基于近紅外光譜技術的發(fā)育后期蘋果內部品質檢測

王轉衛(wèi) 遲 茜 郭文川 趙春江

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100； 2.農業(yè)部農業(yè)物聯(lián)網(wǎng)重點實驗室， 陜西楊凌 712100；3.國家農業(yè)信息化工程技術研究中心， 北京 100097)

0 引言

蘋果發(fā)育后期良好的田間管理和成熟后的適時采收，可以使果實具有更佳的顏色與風味，并且可以減少果實在運輸和存儲過程中的損傷及病害。由于蘋果在生長發(fā)育過程中會受到光照、溫度、降水量、土壤養(yǎng)分等多方面環(huán)境因素的影響，很難根據(jù)其外觀特征直觀判斷其內部品質的變化。因此，無損檢測生長發(fā)育后期蘋果的內部品質，對于指導蘋果的生產與采收具有重要的意義。

由于近紅外光譜技術具有無損、高效、簡單、低成本等優(yōu)勢，使其在水果品質檢測[1-3]、果樹栽培調控、果實貯藏[4]、果酒的分級[5]和成分含量檢測[6]，以及其他農產品品質檢測與評價[7-9]等方面得到了廣泛應用。在蘋果品質檢測方面，李敏[10]研究了不同產地蘋果的近紅外光譜識別方法，識別正確率達到97.5%。李桂峰等[11]驗證了通過傅里葉變換近紅外光譜檢測蘋果硬度的可行性。范國強等[12]研究表明，應用近紅外漫反射技術可對蘋果糖分和硬度進行準確的定量分析。杜艷民等[13]研究得出，套袋蘋果可溶性固形物含量的預測結果優(yōu)于未套袋的蘋果。SCHMUTZLER等[14]利用近紅外漫反射光譜法和傅里葉變換近紅外光譜法成功地進行了蘋果可溶性固形物含量預測以及產地識別。YUAN等[15]研究了使用便攜式光纖光譜儀與多變量篩選分析相結合對蘋果可溶性固形物含量進行無損檢測的可行性，結果表明能滿足實際使用要求。劉靜等[16]利用支持向量機方法，基于近紅外光譜吸收強度對蘋果脆片的品質指標進行預測，為果蔬脆片的品質評價提供了新的參考方法。FAN等[17]研究了不同果實取向對光譜測量質量的影響，并為進一步在線檢測富士蘋果的可溶性固形物含量設計了合適的校準模型。郭志明等[18]研究了近紅外光譜技術在線檢測蘋果內部品質的模型優(yōu)化問題，結果表明，近紅外光譜結合特征變量提取方法可以建立高效的蘋果可溶性固形物含量在線檢測模型。IGNAT等[19]利用可見/近紅外光譜技術對采收和貯藏期間的蘋果品質參數(shù)進行檢測，研究表明這項技術為無損預測果實成熟度與貯藏期蘋果內部組分變化提供了可能。綜上，近紅外光譜技術用于蘋果內部品質檢測方面的研究，多集中在果實采后或貯藏期，關于蘋果發(fā)育后期近紅外光譜的變化規(guī)律及其內部品質檢測方法方面，尚未見報道。

為此，本文以“富士”蘋果為研究對象，測量其生長發(fā)育后期3個月內果實在833～2 500 nm間的吸光強度以及內部品質參數(shù)(可溶性固形物含量、硬度、pH值和含水率等)，分析不同發(fā)育時間蘋果近紅外光譜特性的變化規(guī)律以及基于單一波長下的吸光強度預測內部品質的可能性，進而利用化學計量學方法建立預測蘋果內部品質的定量模型，為蘋果成熟度檢測儀以及內部品質無損檢測儀的設計提供依據(jù)。

1 材料與方法

1.1 材料

試驗樣品為處于生長發(fā)育后期的“富士”蘋果，于試驗前1～2 d隨機采摘于陜西楊凌某果園的50多棵樹齡約11a的蘋果樹，采摘時綜合考慮果樹陽面和陰面對果實品質的影響，并挑選晴好天氣的下午采摘?！案皇俊碧O果從開花到成熟一般需要180 d左右，試驗從蘋果果實生長發(fā)育的第112天(細胞膨大期后)持續(xù)到第197天，每隔10 d左右采樣1次，共采樣9次。每次挑選外形相似、大小相近、完好無損的果實20～30個，建模樣品總數(shù)為233個。

1.2 測量方法

1.2.1近紅外光譜測量方法

利用 MPA 型傅里葉變換近紅外光譜儀(德國布魯克公司。掃描范圍：833～2 500 nm，共2 074個波長點；掃描次數(shù)：32次；分辨率：8 cm-1；探頭視場角：90°)采集試驗樣品的近紅外光譜。測量前預熱儀器30～60 min。采集條件：室溫(23～25℃)，儀器內置背景為參比，固體光纖漫反射。光譜采集部位：無損蘋果赤道上均勻分布的4點，光纖探頭與果皮直接接觸，取4點的平均光譜作為該樣品的光譜值。光譜數(shù)據(jù)由 OPUS軟件 (德國布魯克公司)采集。

1.2.2內部品質測量方法

在光譜數(shù)據(jù)采集完成后，用GY- 3型硬度計(中國艾德堡儀器公司)測量光譜采集點處果肉的硬度，在每個采集點附近，取適量果肉用PR- 101型數(shù)字折射儀(日本Atago 有限公司)測量果汁的可溶性固形物含量，再取適量果肉采用干燥法測量果肉的含水率。每個樣品4個點處硬度、可溶性固形物含量和含水率的平均值作為各參數(shù)的測量結果。將剩余果肉擠出果汁，用PHSJ- 3F型pH計(中國上海精密科學儀器公司)測量果汁的pH值，3次測量的平均值作為測量結果。所有測量均在室溫下進行。

1.3 數(shù)據(jù)分析與處理方法

1.3.1樣品集劃分方法

X-Y共生距離法(Sample set partitioning based on jointX-Ydistances , SPXY)是基于KS方法發(fā)展起來的一種樣品集劃分方法，它的優(yōu)點是同時考慮各樣品濃度與光譜數(shù)據(jù)間的歐氏距離，使所劃分進校正集的樣品集更具代表性[20]。

1.3.2光譜降維方法

主成分分析(Principal component analysis, PCA)方法的原理是沿協(xié)方差最大的方向由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影，獲得相互獨立的主成分向量。該方法既可以去除原始數(shù)據(jù)中的大量冗余信息，又可以最大限度上表征原始信息[21]。

連續(xù)投影算法(Successive projection algorithm , SPA)是經(jīng)過多次迭代，從變量中選取含有最少冗余信息的變量組，可以有效解決信息重疊和共線性的問題[22]。由于去除了大量重復信息，所以選擇的變量更有代表性，且大大減少了模型的運算量。

無信息變量消除法(Uninformative variable elimination, UVE)是在光譜矩陣中人為地加入一個隨機矩陣，建立偏最小二乘回歸交互驗證模型。將回歸系數(shù)均值與標準差的商作為衡量指標，決定光譜變量是否被選取[23]。

1.3.3建模方法

最小二乘支持向量機(Least square support vector machine, LSSVM)由傳統(tǒng)的支持向量機發(fā)展而來，以求解一組線性方程組代替?zhèn)鹘y(tǒng)SVM中復雜的二次優(yōu)化問題，可以極大改善近紅外光譜定性、定量檢測檢測模型的預測性能[24]。

極限學習機(Extreme learning machine，ELM)是針對單隱含層前饋神經(jīng)網(wǎng)絡提出的算法[25]。該算法具有學習速度快、泛化能力強等優(yōu)點，在模式識別和非線性擬合方面具有明顯優(yōu)勢。

本研究主要采用校正集均方根誤差RMSEC、預測集均方根誤差RMSEP以及|RMSEP-RMSEC|等指標對模型的性能進行綜合評價。

2 結果與分析

2.1 發(fā)育后期蘋果的近紅外光譜特性

圖1為室溫下833～2 500 nm范圍內不同發(fā)育時間蘋果樣品的吸光強度變化曲線。由圖1可見，不同發(fā)育時間蘋果的吸光強度隨波長變化的規(guī)律一致，只是在數(shù)值上有差異。在所測波長范圍內有5個明顯的吸收峰，分別在978、1 203、1 450、1 930、2 440 nm附近。1 450 nm和1 930 nm附近是水分子的兩個吸收峰，是由于其結構中的羥基(OH—)伸縮振動和變角振動而產生[26]，相比較可知，1 930 nm附近對水的變化更敏感。另外，980、1 200、2 440 nm附近的吸收峰是由于糖類、淀粉、纖維素等物質的存在而產生，而2 440 nm處更為敏感。

圖1 不同發(fā)育時間蘋果在833～2 500 nm范圍內的吸光強度Fig.1 Absorbance of apples with different development days (833～2 500 nm)

2.2 發(fā)育時間對蘋果吸光強度和內部品質的影響

圖2給出了5個吸收峰處蘋果樣品的吸光強度隨發(fā)育時間增加的變化曲線。由圖2可以看出，隨著發(fā)育時間的延長，蘋果的吸光強度在各波峰處的變化趨勢基本一致。其中，在發(fā)育第132天時，出現(xiàn)極小值；在167～184 d之間蘋果吸光強度相對穩(wěn)定；第197天時，又有所增加。吸光強度的變化應該與蘋果果實成熟過程中內部物質的變化有關。內部組分及結構的變化，在發(fā)育中期相對穩(wěn)定，發(fā)育初期、成熟期會有較大變化，反映在對光的敏感性有所不同。

圖2 5個吸收峰處蘋果吸光強度隨發(fā)育時間增加的變化曲線Fig.2 Changing curves of absorbance of apples at five absorption peaks with different development days

表1為不同發(fā)育時間下蘋果樣品內部品質的測定結果。由表1可知，隨著果實發(fā)育時間的增加，可溶性固形物含量和pH值總體呈現(xiàn)增大的趨勢，硬度呈現(xiàn)減小的趨勢，含水率變化規(guī)律不明顯。這與蘋果不斷發(fā)育成熟過程中，含糖量增加、酸度減小的變化規(guī)律相一致。

表1 不同發(fā)育時間蘋果的內部品質測量結果Tab.1 Obtained internal quality values of apples withdifferent development days

注：同列中不同字母表示差異顯著(P<0.05)。

2.3 近紅外光譜特性與內部品質的關系

為了解發(fā)育后期蘋果單一波長下的吸光強度與內部品質之間的關系，建立了2 074個測試波長下蘋果樣品的吸光強度分別與可溶性固形物含量、硬度、pH值和含水率之間的線性關系式

y=Ax+B

(1)

式中y——吸光強度

x——可溶性固形物含量、硬度、pH值或含水率

A、B——回歸系數(shù)

圖3為蘋果吸光強度分別與各內部品質參數(shù)(可溶性固形物含量、硬度、pH值和含水率)之間的線性相關系數(shù)RSSC、RF、RpH和RMC。

圖3 蘋果吸光強度與各內部品質參數(shù)的線性相關系數(shù)(833～2 500 nm)Fig.3 Linear correlation coefficients between absorbance and internal quality of apples from 833 nm to 2 500 nm

由圖3可以看出，在整個波長范圍內，RSSC和RpH的變化趨勢一致，即在833～1 200 nm范圍內，相關系數(shù)較高，且是正相關，說明果實內糖、果膠、纖維素等物質的變化對此波長范圍內光的吸收影響較大。RSSC和RpH的最小值出現(xiàn)在兩個主要吸收峰(1 450 nm和1 930 nm)附近，證明該波長下吸光強度與果實內部的糖、果膠、纖維素等物質的關系很弱。整個波長范圍內，RF小于零，說明果實內的硬度與吸光強度呈負相關。同可溶性固形物含量與pH值相似，在833～1 200 nm內，相關性較好，最弱的相關性同樣表現(xiàn)在兩個主要吸收峰附近。整個波長范圍內RMC的絕對值小于0.2，說明水分變化與吸光強度之間的相關性也較弱，但是最高的相關系數(shù)出現(xiàn)在兩個主要吸收峰(1 450 nm和1 930 nm)附近，這進一步說明引起1 450 nm和1 930 nm吸收峰的主要原因是水分。

同時，圖3說明，單一波長下蘋果的吸光強度與各內部品質指標間的線性相關性均較弱，利用單一波長下的吸光強度預測蘋果的內部品質參數(shù)具有一定的難度。由于光譜范圍較寬且重疊較嚴重，原始譜除了包含反映內部成分的信息外還含有大量冗余信息，為此將化學計量學方法與人工神經(jīng)網(wǎng)絡方法相結合，用于建立發(fā)育后期蘋果內部品質的預測模型。

2.4 發(fā)育后期蘋果內部品質預測模型的建立

以發(fā)育后期蘋果樣品的內部品質(可溶性固形物含量、硬度、pH值和含水率)作為預測對象，基于SPXY法劃分校正集與預測集；以PCA、SPA與UVE方法對光譜進行降維；分別建立預測可溶性固形物含量、硬度、pH值和含水率的LSSVM和ELM預測模型。

2.4.1光譜預處理

為了減少原始譜數(shù)據(jù)中由于儀器、環(huán)境等因素帶來的干擾信息的影響，需要首先對光譜進行預處理，以簡化后續(xù)建模處理運算過程，提高分析準確度。本文采用的預處理方法為標準正態(tài)變量變換(Standard normal variate transformation, SNV)。SNV處理可以有效消除或減小樣品大小、表面散射以及光程變化等對近紅外漫反射光譜的影響。圖4為原始光譜在進行SNV處理前、后的光譜圖。

2.4.2樣本劃分

采用SPXY方法按照3∶1劃分樣本集，校正集樣本數(shù)175，預測集樣本數(shù)58。各樣本集中蘋果樣品的可溶性固形物含量、硬度、pH值和含水率的統(tǒng)計結果見表2。

由表2可以看出，可溶性固形物含量、硬度、pH值和含水率均具有較寬的數(shù)據(jù)范圍，表明所選樣本具有普遍性和一定的代表性；測試集樣本數(shù)值范圍均包含于校正集樣本數(shù)值范圍內，說明樣本劃分合理。

圖4 SNV處理前、后所有樣品的近紅外光譜圖Fig.4 Near infrared spectra of all apples before and after SNV processing

內部品質參數(shù)校正集預測集最大值最小值平均值±標準差最大值最小值平均值±標準差可溶性固形物含量/°Brix17.78.912.7±2.116.39.111.6±2.0硬度/(kg·cm-2)8.194.236.10±0.907.404.376.00±0.65pH值4.103.293.63±0.183.873.293.53±0.14含水率/%89.679.584.8±2.087.981.285.1±1.5

2.4.3光譜降維

基于Unscrambler 10.2軟件對樣品原始光譜進行主成分分析，當主成分數(shù)大于等于12時，各主成分的貢獻率小于0.001%，此時累計貢獻率達到99.99%，所以采用主成分分析法選擇出前12個主成分用于后續(xù)建立定量預測模型。

在SPA處理過程中，RMSEC值隨變量數(shù)的增多大體呈現(xiàn)逐漸減小的趨勢。本研究中以RMSEC不再顯著減小(在0.05顯著水平下)為停止選擇的判斷依據(jù)，針對可溶性固形物含量、硬度、pH值和含水率所選擇的最優(yōu)特征波長數(shù)見表3。

表3 不同光譜降維方法下對各內部品質參數(shù)所選擇的特征波長數(shù)Tab.3 Amounts of characteristic variables selectedby different data reduction methods forinternalqualities prediction

在應用UVE選擇特征波長時，設定無信息變量數(shù)為2 074，根據(jù)交互原則，由RMSEC的最小值確定可溶性固形物含量、硬度、pH值和含水率模型的最佳因子數(shù)；再計算其他參數(shù)，確定穩(wěn)定系數(shù)，根據(jù)穩(wěn)定系數(shù)曲線的波動確定優(yōu)選的特征波長。基于UVE法所確定的預測可溶性固形物含量、硬度、pH值和含水率的特征波長數(shù)見表3。

2.4.4建模結果

在建模之前，首先需要確定各模型的主要建模參數(shù)。對于預測可溶性固形物含量、硬度、pH值和含水率分別確定的LSSVM模型(以徑向基函數(shù)作為核函數(shù))的正規(guī)化參數(shù)γ和最佳核寬σ2，以及ELM模型的各層節(jié)點數(shù)，分別見表4、5。

表6為不同降維方法下對于各內部品質參數(shù)所建LSSVM和ELM模型的建模結果。

由表6可知，對于可溶性固形物含量，SPA- ELM模型具有最小的RMSEP(0.443 5°Brix)，且|RMSEP-RMSEC| 最小，說明模型不僅具有良好的預測性能，且模型的穩(wěn)健性比較好。對于硬度，PCA- ELM具有最小的RMSEP(0.261 2 kg/cm2)，但是其|RMSEP-RMSEC|大于UVE- ELM，而UVE- ELM的RMSEP偏大，綜合比較，確定PCA- ELM是預測硬度的最好模型。對于pH值，SPA- ELM模型的RMSEP最小，為0.006 8，且|RMSEP-RMSEC|也最小，說明SPA- ELM是預測pH值的最佳模型。對于含水率，SPA- ELM雖具有最小的RMSEP(0.380 1%)，但其|RMSEP-RMSEC|最大，為0.595 0%，說明模型的穩(wěn)健性最差。綜合比較認為，穩(wěn)健性最好的PCA- ELM是預測含水率的最優(yōu)模型，其RMSEP為0.623 5%。

表4 不同降維方法下LSSVM預測模型參數(shù)設置Tab.4 Modeling parameters of LSSVM models for internal qualities prediction by different data reduction methods

表5 不同降維方法下ELM預測模型參數(shù)設置Tab.5 Modeling parameters of ELM models for internal quality prediction by different data reduction methods

表6 不同降維方法下對于各內部品質參數(shù)所建的LSSVM和ELM模型的建模結果Tab.6 Modeling results for internal quality predictionof LSSVM and ELM by different data reduction methods

兩種建模方法比較可知，ELM的建模效果優(yōu)于LSSVM。在多種降維方法中，SPA的降維效果整體優(yōu)于PCA和UVE，不僅能使模型具有較好的預測性能和穩(wěn)健性，而且降維效果明顯，所提取的特征波長數(shù)僅是原始光譜的0.29%～0.53%。

綜上說明，化學計量學方法與人工神經(jīng)網(wǎng)絡方法相結合，可以較好地預測生長發(fā)育后期“富士”蘋果的內部品質。

3 結論

(1)在833～2 500 nm波長范圍內，蘋果的吸光強度在978、1 203、1 450、1 930、2 440 nm附近出現(xiàn)明顯的吸收峰，且吸光強度隨著發(fā)育時間的增加呈現(xiàn)先減小、中期相對穩(wěn)定而后期增大的變化趨勢。

(2)在“富士”蘋果的生長發(fā)育后期，可溶性固形物含量和pH值隨發(fā)育時間總體呈現(xiàn)增大的趨勢，硬度呈現(xiàn)減小趨勢，含水率變化規(guī)律不明顯。

(3)單一波長下蘋果的吸光強度與各內部品質參數(shù)之間的線性相關性均較弱，基于單一波長的吸光強度較難預測生長發(fā)育后期“富士”蘋果的內部品質。

(4)預測可溶性固形物含量、pH值的最優(yōu)模型為SPA- ELM，其RMSEP分別為0.443 5°Brix和0.006 8；預測硬度、含水率的最優(yōu)模型為PCA- ELM，其RMSEP分別為0.261 2 kg/cm2和0.623 5%。

1 劉燕德，吳明明，孫旭東，等. 黃桃表面缺陷和可溶性固形物光譜同時在線檢測[J]. 農業(yè)工程學報, 2016, 32(6): 289-295.

LIU Yande,WU Mingming, SUN Xudong, et al. Simultaneous detection of surface deficiency and soluble solids content forAmygdaluspersicaby online visible near infrared transmittance spectroscopy[J]. Transactions of the CSAE, 2016, 32(6):289-295. (in Chinese)

2 徐惠榮，李青青. 皇冠梨糖度可見/近紅外光譜在線檢測模型傳遞研究[J/OL]. 農業(yè)機械學報, 2017,48(9): 312-317. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170939&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.09.039.

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

3 AMODIO M L，CEGLIE F，CHAUDHRY M M A，et al. Potential of NIR spectroscopy for predicting internal quality and discriminating among strawberry fruits from different production systems[J]. Postharvest Biology & Technology, 2017, 125:112-121.

4 白倩，周金池. 近紅外光譜技術在水果產業(yè)中的最新應用[J]. 光譜實驗室, 2014, 31(6): 662-667.

BAI Qian, ZHOU Jinchi. The latest application of near-infrared spectroscopy in the fruit industry[J]. Chinese Journal of Spectroscopy Laboratory, 2014, 31(6): 662-667. (in Chinese)

6 YE M，YUE T，YUAN Y，et al. Application of FT- NIR spectroscopy to apple wine for rapid simultaneous determination of soluble solids content, pH, total acidity, and total ester content[J]. Food & Bioprocess Technology, 2014, 7(10): 3055-3062.

7 SEMENIUK I，KRZYSIAK-WARZALA B，KOREN-SZWARC B，et al. Use of FT- NIR spectroscopy for determination of free fatty acids in the sunflowerseed oil[J]. Przemysl Chemiczny, 2016, 95(11): 2359-2362.

8 劉國海，韓蔚強，江輝. 基于近紅外光譜的橄欖油品質鑒別方法研究[J]. 光譜學與光譜分析, 2016, 36(9): 2798-2801.

LIU Guohai, HAN Weiqiang, JIANG Hui. Study on quality identification of olive oil based on near infrared spectra [J]. Spectroscopy and Spectral Analysis, 2016, 36(9): 2798-2801. (in Chinese)

9 孫海霞，張淑娟，薛建新，等. 鮮棗內部綜合品質光譜評價指標建立與分析[J/OL]. 農業(yè)機械學報, 2017, 48(9): 324-329. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170941&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.09.041.

SUN Haixia, ZHANG Shujuan, XUE Jianxin, et al. Establishment and analysis of internal comprehensive quality spectral evaluation index for fresh jujube[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(9):324-329. (in Chinese)

10 李敏. 不同產地蘋果的近紅外光譜分類識別法[J]. 紅外, 2014, 35(12): 41-44.

LI Min. Near infrared spectral classification method of apples from different regions[J]. Infrared, 2014, 35(12) : 41-44. (in Chinese)

11 李桂峰，趙國建，劉興華，等. 蘋果硬度的傅里葉變換近紅外光譜無損檢測[J]. 農業(yè)機械學報, 2009, 40(1): 120-123.

LI Guifeng, ZHAO Guojian, LIU Xinghua, et al. Using FT- NIR spectra in non-invasive measurement of apple firmness[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 120-123. (in Chinese)

12 范國強，閘建文. 運用近紅外漫反射技術檢測蘋果內部品質[J]. 農業(yè)裝備與車輛工程, 2006(11): 33-35.

FAN Guoqiang, ZHA Jianwen. Determination of apple interior qualities with near infrared diffuse reflectance technique[J]. Agricultural Equipment and Vehicle Engineering, 2006(11): 33-35. (in Chinese)

13 杜艷民，王文輝，賈曉輝，等. 蘋果和梨不同品種及品質特性對近紅外反射光譜無損測定SSC的影響[J]. 保鮮與加工, 2014, 14(2): 25-29.

DU Yanmin, WANG Wenhui, JIA Xiaohui, et al. Effects of varieties and quality characteristics of apple and pear on detecting soluble solid content based on non-destructive measurement of near-infrared reflectance spectroscopy[J]. Storage and Process, 2014, 14(2): 25-29. (in Chinese)

14 SCHMUTZLER M，HUCK C W. Automatic sample rotation for simultaneous determination of geographical origin and quality characteristics of apples based on near infrared spectroscopy (NIRS)[J]. Vibrational Spectroscopy, 2014, 72(20): 97-104.

15 YUAN L，CAI J，SUN L，et al. Nondestructive measurement of soluble solids content in apples by a portable fruit analyzer[J]. Food Analytical Methods, 2016, 9(3): 785-794.

16 劉靜，杜廣全，管驍. 基于近紅外光譜的果蔬脆片品質評價方法研究[J]. 分析科學學報, 2017, 33(1): 71-75.

LIU Jing, DU Guangquan, GUAN Xiao. Study on quality evaluation of fruit and vegetable chips based on near infrared apectroscopy[J]. Journal of Analytical Science, 2017, 33(1): 71-75. (in Chinese)

17 FAN S，GUO Z，ZHANG B，et al. Using VIS/NIR diffuse transmittance spectroscopy and multivariate analysis to predicate soluble solids content of apple[J]. Food Analytical Methods, 2016, 9(5): 1333-1343.

18 郭志明，黃文倩，陳全勝，等. 近紅外光譜的蘋果內部品質在線檢測模型優(yōu)化[J]. 現(xiàn)代食品科技, 2016, 32(9): 147-153.

GUO Zhiming, HUANG Wenqian, CHEN Quansheng, et al. Model optimization for the on-line inspection of internal apple quality by shortwave near-infrared spectroscopy[J]. Modern Food Science and Technoly,2016, 32(9): 147-153. (in Chinese)

19 IGNAT T，LURIE S，NYASORDZI J，et al. Forecast of apple internal quality indices at harvest and during storage by VIS- NIR spectroscopy[J]. Food & Bioprocess Technology, 2014, 7(10): 2951-2961.

20 ZHU X，SHAN Y，LI G，et al. Prediction of wood property in Chinese Fir based on visible/near-infrared spectroscopy and least square-support vector machine[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2009, 74(2): 344-348.

21 遲茜，王轉衛(wèi)，楊婷婷，等. 基于近紅外高光譜成像的獼猴桃早期隱性損傷識別[J/OL]. 農業(yè)機械學報, 2015, 46(3): 235-241，234.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150334&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.03.034.

CHI Qian, WANG Zhuanwei, YANG Tingting, et al. Recognition of early hidden bruises on kiwifruits based on near-infrared hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 235-241,234. (in Chinese)

22 ANDERSON S S，TELMA W L，DANIEL V L，et al. Spectroscopic multicomponent analysis using multi-objective optimization for variable selection[J]. Computer Technology and Appilication, 2013, 4(9): 466-475.

23 郭文川，董金磊. 高光譜成像結合人工神經(jīng)網(wǎng)絡無損檢測桃的硬度[J]. 光學精密工程, 2015, 23(6): 1530-1537.

GUO Wenchuan, DONG Jinlei. Nondeatructive detection on firmness of peaches based on hyperspectral imaging and artificial neural networks[J]. Optics and Precision Engineering, 2015, 23(6): 1530-1537.(in Chinese)

24 張淑娟，張海紅，趙艷茹，等. 鮮棗可溶性固形物可見/近紅外光譜檢測建模方法比較[J/OL]. 農業(yè)機械學報, 2012, 43(3): 108-112. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120321&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2012.03.021.

ZHANG Shujuan, ZHANG Haihong, ZHAO Yanru, et al. Comparison of modeling methods of fresh jujube soluble solids measurement by NIR spectroscopy[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(3):108-112. (in Chinese)

25 HUANG G，ZHU Q，SIEW C. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

26 杰爾·沃克曼，洛伊斯·文依. 近紅外光譜解析實用指南[M]. 北京：化學工業(yè)出版社，2009: 49-67.