可溶性固形物含量(SSC)是决定鲜桃风味和品质的重要成分。 高光谱影像的特征提取为无损检测可溶性固形物含量提供了数据基础和方法路径。 先前的研究表明, 基于多光谱、 荧光谱、 近红外光谱、 电子鼻的水果内部品质评估取得较好的结果。 但是, 由于缺少多特征融合, 从而限制了水果品质的精准估测。 为此, 提出了一种基于堆栈自动编码器-粒子群优化支持向量回归(SAE-PSO-SVR)模型预测鲜桃可溶性固形物含量。 首先, 利用高光谱影像提取光谱信息、 空间信息及空-谱融合信息。 其次, 设置普适性堆栈自动编码器(SAE)提取光谱信息、 空间信息及空-谱融合信息的深层特征。 最后, 将深层特征作为粒子群优化支持向量回归(PSO-SVR)模型的输入数据进行鲜桃可溶性固形物含量的预测。 其中, 对于光谱信息作为输入的SAE模型, 设计了453-300-200-100-40, 453-350-250-150-50, 453-350-250-100-60的三个隐含层结构。 对于空间信息作为输入的SAE模型, 设计了894-700-500-300-50, 894-650-350-200-80, 894-800-700-500-100的三个隐含层结构。 对于融合信息作为输入的SAE模型, 设计了1347-800-400-200-40, 1347-750-550-400-100, 1347-700-500-360-150的三个隐含层结构。 实验结果表明, 对于输入数据分别为光谱信息、 空间信息及融合信息的SAE模型, 结构为453-300-200-100-40, 894-800-700-500-100和1347-750-550-400-100的模型效果较好, 而且基于融合信息的模型预测精度明显优于基于光谱信息或者图像信息的模型。 为了验证模型的普适性, 利用结构为1347-750-550-400-100的SAE模型提取融合信息的深层特征估测不同品种鲜桃的可溶性固形物含量并进行可视化。 结果表明, 基于结构为1237-650-310-130的SAE-PSO-SVR模型预测效果最好(R²=0.873 3, RMSE=0.645 1)。 因此, 所提出的SAE-PSO-SVR模型提高了鲜桃可溶性固形物含量的估计精度, 为鲜桃的其他成分检测提供了技术支撑。

重金属污染是土壤环境污染中亟待解决的问题之一, 重金属通过土壤向植物富集, 危及人体健康, 对生态环境产生巨大隐患。 传统的土壤污染监测以化学方法为主, 不仅费时费力且监测范围有限, 而基于植被高光谱技术的土壤重金属监测方法能够快速准确地获取土壤重金属含量, 突破植被屏障, 提高土壤重金属监测效率。 近年来, 国内外许多学者致力于使用盆栽实验定量研究土壤污染物对植物光谱特征影响, 而野外环境下的实验研究相对缺少, 因此建立合适准确的野外土壤重金属预测模型具有重要意义, 为改善耕地土壤质量提供参考。 以北京市优势经济果树桃树为研究对象, 在研究区均匀设置了50个采样点, 利用FieldSpec 4便携式地物波谱仪测量桃树叶片光谱数据, 同时采集土壤样本带回实验室检测分析获得土壤重金属含量数据。 通过分析不同污染下桃树叶片在重金属胁迫下的叶片光谱特征, 计算不同土壤重金属与叶片光谱之间的相关关系, 确定土壤As元素与光谱反射率相关性更大, 因此选择土壤As元素计算其与不同植被指数之间的相关系数, 并用合适的植被指数构建土壤As元素预测模型。 结果表明: 污染区桃叶光谱反射率总体上比背景区的光谱反射率更高, 其中760~1 300 nm波长范围内对土壤重金属更加敏感, 土壤重金属对叶片红、 蓝、 黄边位置干扰不明显, 对红、 蓝、 黄边斜率敏感, 且均呈正向相关性。 光谱反射率与土壤Cr, Cu和Hg元素相关性较弱, 与As, Pb和Cd元素在某些波段范围内达到0.1级显著相关, 且总体相关曲线趋势相同, 相关性大小依次排序为As>Pb>Cd。 以相关性更强的土壤As元素与植被指数进行相关分析表明, 土壤As元素与PRI1和PRI3均显著相关。 使用SPSS数据分析软件以PRI1和PRI3为自变量, 土壤As元素为因变量分别进行回归分析, 检测结果发现, PRI3的指数预测模型(y=e^{43.644x-39.386}, R²=0.937, RMSE=0.161)效果最好且具有更好的稳定性。

毛桃从果树上成熟到最后到达消费者手中, 中间需要经过采摘、 包装、 运输等一系列过程, 在每一个过程中都有可能产生碰伤果。 因此查看哪一个过程产生的碰伤果最多, 从而对加工过程进行针对性地改进就显得尤为重要。 纵观国内外高光谱技术在检测水果碰伤方面的应用, 绝大多数都是忽略图像特征而只使用了光谱特征, 基于图像特征结合光谱特征建模的少之又少。 其次在水果碰伤时间定性判别方面, 多以天数为间隔, 时间间隔较大意味着水果碰伤时间越久, 其变化越明显, 检测准确率也就越高, 目前尚缺乏有效方法对于碰伤时间较短的水果进行碰伤时间分类。 以90个模拟表面碰伤的毛桃为实验样本, 分别采集毛桃碰伤12, 24, 36和48 h后的高光谱图像。 毛桃样品的光谱特征提取是采用感兴趣区域的100个像素点的平均光谱以防止单个像素点的光谱信息与整体光谱信息差距较大; 通过主成分分析(PCA)对毛桃图像进行降维后选取最能体现毛桃碰伤的PC1图像, 在 PC1图像的权重系数曲线中波峰波谷处挑选出4个特征波长点(512, 571, 693和853 nm)作为特征图像, 特征图像灰度化操作后计算得到平均灰度值作为毛桃碰伤图像特征。 最后基于最小二乘支持向量机(LS-SVM)算法分别建立毛桃碰伤时间的光谱特征模型、 图像特征模型以及图像特征结合光谱特征模型共三种判别模型, 并且根据其分类准确率来判断模型的性能。 结果表明: 三种毛桃碰伤模型的分类准确率都随碰伤时间的增加而增加; 基于径向基核函数(RBF_kernel)建立的图像特征结合光谱特征的模型预测效果最好, 对碰伤12, 24, 36和48 h的毛桃样品识别正确率分别为83.33%, 96.67%, 100%和100%, 这可能是由于具有非线性特点的径向基核函数所建立的模型更加适合用于毛桃碰伤时间的分类。 图像特征结合光谱特征的模型能够较好地实现对水果碰伤时间的估计, 可为水果外部品质分选提供一定的参考和依据, 并对水果销售和深加工企业具有一定的借鉴意义。

糖度和硬度作为水蜜桃的两个重要指标, 决定其内部品质。 在运输或售卖期间, 水蜜桃果内水分流失, 表面开始松软进而腐烂, 内部品质发生变化。 研究旨在探讨可见/近红外光谱预测水蜜桃不同贮藏期糖度和硬度的可行性, 进一步预测水蜜桃的最佳贮藏期。 采用漫透射和漫反射方式采集4个贮藏阶段的水蜜桃光谱, 并测量糖度和硬度。 分析了4个阶段水蜜桃的平均光谱, 光谱强度随着贮藏天数增加而不断提高, 且在650~680 nm区域内受果皮颜色及色素的变化产生波峰偏移。 同时, 分析了糖度和硬度的变化, 糖度在贮藏期间逐渐提高, 硬度在贮藏期间快速下降, 最终糖度增加了3.31%, 硬度下降了58.8%。 采用多元散射校正、 S-G卷积平滑、 归一化处理及基线校正等预处理方法来减少噪声和误差对光谱的影响, 并使用无信息变量消除(UVE)和连续投影算法(SPA)筛选特征波长, 最后利用偏最小二乘回归(PLS)分别建立糖度和硬度的预测模型。 分析糖度、 硬度的PLS回归系数与平均光谱的波形发现, 糖度的高回归系数分布在光谱多处, 而硬度的该系数均在波峰波谷附近。 SPA和UVE筛选的特征波长建立的糖度模型效果不佳, 而硬度模型效果良好。 结果表明, 漫透射和漫反射检测方式下, 糖度的最佳预测相关系数(R_p)及预测均方根误差(RMSEP)分别为0. 886, 0.727和0.820, 1.003, 预处理方法分别是多元散射校正、 平滑窗口宽度为3的S-G卷积平滑。 此外, 漫透射建立的硬度SPA-PLS模型, 选用15个光谱变量, 得到的R_p和RMSEP为0.798和0.976; 而漫反射建立的UVE-PLS模型, 选用113个光谱变量, 得到的R_p和RMSEP为0.841和0.829。 可以看出, 漫透射方式预测水蜜桃贮藏期间的糖度更佳, 而漫反射预测硬度更佳。 利用可见/近红外光谱所建立的糖度和硬度预测模型, 能够可靠地预测水蜜桃贮藏期内糖度和硬度的变化, 对指导采摘、 售卖时间和减少腐烂具有一定的参考价值。