具有更優的預測性能。特別是當光譜特征采用CARS算法，圖像特征采用 算法時，BPNN回歸模型的預測效果最佳， ， 。結果表明，高光譜圖譜信息融合方法能夠提高藍莓SSC預測精度，具有較大的應用潛力。未來的研究將聚焦于從不同品種和生長環境下獲取更多樣本，以進一步提高模型的泛化能力。

參考文獻

[1]CHENYH，HUNGYC，CHEN MY，et al.Enhanced storabilityofblueberriesbyacidicelectrolyzedoxidizingwater application may be mediated by regulating ROS metabolism [J].Food Chemistry，2019，270：229-235.

[2]QIAO SC，TIANYW，WANGQH，etal.Nondestructive detectionofdecayed blueberrybased on information fusion of hyperspectral imaging （HSI） and low-field nuclear magnetic resonance（LF-NMR）[J]. Computers and Electronics in Agriculture，2021，184：106100.

[3]LIJL，SUNDW，CHENGJH.Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits：A review[J].Comprehensive Reviews in Food Science and Food Safety，2016，15（5）： 897-911.

[4]張立秀，張淑娟，孫海霞，等.高光譜結合離散二進制粒 子群算法對久保桃可溶性固形物含量的檢測[J].光譜 學與光譜分析，2024，44（3）：656-662. ZHANGLX，ZHANGSJ，SUNHX，etal.Determination of soluble solid content in peach based on hyperspectral combination with BPSO[J]. Spectroscopy and Spectral Analysis，2024，44（3）：656-662.

[5]常洪娟，蒙慶華，吳哲鋒，等.基于反向傳播神經網絡和 高光譜成像的芒果可溶性固形物含量檢測[J].食品安 全質量檢測學報，2024，15（2）：141-148. CHANGHJ，MENGQH，WUZF，etal.Detectionof soluble solids content in mango based on backpropagation algorithm neural network and hyperspectral imaging[J]. JournalofFoodSafetyandQuality，2024，15（2）：141-148.

[6]QIAOSC，TIANYW，GUWJ，etal.Researchon simultaneous detection of SSC and FI of blueberry based on hyperspectral imaging combined MS-SPA[J].Engineering in Agriculture，Environment and Food，2019，12（4）： 540-547.

[7] GAO S，XU JH. Hyperspectral image information fusionbased detection of soluble solids content in red globe grapes [J].Computers and Electronics in Agriculture，2O22，196： 106822.

[8]李斌，韓昭洋，王秋，等.基于高光譜成像技術的枇杷碰 傷等級檢測研究[J].光譜學與光譜分析，2023，43（6）： 1792-1799. LI B，HAN Z Y，WANG Q，et al. Research on bruise level detection of loquat based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis，2023，43（6） ： 1792-1799.

[9]蔣大鵬，高禮彬，陳金浩，等.木材抗拉強度的近紅外光 譜MC-UVE-IVSO建模方法[J].光譜學與光譜分析， 2023，43（8）：2488-2493. JIANGD P，GAO L B，CHENJH，etal.Near infrared spectroscopy modeling method of wood tensile strength based on MC-UVE-IVSO[J]. Spectroscopy and Spectral Analysis，2023，43（8） ：2488-2493.

[10]路皓翔，張靜，李靈巧，等.最小角回歸結合競爭性自 適應重加權采樣的近紅外光譜波長選擇[J].光譜學與 光譜分析，2021，41（6）：1782-1788. LU H X，ZHANG J，LI L Q，et al. Least angle regression combined with competitive adaptive re-weighted sampling for NIR spectral wavelength selection[J]. Spectroscopy and Spectral Analysis，2021，41（6） ：1782-1788.

[11]宋子怡，常慶瑞，鄭智康，等.基于高光譜和連續投影 算法的弼猴桃葉片氮平衡指數的估測[J].江蘇農業學 報，2024，40（7） ：1260-1267. SONG ZY，CHANG QR，ZHENG Z K，et al.Estimation of kiwifruit leaf nitrogen balance index based on hyperspectral and successive projections algorithm[J]. Jiangsu Journal of Agricultural Sciences，2024，40（7） ： 1260-1267.

[12]趙玉清，賈奧瑩，王天允，等.基于機器學習的缺陷咖 啡生豆檢測[J].自動化應用，2024，65（11）：1-6. ZHAOYQ，JIAAY，WANG TY，et al.Detection of defective green coffee beans based on machine learning[J]. Automation Application，2024，65（11） ： 1-6.

[13]陳洋，陳孝敬，石文，等.基于激光散斑的食品包裝缺 陷檢測[J].激光與光電子學進展，2025，62（6）：1-15. CHEN Y，CHEN X J，SHI W，et al. Detection of food packaging defects based on laser speckle[J].Laser amp; Optoelectronics Progress，2025，62（6） ：1-15.

[14] 張燕，賈陽，杜涓，等．偏最小二乘法和近紅外光譜技 術快速測定發酵黃芪莖葉中黃酮含量及抗氧化活性 [J].飼料研究，2024，47（18）：70-75. ZHANG Y，JIAY，DU J，etal.Rapid determinationof flavonoidsand antioxidantactivityoffermented Astragalus membranaceus stems and leaves by partial least square method and near infrared spectroscopy technique[J]. FeedResearch，2024，47（18）：70-75.

[15]邱騰煌，錢玉寶，季威.基于GA-BPNN混合智能模型 的鉆速預測[J].電子測量技術，2024，47（15）： 177-186. QIU TH，QIANYB，JI W.Drilling rate prediction based onGA-BPNN hybrid intelligentmodel[J].Electronic MeasurementTechnology，2024，47（15）：177-186.

[16]房孝猛，王華來，徐暉，等.基于SVM與近紅外TDLAS 技術的多組分痕量氣體識別與檢測[J].光譜學與光譜 分析，2024，44（10）：2909-2915. FANGXM，WANGHL，XUH，etal.Identificationand detection of multi-component trace gases based on nearinfrared TDLAS technology based on SVM[J].Spectroscopyand Spectral Analysis，2024，44（10）：2909-2915.

[17] YU KQ，ZHAO YR，LIU ZY，et al.Application of visible and near-infrared hyperspectral imaging for detectionofdefectivefeaturesinloquat[Jl.FoodandBioprocess Technology，2014，7（11） ：3077-3087.

[18]HE X M，FU XP，RAO XQ，et al.Assessing firmness and SSC of pears based on absorption and scatering propertiesusing an automatic integrating sphere system from 400 to 1150 nm[J].Postharvest Biology and Technology， 2016，121：62-70.

[19]XUE JX，ZHANGSJ，SUN HX，et al.Detection of shelf life of Malus asiatica using near-infrared spectroscopy and softening index[Jl. Transactions of the Chinese SocietyforAgriculturalMachinery，2013，44（8）：169-173.

[20] LIU F，HE Y，WANG L. Comparison of calibrations for thedeterminationofsolublesolidscontentandpHofrice vinegarsusing visible and short-wave near infrared spectroscopy[J].Analytica Chimica Acta，2008，610（2）： 196-204.

[21]BALABIN R M，SMIRNOV S V.Variable selection in near-infrared spectroscopy：Benchmarking of feature selection methods on biodiesel data[J].Analytica Chimica Acta，2011，692（1/2） ：63-72.

[22]COSTA RC，DE LIMAKMG.Prediction of parameters （soluble solid and pH） in intact plum using NIR spectroscopy and wavelength selection[J]. Journal of the Brazilian Chemical Society，2013，24（8）：1351-1356.

[23] ZHANG DY，XUYF，HUANG WQ，et al.Nondestructive measurement of soluble solids content in apple using nearinfrared hyperspectral imaging coupled with wavelength selection algorithm[Jl.InfraredPhysicsamp; Technology，2019，98：297-304.

[24] ZHANG C，GUO C T，LIUF，et al. Hyperspectral imaging analysis for ripeness evaluation of strawberrywith support vector machine[Jl.Journal of Food Engineering，2016， 179：11-18.

[25]PANTT，CHYNGYZE，SUNDW，et al.Pathogenetic process monitoring and early detection of pear black spot disease caused by Alternaria alternata using hyperspectral imaging[J].Postharvest Biology and Technology， 2019，154：96-104.

[26]RICCIOLIC，PEREZ-MARIND，GARRIDO-VAROA. Optimizing spatial data reduction in hyperspectral imagingfor the prediction of quality parameters in intact oranges[J].Postharvest Biology and Technology，2021， 176：111504.