本文旨在探索涌泉蜜桔糖度的最优检测位置和最佳预测模型，以便为蜜桔糖度检测分级提供理论依据。本文利用波长为390.2～981.3 nm的高光谱成像系统对涌泉蜜桔糖度最佳检测位置进行研究，将涌泉蜜桔的花萼、果茎、赤道和全局的光谱信息与其对应部位的糖度结合，建立其预测模型。使用标准正态变量变换（SNV）、多元散射校正（MSC）、基线校准（Baseline）和SG平滑（Savitzkv-Golay）4种预处理方法对不同部位的原始光谱进行预处理，用预处理后的光谱数据建立偏最小二乘回归（PLSR）和最小二乘支持向量机（LSSVM）模型。找出蜜桔不同部位的最佳预处理方式，对经过最佳预处理后的光谱数据采用竞争性自适应重加权算法（CARS）和无信息变量消除法（UVE）进行特征波长筛选。最后，用筛选后的光谱数据建立PLSR和LSSVM模型并进行分析比较。研究结果表明，全局的MSC-CARS-LSSVM模型预测效果最佳，其预测集相关系数Rp=0.955，均方根误差RMSEP=0.395，其次是蜜桔赤道部位的SNV-PLSR模型，其预测集相关系数Rp=0.936，均方根误差RMSEP=0.37。两者预测集相关系数相近，因此可将赤道位置作为蜜桔糖度的最优检测位置。本研究表明根据蜜桔不同部位建立的糖度预测模型的预测效果有所差异，研究最优检测位置和最佳预测模型可以为蜜桔进行糖度检测分级提供理论依据。

花生籽仁中的糖含量是影响食味品质的重要指标, 建立快速测定糖含量的方法可有效提高食用型花生的检测效率。 样品外观颜色是影响近红外分析的重要因素之一, 按样品外观颜色分类定标(校正)更有利于提高模型的预测性能。 研究选择不同糖含量的花生种质332个, 采用色差仪将花生种质按种皮颜色分成黑紫色、 红色和粉色三大类。 采用3,5-二硝基水杨酸法、 蒽酮乙酸乙酯法、 蔗糖酶法分别测定籽粒中的总糖、 可溶性糖及蔗糖含量。 总糖含量分别在6.42%~39.53%(黑紫色籽粒)、 9.66%~39.71%(红色籽粒)和8.52%~38.84%(粉色籽粒)之间; 可溶性糖含量分别在2.4%~14.32%(黑紫色籽粒)、 2.94%~13.75%(红色籽粒)和2.19%~14.53%(粉色籽粒)之间; 蔗糖含量分别在0.92%~7.53%(黑紫色籽粒)、 1.05%~7.23%(红色籽粒)和0.95%~7.99%(粉色籽粒)之间, 变异系数均在33%以上。 采用瑞典波通DA7250型近红外分析仪(950~1 650 nm)采集籽粒的近红外光谱值, 选用基于全波段的偏最小二乘回归法(PLSR), 通过对比单一和复合预处理方法, 对比模型的相关系数和误差确定最佳预测模型。 分别建立了黑紫色、 红色、 粉色花生籽仁的总糖含量、 可溶性糖含量和蔗糖含量的近红外光谱定标模型, 共计9个模型, 预测相关系数(R_c)在0.883~0.925之间, 预测均方根误差(RMSEC)在0.370~1.988之间。 对总糖含量所建立的模型中, 粉色种皮花生的预测相关系数R_c可达0.925, RMSEC为1.705; 对可溶性糖含量所建模型中, 黑紫色种皮花生的预测相关系数R_c可达0.921, RMSEC为0.667; 对蔗糖含量所建的模型中, 粉色种皮花生的预测相关系数R_c可达0.914, RMSEC为0.435。 并分别用15份种质进行外部验证, 9个模型的预测相关系数R_p在0.892~0.967之间, 预测均方根误差RMSEP在0.327~2.177之间。 本研究建立的近红外光谱模型可同步、 快速地检测花生籽粒中的多种糖含量, 为高糖含量的鲜食花生育种提供了技术支持。

光谱质量、 样本个体差异、 检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。 采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s^-1运行速度在线获取了“富士”苹果全透射光谱信号。 不同姿态获取的透射光谱强度差异明显, 但曲线走势相近, 均在920 nm波段具有最大的光谱强度, 在850 nm波段存在波谷。 采用移动平均平滑、 标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差, 减小了样本检测姿态引起的光谱差异。 为分析不同检测姿态对苹果整果糖度预测模型的影响, 构建了单一姿态局限模型和多姿态通用模型, 结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性, 而多姿态通用模型预测能力较单一检测姿态相当, 但却对不同的检测姿态具有更强的适用能力。 为进一步提高光谱信号质量, 优化模型预测能力, 采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化, 发现移除中央位点获取的透射光谱信号, 有利于提高苹果整果糖度预测模型精度。 多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性, 有效提升了通用信号强度优化模型的预测能力和稳定性, 当多姿态通用模型中信号强度阈值为5 000时, 模型预测性能最佳, 其预测参数R_p, RMSEP和RPD分别为0.79, 0.84%和1.58。 表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的, 多姿态通用模型的建立, 扩大了模型在不同姿态的预测稳健性, 短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。

基于可见-近红外光谱分析技术开发了手持式水果糖度检测装置, 并用于水果糖度的现场实时分析。 硬件系统主要包括微型光谱仪、 卤素灯、 OLED显示屏、 单片机及驱动电路等。 采用Keil 5开发工具, 用C语言开发单片机程序。 配合上位机以LabView编写的光谱采集程序, 实现光谱信息的采集。 以苹果和大桃作为检测对象, 对装置的检测精度和模型在2台装置(主机、 从机)间的传递效果进行了探讨。 在实验室和果园环境下, 分别获取了苹果、 大桃样本在600~950 nm范围的可见-近红外光谱。 对实验室条件下采集的主机校正集光谱进行分析, 经过平滑、 最大值归一化、 二阶导数等预处理后, 利用偏最小二乘算法分别建立了苹果、 大桃的糖度检测模型。 模型导入主机装置后, 对预测集样本进行检验。 对苹果、 大桃的预测集相关系数和预测均方根误差分别为0.925, 0.587%和0.821, 0.613%。 采用分段直接校正和基于典型相关分析算法的模型传递方法将模型由主机传递到从机。 对比后发现, 基于典型相关分析算法取得了更好的模型传递结果。 从机对苹果、 大桃糖度的预测集相关系数和预测均方根误差分别为0.883, 0.641%和0.805, 0.626%。 将实验室条件下建立的模型用于树上采集到的水果光谱数据分析, 得到预测集相关系数和预测均方根误差分别为0.866, 0.741%和0.816, 0.627%。 整体检测结果表明, 该装置可以满足对苹果、 大桃糖度的有效检测, 借助模型传递算法, 实现了模型在不同装置间的共享和有效传递, 且实验室环境下采集的数据建立的模型可以用于树上水果糖度的有效检测, 该装置具有较大的经济价值和应用前景。

猕猴桃糖度是重要的猕猴桃内部品质衡量指标。 传统的糖度检测耗时且有损样品, 有效无损检测猕猴桃糖度含量对于其品质分级、 储藏销售具有重大意义。 基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)、 主成分分析(PCA)、 迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量, 而这些算法单独使用易导致预测结果的稳定性不足。 对此, 开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。 以四川省雅安市“红阳”猕猴桃为研究对象, 依次对猕猴桃样本编号并采集其在400~1 000 nm波长范围内的高光谱图像, 计算感兴趣区域的平均光谱作为样本的有效光谱信息; 分别采用多元散射校正(MSC)、 标准正态变量变换(SNV)、 直接正交信号校正(DOSC)等3种光谱数据预处理方法分析对预测模型精度的影响, 对比结果显示DOSC的预处理效果最好; 对预处理后的光谱分别采用一次降维(CARS, SPA, IRIV)、 一次组合降维(CARS+SPA, CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA, (CARS+IRIV)-SPA))等7种算法提取特征光谱变量, 并分别构建了预测猕猴桃糖度的3种模型, 即支持向量回归机(SVR)、 最小二乘支持向量机(LSSVM)和极限学习机(ELM)模型; 最后对比了基于不同特征提取方法的3种模型的预测精度。 研究结果表明: ELM模型具有最好的预测性能, 而SVR模型的预测性能最差; (CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、 ELM模型, 其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果, 证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。 对比不同方法的预测结果可知, (CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优, 其相关系数R_c=0.945 1, R_p=0.839 0, 均方根误差RMSEC=0.450 3, RMSEP=0.598 3, 预测相对分析误差RPD=2.535 1, 该方法为猕猴桃糖度的检测无损化、 精准化、 智能化发展提供了可靠的理论依据和技术支撑。

本文研究基于可见/近红外透射光谱技术的红提糖度和含水率的无损检测方法。采集360个红提样本，并分别利用标准正态变量变换（Standard Normal Variable transformation，SNV）、SavitZky-Golay卷积平滑处理法（SavitZky-Golay，S_G）等光谱预处理方法处理后的数据建立PLSR模型，分别采用一次降维（GA、SPA、CARS、UVE）和二次降维组合（CARS-SPA、UVE-SPA、GA-SPA）7种数据降维方法对光谱进行特征变量提取，分别建立红提糖度和含水率的偏最小二乘回归算法(Partial Least Squares Regression，PLSR)和最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）含量检测模型并对比分析模型的优劣。结果表明：红提糖度和含水率的最优PLSR模型波长提取方法为GA-SPA-PLSR，最优模型的预测集相关系数分别为0.958、0.938；红提糖度和含水率的最优LSSVM模型波长提取方法分别为CARS-SPA-LSSVM、UVE-SPA-LSSVM，最优模型的预测集相关系数分别为0.969、0.942；LSSVM所建模型的效果好于PLSR所建模型，但模型的运算时间较长。研究结果表明：基于可见/近红外技术无损检测红提糖度和含水率的方法可行，两种最优检测模型的预测精度均较高，都能满足检测要求。在不同应用下，可酌情选择不同模型，PLSR所建最优模型的运算时间较短，适合在线快速检测；LSSVM的检测性能最佳，可更加准确地检测红提糖度和含水率。

糖度是评价脐橙内部品质的重要指标之一, 由于水果自身尺寸差异, 造成糖度预测模型稳健性差, 预测精度不高, 因此消除水果尺寸差异带来的影响, 对提高水果分选模型精度具有重要意义。 对比分析了脐橙漫透射、 多点发射与接收及环形发射与接收漫反射光谱, 其中, 不同检测平台上, 由于光程差的不同, 大果光谱能量均比小果光谱能量要强, 而环形发射与接收漫反射光谱能量要强于其他两种光谱, 漫透射光谱能量最弱, 波峰与波谷位置大致相同。 分别建立不同检测方式下脐橙尺寸预测模型, 其中, 漫透射检测方式下尺寸预测模型的预测集相关系数为0.60, 预测集均方根误差为3.95 mm, 多点发射与接收漫反射检测方式下尺寸预测模型的预测集相关系数为0.97, 预测集均方根误差为1.46 mm, 环形发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.96, 预测集均方根误差为1.73 mm。 分别建立三种不同检测方式下大果、 小果、 混合果以及多元散射校正预处理的混合果糖度预测模型, 小果的糖度预测模型精度均要高于大果和混合果, 其中漫透射检测方式下小果预测模型的预测集相关系数为0.76, 预测集均方根误差为0.81°Brix, 多点发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.72, 预测集均方根误差为0.97°Brix, 环形发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.72, 预测集均方根误差为0.93°Brix。 经过多元散射校正预处理光谱后, 近红外漫透射光谱的混合果模型精度要优于小果的模型, 模型预测集相关系数为0.84, 预测集均方根误差为0.64°Brix, 而在两种漫反射检测方式中, 多混合果模型精度反而降低。 实验结果表明: 在漫透射检测方式中, 使用多元散射校正预处理光谱可以消除尺寸差异影响, 在漫反射检测方式中, 先进行尺寸分选, 再进行糖度分选, 也可以避免尺寸差异带来的影响。 该研究为大宗水果快速在线分选提供了参考和理论支持。