基于高光谱图谱融合的蓝莓可溶性固形物含量检测

Detection of Soluble Solids Content in Blueberries Based on Hyperspectral Image and Spectrum Fusion

摘要

可溶性固形物含量（soluble solids content,SSC）是衡量水果内部质量的重要指标，为此，提出一种基于高光谱图谱融合的无损检测方法，用于预测蓝莓的SSC。采用3种典型的波长降维算法，包括蒙特卡罗无信息变量消除（monte carlo uninformative variable elimination,MC-UVE）、竞争性自适应重加权采样（competitive adaptive reweighted sampling,CARS）和连续投影算法（successive projections algorithm,SPA），用于筛选有效波长。此外，提出一种结合局部二值模式（local binary patterns,LBP）和灰度共生矩阵（gray level co-occurrence matrix,GLCM）提取图像特征的策略。基于光谱特征、图像特征和融合特征，分别建立偏最小二乘（partial least squares,PLS）、反向传播神经网络（back propagation neural network,BPNN）和支持向量机（support vector machine,SVM）模型进行SSC预测。研究结果表明，利用CARS算法提取的光谱特征融合LBP+GLCM算法提取的图像特征建立的BPNN模型，具有最佳的预测精度。该模型的决定系数（R²）为0.926 1，均方根误差（root mean square error of prediction,RMSEP）为0.364 1。该研究表明高光谱图谱融合技术在无损预测蓝莓SSC中具有较大应用潜力。

关键词

可溶性固形物含量 / 无损检测 / 信息融合 / 特征提取 / 机器学习

Key words

Soluble solid content / non-destructive assessment / information fusion / feature extraction / machine learning

0 引言

蓝莓作为重要的林下经济作物，因其独特的风味和丰富的营养，深受消费者喜欢^[1-2]。可溶性固形物含量（soluble solids content，SSC）是评估蓝莓新鲜度的一项重要指标^[3]。传统的蓝莓SSC检测方法是通过折射仪测量水果汁液的折射率。然而，该方法费时费力，并且检测后的蓝莓受到不可逆转的损坏，无法投入市场中进行销售。因此，有必要采用一种快捷可靠且无破坏性的方法对蓝莓SSC进行测定。

无破坏性的蓝莓SSC测定方法主要包括超声波法、拉曼光谱法、核磁共振成像和高光谱成像（hyperspectral imaging，HSI）。其中，超声波法通过检测水果内部结构的变化来推测SSC，但测量精度较差。拉曼光谱法采用拉曼光谱技术来分析水果SSC，但对设备要求较高，难以用于生产线上。核磁共振技术通过分析水果内部的水分和其他化学成分来推测SSC，但设备昂贵，也不适用于生产线上。

HSI技术可以同时提供待测样本的空间和光谱信息，在不接触水果的情况下检测成分含量，具有较高的精度和深度信息，适用于大规模检测，常用于评估新鲜果蔬的内部质量特性。张立秀等^[4]利用HSI技术结合离散二进制粒子群（discrete binary particle swarm optimization，DBPSO）算法对久保桃SSC进行预测，采用DBPSO算法、竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）、连续投影算法（successive projections algorithm，SPA）和无信息变量消除（uninformative variable elimination，UVE）对特征波长进行提取。为提高单一算法建模中的鲁棒性，提出组合模式的特征波长提取方法，最后分别建立最小二乘支持向量机和遗传算法优化的支持向量机模型。研究结果表明，二次组合（DBPSO+SPA）-SPA算法建立的最小二乘支持向量机模型对久保桃SSC预测性能最好，测试集决定系数R {}_{\mathrm{p}}^{\mathrm{2}}（decision coefficient of prediction set）为0.955，测试集均方根误差（root mean square error of prediction，RMSEP）为0.139。常洪娟等^[5]利用HSI技术结合反向传播神经网络（Backpropagation neural network，BPNN）模型与偏最小二乘回归模型对芒果SSC进行预测。采用多元散射校正对光谱进行预处理，利用遗传算法、区间变量迭代空间收缩算法（interval variable iterative space shrinkage algorithms，IVISSA）和变量组合群体分析算法对光谱进行特征提取。结果表明，IVISSA+BPNN模型预测能力最佳，R {}_{\mathrm{p}}^{\mathrm{2}}、RMSEP和残差预测偏差（residual prediction bias，RPB）分别为0.864 1、0.392 4和2.712 7。该模型为开发在线芒果SSC无损检测系统奠定基础。Qiao等^[6]利用HSI技术，提出多阶段逐次投影算法同时检测蓝莓的SSC和硬度。Gao等^[7]将光谱与图像信息融合，建立了检测红提葡萄SSC的偏最小二乘回归模型。结果表明，光谱与图像融合时，偏最小二乘回归模型的训练集和测试集的相关系数分别为0.977 5和0.976 2，均显著优于光谱或图像信息的模型。尽管HSI技术在水果SSC无损检测方面已有诸多应用，但关于高光谱图谱融合技术检测蓝莓SSC的研究尚未报道。

本研究以蓝莓（品种：‘美登’）为研究对象，利用高光谱成像仪获取样本的光谱和图像信息，建立高光谱图谱融合信息和单一信息（光谱或图像）的蓝莓SSC检测模型，并对比模型性能。

1 材料与方法

1.1 材料

试验研究的蓝莓品种为‘美登’，2021年8月采摘自辽宁省丹东市振安区蓝莓培育基地，采摘后放入保鲜箱内，并快速运往东北林业大学生物信息试验室。样本到达后，人工筛选直径为10~14 mm，重量为0.9~2.1 g的蓝莓样本，共计188个。所有样本依次编号，用于后续的图像分析和数据对照。蓝莓在室温条件下存放6 h，随即进行高光谱图像采集。

1.2 高光谱图像的采集与校正

试验采用的高光谱成像系统如图1所示，该系统主要包括高光谱成像光谱仪（Specim FX10）、CCD相机（IGV-B1410M）、34 mm定焦透镜、2个150 W的光线卤素灯（3900 Illuminator）、计算机（DELL Vostro 5460-D1448）和移动平台。为获取清晰且无失真的图像，CCD相机的曝光周期设置为22 ms，移动平台以1.6 mm/s的速度移动，使样本在稳定的速度下接受光照，确保成像清晰。将每个蓝莓样本逐一放置于移动平台上，20个蓝莓为一组，在400~1 000 nm波段下进行高光谱图像采集。图像存储至计算机进行后续处理。

为消除光照不均匀和暗电流噪声等因素对图像的影响，需要对采集到的蓝莓高光谱图像进行黑白板校正。使用反射效率为99%的白色漫反射板获得典型的白色校正图像，然后将镜头盖遮盖获得典型的黑色校正图像，通过以下公式计算得到校正后的高光谱图像（I _c）^[8]

I_{\mathrm{c}} = \frac{I_{\mathrm{R}}-I_{\mathrm{D}}}{I_{\mathrm{W}}-I_{\mathrm{D}}}。（1）

式中：I _R为校正前蓝莓高光谱图像；I _W为白色校正图像；I _D为黑色校正图像。

1.3 图像预处理与感兴趣区域提取

本研究将蓝莓个体图像作为感兴趣区域（Regions of interest，ROI）。由于400~450 nm波长范围内存在 较大噪声干扰，因此，选择450~1 000 nm波长范围 （431个波段）进行分析，背景和蓝莓的光谱曲线如图2所示。由图2可知，背景和样本相对反射率值在 882 nm处差异最为显著，因此选取882 nm的灰度图像作为特征图像，如图3所示。为获得蓝莓二值化图像，在图3（b）灰度直方图上建立阈值分割算法，将蓝莓图像从背景中分离出来（图3（c））。最后，利用二值化图像对高光谱图像（图3（a））做掩膜处理，从而去除背景和噪声干扰，得到掩膜图像（图3（d））。计算蓝莓个体掩膜图像ROI的平均光谱值作为该样本的相对反射率值。

1.4 蓝莓SSC测定方法

样本高光谱图像采集完成后，对样本进行研磨，经过3层纱布过滤，用吸管吸取0.4 mL的样本汁液滴于数字折光仪（BR0035型，德国Wiggens，测量指标范围为0°~35°Brix，测量精度为0.1°Brix），每个样本重复测定3次，取平均值作为样本SSC真实值，并记录。

1.5 特征提取方法

1.5.1 光谱特征提取方法

对原始高光谱数据进行光谱特征提取可以减少数据的维度，提高分析效率，同时保留关键信息，从而有利于提高模型的准确性和泛化能力。本研究采用3种典型的数据降维算法确定有效波长，分别是蒙特卡罗无信息变量消除（Monte Carlo uninformative variable elimination，MC-UVE）、CARS和SPA。

MC-UVE是通过随机抽样和模拟来评估模型输出的不确定性，从而提高后续分析的效率和准确性^[9]。CARS通过竞争机制来选择最重要的特征，并逐步调整权重，从而提高特征选择的准确性^[10]。SPA通过对数据进行谱投影，帮助识别和保留最具信息量的特征，从而减少数据的维度^[11]。

1.5.2 图像特征提取方法

为描述图像纹理特征，本研究采用局部二值模式（local binary patterns，LBP，式中记为L _BP）和灰度共生矩阵（gray level co-occurrence matrix，GLCM）提取高光谱图像特征。

LBP通过比较每个像素与其邻域像素的灰度值，生成一个二进制模式，从而编码局部纹理信息^[12]。本研究采用基于圆形邻域的LBP算法，以较小的半径和8个采样点实现细致的纹理编码。具体而言，采用LBP算法将图像划分为中心域和邻域。将中心域得到的像素值与相邻8个域得到的像素值进行比较。如果邻域像素值大于或等于中心域像素值，编码为1，否则编码为0。以此类推，从标记区域的左上角顺时针读取8个二进制数，形成二值化序列，对应的十进制数就是邻域中心点的响应。计算公式为

{L_{\mathrm{B}\mathrm{P}}}_{(p,r)} = {\displaystyle \sum _{n=\mathrm{0}}^{p-\mathrm{1}}} s(g_{(r,n)}-g_c){\mathrm{2}}^n。（2）

s ( x ) = \left\{\begin{array}{c}\mathrm{1},\mathrm{i}\mathrm{f}\mathrm{x}\ge \mathrm{0}\\ \mathrm{0},\mathrm{o}\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{w}\mathrm{i}\mathrm{s}\mathrm{e}.\end{array}\right.。（3）

式中：s（x）为符号函数；g _c为阈值，即中心域的像素值；g_（r，n） 为邻域的像素值；r为圆的邻域半径，r=1；n为邻域像素的位置；p为半径圆上的采样点个数，p=8。

GLCM通过计算图像中不同灰度级像素的共生关系，根据图像纹理的对比度（式中记为 C_{\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{s}\mathrm{t}}）、能量（式中记为 E_{\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{p}\mathrm{y}}）、熵（式中记为 E_{\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{p}\mathrm{y}}）和均匀性（式中记为 H_{\mathrm{o}\mathrm{m}\mathrm{o}\mathrm{g}\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{i}\mathrm{t}\mathrm{y}}），对图像进行纹理分析^[13]。其中，对比度强调灰度级差异较大的区域；能量反映纹理的规则性；熵描述图像的随机性，能够反映不均匀区域；均匀性则更关注局部区域的灰度级相似性。相比于LBP的局部性，GLCM分析的是相对较大尺度的灰度级关联性。因此，一个矩阵由表示特定方向（0°，45°，90°，135°）和特定距离（D）分离的具有相同灰度级的像素对出现的相对频率构成。为了表示纹理，使用MATLAB程序确定了以下GLCM参数，计算为

C_{\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{s}\mathrm{t}} = {\displaystyle \sum _{i=\mathrm{0}}^{L-\mathrm{1}}} {\displaystyle \sum _{j=\mathrm{0}}^{L-\mathrm{1}}}{(i-j)}^{\mathrm{2}}{\mathit{P}}_{(i,j)}。（4）

E_{\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}} = {\displaystyle \sum _{i=\mathrm{0}}^{L-\mathrm{1}}} {\displaystyle \sum _{j=\mathrm{0}}^{L-\mathrm{1}}}{{\mathit{P}}^{\mathrm{2}}}_{(i,j)}。（5）

E_{\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{p}\mathrm{y}} = - {\displaystyle \sum _{i=\mathrm{0}}^{L-\mathrm{1}}} {\displaystyle \sum _{j=\mathrm{0}}^{L-\mathrm{1}}}{P}_{(i,j)}\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}{\mathit{P}}_{(i,j)}。（6）

H_{\mathrm{o}\mathrm{m}\mathrm{o}\mathrm{g}\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{i}\mathrm{t}\mathrm{y}} = {\displaystyle \sum _{i=\mathrm{0}}^{L-\mathrm{1}}} {\displaystyle \sum _{j=\mathrm{0}}^{L-\mathrm{1}}}\frac{{\mathit{P}}_{(i,j)}}{\mathrm{1}+{(i-j)}^{\mathrm{2}}}。（7）

式中： P _{（ i，j ）}为灰度共生矩阵；i和j为灰度级；L为灰度级的数量。

1.6 建模方法与评价指标

将光谱特征、图像特征和图谱融合特征作为输入，实测样本SSC作为输出，建立偏最小二乘（partial least squares，PLS）、BPNN和支持向量机（support vector machine，SVM）3种定量预测模型。

PLS是一种线性回归方法，常用于处理多个因变量与多个自变量之间的关系^[14]。BPNN是一种非线性回归方法，其网络的权重和阈值通过反向传播不断调整，以最小化网络的平方误差和^[15]。本研究使用的BPNN结构采用了3层神经网络，通过试错法和经验法相结合，确定隐藏层节点数为12。输入层节点为特征变量的数量，输出层为实测样本SSC。不同层之间的激活函数为Sigmoid函数，目标误差设定为0.000 1，最大迭代次数设定为1 000，学习率设定为0.01。SVM是一种基于核的方法，通过核函数将输入变量映射到高维特征空间，并从特征空间中提取线性超平面作为决策函数以解决预测问题^[16]。本研究使用高斯径向基函数建立预测模型，主要调整的参数为惩罚系数和正则化参数，且用网格搜索法确定最佳参数的组合。

预测模型建立后，通过4个指标对模型的预测性能进行评价。具体的评价指标分别为训练集的决定系数R {}_{\mathrm{c}}^{\mathrm{2}}（decision coefficient of calibration set）、训练集均方根误差RMSEC（root mean square error of calibration，式中记为R _MSEC）、R {}_{\mathrm{p}}^{\mathrm{2}}和RMSEP（式中记为R _MSEP）。计算公式为

R^{\mathrm{2}} = \mathrm{1} - \frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-\widehat{y_i}\right)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-\overline{y}\right)}^{\mathrm{2}}}。（8）

R_{\mathrm{M}\mathrm{S}\mathrm{E}\mathrm{C}} = \sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i{-\widehat{y_i})}^{\mathrm{2}}}。（9）

式中： y_i为真实值； \widehat{y_i}为预测值； \overline{y}为真实值的平均值； n为样本数量；R {}_{\mathrm{c}}^{\mathrm{2}}和R {}_{\mathrm{p}}^{\mathrm{2}}越接近1，R _MSEC和R _MSEP越小，表明模型的预测性能越强。

2 结果与分析

2.1 蓝莓SSC测定结果

将样本按照3∶1的比例随机分为训练集和测试集，即随机选择141个样本划分为训练集，其余的47个样本划分为测试集。训练集和测试集样本SSC的统计结果见表1。其中，SSC分布范围为6.5%~13.8%，训练集和测试集均值分别为10.1%和9.7%，标准差分别为1.99和1.65。

2.2 光谱数据分析

Savitzky-Golay算法是一种常用的平滑滤波方法，用于消除信号中的噪声，同时尽可能保留信号的特征信息。该算法通过在一个移动窗口内对信号点进行多项式拟合，然后用拟合的结果替代原始点值，从而实现平滑处理。本研究利用该算法对样本校正光谱进行预处理，样本相对反射率光谱曲线如图4所示。由图4可知，所有样本的光谱曲线趋势相似，在450~684 nm，相对反射率缓慢下降，并在684 nm处出现吸收带，可能是由该波段样本少量叶绿素引起的^[17]。在684~893 nm，相对反射率急剧上升，并在893 nm处出现明显的反射峰，可能与样本的碳水化合物，水分子中的C—H键、 O—H键和N—H键密切相关^[18]。在893~962 nm，相对反射率急剧下降，并在962 nm处出现明显的吸收带，可能是由样本的水分子中O—H二级倍频振动引起的^[19]。

2.3 特征波段分析

全光谱数据通常包含数千个变量，为了获得简单、快速、可靠的预测模型，需要通过选择变量进行模型优化。全光谱数据主要存在2个缺点。其一，需要大量的时间来校准和执行模型，从而影响模型在线分析的速度^[20]。此外，全光谱数据存在冗余和非相关，这会降低模型的预测能力^[21]。本研究使用MC-UVE、CARS和SPA这3种特征提取算法对全光谱数据进行降维，并且这3种算法已被证明在水果SSC变量评估中是有效的^[22-23]。

利用MC-UVE算法的样本SSC特征波段选择结果如图5所示。其中，黑色曲线表示光谱变量的稳定值，红色曲线表示噪声变量的稳定值，绿色虚线表示截止线。对于预测模型的建立，只有稳定性在虚线之上的变量才被认为是有效变量，即通过MC-UVE算法提取了103个特征波段。

利用CARS算法的样本SSC特征波段选择结果如图6所示。在该过程中，使用50次蒙特卡罗采样迭代，并采用5倍交叉验证选择最终变量。交叉验证均方根误差 （root mean squared error of cross-validation，RMSECV）值越小，与样本相关的特征波段子集越好。由图6可知，随时间采样的变量数量，5倍RMSECV值以及每个变量的回归系数路径与运行一次CARS时进行的蒙特卡罗采样运行次数有关。图6（a）显示了CARS算法是如何结合快速选择和精细选择的，表明了选择的变量数在变得相对稳定时如何急剧下降。由于在图6（b）中，随着采样运行次数的增加，无信息变量逐渐被消除，因此模型的RMSECV值从采样运行1~34次开始缓慢下降，然后，由于一些重要变量被删除，RMSECV值开始上升。最小5倍RMSECV值用于建立样本SSC预测的最佳变量子集。图6（c）中的每一行显示每个变量在不同采样运行时的回归系数。回归系数较高的变量更有可能被选择。因此，回归系数的分析可用于确定每次样本运行的一组变量。最小5倍RMSECV值用带有星号的垂直线表示。通过CARS算法，提取了12个特征波段进行样本SSC的分析。

利用SPA算法的样本SSC特征波段选择结果如图7所示。图7（a）显示通过SPA获取的样本SSC预测RMSE图。空心的正方形显示所选择的变量数。由图7（a）可知，当所选变量的数量从1~14时，RMSE曲线急剧下降。随着所选变量数的增加，下降趋势变得缓慢。当选择的变量数达到25时，RMSE达到了最佳值。此后，RMSE曲线趋于稳定。所选变量（空心方块）对应于光谱的分布如图7（b）所示。

2.4 模型分析

2.4.1 光谱模型分析

本研究利用3种降维方法提取到的特征波段对应的相对反射率构建PLS、BPNN和SVM样本SSC预测模型。基于光谱特征建立的模型预测结果见表2。由表2可以看出，当利用CARS算法提取特征波段建立的BPNN模型在样本SSC预测性能方面最佳。测试集中R {}_{\mathrm{p}}^{\mathrm{2}}最大，为0.922 6，RMSEP最小，为0.387 9。

CARS算法的预测结果优于MC-UVE和SPA算法，这可能是由于CARS算法选择的波段与样本SSC相关性更强。利用CARS算法选取450、462、467、488、675、701、715、809、855、896、976、985 nm作为特征波段。其中，450、462、467 nm波段与果实颜色信息有关^[24]，488 nm波段与果实花青素有关^[25]，675、701 nm波段与果实中少量的叶绿素有关^[17]，715 nm波段与碳水化合物中的C—H基团和O—H基团有关^[18]，855、896 nm与C—H基团的伸缩振动有关^[26]，976、985 nm与水的吸收有关^[19]。

2.4.2 图像模型分析

利用LBP对样本灰度图像进行计算，得到与样本灰度图像大小相同的LBP图像。同时，计算并绘制LBP的直方图，用于描述图像纹理特征。根据式（4）—式（7）计算LBP图像，得到GLCM的特征值。本研究 采用4个方向（0°，45°，90°，135°）生成GLCM，每个方向使用4个统计量（对比度、能量、熵和均匀性），生成16个特征值。然后，计算4个统计量的均值、标准差和方差，得到12个特征值，即描述样本图像的28个特征值。

利用LBP图像特征、样本图像GLCM特征和LBP图像GLCM特征，分别构建PLS、BPNN和SVM样本SSC预测模型。基于图像特征建立的模型预测结果见表3。由表3可以看出，使用LBP+GLCM提取图像特征时，BPNN模型对样本SSC预测性能最佳。测试集中R {}_{\mathrm{2}}^{}最大，为0.670 2，RMSE最小，为0.935 3。值得注意的是，GLCM对图像特征提取的预测效果优于LBP。可能的原因是GLCM获得了全局纹理特征，而LBP获得了局部纹理特征。利用LBP+GLCM方法，结合了LBP的效率和GLCM的鲁棒性优点，利用GLCM方法获得的样本图像的全局特征纹理，弥补了LBP方法在中心像素点灰度计算方面的不足。

2.4.3 图谱融合模型分析

光谱信息能够反映样本的内部化学成分，图像信息能够反映样本的外部特征。将光谱与图像信息融合能够更有效地预测样本SSC。本研究将光谱特征与图像特征进行融合（归一化处理），然后构建PLS、BPNN和SVM样本SSC预测模型。基于图谱融合特征建立的模型预测结果见表4（黑体数字表示模型预测的最优结果）。由表4可以看出，利用CARS & （LBP+GLCM）的图谱融合特征建立的BPNN模型对样本SSC预测性能最佳。测试集中R {}_{\mathrm{p}}^{\mathrm{2}}最大，为0.926 1，RMSEP最小，为0.364 1。

表2~4的结果表明，利用光谱特征构建的模型预测效果优于图像特征构建的模型，图谱融合特征模型的预测效果优于单一（光谱或图像）特征模型。此外，BPNN模型的预测性能优于PLS和SVM模型，这可能是光谱数据与图像数据之间存在非线性相关的原因。

3 结论

本研究提出一种基于高光谱图谱信息融合的蓝莓SSC无损检测方法，并评估了不同特征提取算法和回归模型的预测性能。通过对比光谱特征（MC-UVE、CARS和SPA）与图像特征（LBP、GLCM和LBP+GLCM）的提取方法发现，光谱与图像特征融合的模型相比单一特征模型具有更优的预测性能。特别是当光谱特征采用CARS算法，图像特征采用LBP+GLCM算法时，BPNN回归模型的预测效果最佳，R {}_{\mathrm{p}}^{\mathrm{2}}=0.926 1，R _MSEP=0.364 1。结果表明，高光谱图谱信息融合方法能够提高蓝莓SSC预测精度，具有较大的应用潜力。未来的研究将聚焦于从不同品种和生长环境下获取更多样本，以进一步提高模型的泛化能力。

参考文献

[1] CHEN Y H， HUNG Y C， CHEN M Y，et al. Enhanced storability of blueberries by acidic electrolyzed oxidizing water application may be mediated by regulating ROS metabolism[J].Food Chemistry，2019，270：229-235.

[2] QIAO S C， TIAN Y W， WANG Q H，et al.Nondestructive detection of decayed blueberry based 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] LI J L， SUN D W， CHENG J H.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] 张立秀，张淑娟，孙海霞，高光谱结合离散二进制粒子群算法对久保桃可溶性固形物含量的检测[J].光谱学与光谱分析，2024，44（3）：656-662.

[5] ZHANG L X， ZHANG S J， SUN H X，et al.Determination of soluble solid content in peach based on hyperspectral combination with BPSO[J].Spectroscopy and Spectral Analysis，2024，44（3）：656-662.

[6] 常洪娟，蒙庆华，吴哲锋，基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测[J].食品安全质量检测学报，2024，15（2）：141-148.

[7] CHANG H J， MENG Q H， WU Z F，et al.Detection of soluble solids content in mango based on backpropagation algorithm neural network and hyperspectral imaging[J].Journal of Food Safety and Quality，2024，15（2）：141-148.

[8] QIAO S C， TIAN Y W， GU W J，et al.Research on 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.

[9] GAO S， XU J H.Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes[J].Computers and Electronics in Agriculture，2022，196：106822.

[10] 李斌，韩昭洋，王秋，基于高光谱成像技术的枇杷碰伤等级检测研究[J].光谱学与光谱分析，2023，43（6）：1792-1799.

[11] 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.

[12] 蒋大鹏，高礼彬，陈金浩，木材抗拉强度的近红外光谱MC-UVE-IVSO建模方法[J].光谱学与光谱分析，2023，43（8）：2488-2493.

[13] JIANG D P， GAO L B， CHEN J H，et al.Near infrared spectroscopy modeling method of wood tensile strength based on MC-UVE-IVSO[J].Spectroscopy and Spectral Analysis，2023，43（8）：2488-2493.

[14] 路皓翔，张静，李灵巧，最小角回归结合竞争性自适应重加权采样的近红外光谱波长选择[J].光谱学与光谱分析，2021，41（6）：1782-1788.

[15] 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.

[16] 宋子怡，常庆瑞，郑智康，基于高光谱和连续投影算法的猕猴桃叶片氮平衡指数的估测[J].江苏农业学报，2024，40（7）：1260-1267.

[17] SONG Z Y， CHANG Q R， 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.

[18] 赵玉清，贾奥莹，王天允，基于机器学习的缺陷咖啡生豆检测[J].自动化应用，2024，65（11）：1-6.

[19] ZHAO Y Q， JIA A Y， WANG T Y，et al.Detection of defective green coffee beans based on machine learning[J].Automation Application，2024，65（11）：1-6.

[20] 陈洋，陈孝敬，石文，基于激光散斑的食品包装缺陷检测[J].激光与光电子学进展，2025，62（6）：1-15.

[21] CHEN Y， CHEN X J， SHI W，et al.Detection of food packaging defects based on laser speckle[J].Laser & Optoelectronics Progress，2025，62（6）：1-15.

[22] 张燕，贾阳，杜涓，偏最小二乘法和近红外光谱技术快速测定发酵黄芪茎叶中黄酮含量及抗氧化活性[J].饲料研究，2024，47（18）：70-75.

[23] ZHANG Y， JIA Y， DU J，et al.Rapid determination of flavonoids and antioxidant activity of fermented Astragalus membranaceus stems and leaves by partial least square method and near infrared spectroscopy technique[J].Feed Research，2024，47（18）：70-75.

[24] 邱腾煌，钱玉宝，季威.基于GA-BPNN混合智能模型的钻速预测[J].电子测量技术，2024，47（15）：177-186.

[25] QIU T H， QIAN Y B， JI W.Drilling rate prediction based on GA-BPNN hybrid intelligent model[J].Electronic Measurement Technology，2024，47（15）：177-186.

[26] 房孝猛，王华来，徐晖，基于SVM与近红外TDLAS技术的多组分痕量气体识别与检测[J].光谱学与光谱分析，2024，44（10）：2909-2915.

[27] FANG X M， WANG H L， XU H，et al.Identification and detection of multi-component trace gases based on near-infrared TDLAS technology based on SVM[J].Spectroscopy and Spectral Analysis，2024，44（10）：2909-2915.

[28] YU K Q， ZHAO Y R， LIU Z Y，et al.Application of visible and near-infrared hyperspectral imaging for detection of defective features in loquat[J].Food and Bioprocess Technology，2014，7（11）：3077-3087.

[29] HE X M， FU X P， RAO X Q，et al.Assessing firmness and SSC of pears based on absorption and scattering properties using an automatic integrating sphere system from 400 to 1150 nm[J].Postharvest Biology and Technology，2016，121：62-70.

[30] XUE J X， ZHANG S J， SUN H X，et al.Detection of shelf life of Malus asiatica using near-infrared spectroscopy and softening index[J].Transactions of the Chinese Society for Agricultural Machinery，2013，44（8）：169-173.

[31] LIU F， HE Y， WANG L.Comparison of calibrations for the determination of soluble solids content and pH of rice vinegars using visible and short-wave near infrared spectroscopy[J].Analytica Chimica Acta，2008，610（2）：196-204.

[32] 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.

[33] COSTA R C， DE LIMA K M G.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.

[34] ZHANG D Y， XU Y F， HUANG W Q，et al.Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm[J].Infrared Physics & Technology，2019，98：297-304.

[35] ZHANG C， GUO C T， LIU F，et al.Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine[J].Journal of Food Engineering，2016，179：11-18.

[36] PAN T T， CHYNGYZ E， SUN D W，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.

[37] 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.

基金资助

国家自然科学基金项目(32202147)

黑龙江省博士后科研基金项目(LBH-Q13007)