采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。     

高光谱成像结合人工神经网络无损检测桃的硬度

为无损检测桃的内部品质,提出了结合高光谱成像技术和人工神经网络无损检测桃硬度的方法。采集了摘后贮藏了12d的140个桃在900~1 700nm的高光谱图像,以每个桃高光谱图像中40pixel×40pixel的感兴趣区域的平均光谱作为桃的原始反射光谱;利用Savitzky-Golay平滑和标准正态变量变换对光谱进行预处理;基于x-y共生距离算法划分样本,得到校正集样本105个和预测集样本35个。利用连续投影算法、无信息变量消除法和正自适应加权算法从全光谱的216个波长中分别提取了12个、103个和22个特征波长;分别建立了基于全光谱和提取的特征波长预测桃硬度的支持向量机模型和BP网络模型。结果表明,基于全光谱建立的BP网络模型具有最好的预测性能,其预测相关系数为0.856,预测均方根误差为0.931。本研究为基于桃内部品质的工业化分级提供了基础。