摘要
水蜜桃具有高经济价值、良好的药用价值和多种人体所需的营养价值，一直以来备受各年龄段消费者的青睐。糖度、硬度和pH等是和水蜜桃品质质量相关的重要参数，是决定果实新鲜度的主要因素，直接影响消费者的购买意愿。当前市场上对水蜜桃品质质量检测的常用方法为品尝、穿透等，检测结果虽然准确，但过程繁琐，还会造成水蜜桃果实的损坏，因此需要一种高效、无损和精确的方法来实现对水蜜桃的品质检测。高光谱荧光成像技术因其快速无损的检测优势而广受关注，近年来在微生物以及化学成分等方面的检测中取得了较好的研究成果，但该技术在水果品质方面的应用研究较少，因此本文选择高光谱荧光成像技术对水蜜桃的品质进行检测，探究其对水蜜桃多种内部品质参数无损检测的可行性。 (1)对水蜜桃糖分进行检测时，利用高光谱荧光成像仪分别采集水蜜桃的顶部、赤道附近和底部位置的光谱数据。结合PLSR和ELM模型对不同采集位置建模并根据预测指标综合分析对比后发现赤道附近的原始数据表现最佳。对赤道附近的原始光谱数据采用去趋势(DT)，高斯滤波(GF)等6种预处理方法，实验结果表明GF方法降噪效果最佳。选择自举软收缩法(BOSS)等五种一次特征提取方法和VISSA-MASS等三种二次特征提取方法筛选特征变量。对八种不同方式提取的特征变量分别建立随机森林回归(RFR)，基于粒子群优化的最小二乘支持向量机(PSO-LSSVM)和偏最小二乘回归(PLSR)三种模型。结果表明，基于赤道附近的GF-VISSA-MASS-PLSR方法取得最佳的预测效果，Rp2、Rc2和RPD分别为0.8323、0.9037和2.75。 (2)对水蜜桃硬度进行检测时，利用高光谱荧光成像仪对顶部、赤道附近和底部位置采集光谱数据。建立PLSR和ELM模型后发现赤道附近为最佳采集点。对6种不同的预处理方法建模后发现，GF方法表现最佳。利用粒子群算法(PSO)，间隔随机蛙跳方法(IRF)等五种一次特征提取方法和IRF-MASS等四种二次特征提取方法筛选特征变量。最后对九种方式提取的特征变量分别建立极限学习机(ELM)、多核支持向量回归(MK-SVR)和偏最小二乘回归(PLSR)模型后发现，基于赤道附近的GF-VISSA-MASS-MK-SVR方法取得最佳预测结果，其Rp2、Rc2、RPD分别为0.8882、0.9249和3.37。 (3)对水蜜桃pH值检测时，同样地，采用高光谱荧光成像仪采集水蜜桃顶部、赤道附近和底部位置的光谱数据。结合PLSR和ELM模型的预测指标分析比对后发现底部位置为最佳采集点。对底部位置数据采用移动平均平滑(MA)，GF等五种不同的一次预处理方法和SG-GF组合方法以减弱光谱中的噪声干扰和基线偏移等负面影响，数据结果表明SG-GF组合方法更有效。使用了十种不同的特征提取方法，包括非负矩阵分解(NMF)和MASS-BOSS等一次和二次方法，提取目标数据的特征变量。通过提取特征变量，构建广义回归神经网络（GRNN）、PSO-LSSVM等模型，来对数据进行分析和预测。结果表明，基于底部位置的SG-FG-BOSS-IRIV-GRNN方法的预测效果最佳，其Rp2、Rc2和RPD分别为0.8840、0.9461和3.07。 (4)在对4℃环境下不同贮藏期(1天、3天、5天)的水蜜桃糖度进行检测时，利用高光谱荧光成像仪采集存贮了1天、3天和5天的水蜜桃赤道附近的光谱数据。利用五种不同的方法进行预处理，同时为了提高信噪比，将每组建模结果中的三种最优方法组合后使用。结果表明，第1天的最佳预处理方法为MA-SG-ES，第3天的最佳预处理方法为MA-GF-ES，第5天的最佳预处理方法为DT-GF-ES。选择MASS，IRF等五种一次特征提取和IRF-BOSS等三种二次特征提取方法筛选特征变量。通过对比不同模型的预测结果后发现，BOSS-MASS-MK-SVR方法能普遍适用于不同贮藏期水蜜桃糖度的高精度检测。同时单因素方差分析也证明了该方法的可靠性。
NETL