基于高光譜技術(shù)的庫(kù)爾勒香梨成熟度檢測(cè)

中圖分類(lèi)號(hào)：S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1002-1302（2025）10-0233-06

庫(kù)爾勒香梨因其皮薄多汁的特點(diǎn)在國(guó)際和國(guó)內(nèi)市場(chǎng)上備受青睞，已成為推動(dòng)新疆經(jīng)濟(jì)發(fā)展的重要因素之一[1]。作為中歐互認(rèn)的地理標(biāo)志產(chǎn)品，庫(kù)爾勒香梨具有極強(qiáng)的地域性[2]，其栽培歷史可追溯至1400多年前的新疆庫(kù)爾勒市[3]。除了核心種植區(qū)庫(kù)爾勒市，該梨種還在周邊阿拉爾市、阿克蘇市等地廣泛種植[4]。香梨以其濃郁的口感、薄皮多汗、清脆可口以及高營(yíng)養(yǎng)價(jià)值而聞名，堪稱梨中珍品[5]。隨著人民生活水平的不斷提高，消費(fèi)者對(duì)產(chǎn)品品質(zhì)的要求也在日益提升[6]

香梨成熟度是指香梨果實(shí)的生理和品質(zhì)特性，它影響著香梨的風(fēng)味、貯藏、運(yùn)輸和加工等方面，并且決定了香梨的品質(zhì)和口感。成熟度越高，香梨的色澤、香氣、甜度、酸度、硬度、汁液量等品質(zhì)指標(biāo)越好，口感越香甜多汁，更受消費(fèi)者的喜愛(ài)[7-8]。香梨成熟度影響著香梨的貯藏和運(yùn)輸。成熟度過(guò)低的香梨果肉堅(jiān)硬、不易受損，但風(fēng)味差、不易銷(xiāo)售；成熟度過(guò)高的香梨果肉松軟，易受擠壓和磕碰而損傷，不利于長(zhǎng)途運(yùn)輸和貯藏，也容易引起病蟲(chóng)害和腐爛[9-10]。因此，掌握好香梨的采收時(shí)間和成熟度評(píng)價(jià)方法是提高香梨產(chǎn)業(yè)水平和競(jìng)爭(zhēng)力的關(guān)鍵。

此外，傳統(tǒng)的檢測(cè)方式主要依賴手工操作，這種方法會(huì)耗費(fèi)大量的資金、人力、資源。基于高光譜成像技術(shù)的庫(kù)爾勒香梨成熟度檢測(cè)方法不僅可以顯著提高檢測(cè)效率和準(zhǔn)確性，而且能夠減少對(duì)人力資源的依賴，節(jié)約了大量的時(shí)間和成本[11]。高光譜成像技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測(cè)領(lǐng)域展現(xiàn)出顯著優(yōu)勢(shì)，它對(duì)于提升果蔬采后質(zhì)量評(píng)價(jià)與分級(jí)精度具有重要的工程應(yīng)用價(jià)值[12]。目前，世界各地的研究人員已經(jīng)對(duì)香蕉[13]草莓[14]、葡萄[15]、油桃[16]等水果的品質(zhì)進(jìn)行了無(wú)損檢測(cè)研究，并取得了一定的成果。Shao等利用高光譜成像技術(shù)對(duì)不同成熟階段的草莓進(jìn)行分類(lèi)，并采用PLS-DA和LS-SVM模型評(píng)估成熟度，結(jié)果顯示，LS-SVM模型在草莓成熟度評(píng)估中的準(zhǔn)確率為 96.7% [17]。孫靜濤等基于高光譜技術(shù)構(gòu)建了哈密瓜可溶性固形物含量預(yù)測(cè)模型，并利用SVM進(jìn)行硬度預(yù)測(cè)，CARS-PCA-SVM模型在預(yù)測(cè)準(zhǔn)確性方面表現(xiàn)優(yōu)異，校正集和預(yù)測(cè)集的判別正確率分別為 95%94% [18]。這些研究表明了高光譜成像結(jié)合先進(jìn)的機(jī)器學(xué)習(xí)模型可以有效提高果實(shí)成熟度評(píng)估的準(zhǔn)確性和效率，這可為農(nóng)業(yè)領(lǐng)域提供可靠的技術(shù)支持，減少人工依賴并節(jié)省資源。然而，關(guān)于庫(kù)爾勒香梨成熟度的無(wú)損檢測(cè)研究較少。

本研究利用高光譜成像技術(shù)不僅成功采集了庫(kù)爾勒香梨的光譜數(shù)據(jù)，還通過(guò)研究新的成熟度判別的機(jī)器學(xué)習(xí)模型CNN-S顯著提高了檢測(cè)的效率和準(zhǔn)確性。與傳統(tǒng)方法相比，該方法在測(cè)試集上的準(zhǔn)確率大幅提高，從而為快速、無(wú)損檢測(cè)庫(kù)爾勒香梨的品質(zhì)和成熟度提供了強(qiáng)有力的技術(shù)支持和理論依據(jù)。這些改進(jìn)不僅優(yōu)化了數(shù)據(jù)處理流程，還增強(qiáng)了模型的泛化能力，是香梨品質(zhì)監(jiān)控和智慧農(nóng)業(yè)發(fā)展中的重要進(jìn)步，為后期的機(jī)器采摘提供了可靠的技術(shù)基礎(chǔ)。

1材料與方法

1.1樣本采集與儀器

為了確保試驗(yàn)數(shù)據(jù)的代表性和科學(xué)性，本研究從新疆維吾爾自治區(qū)阿拉爾市八團(tuán)梨園采摘庫(kù)爾勒香梨，采集日期分為2023年8月2日（第1階段，溫度26.1^qC ，總輻射強(qiáng)度 348W/m² ）、2023年8月29日（第2階段，溫度 24^°C ，總輻射強(qiáng)度 128W/m² ）、2023年9月25日（第3階段，溫度 20% ，總輻射強(qiáng)度 279W/m² ）以及2023年10月25日（第4階段，溫度 15.3‰ ，總輻射強(qiáng)度 134W/m² ）。每個(gè)階段的特征如表1所示。每個(gè)階段采集完立即運(yùn)送至塔里木大學(xué)綠洲農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室 B207 。樣品在控溫室內(nèi)（ 貯藏，并按照設(shè)定的時(shí)間間隔進(jìn)行樣本的采集與測(cè)試。試驗(yàn)共計(jì)采集了160個(gè)樣品，分4次進(jìn)行，每次40個(gè)。每次試驗(yàn)前，使用軟紙小心地清除香梨表面的灰塵，并為每個(gè)香梨編號(hào)，以獲取高光譜圖像并測(cè)定糖度。試驗(yàn)所采用的高光譜成像系統(tǒng)主要由ImSpectorV10E（Specim，芬蘭）成像光譜儀組成，其光譜波段范圍為 380～1000nm ，配備面陣CCD偵測(cè)器以及2個(gè)光強(qiáng)可調(diào)的150W光纖鹵素?zé)簟LE23型C-mount成像鏡頭、OBF570型濾光片。具體成像系統(tǒng)如圖1所示。

1.2高光譜圖像采集與校正

高光譜圖像數(shù)據(jù)的采集通過(guò)計(jì)算機(jī)上的MATLAB軟件進(jìn)行。首先，將高光譜儀器預(yù)熱20min ，然后開(kāi)始香梨圖像的拍攝。為避免圖像失真，經(jīng)過(guò)多次預(yù)試驗(yàn)，確定了最佳的數(shù)據(jù)采集參數(shù)：

光譜儀的曝光距離為 280mm ，曝光時(shí)間為 1.5ms ，電控位移臺(tái)的掃描速率為 0.602 0nm/s ，掃描線實(shí)際長(zhǎng)度為 190mm ，圖像分辨率為800像素 ×660 像素。每次采集3個(gè)香梨，采集完成后統(tǒng)一裁剪成65像素 ×65 像素的單個(gè)香梨高光譜圖像。

為了避免高光譜攝像頭的暗電流和光強(qiáng)度不均勻?qū)D像產(chǎn)生噪聲干擾，對(duì)采集的高光譜圖像進(jìn)行了黑白板校正，并根據(jù)相關(guān)公式計(jì)算出校正后的圖像。公式如下：

式中： R_o 為原始的香梨高光譜圖像； R_b 為黑板校正圖像； R_w 為白板校正圖像； R_a 為校正后的高光譜圖像。

1.3 光譜預(yù)處理

由于采集到的原始光譜不僅包含樣本本身的信息，還包含一些噪聲，如雜光和樣本背景等，這些因素會(huì)對(duì)樣本的光譜信息造成干擾。為了消除光譜曲線上的噪音，本試驗(yàn)采用了多元散射校正（MSC）和標(biāo)準(zhǔn)正態(tài)變量變換（SNV）等預(yù)處理方法。

MSC算法通過(guò)將每個(gè)波長(zhǎng)上的數(shù)據(jù)歸一化，以消除多元散射帶來(lái)的影響，從而提高了數(shù)據(jù)的質(zhì)量和可解釋性。其計(jì)算過(guò)程具體如下。

計(jì)算每個(gè)波長(zhǎng)的平均光譜向量 ，即所有樣本在相同波長(zhǎng)上的平均值：

計(jì)算每個(gè)波長(zhǎng)上的標(biāo)準(zhǔn)差 δ_j ，即所有樣本在相同波長(zhǎng)上的標(biāo)準(zhǔn)差：

對(duì)每個(gè)樣本進(jìn)行MSC校正，校正公式如下：

式中： X_ij 是原始數(shù)據(jù)矩陣中第 i 個(gè)樣本在第 j 個(gè)波長(zhǎng)處的光譜值； N 是樣本數(shù)量； M 是波長(zhǎng)數(shù)量； k 是調(diào)節(jié)參數(shù)（通常取1）; X_ij^′ 是經(jīng)過(guò)MSC校正后的光譜值； 是全局平均光譜向量。

SNV算法通過(guò)將每個(gè)波長(zhǎng)上的數(shù)據(jù)標(biāo)準(zhǔn)化為符合標(biāo)準(zhǔn)正態(tài)分布的形式，消除了由于光譜強(qiáng)度差異導(dǎo)致的波動(dòng)，使得數(shù)據(jù)更接近獨(dú)立同分布的特性，有助于提高特征的可解釋性。其計(jì)算過(guò)程具體如下。

每個(gè)波長(zhǎng)的平均光譜向量 X_j ，即所有樣本在相同波長(zhǎng)上的平均值：

計(jì)算每個(gè)波長(zhǎng)上的標(biāo)準(zhǔn)差 δ_j ，即所有樣本在相同波長(zhǎng)上的標(biāo)準(zhǔn)差：

對(duì)每個(gè)樣本進(jìn)行SNV標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化公式如下：

式中： X_ij 是原始數(shù)據(jù)矩陣中第 i 個(gè)樣本在第 j 個(gè)波長(zhǎng)處的光譜值; N 是樣本數(shù)量； 是全局平均光譜向量；在SNV中通常用整個(gè)數(shù)據(jù)集的平均值進(jìn)行標(biāo)準(zhǔn)化， δ_i 是全局標(biāo)準(zhǔn)差。

1.4判別建模方法

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種深度學(xué)習(xí)技術(shù)，廣泛應(yīng)用于圖像和視頻識(shí)別、推薦系統(tǒng)和圖像分類(lèi)等領(lǐng)域。CNN通過(guò)模擬人類(lèi)視覺(jué)系統(tǒng)的工作原理，能夠自動(dòng)并有效地識(shí)別圖像中的復(fù)雜模式和特征。它由多個(gè)層次組成，主要包括卷積層、池化層和全連接層。卷積層通過(guò)濾波器從輸入圖像中提取基本的視覺(jué)特征；池化層則負(fù)責(zé)降低特征的維度，增強(qiáng)模型的泛化能力；全連接層則在網(wǎng)絡(luò)的最后階段，將前面提取的特征轉(zhuǎn)化為最終的輸出，如分類(lèi)結(jié)果。

本研究基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）設(shè)計(jì)了一種新的建模方法，名為CNN-S。該模型采用了深度可分離卷積技術(shù)，主要由卷積層、全連接層、激活函數(shù)、池化層和批量歸一化層組成。在初始化函數(shù)中，模型結(jié)構(gòu)包括多個(gè)卷積層、池化層、批量歸一化層和全連接層，形成一個(gè)序列網(wǎng)絡(luò)。

卷積層采用深度可分離卷積，即先對(duì)每個(gè)輸入通道進(jìn)行單獨(dú)卷積，再通過(guò) 1×1 卷積分離各通道。第1組卷積層包含1個(gè) 7×7 的深度卷積和1個(gè) 1× 1的點(diǎn)卷積，接著是ReLU激活函數(shù) 平均池化層和批量歸一化層。這一組卷積層提取輸入數(shù)據(jù)的基礎(chǔ)特征，同時(shí)減少計(jì)算復(fù)雜度。第2組卷積層采用 3×3 的深度卷積和 1×1 的點(diǎn)卷積，后接ReLU激活函數(shù)、 ??4×4 平均池化層和批量歸一化層，繼續(xù)提取更高層次的特征。第3組卷積層也采用 3×3 的深度卷積和 1×1 的點(diǎn)卷積，最后接ReLU激活函數(shù)、批量歸一化層和自適應(yīng)平均池化層，將特征圖尺寸縮放到 1×1 。全連接層由一個(gè)Sigmoid激活函數(shù)、批量歸一化層和線性層組成，輸出類(lèi)別數(shù)為3。Sigmoid激活函數(shù)引入非線性特性，批量歸一化加速訓(xùn)練并提高模型穩(wěn)定性，通過(guò)標(biāo)準(zhǔn)化每批數(shù)據(jù)的分布，減少內(nèi)部協(xié)變量轉(zhuǎn)移的影響。線性層作為最終分類(lèi)器，將特征映射到類(lèi)別空間，輸出分類(lèi)結(jié)果。為了確保模型的訓(xùn)練穩(wěn)定性和有效性，卷積層采用He初始化（Heinitialization）方法，適用于ReLU激活函數(shù)，使初始權(quán)重分布合理，有助于梯度流動(dòng)。批量歸一化層的權(quán)重初始化為1，偏置初始化為0，確保初始狀態(tài)下的批量歸一化層不會(huì)對(duì)輸入數(shù)據(jù)造成過(guò)大影響。線性層的權(quán)重使用標(biāo)準(zhǔn)正態(tài)分布初始化，偏置初始化為0，確保全連接層在訓(xùn)練初期表現(xiàn)良好。在前向傳播過(guò)程中，輸入數(shù)據(jù)經(jīng)過(guò)多個(gè)卷積層，逐步提取高層次特征。接著，特征圖被轉(zhuǎn)換為適合全連接層輸入的形式。處理后的特征輸入全連接層，進(jìn)行最終分類(lèi)并輸出類(lèi)別概率。該模型通過(guò)深度可分離卷積層和自適應(yīng)平均池化層，能夠有效提取高光譜圖像特征，同時(shí)降低計(jì)算復(fù)雜度，提升計(jì)算效率和性能。整體設(shè)計(jì)適用于高光譜圖像分類(lèi)任務(wù)，具備良好的性能和訓(xùn)練穩(wěn)定性。

1.5香梨不同階段的分類(lèi)

為研究香梨在不同成熟階段的特征，本研究將其成熟度劃分為4個(gè)階段，具體見(jiàn)表1。

1.6 數(shù)據(jù)處理

利用軟件HyperSpec采集所有香梨樣品的高光譜圖像，采集獲得的香梨高光譜圖像數(shù)據(jù)在ENVI5.6和MATLABR2024a軟件中進(jìn)行處理與分析。

2 結(jié)果與分析

2.1香梨不同成熟度的高光譜圖像

圖2給出了不同成熟階段（第1階段、第2階段、第3階段、第4階段）的香梨高光譜圖像，

2.2香梨不同成熟階段的平均光譜圖

圖3展示了香梨在不同成熟階段的平均光譜曲線，通過(guò)曲線可以觀察到未成熟香梨的光譜反射率較高，這可能與果實(shí)表面的物理特性有關(guān)。具體來(lái)說(shuō)，未成熟的香梨表面可能較為粗糙或缺乏光滑度，這種表面狀態(tài)可能因果實(shí)尚未發(fā)育完全，表皮較硬且含水量低，導(dǎo)致光線在表面的反射增多而無(wú)法被有效吸收。此外，反射率的高低與果實(shí)的成熟度密切相關(guān)，高反射率不僅表明香梨未完全成熟，也可能意味著其口感、風(fēng)味和營(yíng)養(yǎng)價(jià)值尚未達(dá)到最佳狀態(tài)。相對(duì)地，成熟或過(guò)熟的香梨反射率較低，這通常與果皮變薄和含水量增加有關(guān)，使得光線更容易被吸收。因此，通過(guò)監(jiān)測(cè)香梨的光譜反射率變化，可以有效判斷其成熟度。

2.3不同光譜預(yù)處理方法對(duì)原始光譜的預(yù)處理效果

鑒于初始反射光譜存在部分噪音，為了增強(qiáng)識(shí)別模型的準(zhǔn)確性和穩(wěn)定性，本研究采用MSC、SNV和歸一化方法對(duì)初始反射光譜數(shù)據(jù)進(jìn)行預(yù)處理。利用多元散射校正（MSC），能夠降低樣本之間的差異，并通過(guò)調(diào)節(jié)光譜數(shù)據(jù)來(lái)消除因粒子尺寸、形狀或者不同設(shè)備配置引起的樣本差異。同時(shí)可以改善光譜質(zhì)量：它有助于校正光譜數(shù)據(jù)中由多重散射引起的失真，使數(shù)據(jù)更加代表真實(shí)的光譜信號(hào)。標(biāo)準(zhǔn)正態(tài)變量變換（SNV）標(biāo)準(zhǔn)化了每個(gè)樣本的光譜強(qiáng)度，消除了基線漂移和樣品間的標(biāo)度差異。通過(guò)標(biāo)準(zhǔn)化，使得同一物質(zhì)在不同環(huán)境下或不同儀器上測(cè)得的光譜數(shù)據(jù)更具可比性。同時(shí)SNV有助于提高后續(xù)統(tǒng)計(jì)分析和建模工作的魯棒性，尤其是在面對(duì)來(lái)自多種來(lái)源的數(shù)據(jù)時(shí)。觀察圖4可知，經(jīng)過(guò)預(yù)處理的光譜曲線相較于未經(jīng)處理的更為平整，這表明在進(jìn)行光譜預(yù)處理時(shí)，已成功去除了一部分的噪音和背景影響。

2.4不同判別模型對(duì)香梨成熟度的識(shí)別結(jié)果

從表2中可以看出，CNN-S模型在各項(xiàng)評(píng)估指標(biāo)中均表現(xiàn)優(yōu)異，明顯超過(guò)了AlexNet和ResNet模型。具體而言，CNN－S在訓(xùn)練集上的準(zhǔn)確率達(dá)到了 98% ，在測(cè)試集和驗(yàn)證集上的準(zhǔn)確率分別為92% 96% ，同時(shí)在所有數(shù)據(jù)集上的損失率都維持在較低水平，顯示了其卓越的學(xué)習(xí)能力和穩(wěn)定性。相較而言，AlexNet和ResNet模型的測(cè)試集和驗(yàn)證集準(zhǔn)確率較低，尤其是AlexNet在測(cè)試集上的損失率高達(dá) 35% ，這可能表明其對(duì)未見(jiàn)數(shù)據(jù)的適應(yīng)能力較弱。這些數(shù)據(jù)清晰地展示了CNN－S模型在學(xué)習(xí)效率、泛化能力和穩(wěn)定性上的優(yōu)勢(shì)，突出了其在深度學(xué)習(xí)任務(wù)中的實(shí)用性和高效性，為未來(lái)模型的優(yōu)化和應(yīng)用提供了有力證據(jù)?？偨Y(jié)來(lái)看，CNN－S模型的綜合性能在比較中顯得尤為突出，其高效的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練策略在實(shí)際應(yīng)用中表現(xiàn)優(yōu)越。

3討論與結(jié)論

對(duì)庫(kù)爾勒香梨樣本進(jìn)行相似的方法分析，采用高光譜成像技術(shù)獲取數(shù)據(jù)，通過(guò)多元散射校正（MSC）和標(biāo)準(zhǔn)正態(tài)變換（SNV）預(yù)處理后，能夠顯著提高光譜數(shù)據(jù)的質(zhì)量。利用這些數(shù)據(jù)建立的基于深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型（CNN-S）不僅在樣本分類(lèi)準(zhǔn)確度上優(yōu)于傳統(tǒng)模型，還顯示了更好的泛化能力和較低的損失率，測(cè)試集上的準(zhǔn)確率高達(dá) 92% 。

通過(guò)試驗(yàn)對(duì)比不同模型在相同數(shù)據(jù)集上的表現(xiàn)，證明了CNN-S模型在處理高維、復(fù)雜數(shù)據(jù)時(shí)具有顯著優(yōu)勢(shì)。然而，本研究的局限性在于樣本數(shù)量較少、試驗(yàn)條件相對(duì)單一，可能限制了結(jié)果的廣泛適用性。未來(lái)研究可以考慮擴(kuò)展樣本數(shù)量，增加不同生長(zhǎng)環(huán)境和品種的香梨數(shù)據(jù)，以驗(yàn)證模型的泛化能力。

這一發(fā)現(xiàn)支持了使用高光譜技術(shù)結(jié)合先進(jìn)的深度學(xué)習(xí)技術(shù)CNN-S，以實(shí)現(xiàn)更為精準(zhǔn)和有效的農(nóng)產(chǎn)品成熟度檢測(cè)。未來(lái)研究可考慮進(jìn)一步探索其他類(lèi)型農(nóng)產(chǎn)品的成熟度檢測(cè)以及模型的跨區(qū)域泛化能力，為智能農(nóng)業(yè)提供更多的科技支持。

參考文獻(xiàn)：

[1]趙多勇，李安，郭航，等.穩(wěn)定同位素技術(shù)鑒別庫(kù)爾勒香梨產(chǎn)地可行性研究[J].核農(nóng)學(xué)報(bào)，2020，34（增刊1）：37-42.

[2]陳衛(wèi)東．庫(kù)爾勒香梨起源的探討[J].新疆林業(yè)，1999（1）：37-38.

[3]趙丹，琚艷君，馬雪，等.新疆庫(kù)爾勒香梨品質(zhì)分析與評(píng)價(jià)[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2022，13（20）：6637-6644.

[4]劉艷，吳運(yùn)建．庫(kù)爾勒香梨研究進(jìn)展［J]．新疆農(nóng)墾科技，2015，38（2）：23-26.

[5]勒思，魏清江，雷常玉，等.基于多元統(tǒng)計(jì)法的不同果實(shí)大小桃溪蜜柚品質(zhì)綜合評(píng)價(jià)［J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，43（4）：740 - 749.

[6]蘭海鵬，賈富國(guó)，唐玉榮，等．庫(kù)爾勒香梨成熟度量化評(píng)價(jià)方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：325-330.

[7]蘭海鵬，唐玉榮，安靜，等．基于硬度和SSC的庫(kù)爾勒香梨成熟度評(píng)價(jià)方法研究[J].農(nóng)機(jī)化研究，2013，35（11）：193-196.

[8]馮云霄，何近剛，程玉豆，等．成熟度對(duì)紅香酥梨冷藏及貨架期品質(zhì)的影響[J]．食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2021，12（11）：4513-4519.

[9]孫曄.基于高光譜成像技術(shù)的水蜜桃果實(shí)病害檢測(cè)研究［D].南京：南京農(nóng)業(yè)大學(xué)，2018：9-12.

[10]譚濤，馮樹(shù)南，溫青純，等.高光譜成像技術(shù)在水果品質(zhì)檢測(cè)中的應(yīng)用研究進(jìn)展[J]．江蘇農(nóng)業(yè)科學(xué)，2024，52（6）：11-18.

[11]王彩霞，王松磊，賀曉光，等．高光譜技術(shù)融合圖像信息的牛肉品種識(shí)別方法研究［J]．光譜學(xué)與光譜分析，2020，40（3）：911-916.

[12]HeHJ，SunD W.Hyperspectral imaging technology forrapiddetection of variousmicrobial contaminants in agricultural and foodproducts[J]. Trends in Food Science amp; Technology，2015，46（1）：99 -109.

[13]Rajkumar P，Wang N，EImasry G，et al. Studies on banana fruitquality and maturity stages using hyperspectral imaging[J]. Journalof Food Engineering， 2012，108（1）：194-200

[14]Zhang C，Guo C T，Liu F，et al.Hyperspectral imaging analysis forripeness evaluation of strawberry with support vector machine[J].Journal of Food Engineering，2016，179：11-18.

[15]Ribera-Fonseca A，Noferini M，Jorquera - Fontena E，et al.Assessment of technological maturity parameters and anthocyanins inberriesof cv.Sangiovese（Vitis vinifera L.）bya portable vis/NIRdevice[J].ScientiaHorticulturae，2016，209：229-235.

[16]Munera S，Amigo JM，Blasco J，et al.Ripeness monitoringof twocultivars of nectarine using VIS-NIR hyperspectral reflectanceimaging[J]. Journal of Food Engineering，2017，214：29-39.

[17]ShaoYY，WangYX，XuanGT，etal.Assessment of strawberryripenessusing hyperspectral imaging[J].Analytical Letters，2021，54（10）：1547-1560.

[18]孫靜濤，馬本學(xué)，董娟，等.高光譜技術(shù)結(jié)合特征波長(zhǎng)篩選和支持向量機(jī)的哈密瓜成熟度判別研究［J]．光譜學(xué)與光譜分析，2017，37（7）：2184-2191.