基于光譜的橘小實(shí)蠅侵染柑橘檢測(cè)系統(tǒng)設(shè)計(jì)

摘要：為實(shí)現(xiàn)可見(jiàn)/近紅外光譜對(duì)橘小實(shí)蠅侵染柑橘的準(zhǔn)確檢測(cè)。針對(duì)侵染位置的未知問(wèn)題，設(shè)計(jì)一套橘小實(shí)蠅侵染柑橘多光路無(wú)損檢測(cè)分級(jí)系統(tǒng)。采集四個(gè)檢測(cè)光路的半透射光譜信息，利用偏最小二乘判別法建立并比較單一檢測(cè)光路和混合四個(gè)檢測(cè)光路的分類模型。結(jié)果顯示，混合所有檢測(cè)光路的模型取得較優(yōu)的分類結(jié)果。利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法篩選的47個(gè)特征波長(zhǎng)變量建模，四個(gè)檢測(cè)光路中分類效果最佳地預(yù)測(cè)集的準(zhǔn)確率和特異性分別達(dá)到93.5%和95.2%。利用四個(gè)檢測(cè)光路的柑橘樣本建立的PLS-DA混合分類模型，結(jié)合CARS算法進(jìn)行有效特征波長(zhǎng)變量篩選，可提高橘小實(shí)蠅侵染柑橘分類模型的精度，實(shí)現(xiàn)橘小實(shí)蠅侵染柑橘的準(zhǔn)確分類。研究結(jié)果可為在線檢測(cè)橘小實(shí)蠅侵染柑橘提供參考。

關(guān)鍵詞：柑橘；無(wú)損檢測(cè)；橘小實(shí)蠅；可見(jiàn)/近紅外光譜；偏最小二乘判別

中圖分類號(hào)：S666.2; TS255.35

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 070209

06

Design of a spectroscopy-based detection system for citrus infestation by

Bactrocera dorsalis （Hendel）

Long Jiang， Wen Tao， Dai Xingyong， Han Longbo， Gong Zhongliang

（College of Mechanical and Intelligent Manufacturing， Central South University of

Forestry and Technology， Changsha， 410004， China）

Abstract：

In order to accurately detect citrus infected by Bactrocera dorsalis （Hendel） using visible/near-infrared spectroscopy， this study designed a multi-path non-destructive detection grading system for citrus infected by Bactrocera dorsalis （Hendel） to address the unknown location of infection. Semi-transmissive spectral information from four detection paths was collected and partial least squares discriminant analysis was used to establish and compare classification models for a single detection path and a combination of four detection paths. The results showed that the model combining all detection paths achieved better classification results. Using 47 feature wavelengths selected by the competitive adaptive reweighted sampling method to build a model， the accuracy and specificity of the best prediction set among the four detection paths reached 93.5% and 95.2%， respectively. The PLS-DA hybrid classification model established by using citrus samples from four detection paths， combined with the CARS algorithm for effective feature wavelength variable selection， can improve the accuracy of Bactrocera dorsalis （Hendel） infected citrus classification model and accurately classify Bactrocera dorsalis （Hendel） infected citrus. The research results can provide a reference for online detection of citrus infestation by Bactrocera dorsalis （Hendel）.

Keywords：

citrus; non-destructive detection; Bactrocera dorsalis （Hendel）; visble/near-infrared spectroscopy; partial least squares discriminant analysis

0 引言

據(jù)統(tǒng)計(jì)，每年因蟲(chóng)害造成的柑橘產(chǎn)量損失約為10%～20%，其中橘小實(shí)蠅對(duì)柑橘的威脅較大［1］。一旦被橘小實(shí)蠅侵染的柑橘流通到市場(chǎng)上，將對(duì)人的健康造成嚴(yán)重危害。目前，檢測(cè)橘小實(shí)蠅侵染柑橘主要依靠人工定性分析，效果不佳且受主觀因素影響。傳統(tǒng)光譜檢測(cè)系統(tǒng)大多采用單光路全透射形式［2］，由于橘小實(shí)蠅侵染位置未知，單光路采集光譜時(shí)可能會(huì)漏掉侵染位置信息，從而降低檢測(cè)精度。

在水果蟲(chóng)害無(wú)損檢測(cè)分級(jí)研究方面，國(guó)內(nèi)外學(xué)者已取得一些進(jìn)展［3， 4］。然而，針對(duì)橘小實(shí)蠅侵染柑橘的分級(jí)檢測(cè)研究較少。Xing等［5］比較了酸櫻桃透射光譜和反射光譜檢測(cè)蟲(chóng)害的能力，并發(fā)現(xiàn)透射光譜分類效果更佳。此外，Xing等［6］使用漫透射形式對(duì)酸櫻桃蟲(chóng)害進(jìn)行分類檢測(cè)，并取得了87%的準(zhǔn)確率。Tian等［7］提出了直徑校正方法和一維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)來(lái)消除果實(shí)大小對(duì)透射光譜的影響，并有效識(shí)別早期凍傷的柑橘。Wang等［8］比較了可見(jiàn)/近紅外交互、反射和透射模式在大棗蟲(chóng)害檢測(cè)中的能力，并發(fā)現(xiàn)可見(jiàn)/近紅外透射光譜效果更佳。劉燕德等［9］使用可見(jiàn)/近紅外漫透射光譜結(jié)合偏最小二乘判別模型在線檢測(cè)黑心鴨梨；羅青青等［10］通過(guò)分析蘋(píng)果中小吉丁蟲(chóng)害等級(jí)的反射特征構(gòu)建多元回歸模型并有效地進(jìn)行檢測(cè)。

為解決現(xiàn)有系統(tǒng)未針對(duì)橘小實(shí)蠅侵染柑橘進(jìn)行光譜檢測(cè)問(wèn)題，本研究設(shè)計(jì)一種多光路半透射可見(jiàn)/近紅外光譜檢測(cè)系統(tǒng)來(lái)無(wú)損地檢測(cè)并準(zhǔn)確分級(jí)被侵染的柑橘，并減少未知侵染位置對(duì)分類模型的影響。

1 整體檢測(cè)分類系統(tǒng)設(shè)計(jì)

1.1 整體結(jié)構(gòu)及系統(tǒng)工作流程

可見(jiàn)/近紅外光譜檢測(cè)系統(tǒng)如圖1所示。

本文設(shè)計(jì)的多光路光譜檢測(cè)分級(jí)系統(tǒng)主要由光譜儀、檢測(cè)杯、四個(gè)光路和操作控制系統(tǒng)組成。使用Maya 2000型號(hào)的光譜儀（OceanInsight， Florida，USA）采集光譜信息，波段檢測(cè)范圍為200～1100nm。檢測(cè)杯底部有黑色吸光材料墊子以減少雜散光干擾，并內(nèi)部裝有準(zhǔn)直鏡。準(zhǔn)直鏡通過(guò)SMA905-0.22型號(hào)的光纖連接到光譜儀上。四個(gè)光路的光源為石英鹵鎢燈，燈殼內(nèi)設(shè)置聚光鏡以控制照射到樣本上的光斑大小。四個(gè)光路相隔90°排列，360°覆蓋樣本，確保照射覆蓋到樣本的四個(gè)面。采用PCIe-6353型號(hào)的DAQ數(shù)據(jù)采集卡獨(dú)立發(fā)開(kāi)控制系統(tǒng)，控制系統(tǒng)控制著光源的開(kāi)關(guān)、傳輸模塊和升降模塊。傳輸模塊通過(guò)雙同步帶電機(jī)將檢測(cè)杯送至指定檢測(cè)位置；而升降模塊則通過(guò)調(diào)節(jié)絲桿高度來(lái)帶動(dòng)支撐著連桿上的光源旋轉(zhuǎn)照射角度，以調(diào)節(jié)至指定角度。

整機(jī)工作流程如圖2所示。在采集樣本的可見(jiàn)/近紅外光譜前，四個(gè)光路的燈先打開(kāi)預(yù)熱30 min以使采集環(huán)境穩(wěn)定。通過(guò)對(duì)比預(yù)試驗(yàn)，設(shè)置合適的采集光譜參數(shù)。四個(gè)光路的光照角度通過(guò)升降模塊調(diào)整至所需照射角度；檢測(cè)杯通過(guò)傳輸模塊輸送至系統(tǒng)中心檢測(cè)位置。當(dāng)光照角度和檢測(cè)杯調(diào)整至指定角度和位置后，將試驗(yàn)樣本放入檢測(cè)杯上并根據(jù)需要采集不同方式下的樣本光譜。然后對(duì)光譜數(shù)據(jù)依次進(jìn)行樣本集劃分、光譜數(shù)據(jù)預(yù)處理、特征波長(zhǎng)挑選，并進(jìn)行模型訓(xùn)練與建立，最終完成預(yù)測(cè)集分類與驗(yàn)證。

1.2 多光路模塊設(shè)計(jì)

光路結(jié)構(gòu)設(shè)計(jì)需要考慮發(fā)射光路和接收光路、光源的功率。不同的發(fā)射光路和接收光路設(shè)計(jì)適合不同的采集光譜模式。采集水果光譜的方法主要為透射法和反射法［11， 12］。根據(jù)不同果皮對(duì)光的影響，選擇合適的采集光譜方法可以提高光譜信息的穩(wěn)定性和可靠性。柑橘屬于厚皮水果，采用透射方法更為合適［13］。由于侵染位置在柑橘上是未知的，采集光譜的光路有無(wú)經(jīng)過(guò)柑橘侵染位置會(huì)直接影響所建立模型的檢測(cè)精度，混合四個(gè)不同光路的光譜可以保證經(jīng)過(guò)侵染位置。選用的光源應(yīng)在需要的波長(zhǎng)范圍內(nèi)，并選擇合適功率并設(shè)定合適積分時(shí)間以使得接收到更多內(nèi)部特征信息。

本研究選用了四個(gè)飛利浦Essential型號(hào)鹵素?zé)簦?2 V，50 W）作為光源。因此，本研究采用四個(gè)檢測(cè)光路半透射方法采集樣本光譜。其設(shè)計(jì)如圖3所示。

1.3 控制系統(tǒng)設(shè)計(jì)

多光路光譜檢測(cè)系統(tǒng)選用LabVIEW作為軟件開(kāi)發(fā)平臺(tái)，并采用模塊化編程思想。設(shè)計(jì)的主要功能模塊包括系統(tǒng)參數(shù)設(shè)置、按鍵控制、光譜采集參數(shù)設(shè)置和樣本光譜值顯示；控制系統(tǒng)界面如圖4所示。該界面中的系統(tǒng)參數(shù)設(shè)置功能可設(shè)置積分時(shí)間、滑動(dòng)平均次數(shù)等采集光譜參數(shù)；按鍵控制功能可控制樣本運(yùn)輸、調(diào)節(jié)光照角度和光源開(kāi)關(guān)等；樣本光譜值顯示功能可顯示樣本的光譜數(shù)值，并可選用透射率公式、反射率公式等。此外，還可顯示一批樣本中的最大、最小和平均數(shù)值以方便后續(xù)統(tǒng)計(jì)，調(diào)節(jié)采集速度和調(diào)整采集模式。

1.4 模型的建立與評(píng)價(jià)

1.4.1 光譜預(yù)處理與樣本劃分

為減少或消除原始光譜數(shù)據(jù)中背景噪聲、雜光和其他無(wú)用信息的干擾，增強(qiáng)光譜特征，采用多元散射校正（MSC）方法對(duì)光譜進(jìn)行預(yù)處理［14］。樣品校正集與預(yù)測(cè)集的劃分合理性影響模型分類能力，以光譜—目標(biāo)共生距離（SPXY）方法對(duì)數(shù)據(jù)集進(jìn)行有效劃分［15］。

1.4.2 特征波長(zhǎng)提取

采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）、連續(xù)投影算法（SPA）對(duì)全光譜進(jìn)行特征波長(zhǎng)篩選，消除光譜的冗余信息，進(jìn)一步提高模型的分類精度。CARS以權(quán)重較大波長(zhǎng)點(diǎn)建立偏最小二乘（PLS）模型，經(jīng)過(guò)多次循環(huán)篩選出特征波長(zhǎng)［16］。CARS運(yùn)行時(shí)設(shè)置蒙特卡洛運(yùn)行次數(shù)為60次，每次抽取80%樣品作為校正集，通過(guò)10折交叉驗(yàn)證循環(huán)篩選。SPA算法是一種前向循環(huán)變量選擇方法，可以去除具有冗余信息的變量并選擇具有最小共線性程度的特征變量，從而選擇含有最少冗余信息及最小共線性的變量組合［17］。

1.4.3 分類模型的建立與評(píng)價(jià)

運(yùn)用最小二乘法判別分析（PLS-DA）建立光譜和柑橘的侵染樣本與健康樣本的分類模型。PLS-DA的數(shù)據(jù)集X包含健康和侵染樣本的特征波長(zhǎng)光譜數(shù)據(jù)，對(duì)樣本進(jìn)行標(biāo)記指定另一個(gè)的數(shù)據(jù)集Y，將侵染的樣本標(biāo)記為0，健康的樣本標(biāo)記為1。最后運(yùn)用校正集的所建立的分類模型對(duì)驗(yàn)證集的數(shù)據(jù)進(jìn)行分類驗(yàn)證［18］。

由于被錯(cuò)誤分類為健康樣本的侵染樣本對(duì)實(shí)際情況更具威脅，因此本研究采用準(zhǔn)確率（ACC）和特異性（TNR）作為各模型分類能力的評(píng)價(jià)指標(biāo)。其中，ACC代表所有正確分類樣本數(shù)與總樣本數(shù)的比例。TNR代表被正確分類為侵染柑橘的樣本數(shù)與總侵染柑橘樣本數(shù)的比例，用于檢驗(yàn)?zāi)Ｐ蛯?duì)侵染柑橘的鑒別能力。具體如式（1）和式（2）所示。

ACC=TP+TNTP+TN+FP+FN

（1）

TNR=TNFP+TN

（2）

式中：

TP——正確分類為健康柑橘的樣本數(shù)量；

TN——正確分類為侵染柑橘的樣本數(shù)量；

FP——錯(cuò)誤分類為健康柑橘的樣本數(shù)量；

FN——錯(cuò)誤分類為侵染柑橘的樣本數(shù)量。

2 橘小實(shí)蠅侵染柑橘檢測(cè)試驗(yàn)

2.1 試驗(yàn)樣本

選用成熟的“石門(mén)”柑橘作為樣本，從長(zhǎng)沙本地水果市場(chǎng)獲取。選取164個(gè)完整、外表無(wú)損傷的柑橘樣本，洗凈后于25℃溫度和70%相對(duì)濕度的條件下存放一晚，并進(jìn)行單獨(dú)編號(hào)。從華南師范大學(xué)農(nóng)業(yè)昆蟲(chóng)實(shí)驗(yàn)室獲得200只橘小實(shí)蠅（雌雄比1∶1.2），并在25℃、70%相對(duì)濕度和光照時(shí)長(zhǎng)∶黑暗時(shí)長(zhǎng)（14 h∶10 h）的條件下飼養(yǎng)。為確保柑橘樣本被侵染，通過(guò)人工采集蟲(chóng)卵并使用注射器將其注入柑橘樣本；被侵染的樣本繼續(xù)放入恒溫恒濕箱中培育。上述培養(yǎng)條件下，柑橘內(nèi)部橘小實(shí)蠅卵期和幼蟲(chóng)期平均周期分別為1.54天和8.25天［19］。因此，侵染后培育至第5天的柑橘樣本被定義為侵染樣本；同時(shí)設(shè)置與其對(duì)照的健康樣本，共制備84個(gè)侵染和84個(gè)健康柑橘。其剖面圖如圖5所示。

2.2 光譜的采集與校正

按照系統(tǒng)工作流程進(jìn)行操作，4個(gè)光路的光照角度通過(guò)升降模塊調(diào)整至水平；檢測(cè)杯通過(guò)傳輸模塊輸送至系統(tǒng)中心檢測(cè)位置。光源預(yù)熱30 min，積分時(shí)間設(shè)置為200 ms，滑動(dòng)平均次數(shù)設(shè)置為3。依次采集4個(gè)檢測(cè)光路的樣本光譜，并取其平均值作為混合4個(gè)檢測(cè)光路的校正集樣本光譜。由于存在光源強(qiáng)度分布不均、雜散光及系統(tǒng)電流帶來(lái)的噪聲影響，每次采樣需利用亮、暗光譜對(duì)采集的光譜進(jìn)行校正以減少干擾影響。計(jì)算如式（3）所示。

Tλ=Iλ-RdRB-Rd

（3）

式中：

Iλ——樣本光譜強(qiáng)度；

Rd——

暗光譜（暗環(huán)境下采集到的光譜作為暗光譜）；

RB——

亮光譜（從特氟龍材質(zhì)的參比球上采集到的光譜）；

Tλ——校正后的樣本光譜。

2.3 光譜預(yù)處理及樣本劃分

由于光譜儀采樣波長(zhǎng)首尾兩端噪聲較大、信噪比較差，故選擇550～950 nm波段內(nèi)共1 067個(gè)波長(zhǎng)點(diǎn)進(jìn)行建模分析。圖6為168個(gè)柑橘樣品不同檢測(cè)光路的可見(jiàn)/近紅外半透射光譜信息經(jīng)MSC預(yù)處理后的光譜圖，其中包括四個(gè)不同檢測(cè)光路各168條光譜曲線。從圖6中難以直接分辨出4個(gè)檢測(cè)光路下侵染與健康柑橘光譜曲線的差異。

通過(guò)SPXY劃分法按3∶1比例將預(yù)處理后的4個(gè)檢測(cè)光路各自168個(gè)樣品光譜數(shù)據(jù)分為校正集與預(yù)測(cè)集。校正集共126個(gè)數(shù)據(jù)（63健康、63侵染）；預(yù)測(cè)集共42個(gè)數(shù)據(jù)（21健康、21侵染）。樣本數(shù)量分布如表1所示。

2.4 單一檢測(cè)光路校正集樣本建模分類結(jié)果

利用4個(gè)檢測(cè)光路的校正集樣本建立各單一檢測(cè)光路可見(jiàn)/近紅外光譜分類模型，并分別對(duì)4個(gè)不同檢測(cè)光路的預(yù)測(cè)集樣本進(jìn)行分類；結(jié)果如表2所示。對(duì)于同一檢測(cè)光路的柑橘樣本，其校正集建立的單一檢測(cè)光路模型均實(shí)現(xiàn)了較準(zhǔn)確的預(yù)測(cè)集分類。光路1分類結(jié)果為ACC=88.1%，TNR=85.7%；光路2分類結(jié)果為ACC=88.1%，TNR=85.7%；光路3分類結(jié)果為ACC=88.1%，TNR=88.1%；光路4分類結(jié)果為ACC=88.1%，TNR=85.7%。比較發(fā)現(xiàn)，利用單一檢測(cè)光路模型對(duì)其他三種不同檢測(cè)光路的預(yù)測(cè)集樣本進(jìn)行分類時(shí)，其ACC、TNR會(huì)有不同程度降低。在實(shí)際應(yīng)用中，由于橘小實(shí)蠅侵染柑橘位置未知且檢測(cè)方位不固定，若只根據(jù)某單一檢測(cè)光路建立的模型對(duì)未知侵染柑橘進(jìn)行分類會(huì)產(chǎn)生很大偏差。因此，建立混合多個(gè)檢測(cè)光路的分類模型具有實(shí)際意義。

2.5 混合檢測(cè)光路校正集樣本建模分類結(jié)果

通過(guò)混合4個(gè)檢測(cè)光路的校正集樣本，建立了混合檢測(cè)光路的可見(jiàn)/近紅外光譜分類模型。表3顯示了4個(gè)不同檢測(cè)光路預(yù)測(cè)集樣本的分類結(jié)果。其中，光路1的分類結(jié)果為ACC=90.5%，TNR=88.1%；光路2的分類結(jié)果為ACC=88.1%，TNR=90.5%；光路3的分類結(jié)果為ACC=90.5%，TNR=90.5%；光路4的分類結(jié)果為ACC=90.5%，TNR=88.1%。對(duì)于4個(gè)檢測(cè)光路的預(yù)測(cè)集，整體分類結(jié)果為ACC=92.9%，TNR=91.7%。比較發(fā)現(xiàn)，在校正集中包含4個(gè)檢測(cè)光路柑橘樣本的光譜信息時(shí)，建立的混合分類模型對(duì)各個(gè)預(yù)測(cè)集樣本均取得了較好的分類效果。ACC和TNR均大于88.1%，有效減小了橘小實(shí)蠅侵染柑橘位置未知對(duì)可見(jiàn)/近紅外光譜模型分類效果的影響，實(shí)現(xiàn)了對(duì)橘小實(shí)蠅侵染柑橘準(zhǔn)確分類。

2.6 基于特征波長(zhǎng)的混合檢測(cè)光路模型分類結(jié)果

為提高檢測(cè)效率、簡(jiǎn)化分類模型，在550～950 nm波段內(nèi)，利用SPA和CARS算法分別對(duì)混合四個(gè)檢測(cè)光路校正集樣本的光譜變量進(jìn)行侵染柑橘特征波長(zhǎng)篩選。圖7為采用SPA算法對(duì)侵染柑橘光譜變量進(jìn)行篩選的結(jié)果；圖7（a）和圖7（c）表示SPA和CARS算法所選特征波長(zhǎng)變量在進(jìn)行PLS建模時(shí)，均方根誤差RMSE與交叉驗(yàn)證均方根誤差RMSECV的分布；圖7（b）和圖7（d）表示SPA和CARS算法分析后獲得的波長(zhǎng)點(diǎn)分布。

使用SPA算法選擇16個(gè)波長(zhǎng)時(shí)，RMSE值為0.188 52。當(dāng)選擇變量數(shù)大于16后，隨著選擇波長(zhǎng)數(shù)增加，RMSE會(huì)進(jìn)一步降低；但選擇波長(zhǎng)數(shù)超過(guò)16后，模型分類效果并未明顯提升。故SPA算法最終選擇了16個(gè)波長(zhǎng)作為特征波長(zhǎng)。

由于每次運(yùn)行CARS算法得到的最優(yōu)采樣次數(shù)稍有偏差，故運(yùn)行60次并根據(jù)RMSECV最小值挑選出侵染柑橘特征波長(zhǎng)變量。當(dāng)采樣次數(shù)為29時(shí)，RMSECV達(dá)到最小值0.22且對(duì)應(yīng)最優(yōu)建模變量數(shù)為47。

利用SPA和CARS算法篩選的有效特征波長(zhǎng)變量建立混合檢測(cè)光路侵染柑橘可見(jiàn)/近紅外光譜模型，分類結(jié)果如表4所示。

由表4可知，利用SPA算法篩選的特征波長(zhǎng)變量數(shù)為16。雖然建模變量數(shù)較少且模型得到很大簡(jiǎn)化，但SPA-PLS-DA模型對(duì)光路各預(yù)測(cè)集樣本的ACC和TNR均有所降低。

相比之下，利用CARS算法進(jìn)行有效特征波長(zhǎng)篩選后，建模變量數(shù)由1 067減少到47；不僅模型得到很大簡(jiǎn)化，分類精度也得到一定提升。CARS-PLS-DA模型對(duì)各單一檢測(cè)光路的ACC和TNR均有所上升；對(duì)4個(gè)檢測(cè)光路預(yù)測(cè)集樣本的分類結(jié)果為ACC=93.5%，TNR=95.2%（其中TNR較高）。CARS-PLS-DA模型分類預(yù)測(cè)集樣本的分類圖（圖8），通過(guò)CARS算法進(jìn)行有效特征波長(zhǎng)變量篩選后，分類精度得到一定提升且模型也得到很大簡(jiǎn)化。

3 結(jié)論

1） 設(shè)計(jì)一套橘小實(shí)蠅侵染柑橘的多光路無(wú)損檢測(cè)分級(jí)系統(tǒng)。采用PLS-DA建立單一檢測(cè)光路和混合4個(gè)檢測(cè)光路的橘小實(shí)蠅侵染柑橘分類模型，并使用CARS和SPA算法對(duì)可見(jiàn)/近紅外光譜變量進(jìn)行特征波長(zhǎng)篩選。

2） 含有4個(gè)檢測(cè)光路的分類模型，結(jié)合CARS算法篩選出的47個(gè)有效特征波長(zhǎng)點(diǎn)，能夠準(zhǔn)確地對(duì)柑橘不同檢測(cè)位置的侵染情況進(jìn)行分類。對(duì)于4個(gè)檢測(cè)光路預(yù)測(cè)集樣本，分類結(jié)果為ACC=93.5%，TNR=95.2%。

3） 研究結(jié)果表明，利用可見(jiàn)/近紅外光譜技術(shù)進(jìn)行橘小實(shí)蠅侵染柑橘的在線檢測(cè)可以減少檢測(cè)位置差異對(duì)分類模型的影響。這為今后利用可見(jiàn)/近紅外光譜技術(shù)開(kāi)展橘小實(shí)蠅侵染柑橘的檢測(cè)研究提供參考依據(jù)。

參 考 文 獻(xiàn)

［1］Vargas R I， Piero J C， Leblanc L.An overview of pest species of Bactrocera fruit flies （Diptera： Tephritidae） and the integration of biopesticides with other biological approaches for their management with a focus on the Pacific region ［J］. Insects， 2015， 6（2）： 297-318.

［2］徐惠榮， 李青青. 皇冠梨糖度可見(jiàn)/近紅外光譜在線檢測(cè)模型傳遞研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（9）： 312-317.

Xu Huirong， Li Qingqing. Calibration model transfer between visible/NIR spectrometers in sugar content on-line detection of crown pears ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（9）： 312-317.

［3］雷雨， 何東健， 周兆永， 等. 蘋(píng)果霉心病可見(jiàn)/近紅外透射能量光譜識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016， 47（4）： 193-200.

Lei Yu， He Dongjian， Zhou Zhaoyong， et al. Detection of moldy core of apples based on visible/near infrared transmission energy spectroscopy ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（4）： 193-200.

［4］Huang Y， Lu R， Chen K. Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system ［J］. Postharvest Biology and Technology， 2020， 161： 111065.

［5］Xing J， Guyer D. Comparison of transmittance and reflectance to detect insect infestation in montmorency tart cherry ［J］. Computers and Electronics in Agriculture， 2008， 64（2）： 194-201.

［6］Xing J， Guyer D. Detecting internal insect infestation in tart cherry using transmittance spectroscopy ［J］. Postharvest Biology and Technology， 2008， 49（3）： 411-416.

［7］Tian S， Wang S， Xu H. Early detection of freezing damage in oranges by online Vis/NIR transmission coupled with diameter correction method and deep 1D-CNN ［J］. Computers and Electronics in Agriculture， 2022， 193： 106638.

［8］Wang J， Nakano K， Ohashi S， et al. Comparison of different modes of visible and near-infrared spectroscopy for detecting internal insect infestation in jujubes ［J］. Journal of Food Engineering， 2010， 101（1）： 78-84.

［9］劉燕德， 李軼凡， 龔志遠(yuǎn)， 等. 鴨梨黑心病可見(jiàn)/近紅外漫透射光譜在線檢測(cè)［J］. 光譜學(xué)與光譜分析， 2017， 37（12）： 3714-3718.

Liu Yande， Li Yifan， Gong Zhiyuan， et al. The discrimination of blackheart pears research based on visible/near-infrared diffuse transmission spectrum online detector ［J］. Spectroscopy and Spectral Analysis， 2017， 37（12）： 3714-3718.

［10］羅青青， 黃鐵成， 陳蜀江， 等. 基于光譜反射率的塞威氏蘋(píng)果蟲(chóng)害等級(jí)定量化測(cè)評(píng)［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2019， 35（4）： 798-803.

Luo Qingqing， Huang Tiecheng， Chen Shujiang， et al. Quantitative evaluation on pest damage levels of Malus sieversii based on spectral reflectance ［J］. Jiangsu Journal of Agricultural Sciences， 2019， 35（4）： 798-803.

［11］陸輝山， 傅霞萍， 謝麗娟， 等. 可見(jiàn)/近紅外光估測(cè)完整柑橘水果可溶性固形物含量的研究［J］. 光譜學(xué)與光譜分析， 2007（9）： 1727-1730.

Lu Huishan， Fu Xiaping， Xie Lijuan， et al. Estimation of soluble solids content of intact citrus fruit by Vis/NIR spectroscopy ［J］. Spectroscopy and Spectral Analysis， 2007（9）： 1727-1730.

［12］張欣欣， 李尚科， 李跑， 等. 近紅外漫反射光對(duì)水果的穿透能力研究［J］. 中國(guó)食品學(xué)報(bào)， 2022， 22（1）： 298-305.

Zhang Xinxin， Li Shangke， Li Pao， et al. Studies on the penetration ability of near infrared diffuse light on fruits ［J］. Journal of Chinese Institute of Food Science and Technology， 2022， 22（1）： 298-305.

［13］吳晨凱， 張亮， 沈黃通， 等. 光在柑橘組織中的入射深度和分布情況初探［J］. 光譜學(xué)與光譜分析， 2014， 34（3）： 601-604.

Wu Chenkai， Zhang Liang， Shen Huangtong， et al. Investigation of light penetration depth and distribution inside citrus tissue ［J］. Spectroscopy and Spectral Analysis， 2014， 34（3）： 601-604.

［14］Galvao R K H， Araujo M C U， José G E， et al. A method for calibration and validation subset partitioning ［J］. Talanta， 2005， 67（4）： 736-740.

［15］Maleki M R， Mouazen A M， Ramon H， et al. Multiplicative scatter correction during on-line measurement with near infrared spectroscopy ［J］. Biosystems Engineering， 2007， 96（3）： 427-433.

［16］Li H， Liang Y， Xu Q， et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration ［J］. Analytica Chimica Acta， 2009， 648（1）： 77-84.

［17］Araújo M C U， Saldanha T C B， Galvao R K H， et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis ［J］. Chemometrics and Intelligent Laboratory Systems， 2001， 57（2）： 65-73.

［18］Brereton R G， Lloyd G R. Partial least squares discriminant analysis： Taking the magic away ［J］. Journal of Chemometrics， 2014， 28（4）： 213-225.

［19］Naik H S， Jagadeesh K S， Basavaraju B S. Biology and biometrics of oriental fruit fly， bactrocera dorsalis （Hendel） （Diptera： Tephritidae） on custard apple， Annona squamosa L ［J］. International Journal of Current Microbiology and Applied Sciences， 2017， 6（12）： 3859-3864.